- 统计教程
- 家
- 调整后的 R 平方
- 方差分析
- 算术平均值
- 算术中位数
- 算术模式
- 算术范围
- 条状图
- 最佳点估计
- 贝塔分布
- 二项分布
- 布莱克-斯科尔斯模型
- 箱线图
- 中心极限定理
- 切比雪夫定理
- 卡方分布
- 卡方表
- 循环排列
- 整群抽样
- 科恩卡帕系数
- 组合
- 与替换组合
- 比较图
- 连续均匀分布
- 连续级数算术平均值
- 连续级数算术中位数
- 连续级数运算模式
- 累积频率
- 变异系数
- 相关系数
- 累计地块
- 累积泊松分布
- 数据采集
- 数据收集 - 问卷设计
- 数据收集-观察
- 数据收集-案例研究方法
- 数据模式
- 十分位数统计
- 离散级数算术平均值
- 离散级数算术中位数
- 离散级数运算模式
- 点图
- 指数分布
- F分布
- F测试台
- 阶乘
- 频率分布
- 伽玛分布
- 几何平均数
- 几何概率分布
- 拟合优度
- 中庸之道
- 甘贝尔分布
- 调和平均值
- 谐波数
- 谐波共振频率
- 直方图
- 超几何分布
- 假设检验
- 个别系列算术平均值
- 个别系列算术中位数
- 个别系列运算模式
- 区间估计
- 逆伽玛分布
- 柯尔莫哥洛夫斯米尔诺夫检验
- 峰度
- 拉普拉斯分布
- 线性回归
- 对数伽玛分布
- 逻辑回归
- 麦克尼马尔测试
- 平均偏差
- 均值差异
- 多项式分布
- 负二项分布
- 正态分布
- 奇数和偶数排列
- 一比例 Z 检验
- 异常值函数
- 排列
- 置换置换
- 饼形图
- 泊松分布
- 合并方差 (r)
- 功率计算器
- 可能性
- 概率加性定理
- 概率倍数定理
- 概率贝叶斯定理
- 概率密度函数
- 过程能力 (Cp) 和过程性能 (Pp)
- 过程西格玛
- 二次回归方程
- 定性数据与定量数据
- 四分位数偏差
- 范围经验法则
- 瑞利分布
- 回归截距置信区间
- 相对标准偏差
- 可靠性系数
- 所需样本量
- 残差分析
- 残差平方和
- 均方根
- 样品策划
- 取样方式
- 散点图
- 香农维纳多样性指数
- 信噪比
- 简单随机抽样
- 偏度
- 标准差
- 标准误差 (SE)
- 标准普通表
- 统计学意义
- 统计公式
- 统计符号
- 茎叶图
- 分层抽样
- 学生 T 检验
- 平方和
- T-分布表
- Ti 83 指数回归
- 转换
- 截尾均值
- I 型和 II 型错误
- 方差
- 维恩图
- 弱大数定律
- Z工作台
- 统计有用资源
- 统计 - 讨论
统计 - 正态分布
正态分布是数据集的一种排列,其中大多数值聚集在范围的中间,其余值对称地向任一极端逐渐减小。身高是遵循正态分布模式的一个简单例子:大多数人的身高处于平均水平,高于平均身高和低于平均身高的人数相当相等,只有极少数(但仍大致相当)的人数要么是极端身高,要么是身高低于平均身高。高或极矮。这是正态分布曲线的示例:
正态分布的图形表示有时被称为钟形曲线,因为它的形状呈喇叭形。精确的形状可能会根据人口的分布而变化,但峰值始终位于中间,并且曲线始终是对称的。在正态分布中,均值众数和中位数都是相同的。
公式
${y = \frac{1}{\sqrt {2 \pi}}e^{\frac{-(x - \mu)^2}{2 \sigma}} }$
其中 -
${\mu}$ = 平均值
${\sigma}$ = 标准差
${\pi \约3.14159}$
${e \约2.71828}$
例子
问题陈述:
对每日出行时间的调查得出以下结果(以分钟为单位):
26 | 33 | 65 | 28 | 34 | 55 | 25 | 44 | 50 | 36 | 26 | 37 | 43 | 62 | 35 | 38 | 45 | 32 | 28 | 34 |
平均值为 38.8 分钟,标准差为 11.4 分钟。将值转换为 z 分数并准备正态分布图。
解决方案:
我们一直使用的 z 分数公式:
${z = \frac{x - \mu}{\sigma} }$
其中 -
${z}$ =“z 分数”(标准分数)
${x}$ = 要标准化的值
${\mu}$ = 平均值
${\sigma}$ = 标准差
转换 26:
首先减去平均值:26-38.8 = -12.8,
然后除以标准差:-12.8/11.4 = -1.12
所以 26 是 -1.12 与平均值的标准差
这是前三个转换。
原值 | 计算 | 标准分数(z 分数) |
---|---|---|
26 | (26-38.8) / 11.4 = | -1.12 |
33 | (33-38.8) / 11.4 = | -0.51 |
65 | (65-38.8) / 11.4 = | -2.30 |
... | ... | ... |
在这里,它们以图形方式表示: