最后更新: 2025-08-20 14:17 查看: 228 次反馈同步训练

正态分布

## 什么是正态分布？
假设你的老妈担心你的单身生活，为此，在相亲网站给你寻找相亲对象，她把你的照片放到了相亲网站后，一下子吸引来了200多个女性留言，要与你"私定终身"。老妈为了提高篮选效率，于是乎就建了一个微信群，让所有人报一下自己准确的身高。
为了统计方便。她以5厘米为单位，数一数每一段5厘米各有多少人。接着用身高为横轴，人数为纵轴，画了下面这张图。
仔细看这张图，你和老妈发现一个惊人的秘密:这张图形状是**中间高，两边低**，长得像一只倒扣的钟。这意味着什么？意味着大部分女性身高在150-165cm之间，身高低于150cm或者高于165cm的都比较少。
这个图形的分布，就是正态分布。
 ![图片](/uploads/2025-04/cb23d4.jpg){width=500px}
 
如果你在仔细看，身高在 低于143 和高于173的人更少，换句话说，$99.7 \%$ 的女生身高在 143-173 之间，这个被称为$3 \sigma$   原则．

## 理解正态分布图的意思

![图片](/uploads/2025-05/ab6781.jpg){width=500px}

上图显示了整天分布密度图，需要理解下面几个意思：

若随机变量 $X$ 的概率分布密度函数为

$f(x)=\frac{1}{\sigma \sqrt{2 \pi}} \cdot e^{-\frac{(x-\mu)^2}{2 \sigma^2}}, ~ x \in R$

，其中 $\mu \in R , ~ \sigma>0$ 为参数，则称随机变量 $X$ 服从正态分布，记为 $X \sim N\left(\mu, ~ \sigma^2\right)$ ．
（2）正态曲线的特点
①曲线是单峰的，它关于直线 $x=\mu$ 对称；
②曲线在 $x=\mu$ 处达到峰值 $\frac{1}{\sigma \sqrt{2 \pi} \text { ；}}$
③当 $|x|$ 无限增大时，曲线无限接近 $x$ 轴．

> 完整理解正态分布度高中生来说是比较困难的一件事，如果你对自己要求较高，可以看一下大学版正态分布介绍，详见 [此处](https://kb.kmath.cn/kbase/detail.aspx?id=532)

**定义 设 $X$ 是一个取实数值的随机变量．如果对任何给定的实数 $a$ 与 $b(a<b), X$ 落在区间 $(a, b)$ 上的概率 $P(a<X<b)$ 等于三条直线：$y=0, ~ x=a, ~ x=b$ 与正态密度函数 $y=\varphi_{\mu, \sigma^2}(x)$ 的图像所围的区域面积（或者简称作此函数在该区间上的面积，如图 7－3－3 所示），那么 $X$ 服从正态分布（normal distribution），或更准确地说，$X$ 服从参数为 $\mu, ~ \sigma^2$ 的正态分布** ，记为

$$
\boxed{
X \sim N\left(\mu, \sigma^2\right) .
}
$$

![图片](/uploads/2025-04/c88926.jpg){width=500px}
 
 
 ###  $3 \sigma$ 原则
（1）$P(\mu-\sigma \leqslant X \leqslant \mu+\sigma) \approx 0.6827$ ；
（2）$P(\mu-2 \sigma \leqslant X \leqslant \mu+2 \sigma) \approx 0.9545$ ；
（3）$P(\mu-3 \sigma \leqslant X \leqslant \mu+3 \sigma) \approx 0.9973$ ．

### 正态分布的均值与方差
若 $X \sim N\left(\mu, ~ \sigma^2\right)$ ，则 $E(X)=\mu, ~ D(X)=\sigma^2$ ．

## 标准正态分布
当 $\mu=0, ~ \sigma^2=1$ 时，相应的正态分布称为**标准正态分布**，记作 $X \sim N(0,1)$ ，其密度函数

$$
y=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^2}{2}}
$$

称为**标准正态分布的密度函数**，简记作 $y=\varphi(x)$ 。实际上，一般的正态分布的密度函数总是标准正态分布的密度函数的某种平移和伸缩变换，其形状保持钟形不变。

用 $\Phi(x)$ 表示标准正态分布的密度函数 $y=\varphi(x)$ 从 $-\infty$ 到 $x$的累计面积，如图 7－3－4 所示，称为**标准正态分布函**数．

这个函数没有简单的表达式，其函数值可通过近似计算得到．我们也可以通过某些型号的计算器来查它或者它的反函数的值，如

$$
\Phi(1) \approx 0.8413, \Phi(2) \approx 0.9772, \Phi(3) \approx 0.9987, \cdots
$$
 
### 一般正态分布转为标准正态分布
 
如果 $X \sim N\left(\mu, \sigma^2\right)$ ，那么将 $X$ 平移再伸缩后将服从标准正态分布，即成立

$$
\frac{X-\mu}{\sigma} \sim N(0,1)
$$

## 正态分布教程
前面我们已经初步认识了离散型随机变量及其分布，它们的可能值或者是有限个，或者是可数无穷多个，但在实践中，还有取值不是有限个或可数无穷多个的随机变量．在这类随机变量中，最常见的是连续型随机变量．下面我们来学习概率论中一种重要的连续型随机变量——正态分布。

