正态分布概率密度与累积概率的比较
三大分布及其分位数
泊松分布的均值和方差相等，且随着均值 的增大，泊松分布逐渐趋近于正态分布。 此外，泊松分布具有可加性，即两个独立 泊松分布的和仍然服从泊松分布。
泊松分布的分位数计算
分位数定义
分位数是指将一个随机变量的概率分 布划分为几个等份的数值点，如中位 数就是50%分位数。
泊松分布分位数计算
泊松分布的分位数可以通过查表或使用 统计软件进行计算。对于给定的泊松分 布参数λ和概率p，可以计算出对应的分分位数的概念
分布
分布是指一组数据在各个取值范围内的频数或频率。在统计 学中，分布通常用概率密度函数或累积分布函数来描述。
分位数
分位数是指将一个随机变量的概率分布范围分为几个等份的 数值点。常用的分位数有四分位数、百分位数等。例如，中 位数就是50%分位数，表示有一半的数据小于或等于该值， 另一半的数据大于该值。
和优化提供理论支持。
生物学和医学
在生物学和医学研究中，泊松分布 可以用来描述放射性物质的衰变次 数、基因突变数等随机事件的发生
次数。
04 指数分布及其分位数
指数分布的定义和性质
定义
01
指数分布是一种连续概率分布，通常用于描述事件之间的时间
间隔。
性质
02
指数分布具有无记忆性，即事件发生的概率与自上次事件发生
排队论
在排队系统中，指数分布可用于描述顾客到达和 服务时间的概率分布，从而分析系统的性能指标 。
金融风险管理
指数分布可用于评估金融风险，如信用风险和市 场风险等，帮助金融机构制定风险管理策略。
05 三大分布的比较与联系
三大分布的特征比较
正态分布
呈钟形曲线，两侧对称，均值、 中位数、众数相等，标准差决定
标准正态分布值
标准正态分布值标准正态分布是统计学中非常重要的一个概念，它在各个领域都有着广泛的应用。
在正态分布的基础上，标准正态分布是一种特殊的情况，它的均值为0，标准差为1。
在标准正态分布中，各个取值与均值的偏差可以用标准差来度量，这种度量方式在统计学和概率论中有着非常重要的作用。
标准正态分布通常用Z来表示，其概率密度函数为：f(z) = (1/√(2π)) e^(-z^2/2)。
其中，e是自然对数的底，π是圆周率。
这个概率密度函数描述了标准正态分布曲线的形状，其曲线呈现出钟形，中间高，两边低，且关于均值对称。
标准正态分布的性质使得它在统计学中有着广泛的应用。
标准正态分布的值可以通过标准正态分布表来查找，也可以利用统计软件进行计算。
在实际应用中，我们经常需要计算标准正态分布的值，以便进行概率的计算和统计推断。
下面我们将介绍如何使用标准正态分布表和统计软件来获取标准正态分布的值。
首先，我们来介绍如何使用标准正态分布表。
标准正态分布表是一张预先计算好的表格，其中列出了标准正态分布的各个取值对应的累积概率。
通过查表，我们可以方便地获取标准正态分布的值。
以z=1.96为例，我们可以在表中找到对应的累积概率为0.9750。
这表示在标准正态分布中，取值小于1.96的累积概率为0.9750。
通过标准正态分布表，我们可以很方便地进行概率计算。
除了使用标准正态分布表，我们还可以利用统计软件来获取标准正态分布的值。
在Excel、SPSS等统计软件中，都提供了标准正态分布的计算功能。
通过输入均值和标准差，我们可以轻松地获取标准正态分布的值。
这种方法不仅方便快捷，而且可以精确到小数点后很多位，满足了实际应用的需求。
在实际应用中，标准正态分布的值常常用于概率计算和统计推断。
例如，在假设检验中，我们需要计算样本均值与总体均值之间的偏差，就需要利用标准正态分布的值来进行计算。
