正太分布的几个重要概念

正太分布的几个重要概念

正太分布

1. 正态分布：若已知的密度函数（频率曲线）为正态函数（曲线）则称已知曲线服从正态分布，记号 ～ 。其中μ、σ2 是两个不确定常数，是正态分布的参数，不同的μ、不同的σ2对应不同的正态分布。

正态曲线呈钟型，两头低，中间高，左右对称，曲线与横轴间的面积总等于1。

2．正态分布的特征：服从正态分布的变量的频数分布由μ、σ完全决定。

(1)μ是正态分布的位置参数，描述正态分布的集中趋势位置。正态分布以X=μ为对称轴，左右完全对称。正态分布的均数、中位数、众数相同，均等于μ。

(2)σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。 也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。

正态曲线下面积分布

1．实际工作中，正态曲线下横轴上一定区间的面积反映该区间的例数占总例数的百分比，或变量值落在该区间的概率（概率分布）。不同 范围内正态曲线下的面积可用公式计算。

2. 几个重要的面积比例 轴与正态曲线之间的面积恒等于1。正态曲线下，横轴区间（μ-σ，μ+σ）内的面积为68.268949%，横轴区间（μ-1.96σ，μ+1.96σ）内的面积为95.449974%，横轴区间（μ-2.58σ，μ+2.58σ）内的面积为99.730020%。 标准正态曲线

1．标准正态分布是一种特殊的正态分布，标准正态分布的μ和σ2为0和1，通常用ξ（或Z ）表示服从标准正态分布的变量，记为 Z ～N （0，1）。

2．标准化变换：此变换有特性：若原分布服从正态分布 ，则Z=(x-μ)/σ ～ N(0,

1) 就服从标准正态分布, 通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。

3. 标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X(当前值）范围内的面积比例 。

一般正态分布与标准正态分布的转化

由于一般的正态总体 其图像不一定关于y 轴对称，对于任一正态总体 ，其取值小于x 的概率 。只要会用它求正态总体 在某个特定区间的概率即可。 “小概率事件”和假设检验的基本思想“小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。这种认识便是进行推断的出发点。关于这一点我们要有以下两个方面的认识：一是这里的“几乎不可能发生”是针对“一次试验”来说的，因为试验次数多了，该事件当然是很可能发生的；二是当我们运用“小概率事件几乎不可能发生的原理”进行推断时，我们也有5%的犯错误的可能。

一般正态分布与标准正态分布的区别与联系

正态分布也叫常态分布，是连续随机变量概率分布的一种，自然界、人类社会、心理和教育中大量现象均按正态形式分布，例如能力的高低，学生成绩的好坏等都属于正态分布。标准正态分布是正态分布的一种，具有正态分布的所有特征。所有正态分布都可以通过Z 分数公式转换成标准正态分布。

两者特点比较：

(1)正态分布的形式是对称的，对称轴是经过平均数点的垂线。

(2)中央点最高，然后逐渐向两侧下降，曲线的形式是先向内弯，再向外弯。

(3)正态曲线下的面积为1。正态分布是一族分布，它随随机变量的平均数、标准差的大小与单位不同而有不同的分布形态。标准正态分布是正态分布的一种，其平均数和标准差都是固定的，平均数为0，标准差为1。

（4）正态分布曲线下标准差与概率面积有固定数量关系。所有正态分布都可以通过Z 分数公式转换成标准正态分布。

主要特征

1、集中性：正态曲线的高峰位于正中央，即均数所在的位置。

2、对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。

3、均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。

4、正态分布有两个参数，即均数μ和标准差σ，可记作N （μ，σ）：均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭或扁平程度。σ越小，曲线越陡峭；σ越大，曲线越扁平。

5、u 变换：为了便于描述和应用，常将正态变量作数据转换。

方差

在概率论和数理统计中，方差（英文Variance ）用来度量随机变量和其数学期望（即均值）之间的偏离程度。在许多实际问题中，研究随机变量和均值之间的偏离程度有着很重要的意义。如下面的例子：

已知某零件的真实长度为a ，现用甲、乙两台仪器各测量10次，将测量结果X 用坐标上的点表示如图：

甲仪器测量结果：

乙仪器测量结果：

两台仪器的测量结果的均值都是 a 。但是用上述结果评价一下两台仪器的优劣，很明显，我们会认为乙仪器的性能更好，因为乙仪器的测量结果集中在均值附近。 由此可见, 研究随机变量与其均值的偏离程度是十分必要的. 那么, 用怎样的量去度量这个偏离程度呢? 容易看到E(|X-E(X)|)能度量随机变量与其均值E(X)的偏离程度. 方差就是用：样本值与平均值的差值的平方和，再除以样本总个数。 标准差

标准差（Standard Deviation ） ，也称均方差（mean square error ），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

简介

公式

标准差也被称为标准偏差，或者实验标准差，公式如图。

简单来说，标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。

例如，两组数的集合 {0, 5, 9, 14} 和 {5, 6, 8, 9} 其平均值都是 7 ，但第二个集合具有较小的标准差。

标准差可以当作不确定性的一种测量。例如在物理科学中，做重复性测量时，测量数值集合的标准差代表这些测量的精确度。当要决定测量值是否符合预测值，测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远（同时与标准差数值做比较），则认为测量值与预测值互相矛盾。这很容易理解，因为如果测量值都落在一定数值范围之外，可以合理推论预测值是否正确。

标准差应用于投资上，可作为量度回报稳定性的指标。标准差数值越大，代表回报远离过去平均数值，回报较不稳定故风险越高。相反，标准差数值越细，代表回报较为稳定，风险亦较小。

例如，A 、B 两组各有6位学生参加同一次语文测验，A 组的分数为95、85、75、65、55、45，B 组的分数为73、72、71、69、68、67。这两组的平均数都是70，但A 组的标准差为17.07分，B 组的标准差为2.37分（此数据时在R 统计软件中运行获得），说明A 组学生之间的差距要比B 组学生之间的差距大得多。

如是总体，标准差公式根号内除以n

如是样本，标准差公式根号内除以（n-1)

因为我们大量接触的是样本，所以普遍使用根号内除以（n-1)

公式意义

所有数减去其平均值的平方和，所得结果除以该组数之个数（或个数减一) ，再把所得值开根号，所得之数就是这组数据的标准差。

标准差的意义

标准差越高, 表示实验数据越离散, 也就是说越不精确

反之, 标准差越低, 代表实验的数据越精确

峰度与偏度 峰度是描述总体中所有取值分布形态陡缓程度的统计量。这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比较为平坦，为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。

Q-Q 图

QQ 图是一种散点图, 对应于正态分布的QQ 图, 就是由标准正态分布的分位数为横坐标, 样本值为纵坐标的散点图。

要利用QQ 图鉴别样本数据是否近似于正态分布, 只需看QQ 图上的点是否近似地在一条直线附近, 而且该直线的斜率为标准差, 截距为均值。用QQ 图还可获得样本偏度和峰度的

粗略信息。