正态分布计算公式
sigma原则：数值分布在（μ-σ，μ+σ）中的概率为0.6526；
2sigma原则：数值分布在（μ-2σ，μ+2σ）中的概率为0.9544；
3sigma原则：数值分布在（μ-3σ，μ+3σ）中的概率为0.9974；
其中在正态分布中σ代表标准差，μ代表均值x=μ即为图像的对称轴。
由于“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。
由此可见X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ,μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。
扩展资料：
曲线应用
综述
1、估计频数分布一个服从正态分布的变量只要知道其均数与标准差就可根据公式即可估计任意取值范围内频数比例。
2、制定参考值范围
（1）正态分布法适用于服从正态（或近似正态）分布指标以及可以通过转换后服从正态分布的指标。
（2）百分位数法常用于偏态分布的指标。表3-1中两种方法的单双侧界值都应熟练掌握。
3、质量控制：为了控制实验中的测量（或实验）误差，常以作为上、下警戒值，以作为上、下控制值。这样做的依据是：正常情况下测量（或实验）误差服从正态分布。
4、正态分布是许多统计方法的理论基础。检验、方差分析、相关和回归分析等多种统计方法均要求分析的指标服从正态分布。许多统计方法虽然不要求分析指标服从正态分布，但相应的统计量在大样本时近似正态分布，因而大样本时这些统计推断方法也是以正态分布为理论基础的。
参考资料来源：百度百科-正态分布
绛旓細涓や釜鐙珛鐨姝ｆ佸垎甯鐩稿噺鍏紡鏄疍(X+Y)=DX+DY;D(X-Y)=DX+DY銆備袱涓鎬佸垎甯冪殑浠绘剰绾挎х粍鍚堜粛鏈嶄粠姝ｆ佸垎甯冿紙鍙氳繃姹備袱涓鎬佸垎甯冪殑鍑芥暟鐨勫垎甯冭瘉鏄庯級锛屾缁撹鍙帹骞垮埌n涓鎬佸垎甯 銆備緥濡傦細璁句袱涓彉閲忓垎鍒负X锛孻锛岄偅涔圗锛圶+Y锛=EX+EY;E(X-Y)=EX-EY銆侱(X+Y)=DX+DY;D(X-Y)=DX+DY...
绛旓細姝ｆ佸垎甯涓変釜鍏紡 妯酱鍖洪棿锛埼-蟽锛屛+蟽锛夊唴鐨勯潰绉负68.268949%锛屾í杞村尯闂达紙渭-1.96蟽锛屛+1.96蟽锛夊唴鐨勯潰绉负95.449974%锛屾í杞村尯闂达紙渭-2.58蟽锛屛+2.58蟽锛夊唴鐨勯潰绉负99.730020%銆俋~N(渭锛屜²)锛氫竴鑸鎬佸垎甯冿細鍧囧间负渭銆佹柟宸负蟽²锛汸(渭-蟽锛夈傛鎬佸垎甯冩蹇垫...
绛旓細鐢盭~N锛0锛4锛変笌Y~N锛2锛3/4锛変负姝ｆ佸垎甯寰楋細X~N锛0锛4锛夋暟瀛︽湡鏈汦锛圶锛夛紳0锛屾柟宸瓺锛圶锛夛紳4锛沋~N锛2锛3/4锛夋暟瀛︽湡鏈汦锛圷锛夛紳2锛屾柟宸瓺锛圷锛夛紳4/3銆傜敱X锛孻鐩镐簰鐙珛寰楋細E锛圶Y锛夛紳E锛圶锛塃锛圷锛夛紳0脳2锛0锛孌锛圶锛媃锛夛紳D锛圶锛夛紜D锛圷锛夛紳4脳4/3锛16/3锛孌锛2X锛3Y锛...
绛旓細Z灏辨槸姝ｆ佸垎甯銆俋^2锛堝崱鏂癸級鍒嗗竷鏄竴涓鎬佸垎甯冪殑骞虫柟銆倀鍒嗗竷鏄竴涓鎬佸垎甯冮櫎浠ワ紙涓涓猉^2鍒嗗竷闄や互瀹冪殑鑷敱搴︾劧鍚庡紑鏍瑰彿锛夈侳鍒嗗竷鏄袱涓崱鏂鍒嗗竷鍒嗗竷闄や互浠栦滑鍚勮嚜鐨勮嚜鐢卞害鍐嶇浉闄ゃ傛瘮濡俋鏄竴涓猌鍒嗗竷锛孻(n)=X1^2+X2^2+鈥︹+Xn^2,杩欓噷姣忎釜Xn閮芥槸涓涓猌鍒嗗竷锛宼(n)=X/鏍瑰彿(Y/n),F锛坢,...