又如在质量控制中，我们需要判断产品的合格率是否符合标准，也需要利用标准正态分布的值来进行判断。
常用分布函数公式正态分布指数分布的概率密度函数计算
常用分布函数公式正态分布指数分布的概率密度函数计算常用分布函数公式——正态分布与指数分布的概率密度函数计算在概率论与数理统计中，概率密度函数（Probability Density Function, PDF）是描述随机变量概率分布的一种函数。
正态分布和指数分布是常用的分布函数，在许多领域中被广泛应用于数据分析和模拟等方面。
本文将介绍正态分布和指数分布的概念，并详细讨论它们的概率密度函数及其计算方法。
1. 正态分布的概率密度函数计算正态分布在统计学中占有重要地位，它以其钟形曲线的特点而闻名。
正态分布的概率密度函数（Probability Density Function, PDF）可以用如下的数学公式表示：f(x) = (1/(σ√(2π))) * e^(-(x-μ)²/(2σ²))其中，f(x)表示在计算点x上的概率密度，μ表示正态分布的均值，σ表示正态分布的标准差。
e是自然对数的底数。
对于给定的μ和σ的值，我们可以通过代入具体的x值来计算概率密度函数f(x)的数值。
例如，对于一个均值为2，标准差为1的正态分布，我们可以计算在x=3的概率密度函数的值如下：f(3) = (1/(1√(2π))) * e^(-((3-2)²/(2*1²)))计算得到f(3) ≈ 0.242。
2. 指数分布的概率密度函数计算指数分布是一种描述事件发生时间间隔的概率分布函数，经常在可靠性工程、队列理论和生存分析等领域中使用。
指数分布的概率密度函数（Probability Density Function, PDF）可以用如下的数学公式表示：f(x) = λ * e^(-λx)其中，f(x)表示在计算点x上的概率密度，λ表示指数分布的参数，它是一个正实数。
对于给定的λ的值，我们可以通过代入具体的x值来计算概率密度函数f(x)的数值。
例如，对于一个参数λ=0.5的指数分布，我们可以计算在x=2的概率密度函数的值如下：f(2) = 0.5 * e^(-0.5*2)计算得到f(2) ≈ 0.090。
4-1 正态分布的概率密度与分布函数
0.7580 (1 0.9032) 0.6612.
概率论与数理统计教程（第五版）
目录
上一页 下一页
返回
结束
§4.1 正态分布的概率密度与分布函数
[例3] 设随机变量X 服从正态分布N ( , 2 ) , 求 X 落 在区间 ( k , k ) 内的概率，这里 k 1 ,2 ,3 ,.
概率论与数理统计教程（第五版）
目录
上一页 下一页
返回
结束
§4.1 正态分布的概率密度与分布函数
P( X 30) P(30 X 30)
(30 20) ( 30 20)
40
40
(0.25) (1.25)
(0.25) [1 (1.25)]
0.5987 (1 0.8944) 0.4931.
其形状.
f (x)
6. 固定 , 改变 ,
1
则当 很小时，
1.5
曲线的形状与一尖塔相似；
3
当 值增大时，
7.5
O
x
曲线将趋于平坦.
概率论与数理统计教程（第五版）
目录
上一页 下一页
返回
结束
§4.1 正态分布的概率密度与分布函数
正态分布 N ( , 2 )的分布函数为
F(x) 1
P( X 100 1.2) 1 P( X 100 1.2) 1 P( X 100 2) 0.6
1 P(2 X 100 2) 1[ (2) (2)]
0.6 1[0.9772 (1 0.9772)] 0.0456 4.56%.
