Slide 1 — Continuous Probability Distribution（连续概率分布）
🧭 Knowledge Points
- Random Variable（随机变量）
- Continuous Probability Distribution（连续概率分布）
- Expected Value and Variance（期望值与方差）
- Uniform Probability Distribution（均匀概率分布）
- Normal Probability Distribution（正态概率分布：预告）
🔹Knowledge Point 1: Random Variable（随机变量）
Explanation（解释）
-
A random variable X is a rule that assigns a numerical value to each outcome of a random experiment.
随机变量是把每一个随机试验结果映射为一个数值的“规则/函数”。 -
Two main types:
- Discrete — takes isolated, countable values (0, 1, 2, …)。
- Continuous — can take any value in an interval (例如 0 到 10 之间的任意实数)。
-
For continuous random variables, we talk about densities and interval probabilities, not the probability of a single exact point.
Example（例子）
- Discrete: X = number of defective items in a box of 20 chips. Possible values: 0, 1, 2, …, 20。
- Continuous: Y = amount of milk (in liters) filled into a 1L bottle; possible values such as 0.996, 0.999, 1.001 等一整段区间。
Extension（拓展）
- In business statistics, random variables often represent: demand, waiting time, sales revenue, stock returns, etc.
在商学应用中，随机变量经常表示需求量、等待时间、销售额、股票收益率等。 - Whether we treat a variable as “discrete” or “continuous” usually depends on how we measure it and what model is convenient.
🔹Knowledge Point 2: Continuous Probability Distribution（连续概率分布）
Explanation（解释）
-
A continuous probability distribution is described by a probability density function (PDF) f(x).
连续概率分布通过概率密度函数 f(x) 来描述。 -
Key properties:
- f(x) ≥ 0 for all x（密度不为负）；
- The total area under the curve is 1: ∫ f(x) dx = 1；
- Probability of an interval: P(a ≤ X ≤ b) = area of the curve from a to b。
任意单点的概率 P(X = c) = 0。
Example（例子）
- Let X be the time (in minutes) a customer spends in a shop, modeled by a continuous distribution on [0, 60].
我们关心的是“花费 10–20 分钟的概率” P(10 ≤ X ≤ 20)，而不是恰好 12.345 分钟的概率。
Extension（拓展）
- In practice，we use named distributions (uniform, normal, exponential, etc.) as PDFs with specific shapes and formulas。
- Continuous distributions are the basis for computing expected value, variance, quantiles, and probabilities in many data-analytic tasks.
🔹Knowledge Point 3: Expected Value and Variance（期望值与方差）
Explanation（解释）
-
Expected value / mean μ = E(X): theoretical long-run average of X.
期望值是“长期重复实验后，X 的平均值”。 -
Variance Var(X): average squared distance of X from the mean;
standard deviation σ = √Var(X): typical distance from the mean.
方差和标准差衡量“波动性/离散程度”。 -
对连续型 X：
E(X) = ∫ x f(x) dx
Var(X) = ∫ (x − μ)² f(x) dx
Example（例子）
- Suppose X is uniformly distributed on [0, 10]，即 PDF f(x) = 0.1。
直观地看：- 期望 μ = (0 + 10) / 2 = 5（区间中点）；
- 方差 = (区间长度²) / 12 = 10² / 12 ≈ 8.33。
Extension（拓展）
- 在商业决策中：
- 期望值代表“平均收益/成本”；
- 标准差代表“风险大小”（波动越大，风险越高）。
- 之后的“正态分布”会用 μ 和 σ 完整刻画分布形状。
🔹Knowledge Point 4: Uniform Probability Distribution（均匀概率分布）
Explanation（解释）
-
Uniform distribution U(a, b): every value between a and b is equally likely.
均匀分布表示在区间 [a, b] 内各个取值机会完全相同。 -
PDF:
f(x) = 1 / (b − a), for a ≤ x ≤ b；
f(x) = 0, otherwise。 -
Mean and variance:
μ = (a + b) / 2； Var(X) = (b − a)² / 12。
Example（例子）
- A bus arrives any time between 10:00 and 10:20 with equal chance.
