14. 正态分布

正态分布

---

正态分布的定义

---

若 $X$ 的概率密度函数为 $f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},-\infty <x<+\infty$，

其中 $-\infty <\mu <\infty ,\sigma >0$，就称 $X$ 服从参数为 $\mu ,\sigma$ 的正态分布（或高斯分布），

记为 $X\sim N(\mu ,{\sigma }^2)$.

特征：

1. $f(x)$ 关于 $x=\mu$ 对称；
2. 当 $x\le \mu$，$f(x)$ 是严格单调递增函数
3. $f_{max}=f(\mu )=\frac{1}{\sqrt{2\pi }\sigma }$
4. $$\underset{|x-\mu |\to \infty }{\lim }f(x)=0$$

两个参数的含义：

1. 当固定 $\sigma$，改变 $\mu$ 的大小，$f(x)$图形的形状不变，只是沿着 $x$ 轴作平移变换；
   $\mu$ 称为位置参数（决定对称轴位置）。

2. 当固定 $\mu$，改变 $\sigma$ 的大小时，$f(x)$ 图形的对称轴不变，而形状在改变，$\sigma$ 越小，图形越高越瘦，$\sigma$ 越大，图形越矮越胖。
   $\sigma$ 称为尺度参数 （决定曲线分散程度）。

正态分布的概率计算

---

若 $X\sim N(\mu ,{\sigma }^2)，$对于实数 $x$，

$$P(X\le x)=F(x)=\frac{1}{\sqrt{2\pi }\sigma }{\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}\mathrm{d}t=?$$

这里的积分
$${\int }_{-\infty }^x{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}\mathrm{d}t$$

可以通过以下的方法进行计算：

方法一：用 EXCEL,MATLAB,R 等软件来计算；

方法二：用数值积分法；

方法三：转化为标准正态，然后利用标准正态分布表来求。

标准正态分布 \quad

若 $Z\sim N(0,1)$，称 $Z$ 服从标准正态分布.

$Z$ 的概率密度函数：

$$\phi (z)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}$$

$Z$ 的分布函数：

$$\Phi (z)={\int }_{-\infty }^z\frac{1}{\sqrt{2\pi }}{e}^{-\frac{t^2}{2}}\mathrm{d}t$$

标准正态分布函数表（$\Phi (z)$ 值），可参考如下网站：

https://en.wikipedia.org/wiki/Standard_normal_table

这里可以注意到 $\Phi (z)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}$ 关于 y 对称性，

则标准正态分布的分布函数有一个重要性质：

$$\Phi (-z_0)=1-\Phi (z_0)，$$

对于任意的实数 $z_0$ 都成立。

性质： 当 $X\sim N(\mu ,{\sigma }^2)$ 时，$\frac{X-\mu }{\sigma }\sim N(0,1).$

证明： 对于任意实数 $z$，

$$P(\frac{X-\mu }{\sigma }\le z)=P(X\le \sigma z+\mu )={\int }_{-\infty }^{\sigma z+\mu }\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}\mathrm{d}t$$

令 $s=\frac{t-\mu }{\sigma }$，则 $\frac{(t-\mu {)}^2}{2{\sigma }^2}=\frac{s^2}{2}，\mathrm{d}s=\frac{1}{\sigma }\mathrm{d}t$

所以上面的式子

$${\int }_{-\infty }^{\sigma z+\mu }\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}\mathrm{d}t={\int }_{-\infty }^z\frac{1}{\sqrt{2\pi }}{e}^{-\frac{s^2}{2}}\mathrm{d}s=\Phi (z)$$

由此可见，当 $X\sim N(\mu ,{\sigma }^2)$ 时，对于任意实数 $a$，有

$$F_X(a)=P(X\le a)=P(\frac{X-\mu }{\sigma }\le \frac{a-\mu }{\sigma })=\Phi (\frac{a-\mu }{\sigma })$$

---

例 1： 一批钢材（线材）长度（cm） $X\sigma N(\mu ,{\sigma }^2),\mu =100,\sigma =2,$
求：
（1）这批钢材长度小于 97.8 的概率；
（2）这批钢材长度落在区间（97.8，103）的概率。

解：

（1）
$P(X<97.8)=P(\frac{X-\mu }{\sigma }<\frac{97.8-\mu }{\sigma })=\Phi (\frac{97.8-\mu }{\sigma })$

$=\Phi (\frac{97.8-100}{2})=\Phi (-1.1)=1-\Phi (1.1)$

通过查表，可以得到 $\Phi (1.1)=0.86433$

$\because 1-\Phi (1.1)=1-0.86433=0.13576$

（2）
$(P(97.8<X<103)=P(\frac{97.8-\mu }{\sigma }<\frac{X-\mu }{\sigma }<\frac{103-\mu }{\sigma })$

$=\Phi (\frac{103-100}{2})-\Phi (\frac{97.8-100}{2})=\Phi (1.5)-\Phi (-1.1)$

查表，得到 $\Phi (1.5)=0.93319$，由（1）可知 $\Phi (-1.1)=0.13576$

$\because \Phi (1.5)-\Phi (-1.1)=0.93319-0.13576=0.79743.$

---

例 2： 用天平称一实际质量为 $\mu$ 的物体，天平的读书记为随机变量 $X$，若 $X\sim N(\mu ,{\sigma }^2)$，求读书与 $\mu$ 的偏差在 $3\sigma$ 范围之内的概率。

解： 由题意知，题实际要求的是：

$P(|X-\mu |<3\sigma )$=P($-3\sigma <X-\mu <3\sigma )=P(-\frac{3\sigma }{\sigma }<\frac{X-\mu }{\sigma }<\frac{3\sigma }{\sigma })$

= P ( − 3 < X − μ σ < 3 ) = Φ ( 3 ) − Φ ( − 3 ) = Φ ( 3 ) − { 1 − Φ ( 3 ) } =P(-3<\cfrac{X-\mu}{\sigma}<3)=\Phi(3)-\Phi(-3)=\Phi(3)-\{1-\Phi(3)\} =P(−3<σX−μ​<3)=Φ(3)−Φ(−3)=Φ(3)−{1−Φ(3)}

$=2\Phi (3)-1\stackrel{\text{查表}}{=}2\times 0.99865-1=0.9973$