概率论与数理统计教程（第五版）
目录
上一页 下一页
返回
所以，在三次测量中至少有一次误差的绝对值不超过
概率分布中的均匀分布与正态分布
概率分布是统计学中的一个重要概念，它描述了一个随机变量取值的可能性。
在统计学中，有许多概率分布被广泛应用于不同的情境。
本文主要讨论两种常见的概率分布：均匀分布和正态分布。
均匀分布是一种最简单的概率分布。
在均匀分布中，每个取值的概率是相等的，区间内的取值概率是均匀分布的。
例如，如果我们考虑一个硬币投掷的实验，正面和反面是两个可能的结果。
在均匀分布中，头朝上和尾朝上的概率是一样的。
在0到1之间的均匀分布中，每个数值的概率都是1/1=1。
这意味着，不论我们选择0.1、0.5还是0.9，概率都是相等的。
均匀分布的概率密度函数（PDF）是一个常数，而累积分布函数（CDF）则是线性增长的。
然而，与均匀分布相比，正态分布要复杂得多。
正态分布也被称为高斯分布或钟形曲线分布。
它常用来描述自然界中许多现象，例如身高、体重等。
正态分布的概率密度函数（PDF）和累积分布函数（CDF）都可以通过数学公式来描述。
正态分布的PDF呈现出一个对称的钟形曲线，期望值（均值）位于曲线的中心，标准差决定了曲线的宽度。
当标准差较小时，曲线较窄，当标准差较大时，曲线较宽。
在正态分布中，大约68%的数据集中在均值的一个标准差范围内，约95%的数据集中在两个标准差范围内，而大约99.7%的数据集中在三个标准差范围内。
均匀分布和正态分布在现实生活中的应用非常广泛。
均匀分布最典型的例子是抛硬币的实验，掷骰子、摇奖机等随机事件也都近似均匀分布。
在工程领域，均匀分布被用于电子设备可靠性的分析，以及时钟和信号处理系统中的时间延迟。
另一方面，正态分布在许多统计学和科学领域中被广泛应用。
例如，当我们测量一组人的身高时，通常可以使用正态分布来描述数据的分布。
在金融领域，利率的波动、股票价格的变动等也常用正态分布进行建模。
两种概率分布在不同的场景中有不同的特点。
均匀分布的特点是简单且直观，每个数值的概率都是相等的，但它在描述许多现实世界中的现象时并不适用。
正态分布则更具有灵活性和适应性，可以更好地描述许多实际数据的分布。
标准正态分布怎么算
标准正态分布怎么算标准正态分布是统计学中非常重要的一个概念，它在各个领域都有着广泛的应用。
在进行统计分析时，我们经常需要计算标准正态分布的概率密度、累积分布函数等值。
那么，标准正态分布怎么算呢？接下来，我们将详细介绍标准正态分布的计算方法。
首先，我们需要了解标准正态分布的概念。
标准正态分布又称为Z分布，它是均值为0，标准差为1的正态分布。
其概率密度函数为：f(x) = (1/√(2π)) e^(-x^2/2)。
其中，e为自然对数的底，π为圆周率。
这个概率密度函数描述了标准正态分布的形状特征。
接下来，我们来介绍如何计算标准正态分布的概率值。
对于给定的Z值，我们可以通过标准正态分布表或统计软件来查找对应的概率值。
如果需要手工计算，可以使用积分的方法来求解概率值。
例如，要计算Z在-1.5到1.5之间的概率，可以通过计算概率密度函数在这个区间上的积分值来得到结果。
除了概率值，累积分布函数也是标准正态分布中常用的计算内容。
累积分布函数描述了随机变量小于或等于某个特定值的概率。
对于标准正态分布，累积分布函数可以通过积分来计算，也可以通过查表或使用统计软件来获取。
此外，标准正态分布还涉及到Z值的转换。
在实际应用中，我们经常需要将一般正态分布转换为标准正态分布。
这时，我们可以通过Z-score标准化来实现。
Z-score的计算公式为：Z = (X μ) / σ。
其中，X为原始随机变量的取值，μ为均值，σ为标准差。
通过Z-score标准化，我们可以将任意正态分布转换为标准正态分布，从而进行更方便的统计分析。
在实际操作中，我们可以使用统计软件如Excel、SPSS等来进行标准正态分布的计算。
这些软件提供了丰富的函数和工具，可以帮助我们快速准确地进行标准正态分布的各种计算。