绛旓細姝ｆ佸垎甯鍔犲噺璁＄畻鍏紡涓猴細X+Y~N(渭x+渭y锛屜儀^2+蟽y^2)锛孹-Y~N(渭x-渭y锛屜儀^2+蟽y^2)銆傛鎬佸垎甯冩槸涓绉嶅父瑙佺殑闅忔満鍙橀噺鍒嗗竷锛屽湪缁熻瀛︿腑鏈夌潃骞挎硾鐨勫簲鐢ㄣ傚叾涓紝姝ｆ佸垎甯冪殑鍔犲噺璁＄畻鍏紡鎸囩殑鏄袱涓鎬佸垎甯冨彉閲忎箣鍜屾垨宸殑鍒嗗竷璁＄畻鍏紡銆傚紡涓紝渭x鍜屛紋鍒嗗埆鏄疿鍜孻鐨勫潎鍊硷紝蟽x^2鍜...
绛旓細姝ｆ佸垎甯鏍囧噯鍖栫殑鍏紡锛歒=锛圶-渭锛/蟽锝濶锛0锛1锛夈傛爣鍑嗘鎬佸垎甯 鏄竴涓湪鏁板銆佺墿鐞嗗強宸ョ▼绛夐鍩熼兘闈炲父閲嶈鐨勬鐜囧垎甯冿紝鍦ㄧ粺璁″鐨勮澶氭柟闈㈡湁鐫閲嶅ぇ鐨勫奖鍝嶅姏銆傛湡鏈涘嘉=0锛屽嵆鏇茬嚎鍥捐薄瀵圭О杞翠负Y杞达紝鏍囧噯宸=1鏉′欢涓嬬殑姝ｆ佸垎甯冿紝璁颁负N(0锛1)銆傛鎬佸垎甯冪殑瀹氫箟 鏍囧噯姝ｆ佸垎甯冨張绉颁负u鍒嗗竷锛屾槸...
绛旓細F(x) = 鈭玔-鈭, x] f(t) dt 鍏朵腑锛孎(x)琛ㄧず闅忔満鍙橀噺X灏忎簬绛変簬鏌愪釜鍊紉鐨勬鐜囥3. 姝ｆ佸垎甯鐨勬爣鍑嗗寲鍏紡锛氶氳繃瀵归殢鏈哄彉閲忚繘琛屾爣鍑嗗寲锛屽彲浠ュ皢浠绘剰姝ｆ佸垎甯冭浆鍖栦负鏍囧噯姝ｆ佸垎甯冦傛爣鍑嗘鎬佸垎甯冪殑鍧囧间负0锛屾爣鍑嗗樊涓1銆傛爣鍑嗗寲鐨璁＄畻鍏紡濡備笅锛歓 = (X - 渭) / 蟽 鍏朵腑锛孼琛ㄧず鏍囧噯鍖栧悗鐨勯殢鏈...
绛旓細15锛16銆侲X锛圶涓婇潰涓妯潬锛=E[锛圶1+X2+鈥︹+Xn锛/n]=1/n [E锛圶1)+E(X2)+鈥︹+E(Xn锛塢=1/n (U+U+鈥︹+U)=U ^f(x1)=1/(2pi蟽^2)^0.5*exp[-(x1-渭)^2/2蟽^dao2]f(xn)=1/(2pi蟽^2)^0.5*exp[-(xn-渭)^2/2蟽^2]L=f(x1)*f(x2)...f(xn)=[1/...
绛旓細姝ｆ佸垎甯锛圢ormal distribution锛夛紝涔熺О鈥甯告佸垎甯鈥濓紝鍙堝悕楂樻柉鍒嗗竷锛圙aussian distribution锛夛紝鏄竴涓潪甯搁噸瑕佺殑姒傜巼鍒嗗竷銆傚湪鏁板銆佺墿鐞嗗強宸ョ▼绛夐鍩熶互鍙婄粺璁″鐨勮澶氭柟闈㈡湁鐫閲嶅ぇ鐨勫奖鍝嶅姏銆傛鎬佸垎甯冩渶鏃╃敱A.妫ｈ帿寮楀湪姹備簩椤瑰垎甯冪殑娓愯繘鍏紡涓緱鍒般侰.F.楂樻柉鍦ㄧ爺绌舵祴閲忚宸椂浠庡彟涓涓搴﹀鍑轰簡瀹冦侾.S....
绛旓細姝ｆ佸垎甯鍙姞鎬鍏紡鏄細X+Y~N(3锛8)銆傜浉浜掔珛鐨勬鎬佸彉閲忎箣绾挎х粍鍚堟湇浠庢鎬佸垎甯冦傚嵆X~N(u1锛(q1)^2)锛孻~N(u2锛(q2)^)銆傚垯Z=aX+bY~N(a*u1+b*u2锛(a^2)*(q1)^2+(b^2)*(q2)^2)銆傛鎬佸垎甯冪殑鐢辨潵锛氭鎬佸垎甯冩槸鏈閲嶈鐨勪竴绉嶆鐜囧垎甯冦傛鎬佸垎甯冩蹇垫槸鐢卞痉鍥界殑鏁板瀹跺拰澶╂枃瀛﹀...
