正态分布

$$\sigma越小，图形越尖$$

概率密度函数：

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

正态分布具有对称性，使用$X\sim N(\mu,\sigma^2)$来表示正态分布，使用
$x \sim N(0,1)$表示标准正态分布。

正态分布的性质：

$$\phi(-x)=\phi(1-x)$$
当x= $\mu， f(x)$取得极大值，
$$f(x)=\frac{1}{\sqrt{2\pi}\sigma}$$

引理：
若$x \sim N(\mu,\sigma^2),则Z=\frac{X-\mu}{\sigma} \sim N(0,1)$

正态分布还有以下几个常用的定理：
1.设$x_1,x_2.....x_n$是来自正态总体$N(\mu,\sigma^2)$的样本，$\bar X$是样本均值，则有

$$\bar X \sim N(\mu,\sigma^2/n)$$

2.$S^2$为样本方差，

$$\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$$
$$\frac{\bar X -\mu}{S/\sqrt{n}} \sim t(n-1)$$

3.