正態分佈或高斯分佈

在概率論的所有法律，正態分佈最常發生，包括往往比均勻。 也許這種現象深根本性質。 畢竟，當隨機變量的取值範圍的表述涉及到幾個因素，所有這些都影響他們自己的方式觀察到這種分佈。 在這種情況下，正常（或高斯）分佈是由於加入不同分佈而獲得。 正是由於正態分佈的廣為傳播，並得到了它的名字。

每當我們談論的平均值，無論是月度降雨，人均收入和學習成績在課堂上，在它的值的計算，作為一項規則，使用正態分佈規律。 這個 平均值 被稱為期望值和圖形對應於最大（通常簡稱為M）。 有了適當的分佈曲線是對稱的最大，但實際上這是不總是這樣，它是允許的。

為了描述隨機變量分佈的正常規律還需要知道標準偏差（用σ表示 - 西格瑪）。 它定義圖上的曲線的形狀。 較大σ，曲線將是平坦的。 在另一方面，較小的σ，樣品中的更準確的確定的平均值。 因此，對於大的均方根偏差不得不說該平均值是在一定範圍的數字內，並且不對應於任何數量的。

以及其他統計法，概率分佈的正常規律的表現都比較大的樣品越好，即 所涉及到的測量對象的數量。 然而，在這裡，示出另一種效果：大樣本變為找到一個定值，包括平均的概率非常之小。 值只有中間附近進行分組。 因此，正確地說，隨機變量接近到一定值時有一定概率。

確定可能性有多大，並幫助標準偏差。 在“三西格瑪”的時間間隔，即 中號+/- 3 *σ，被置於所有量的97.3％的樣品中，並在“5-Σ”範圍 - 約99％。 這些間隔 通常用於確定何時它是必要的，在樣品中的最大值和最小值。 的概率間隔的出5-Σ的值，是可以忽略不計。 在實踐中，通常使用三西格瑪間隔。

正態分佈可以是多維的。 假定對象具有幾個獨立的參數，在相同的度量單位表示。 例如，從垂直和水平方向的目標中心的子彈的燒製過程中的偏差進行說明的二維正態分佈。 該分佈在像平面曲線（高斯）的旋轉的圖的理想情況的曲線圖，如上面所討論的。