【標準正態分布函數公式】標準正態分布是統計學中最常見、最重要的概率分布之一，廣泛應用于數據分析、質量控制、金融建模等領域。其核心在于標準正態分布函數（Standard Normal Distribution Function），用于描述隨機變量在標準正態分布下的累積概率。
一、標準正態分布函數的定義
標準正態分布是一種均值為0，標準差為1的正態分布，記作 $ N(0, 1) $。其概率密度函數（PDF）和累積分布函數（CDF）是理解該分布的核心內容。
1. 概率密度函數（PDF）
標準正態分布的概率密度函數為：
$$
f(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}
$$
其中：
- $ x $ 是隨機變量的取值；
- $ \pi \approx 3.1416 $；
- $ e $ 是自然對數的底，約等于2.7183。
該函數描述了在某個點 $ x $ 處的概率密度，但不直接給出概率值。
2. 累積分布函數（CDF）
標準正態分布的累積分布函數（CDF）表示的是隨機變量小于或等于某個值 $ x $ 的概率，即：
$$
F(x) = P(Z \leq x) = \int_{-\infty}^{x} \frac{1}{\sqrt{2\pi}} e^{-\frac{t^2}{2}} dt
$$
由于該積分無法用初等函數表達，因此通常通過查表或數值計算來獲得具體值。
二、標準正態分布函數的性質
| 屬性 | 描述 |
| 均值 | 0 |
| 方差 | 1 |
| 對稱性 | 關于 y 軸對稱，即 $ f(-x) = f(x) $ |
| 單峰性 | 在 x=0 處取得最大值 |
| 分布范圍 | 隨機變量理論上可取所有實數 |
三、標準正態分布函數的應用
1. 概率計算：通過查標準正態分布表或使用軟件工具（如Excel、Python、R等），可以快速得到特定值的累積概率。
2. 假設檢驗：在統計推斷中，常將樣本數據標準化后，利用標準正態分布進行顯著性檢驗。
3. 置信區間：構建置信區間時，常常依賴標準正態分布的分位數。
4. 風險評估：在金融領域，用于衡量投資組合的風險水平。
四、標準正態分布函數的近似計算
由于標準正態分布的 CDF 無法用解析形式表示，常用的近似方法包括：
| 方法 | 說明 |
| Z 表 | 傳統查表法，適用于小范圍值 |
| 泰勒展開 | 對于接近0的值，可以用多項式近似 |
| 數值積分 | 利用計算機程序進行高精度計算 |
| 軟件工具 | 如 Python 的 scipy.stats.norm.cdf 函數 |
五、標準正態分布函數與普通正態分布的關系
若一個隨機變量 $ X \sim N(\mu, \sigma^2) $，則可以通過標準化轉換為標準正態分布：
$$
Z = \frac{X - \mu}{\sigma}
$$
此時 $ Z \sim N(0, 1) $，從而可以利用標準正態分布的性質進行分析。
六、典型值對照表（部分）
| Z 值 | 累積概率 P(Z ≤ z) |
| 0.00 | 0.5000 |
| 1.00 | 0.8413 |
| 1.96 | 0.9750 |
| 2.00 | 0.9772 |
| 2.58 | 0.9951 |
| 3.00 | 0.9987 |
總結
標準正態分布函數是統計學中的基礎工具，其 PDF 和 CDF 分別描述了概率密度和累積概率。盡管 CDF 無法用解析方式表達，但通過表格、近似方法或計算工具，可以方便地獲取其值。掌握標準正態分布函數的特性與應用，對于理解概率分布、進行統計推斷具有重要意義。