总之，标准正态分布的计算涉及到概率密度、累积分布函数、Z值转换等多个方面。
通过本文的介绍，相信大家对于标准正态分布的计算方法有了更清晰的认识。
在实际应用中，我们可以根据具体情况选择合适的计算方式，从而更好地应用标准正态分布进行统计分析。
正态分布——精选推荐
正态分布维基百科，自由的百科全书跳转到：导航, 搜索此条目或章节需要精通或熟悉本主题的专家参与编辑请协助邀请适合的人士，或参照相关专业文献，自行改善这篇条目。
更多的细节与详情请参见条目讨论页。
概率密度函数绿线代表标准正态分布颜色与概率密度函数同正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。
若随机变量X服从一个数学期望为μ、标准方差为σ2的高斯分布，记为：X∼N(μ,σ2),则其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。
因其曲线呈钟形，因此人们又经常称之为钟形曲线。
我们通常所说的标准正态分布是μ = 0,σ = 1的正态分布（见右图中绿色曲线）。
目录∙ 1 概要o 1.1 历史∙ 2 正态分布的定义o 2.1 概率密度函数o 2.2 累积分布函数o 2.3 生成函数▪ 2.3.1 动差生成函数▪ 2.3.2 特征函数∙ 3 性质o 3.1 标准化正态随机变量o 3.2 矩(英文:moment)o 3.3 生成正态随机变量o 3.4 中心极限定理o 3.5 无限可分性o 3.6 稳定性o 3.7 标准偏差∙ 4 正态测试∙ 5 相关分布∙ 6 参量估计o 6.1 参数的极大似然估计6.1.1 概念一般化o 6.2 参数的矩估计∙7 常见实例o7.1 光子计数o7.2 计量误差o7.3 生物标本的物理特性o7.4 金融变量o7.5 寿命o7.6 测试和智力分布∙8 计算统计应用o8.1 生成正态分布随机变量∙9 参见∙10 引用条目∙11 外部连接[编辑]概要正态分布是自然科学与行为科学中的定量现象的一个方便模型。
各种各样的心理学测试分数和物理现象比如光子计数都被发现近似地服从正态分布。
尽管这些现象的根本原因经常是未知的，理论上可以证明如果把许多小作用加起来看做一个变量，那么这个变量服从正态分布(在R.N.Bracewell的Fourier transform and its application中可以找到一种简单的证明)。
正态分布——精选推荐
正态分布正态分布维基百科，⾃由的百科全书跳转到：导航, 搜索此条⽬或章节需要精通或熟悉本主题的专家参与编辑请协助邀请适合的⼈⼠，或参照相关专业⽂献，⾃⾏改善这篇条⽬。
更多的细节与详情请参见条⽬讨论页。
概率密度函数绿线代表标准正态分布累积分布函数正态分布（Normal distribution）⼜名⾼斯分布（Gaussian distribution），是⼀个在数学、物理及⼯程等领域都⾮常重要的概率分布，在统计学的许多⽅⾯有着重⼤的影响⼒。
若随机变量X服从⼀个数学期望为µ、标准⽅差为σ2的⾼斯分布，记为：X～N(µ,σ2),则其概率密度函数为正态分布的期望值µ决定了其位置，其标准差σ决定了分布的幅度。
因其曲线呈钟形，因此⼈们⼜经常称之为钟形曲线。
我们通常所说的标准正态分布是µ = 0,σ = 1的正态分布（见右图中绿⾊曲线）。
⽬录1 概要o 1.1 历史2 正态分布的定义o 2.1 概率密度函数o 2.2 累积分布函数o 2.3 ⽣成函数2.3.1 动差⽣成函数2.3.2 特征函数3 性质o 3.1 标准化正态随机变量o 3.2 矩(英⽂:moment)o 3.3 ⽣成正态随机变量o 3.4 中⼼极限定理o 3.5 ⽆限可分性o 3.6 稳定性o 3.7 标准偏差4 正态测试5 相关分布6 参量估计o 6.1 参数的极⼤似然估计6.1.1 概念⼀般化o 6.2 参数的矩估计7 常见实例o7.1 光⼦计数o7.2 计量误差o7.3 ⽣物标本的物理特性o7.4 ⾦融变量o7.5 寿命o7.6 测试和智⼒分布8 计算统计应⽤o8.1 ⽣成正态分布随机变量9 参见10 引⽤条⽬11 外部连接[编辑]概要正态分布是⾃然科学与⾏为科学中的定量现象的⼀个⽅便模型。
