标准正态分布的分布函数φ(x)是什么意思？

严格来说，标准正态分布是所有统计中最常见的钟形曲线。
如果你理解了这一点，你就会理解N(0,1 )的输入和输出。

展开 这条曲线有一些特别之处：它的峰值位于 0 点。
它左右两侧完全对称。
我们去年做的一个金融风控项目中，我们用N(0,1 )来模拟股价波动，在x=1 时。
The area under the curve was found to be about 6 8 %.这个比率在电子商务用户行为分析中也特别有用。
另一个需要注意的是它的分布函数 Φ(x)。
就像盖房子、打地基一样。
Φ(0)=0.5 是绝对标准的。
去年，球队几乎在积分上限上下移动。
还有一个更重要的细节。
拐点是x=1 这个因素决定了曲线的节奏。
ပြီးခဲ့သည့်နှစ်က ကျွန်ုပ်တို့သည် ဘောင်များကို ချိန်ညှိသောအခါ၊这几乎减慢了整个迭代周期。

一开始我以为标准正态分布与实际业务无关，但后来发现我错了。
例如，用户评分的分布；物流、时间偏差等都可以应用到这个模型。
等等还有一件事。
在标准正态分布密度函数中，1 /√2 π实际上是正态系数，总面积为1 很多人没有意识到这一点。

下次你使用正态分布时，我建议你不要把注意力集中在公式上，而是画一个图来确认对称轴和拐点的位置。

如何证明随机变量服从正态分布？

粗略地说，证明随机变量服从正态分布实际上非常简单。
首先，从收集数据开始。
The project we did last year had about 3 ,000 layers of data.第一步是收集这些数据。
我们先来说说最重要的事情。
首先，需要绘制直方图来查看数据的分布情况。
去年我们的直方图出来时，钟形曲线还不是太明显。
还有一点是，通过绘制Q-Q图，可以直观地看到数据的分位数与理论正态分布之间的关系。
我们的数据点几乎都在一条直线上。
起初我以为这样就足够了，但后来我意识到这是错误的。
我需要准确的指标。
平均值和标准差必须与正态分布的标准进行比较。
等等，还有一件事。
如果您的数据样本较少，则可能需要使用更复杂的统计检验，例如 Kolmogorov-Smirnov、Shapiro-Wilk 或 Anderson-Darling。
值得尝试偏度峰度检验或 Lilliefors 检验。
这些方法都比较适合实际使用，使用起来也不是太困难。