是一個在數學、物理及工程等領域都非常重要的概率分布，在統計學的許多方面有著重大的影響力。

若隨機變量X服從一個數學期望為μ、標準方差為σ2的高斯分布，記為：則其概率密度函數為正態分布的期望值μ決定了其位置，其標準差σ決定了分布的幅度。因其曲線呈鐘形，因此人們又經常稱之為鐘形曲線。

我們通常所說的標準正態分布是μ = 0,σ = 1的正態分布。

應該叫做正態性檢驗

正態性檢驗利用觀測數據判斷總體是否服從正態分布的檢驗稱為正態性檢驗，它是統計判決中重要的一種特殊的擬合優度假設檢驗。常用的正態性檢驗方法有正態概率紙法、夏皮羅一威爾克檢驗法(Shapiro-Wilktest)，科爾莫戈羅夫檢驗法，偏度-峰度檢驗法等。

正態分布具有兩個參數μ和σ^2的連續型隨機變量的分布，第一參數μ是服從正態分布的隨機變量的均值，第二個參數σ^2是此隨機變量的方差，所以正態分布記作N（μ,σ2）。

μ是正態分布的位置參數，描述正態分布的集中趨勢位置。概率規律為取與μ鄰近的值的概率大，而取離μ越遠的值的概率越小。正態分布以X=μ為對稱軸，左右完全對稱。正態分布的期望、均數、中位

P值的計算公式是

=2[1-Φ(z0)] 當被測假設H1為 p不等於p0時；

=1-Φ(z0) 當被測假設H1為 p大於p0時；

=Φ(z0) 當被測假設H1為 p小於p0時；

總之，P值越小，表明結果越顯著。但是檢驗的結果究竟是“顯著的”、“中度顯著的”還是“高度顯著的”需要根據P值的大小和實際問題來解決。

統計學中的P值應該怎麼計算

P值的計算公式是

=2[1-Φ(z0)] 當被測假設H1為 p不等於p0時；

=1-Φ(z0) 當被測假設H1為 p大於p0時；

=Φ(z0) 當被測假設H1為 p小於p0時；

總之，P值越小，表明結果越顯著。但是檢驗的結果究竟是“顯著的”、“中度顯著的”還是“高度顯著的”需要根據P值的大小和實際問題來解決。

擴展資料

統計學中回歸分析的主要內容為：

1、從一組數據出發，確定某些變量之間的定量關係式，即建立數學模型並估計其中的未知參數。估計參數的常用方法是最小二乘法。

2、對這些關係式的可信程度進行檢驗。

3、在許多自變量共同影響著一個因變量的關系中，判斷哪個（或哪些）自變量的影響是顯著的，哪些自變量的影響是不顯著的，將影響顯著的自變量加入模型中，而剔除影響不顯著的變量，通常用逐步回歸、向前回歸和向後回歸等方法。

4、利用所求的關係式對某一生產過程進行預測或控制。回歸分析的應用是非常廣泛的，統計軟件包使各種回歸方法計算十分方便。