很早以前，人们并不知道圆周率 $\pi$ 的大小（我们也假设 $\pi$ 是未知的），于是可以通过研究圆的直径和周长的关系来了解圆周率的大小．

例如，对直径为 1 cm 的圆的周长进行测量．由于多种偶然因素的影响，测量出的数据是有差异的。若记 $X$ 为测量出的数据，则 $X$ 是一个随机变量．实际问题中需要关心 $X$ 取值的概率分布。为了确定 $X$ 的概率分布，我们记录了 90 次测量的数据 （即样本点个数为 90 ），把它们进行分组整理后得如下分组数据表：
 ![图片](/uploads/2025-02/886e27.jpg)
 以测量出的数据为横坐标，以组频率／组距为纵坐标，就可以得到频率分布直方图（如图3．3－1）．图3．3－1 中每个小矩形的面积就是样本落在该分组区间内的频率．
  ![图片](/uploads/2025-02/b59008.jpg)
  
  当样本点个数越来越大，分组数越来越多时（即组距无限缩小），频率分布直方图的顶边会无限缩小乃至形成一条光滑的曲线（如图3．3－2）．
   ![图片](/uploads/2025-02/5fc171.jpg)
   
   随机变量 $X$ 在每个小区间内取值的频率，接近于 $X$ 在那个区间中取值的概率，因此，我们把这条曲线称为 $X$ 的概率密度曲线．

从图 3．3－2 可以看出，曲线呈现＂中间高，两边低，左右大致对称＂的特点，我们把具有这种特性的曲线叫作正态分布密度曲线，简称正态曲线，它的函数表达式为

$$
p(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^2}{2 \sigma^2}}(-\infty<x<+\infty),
$$

其中 $\mu$ 和 $\sigma$ 为参数，且 $\sigma>0, \mu \in R . p(x)$ 称为概率密度函数．此时，我们称随机变量 $X$ 服从参数为 $\mu$ 和 $\sigma^2$ 的正态分布，简记为 $X \sim N\left(\mu, \sigma^2\right)$ 。

不同的 $\mu$ 和 $\sigma$ 对应着不同的正态分布密度曲线（如图 3．3－3）．
 ![图片](/uploads/2025-02/563b4d.jpg)
 
 正态分布密度曲线具有如下特点：
1．曲线位于 $x$ 轴上方，与 $x$ 轴不相交；
2．曲线是单峰的，它关于直线 $x=\mu$ 对称；
3．$p(x)$ 在 $x=\mu$ 处达到最大值 $\frac{1}{\sqrt{2 \pi} \sigma}$ ；
4．当 $\sigma$ 一定时，曲线随着 $\mu$ 的变化而沿 $x$ 轴平移；
5．$\sigma$ 越大，正态曲线越扁平，$\sigma$ 越小，正态曲线越尖陡；
6．曲线与 $x$ 轴之间所夹区域的面积等于 1 ．
随机变量 $X$ 落在区间 $(a, b]$ 中的概率可以通过概率密度函数 $p(x)$ 来描述，即 $P(a<X \leqslant b)$ 恰好是由 $p(x)$ 对应的曲线和直线 $x=a, x=b$ ，以及 $x$ 轴所围成的曲边梯形的面积（如图3．3－4）．
 ![图片](/uploads/2025-02/afbd6f.jpg)
 
 对于离散型随机变量，如果 $X$ 是从某个总体中随机抽取的个体，则 $X$ 的数学期望 $E(X)$ 就是总体均值 $\mu$ ；如果 $X$ 的分布关于点 $\mu$ 对称，则 $\mu$ 便是 $X$ 的数学期望．现在，正态分布 $N\left(\mu, \sigma^2\right)$ 的密度函数 $p(x)=\frac{1}{\sqrt{2 \pi} \sigma} e ^{-\frac{(6-\mu)^2}{2 \sigma^2}}(-\infty<x<+\infty)$ 关于点 $\mu$对称，所以 $\mu$ 是 $X$ 的数学期望，即 $E(X)=\mu$ 。

随机变量 $X$ 的方差 $D(X)$ 代表了随机变量 $X$ 的离散程度。当 $X$ 的数学期望为 $\mu$时，$D(X)=E\left[(X-\mu)^2\right]$ 。如果 $X$ 服从正态分布 $N\left(\mu, \sigma^2\right)$ ，则可以计算出 $X$ 的方差 $D(X)=\sigma^2$ 。于是，$X$ 的标准差为 $\sigma$ 。

从图 3．3－3 也可以看出，标准差 $\sigma$ 越大，正态曲线越扁平，说明 $X$ 的取值越分散；$\sigma$ 越小，正态曲线越尖陡，说明 $X$ 的取值越集中在数学期望 $\mu$ 附近．
 ![图片](/uploads/2025-02/6a4da9.jpg)
 
 特别地，数学期望 $\mu=0$ ，方差 $\sigma^2=1$ 时的正态分布称为标准正态分布，其密度函数记为

$$
\varphi(x)=\frac{1}{\sqrt{2 \pi}} e^{-\frac{x^2}{2}}(-\infty<x<+\infty),
$$

其图象如图 3．3－5 所示，随机变量 $X$ 服从标准正态分布，简记为 $X \sim N(0,1)$ 。

正态分布在概率和统计中占有重要的地位．现实中，许多随机变量都服从正态分布或近似服从正态分布．例如，只受随机因素影响的测量值，

免费注册看余下 50%

非VIP会员每天15篇文章，开通VIP 无限制查看

上一篇：超几何分布

下一篇：正态密度函数的变换与标准化

本文对您是否有用？有用 (0) 无用 (0)