6.2 KiB
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:
- $\varphi(-x) = \varphi(x)$(偶函数)
- $\Phi(-x) = 1 - \Phi(x)$(反对称性——最重要!)
- $\Phi(0) = 0.5$
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 - \Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = \alpha\Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = 1 - \alpha- 查
\Phi表反查z_\alpha = \Phi^{-1}(1 - \alpha) \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) = -1.645L = 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) = 0.5P(X > 1) = 1 - \Phi(1) = 0.1587P(X > 2) = 1 - \Phi(2) = 0.0228P(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