Files
2026-10-04 11:44:56 +08:00

6.2 KiB
Raw Permalink Blame History

题型五:正态分布的计算 ⭐⭐⭐

识别特征

  • 题干出现"正态分布"、"高斯分布"、N(\mu, \sigma^2)
  • 题目要求求概率 P(a < X < b)
  • 题目要求求分位数(已知 $P(X > a) = \alpha$,求 $a$)
  • 题干出现"$\Phi$"、"标准化"、"查表"
  • 题目涉及"区间估计"、"假设检验"(衔接 Ch06)

解题流程

flowchart TD
    A[正态分布问题] --> B{已知 N μ σ²}
    B --> C[1. 标准化 Z = X-μ/σ]
    C --> D[2. P a<X<b = Φ b-μ/σ - Φ a-μ/σ]
    D --> E[3. Φ -x = 1 - Φ x 处理负号]
    E --> F[4. 查 Φ 表得数值]
    A --> G{已知 P X > a = α}
    G --> H[1. P X > a = 1 - Φ a-μ/σ = α]
    H --> I[2. Φ a-μ/σ = 1-α]
    I --> J[3. 查 Φ 表反查分位数]

通法步骤

一、标准正态分布 N(0, 1) 的三大性质 ⭐⭐⭐

密度:\varphi(x) = \dfrac{1}{\sqrt{2\pi}} e^{-x^2/2}

分布:\Phi(x) = \displaystyle\int_{-\infty}^x \varphi(t) dt

性质:

  1. $\varphi(-x) = \varphi(x)$(偶函数)
  2. $\Phi(-x) = 1 - \Phi(x)$(反对称性——最重要!)
  3. $\Phi(0) = 0.5$

二、标准化(任何 N(\mu, \sigma^2) → $N(0,1)$)


X \sim N(\mu, \sigma^2) \Rightarrow Z = \frac{X - \mu}{\sigma} \sim N(0, 1)

P(a < X < b) = \Phi\!\left(\frac{b - \mu}{\sigma}\right) - \Phi\!\left(\frac{a - \mu}{\sigma}\right)

🔑 核心口诀:"减均值,除以标准差"

极简例子: $X \sim N(10, 4)$,求 P(8 < X < 14)


P = \Phi\!\left(\frac{14-10}{2}\right) - \Phi\!\left(\frac{8-10}{2}\right) = \Phi(2) - \Phi(-1)

= \Phi(2) - (1 - \Phi(1)) = \Phi(2) + \Phi(1) - 1 \approx 0.9772 + 0.8413 - 1 = 0.8185

三、必背的 \Phi 表值(速算关键)

x \Phi(x) 1 - \Phi(x) 应用
0 0.5000 0.5000 中位数
1 0.8413 0.1587 68.27% 分位
1.5 0.9332 0.0668 86.64% 分位
1.96 0.9750 0.0250 95% 置信
2 0.9772 0.0228 95.45% 分位
2.58 0.9950 0.0050 99% 置信
3 0.9987 0.0013 99.73% 分位

口诀:"1.96 是 95%,2.58 是 99%"——置信区间核心点

四、对称区间概率速算(重要模板)


P(|X - \mu| < k\sigma) = 2\Phi(k) - 1
k P(\|X - \mu\| < k\sigma)
1 2\Phi(1) - 1 \approx 0.6826
2 2\Phi(2) - 1 \approx 0.9544
3 2\Phi(3) - 1 \approx 0.9974
1.96 2\Phi(1.96) - 1 = 0.95

这就是 "68-95-99.7 法则"(经验法则)

五、求分位数(已知概率反查 $x$)

题型:已知 $P(X > a) = \alpha$,求 $a$。

步骤:

  1. 1 - \Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = \alpha
  2. \Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = 1 - \alpha
  3. 查 \Phi 表反查 z_\alpha = \Phi^{-1}(1 - \alpha)
  4. \dfrac{a - \mu}{\sigma} = z_\alpha \Rightarrow a = \mu + z_\alpha \sigma

极简例子: $X \sim N(10, 4)$,求 a 使得 $P(X > a) = 0.05$。

  • \Phi\!\left(\dfrac{a - 10}{2}\right) = 1 - 0.05 = 0.95
  • $\dfrac{a - 10}{2} = 1.645$(查表 $\Phi(1.645) = 0.95$)
  • a = 10 + 1.645 \times 2 = 13.29