各种各样的⼼理学测试分数和物理现象⽐如光⼦计数都被发现近似地服从正态分布。
尽管这些现象的根本原因经常是未知的，理论上可以证明如果把许多⼩作⽤加起来看做⼀个变量，那么这个变量服从正态分布(在R.N.Bracewell的Fourier transform and its application中可以找到⼀种简单的证明)。
正态分布怎么标准化
正态分布怎么标准化正态分布是统计学中非常重要的一种分布形式，也称为高斯分布。
在实际应用中，我们经常会遇到需要对正态分布进行标准化的情况，以便进行统计分析和比较。
那么，正态分布怎么标准化呢？接下来，我们将详细介绍正态分布的标准化方法。
首先，让我们来回顾一下正态分布的概念。
正态分布是一种连续概率分布，其概率密度函数呈钟形曲线，左右对称，呈现出集中趋势和稳定性的特点。
正态分布的均值为μ，标准差为σ。
在实际应用中，我们经常需要对不同的正态分布进行比较和分析，而这就需要将它们标准化为标准正态分布。
标准正态分布是均值为0，标准差为1的正态分布，其概率密度函数可以用Z来表示。
标准化正态分布的目的是为了使不同的正态分布具有可比性，便于进行统计推断和分析。
接下来，我们将介绍正态分布的标准化方法。
要将一个正态分布标准化为标准正态分布，我们需要进行以下步骤：1. 计算Z分数。
Z分数是用来衡量一个数值与均值之间的差异程度的标准化分数。
计算Z分数的公式为，Z = (X μ) / σ，其中X为原始数值，μ为均值，σ为标准差。
通过这个公式，我们可以将原始数值转化为与标准正态分布相对应的Z分数。
2. 利用Z分数表。
一旦得到了Z分数，我们就可以利用Z分数表来查找对应的概率值。
Z分数表是用来帮助我们找到标准正态分布下对应Z分数的累积概率值的工具。
通过查表，我们可以得到标准正态分布下对应Z分数的累积概率值，从而进行统计推断和分析。
3. 应用标准化结果。
一旦得到了标准化的结果，我们就可以利用这些结果进行统计推断和分析。
通过标准化，我们可以比较不同的正态分布，计算置信区间，进行假设检验等统计分析，从而得出科学、准确的结论。
总结一下，正态分布的标准化方法主要包括计算Z分数、利用Z分数表和应用标准化结果三个步骤。
通过这些步骤，我们可以将不同的正态分布标准化为标准正态分布，从而进行统计推断和分析。
希望本文的介绍能够帮助大家更好地理解正态分布的标准化方法，为实际应用提供帮助。
正态分布曲线和概率密度曲线
正态分布曲线和概率密度曲线标题：深度解读：正态分布曲线和概率密度曲线正文：1. 引言在统计学和概率论中，正态分布曲线和概率密度曲线是非常重要的概念。
它们不仅在自然界和社会生活中普遍存在，而且在科学研究和商业决策中也有着广泛的应用。
本文将从深度和广度两个方面来探讨正态分布曲线和概率密度曲线的相关概念，帮助读者全面理解这一重要的统计学概念。
2. 正态分布曲线的基本概念正态分布曲线，又称为高斯分布曲线，是一种连续型概率分布，它具有钟形曲线的特征。
在正态分布曲线中，均值、标准差和方差是非常重要的参数，它们决定了曲线的中心位置和形状。
正态分布曲线具有许多重要的性质，例如68-95-99.7法则和标准化等，它们在统计分析和质量控制中有着重要的应用。
3. 概率密度曲线的基本概念概率密度曲线是描述连续型随机变量分布规律的函数曲线。
在概率密度曲线中，曲线下的面积表示了一定范围内的概率。
概率密度曲线具有非负性、归一性和局部区分度的特点，它在描述和分析随机变量的分布特征时有着重要的作用。
正态分布曲线是最常见的概率密度曲线之一，它在自然界和社会生活中有着广泛的应用。
4. 正态分布曲线与概率密度曲线的关系正态分布曲线和概率密度曲线之间存在着密切的关系。
在统计学中，正态分布曲线常常被用来描述连续型随机变量的分布规律，而概率密度曲线则是对这一规律的数学描述。
