统计学 一般正态分布如何转换成标准的正态分布？
一般正态分布的x值减去其均值再除以其西格玛水平所得的z值就是对应标准正态分布的x值
再通过标准正态分布表就可以算出其概率。这时候的z值也是这个一般正态分布在这个概率下的西格玛水平。
求证：假设X～N(μ,σ^2),则Y=(X-μ)/σ～N(0,1).
证明：因为X～N(μ,σ^2),
所以P(x)=(2π)^(-1/2)*σ^(-1)*exp{[-(x-μ)^2]/(2σ^2)}.
(注：F(y)为Y的分布函数,Fx(x)为X的分布函数）
而 F(y)=P(Y≤y)=P((X-μ)/σ≤y)
=P(X≤σy+μ)=Fx(σy+μ)
所以 p(y)=F'(y)=F'x(σy+μ)*σ=P(σy+μ)*σ
=[(2π)^(-1/2)]*e^[-（x^2)/2].
从而,N(0,1).
如何将一般正态分布标准化
答：假设X～N(μ,σ^2),则Y=(X-μ)/σ～N(0,1).证明;因为X～N(μ,σ^2),所以P(x)=(2π)^(-1/2)*σ^(-1)*exp{[-(x-μ)^2]/(2σ^2)}.(注：F(y)为Y的分布函数,Fx(x)为X的分布函数）而 F(y)=P(Y≤y)=P((X-μ)/σ≤y)=P(X≤σy+μ)=Fx(σy+μ)所以 p(y)=F'(y)=F'x(σy+μ)*σ=P(σy+μ)*σ=[(2π)^(-1/2)]*e^[-（x^2)/2].从而,N(0,1).正态分布标准化的意义是可以方便计算，是一种统计学概念。
原本的正态分布图形有高矮胖瘦不同的形态,实际上是积分变换的必然结果,就好比是：
y = kx + b 直线,它不一定过原点的,但是通过变换就可以了：大Y = y-b ; 大X = kx ; ===> 大Y = 大X
2.y = a*b 乘积,通过变换就可以变成加法运算：Ln(y) = Lna + Lnb
3.y = ax² + bx + c 通过变换就可以变成标准形式：y = a(x + b/(2a))² + (c -b²/(4a))
正态分布的标准化也只不过是 “积分变换”而已,虽然高矮胖瘦不同的形态,但是 变量的 线性伸缩变换 并不改变其 量化特性,虽然标准化以后都变成期望是0,方差是1的 标准分布了,但这种 因变量 自变量的 依赖关系仍然存在,不用担心会 “质变”。
拓展资料：
统计学 一般正态分布如何转换成标准的正态分布
一般正态分布的x值减去其均值再除以其西格玛水平所得的z值就是对应标准正态分布的x值。再通过标准正态分布表就可以算出其概率。这时候的z值也是这个一般正态分布在这个概率下的西格玛水平。
求证：假设X～N(μ,σ^2),则Y=(X-μ)/σ～N(0,1).
证明：因为X～N(μ,σ^2),
所以P(x)=(2π)^(-1/2)*σ^(-1)*exp{[-(x-μ)^2]/(2σ^2)}.
(注：F(y)为Y的分布函数,Fx(x)为X的分布函数）
而 F(y)=P(Y≤y)=P((X-μ)/σ≤y)
=P(X≤σy+μ)=Fx(σy+μ)
所以 p(y)=F'(y)=F'x(σy+μ)*σ=P(σy+μ)*σ
=[(2π)^(-1/2)]*e^[-（x^2)/2]
从而,N(0,1)
图形特征
集中性：正态曲线的高峰位于正中央，即均数所在的位置。
对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。
均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
关于μ对称，并在μ处取最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点，形状呈现中间高两边低，正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。
以上内容参考：百度百科-正态分布
正态分布如何进行标准化？急！
惹X～N（p，k＾2）的正态分布，则Z＝（X－p）／k～N（0，1）的标准正态分布，即统计量减期望值后除以方差。
假设X～N（μ，σ＾2），则Y＝（X－μ）／σ～N（0，1）．证明；因为X～N（μ，σ＾2），所以P（x）＝（2π）＾（－1／2）＊σ＾（－1）＊exp｛［－（x－μ）＾2］／（2σ＾2）｝
y=kx+b直线，它不一定过原点的，但是通过变换就可以了：大Y=y-b；大X=kx；===>大Y=大X
y=a*b乘积，通过变换就可以变成加法运算：Ln（y）=Lna+Lnb
y=ax²+bx+c通过变换就可以变成标准形式：y=a（x+b/（2a））²+（c-b²/（4a））
参数含义：
正态分布有两个参数，即期望（均数）μ和标准差σ，σ2为方差。
正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ，σ2）。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
以上内容参考：百度百科-正态分布
一般正态分布与标准正态分布如何转化
正态分布（Normal distribution），又名高斯分布（Gaussian distribution）
若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0, σ = 1时的正态分布是标准正态分布。
一维正态分布的概率密度函数为

正太分布 变换 标准正太分布（均值为0，标准差为1）

其中  为正太分布分均值，  为正太分布的标准差，z为变化后的值。X为随意变量。
例如：2，3，4的均值为3，方差为  ，标准差为  。
进行标准正太分布后，随机变量变为  ，0， ，然后求均值为0，方差为1。
正态分布的一些性质：
（1）如果

且a与b是实数，那么

（2）如果

与

是统计独立的正态随机变量，那么：
它们的和也满足正态分布

它们的差也满足正态分布

U与V两者是相互独立的。（要求X与Y的方差相等）。
期望和方差的性质：
双木止月Tong：【“数”你好看】期望E(X)与方差Var(X)