六、正态分布的线性变换(重要性质)

若 $X \sim N(\mu, \sigma^2)$,则对任意常数 $a \ne 0, b$:


Y = aX + b \sim N(a\mu + b, a^2 \sigma^2)

核心:正态的线性变换仍是正态,均值和方差按线性变换规则计算。

极简例子: $X \sim N(2, 9)$,求 Y = 3X + 5 的分布。

  • Y \sim N(3 \times 2 + 5, 3^2 \times 9) = N(11, 81)

七、3\sigma 原则(应用题高频)

在 N(\mu, \sigma^2) 中:

  • P(|X - \mu| < \sigma) \approx 68.27\%
  • P(|X - \mu| < 2\sigma) \approx 95.45\%
  • P(|X - \mu| < 3\sigma) \approx 99.73\%

应用:产品质量控制(3\sigma 原则),超出 3\sigma 的概率 $< 0.3%$,视为异常。

常见陷阱

  • 标准化忘除 $\sigma$:必须除以 $\sigma$,不是除以 $\sigma^2$!
  • \Phi(-x) = 1 - \Phi(x) 的反向误用:$\Phi(-x) \ne \Phi(x)$!
  • 方差 vs 标准差:N(\mu, \sigma^2) 中是方差,标准差要开方
  • 查表的方向:\Phi 表是正数表,负数要转换为 1 - \Phi(|x|)
  • 分位数查表反查:要确认是 \Phi^{-1}(\alpha) 还是 \Phi^{-1}(1 - \alpha)
  • "上 \alpha 分位数" z_\alpha 的定义:$\alpha = P(X > z_\alpha)$,即 \Phi(z_\alpha) = 1 - \alpha

经典母题

题目 1(直接求概率):设 $X \sim N(10, 4)$,求 $P(|X - 10| < 4)$。

解析:


P(|X - 10| < 4) = P(6 < X < 14) = \Phi\!\left(\frac{14-10}{2}\right) - \Phi\!\left(\frac{6-10}{2}\right)

= \Phi(2) - \Phi(-2) = \Phi(2) - (1 - \Phi(2)) = 2\Phi(2) - 1

\approx 2 \times 0.9772 - 1 = 0.9544

结论:约 95.44% 的概率 X 落在 \mu \pm 2\sigma 内。


题目 2(求分位数):某厂生产零件长度 $X \sim N(50, 0.6^2)$。按质量标准,不合格率为 $5%$。求合格品的下限 $L$(即 P(X < L) = 5\% 时 L 的值)。

解析:

  • P(X < L) = \Phi\!\left(\dfrac{L - 50}{0.6}\right) = 0.05
  • \dfrac{L - 50}{0.6} = \Phi^{-1}(0.05) = -1.645
  • L = 50 - 1.645 \times 0.6 = 50 - 0.987 = 49.013

结论:长度小于 49.013 的零件占 $5%$。


题目 3(线性变换):设 $X \sim N(\mu, \sigma^2)$,求 Y = \dfrac{X - \mu}{\sigma} 的分布。

解析:

  • Y = \dfrac{1}{\sigma} X - \dfrac{\mu}{\sigma}
  • Y \sim N\!\left(\dfrac{\mu}{\sigma} - \dfrac{\mu}{\sigma}, \left(\dfrac{1}{\sigma}\right)^2 \sigma^2\right) = N(0, 1)

结论:任何正态分布都能标准化为标准正态。


变式(混合题):设 $X \sim N(0, 1)$,求 $P(X > 0), P(X > 1), P(X > 2), P(X > 3)$。

答案:

  • P(X > 0) = 0.5
  • P(X > 1) = 1 - \Phi(1) = 0.1587
  • P(X > 2) = 1 - \Phi(2) = 0.0228
  • P(X > 3) = 1 - \Phi(3) \approx 0.0013

3σ 原则的应用:超出 \pm 3\sigma 的概率 $< 0.3%$,视为小概率事件。


口诀速记:

  • "减均值,除标准差" → 标准化
  • "$\Phi(-x) = 1 - \Phi(x)$" → 对称性
  • "2Φ(k) - 1" → 对称区间概率
  • "1.96 对应 95%" → 置信区间