正态分布曲线和概率密度曲线的理论基础是相同的，它们都源于大数定律和中心极限定理，具有统计学的普适性和稳健性。
5. 个人观点和理解我个人认为，正态分布曲线和概率密度曲线是统计学中非常重要的概念，它们不仅在理论研究中有着广泛的应用，而且在实际问题的分析和解决中也具有重要的意义。
深入理解正态分布曲线和概率密度曲线，有助于我们更好地理解自然界和社会生活中的现象规律，提高统计分析和决策能力，并推动科学研究和社会发展取得更大的进步。
6. 总结正态分布曲线和概率密度曲线是统计学中两个重要的概念，它们在理论研究和实际应用中有着广泛的意义。
分布函数与概率密度函数分析：概率密度曲线的形状解析
分布函数与概率密度函数分析：概率密度曲线的形状解析概率密度函数（Probability Density Function，PDF）和分布函数（Cumulative Distribution Function，CDF）是统计学中常用的概率描述工具。
本文将通过分析概率密度曲线的形状来揭示PDF和CDF之间的关系，并探讨其在实际应用中的意义。
一、概率密度函数与分布函数的概念及定义概率密度函数是指对于连续型随机变量X，定义域内任意取到的值x，其概率密度函数f(x)满足以下两个条件：1. f(x)大于等于零，即f(x)≥0。
2. 在定义域上的所有值的累积概率等于1，即∫f(x)dx=1。
分布函数是指对于连续型随机变量X，在实数轴上定义域内任意取到的值x，其分布函数F(x)满足以下两个条件：1. F(x)大于等于零，即F(x)≥0。
2. F(x)为非递减函数，即对于任意x1<x2，有F(x1)≤F(x2)。
二、概率密度曲线的形状解析概率密度曲线是描述连续型随机变量概率分布的图形。
根据概率密度函数的定义，我们可以得到概率密度曲线的性质：1. 概率密度曲线位于x轴上方，且不与x轴相交。
2. 概率密度曲线下的面积等于对应区域内的累积概率。
3. 曲线的高度反映了该取值的概率密度大小。
根据不同的概率密度函数形状，概率密度曲线也会呈现不同的形态。
以下将介绍三种常见的概率密度曲线形态：1. 正态分布正态分布是指符合高斯分布特性的概率密度函数形态。
其概率密度曲线为钟形曲线，左右对称，呈现单峰形态。
正态分布在自然界和社会现象中广泛存在，例如身高、体重等具有集中趋势的数据往往服从正态分布。
2. 均匀分布均匀分布是指概率密度函数在定义域上几乎处处相等的分布。
其概率密度曲线为矩形，高度恒定。
均匀分布常用于随机抽样、数值模拟等领域。
3. 指数分布指数分布是指概率密度函数呈指数型下降的分布。
其概率密度曲线在图像上呈现单调递减的曲线形状。
正态分布的概率密度与分布函数修ppt
(30 20) ( 30 20)
40
40
(0.25) (1.25)
(0.25) [1 (1.25)]
0.5987 (1 0.8944) 0.4931.
所以, 在三次测量中至少有一次误差得绝对值不超过
30m 的概率 p 1 (1 0.4931)3 0.8698.
§4、1 正态分布得概率密度与分布函数
§4、1 正态分布得概率密度与分布函数
[例3] 设随机变量X 服从正态分布N ( , 2 ) , 求 X 落
在区间 ( k , k ) 内的概率，这里 k 1 ,2 ,3 ,.
解:
P( X k ) P( k X k )
( k ) ( k )
(k) (k)
[例2] 已知某机械零件的直径 (mm)服从正态分布 N (100 ,0.62 ) , 规定直径在 100 1.2(mm) 内为合格品. 求这种机械零件得不合格品率、 解: 设随机变量 X 表示这种机械零件的直径(mm) , 则X ~ N (100 ,0.62 ) ,按题意, 不合格品率为
P( X 100 1.2) 1 P( X 100 1.2) 1 P( X 100 2) 0.6
特别，当 0, 1时称 X 服从标准正态分布. 记为:
X ~ N (0 ,1).
