正态分布或高斯分布

在概率论的所有法律，正态分布最常发生，包括往往比均匀。 也许这种现象深根本性质。 毕竟，当随机变量的取值范围的表述涉及到几个因素，所有这些都影响他们自己的方式观察到这种分布。 在这种情况下，正常（或高斯）分布是由于加入不同分布而获得。 正是由于正态分布的广为传播，并得到了它的名字。

每当我们谈论的平均值，无论是月度降雨，人均收入和学习成绩在课堂上，在它的值的计算，作为一项规则，使用正态分布规律。 这个 平均值 被称为期望值和图形对应于最大（通常简称为M）。 有了适当的分布曲线是对称的最大，但实际上这是不总是这样，它是允许的。

为了描述随机变量分布的正常规律还需要知道标准偏差（用σ表示 - 西格玛）。 它定义图上的曲线的形状。 较大σ，曲线将是平坦的。 在另一方面，较小的σ，样品中的更准确的确定的平均值。 因此，对于大的均方根偏差不得不说该平均值是在一定范围的数字内，并且不对应于任何数量的。

以及其他统计法，概率分布的正常规律的表现都比较大的样品越好，即 所涉及到的测量对象的数量。 然而，在这里，示出另一种效果：大样本变为找到一个定值，包括平均的概率非常之小。 值只有中间附近进行分组。 因此，正确地说，随机变量接近到一定值时有一定概率。

确定可能性有多大，并帮助标准偏差。 在“三个西格玛”的时间间隔，即 中号+/- 3 *σ，被置于所有量的97.3％的样品中，并在“5-Σ”范围 - 约99％。 这些间隔 通常用于确定何时它是必要的，在样品中的最大值和最小值。 的概率间隔的出5-Σ的值，是可以忽略不计。 在实践中，通常使用三个西格玛间隔。

正态分布可以是多维的。 假定对象具有几个独立的参数，在相同的度量单位表示。 例如，从垂直和水平方向的目标中心的子弹的烧制过程中的偏差进行说明的二维正态分布。 该分布在像平面曲线（高斯）的旋转的图的理想情况的曲线图，如上面所讨论的。