§4、1 正态分布得概率密度与分布函数
正态分布得概率密度与分布函数
正态分布N ( , 2 )的概率密度 f (x) 的图形：
f (x)
分布曲线得特征:
1
2
1.关于直线 x 对称；
2.在 x 处达到最大值；
Φ(x) 1
x t2
e 2 dt .
2 π
(x) 的性质：
(0) 0.5; () 1; (x) 1 (x).
正态分布下的累积概率
正态分布3.1 正态分布对于连续型随机变量而言，正态分布(normal distribution)是最重要的一种概率分布。
经验表明：对于依赖于众多微小因素；且每一因素均产生微小的或正或负影响的连续型随机变量来说，正态分布是一个相当好的描述模型。
如人的体重，因为遗传、骨骼结构、饮食、锻炼、等都对人的体重有影响，但又没有一种因素起到压到一切的主导作用。
与此相类似，人的身高、考试分数等都近似地服从正态分布。
通常用：X～N(u, 2δ) (3 - 1)δ称为正态分布的表示随机变量X服从正态分布。
N表示正态分布，括号内的参数u, 2总体均值(或期望)和方差。
3.1.1 正态分布的性质(1) 正态分布曲线以均值u为中心，对称分布。
(2) 正态分布的概率密度函数呈中间高、两边低，在均值u处达到最高，向两边逐渐降低，即随机变量在远离均值处取值的概率逐渐变小。
(3) 正态曲线下的面积约有68%位于u ±δ两值之间；约有95%的面积位于u±22δ之间；而约有99.7%的面积位于u±3δ之间。
★ (4) 两个(或多个)正态分布随机变量的线性组合仍服从正态分布。
令X 和Y 相互独立： X ～N(u X ，2xδ)Y ～N(u Y ，2y δ)现在考虑两个变量的线性组合：W ＝a X+b Y 则 W ～N(u W ，2wδ) ( 3 - 2 ) 其中，u W =(au X ＋bu Y ) ( 3 - 3 )2w δ = (22xa δ+22yb δ) (3 - 4)例3.1令X 表示在下沙高教区一花店每日出售玫瑰花数量， Y 表示在下沙镇一花店每日出售玫瑰花的数量，假定X 和Y 服从正态分布，且相互独立，并有：X ～N( 100，64 )，Y ～N( 150，81 )求两天内两花商出售玫瑰花数量的期望及方差？W ＝2X ＋2Y根据式( 3 - 3 )E(w)＝E( 2X+ 2Y) = 5 0 0，Var (w) = 4var(X) + 4var(Y) = 5 8 0因此，W 服从均值为5 0 0，方差为5 8 0的正态分布，即W ～N( 5 0 0，5 8 0 )。
正态分布概率密度
正态分布概率密度正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），是一个非常重要的概率分布。
在数学、物理及工程等领域以及统计学的许多方面有着重大的影响力。
[1]正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。
C.F.高斯在研究测量误差时从另一个角度导出了它。
P.S.拉普拉斯和高斯研究了它的性质。
1历史发展正态分布概念是由德国的数学家和天文学家Moivre于1733年首次提出的，但由于德国数学家Gauss率先将其应用于天文学研究，故正态分布又叫高斯分布，高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。
但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。
这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。
在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。
这要到20世纪正态小样本理论充分发展起来以后。
拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章（发表于1810年）上加上了一点补充，指出如若误差可看成许多量的叠加，根据他的中心极限定理，误差理应有高斯分布。
这是历史上第一次提到所谓“元误差学说”——误差是由大量的、由种种原因产生的元误差叠加而成。
后来到1837年，海根（G.Hagen）在一篇论文中正式提出了这个学说。
其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差” 之和，每只取两值，其概率都是1/2，由此出发，按狄莫佛的中心极限定理，立即就得出误差（近似地）服从正态分布。
拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。