若我们设 10:00 为 0 分钟，10:20 为 20 分钟，则 X ~ U(0, 20)，- P(5 ≤ X ≤ 10) = (10 − 5) / (20 − 0) = 5/20 = 0.25。
Extension（拓展）
- 均匀分布常用于：
- 电脑随机数生成；
- 模拟“完全公平、没有偏好”的情况。
- 虽然简单，但它帮助我们理解“密度曲线”“区间面积 = 概率”等概念，为学习正态分布做铺垫。
🔹Knowledge Point 5: Normal Probability Distribution（正态概率分布：预告）
Explanation（解释）
- 正态分布是最常用的连续分布之一，形状为对称的“钟形曲线”，由 μ 和 σ 两个参数完全决定。
它将贯穿之后的 z-score、标准正态、Excel 函数等内容。
Example（例子）
- 许多现实变量“近似”正态：如身高、考试成绩、测量误差、某些平均值。
Extension（拓展）
- 正态分布的重要性来自：
- 中心极限定理（很多平均值的分布趋向正态）；
- 统计推断（置信区间、假设检验）中的大量公式都假定或依赖正态性。
Slide 2 — Normal Probability Distribution（正态概率分布基础）
🧭 Knowledge Points
- Shape and Properties of Normal Distribution（正态分布的形状与性质）
- Parameters μ and σ（参数 μ 与 σ 的作用）
- Standard Normal Distribution Z(0,1)（标准正态分布）
🔹Knowledge Point 6: Shape and Properties（形状与基本性质）
Explanation（解释）
-
Bell-shaped & symmetric: curve is highest at the mean μ, tails decrease on both sides.
钟形且左右对称，最高点在均值 μ 处，两端尾部逐渐接近 0。 -
Total area under the curve = 1。
曲线下方面积为 1，代表总概率。 -
Empirical rule（经验法则 68–95–99.7） 对任何标准正态：
- 约 68% 的观测落在 μ ± 1σ 之间；
- 约 95% 落在 μ ± 2σ；
- 约 99.7% 落在 μ ± 3σ。
Example（例子）
- If exam scores are N(μ = 70, σ = 10)，
- 约 68% 的学生分数在 60 到 80 之间；
- 约 95% 在 50 到 90 之间。
Extension（拓展）
- 经验法则可以帮我们快速判断“某个值是不是异常值”：
- 超过 μ ± 2σ：有点偏离；
- 超过 μ ± 3σ：通常被视为“极端值”。
🔹Knowledge Point 7: Role of μ and σ（均值与标准差的作用）
Explanation（解释）
- Mean μ: controls the location of the curve. Changing μ shifts the curve left or right without changing its shape.
- Standard deviation σ: controls the spread. Larger σ → wider, flatter curve; smaller σ → narrower, taller curve。
均值决定“中心位置”，标准差决定“胖瘦程度”。
Example（例子）
- 比较两组身高数据：
- 男生：N(175, 7²)；
- 女生：N(162, 6²)。
男生分布整体在右侧（更高），且稍微更分散。
Extension（拓展）
- 在分析数据时，μ 和 σ 往往通过样本均值与样本标准差估计而来，用于：
- 预测落在某区间的概率；
- 进行质量控制、风险评估等。
🔹Knowledge Point 8: Standard Normal Distribution Z(0,1)（标准正态分布）
Explanation（解释）
- 当 μ = 0、σ = 1 时，正态分布称为 标准正态分布，记作 Z ~ N(0, 1)。
- 其 PDF、概率表、Excel 函数都已预先计算好，因此是所有正态分布的“基准”。
Example（例子）
- 若 Z ~ N(0,1)，则：
- P(Z ≤ 0) = 0.5（对称）；
- P(−1 ≤ Z ≤ 1) ≈ 0.68；
- P(Z ≥ 1.96) ≈ 0.025（常见于 95% 置信区间）。
Extension（拓展）
- 任意正态 X ~ N(μ, σ²) 都可以通过 z-score 转换为标准正态 Z：
z = (x − μ) / σ。
这使得我们只需掌握一张 标准正态表 或一个 Excel 函数，就能解决所有正态概率问题。
Slide 3 — z-Score（标准分数）
🧭 Knowledge Points
- Definition and Formula of z-Score（z 分数的定义与公式）
- Interpretation: Distance in Standard Deviations（解释：离均值多少个标准差）
- Empirical Rule and z-Scores（经验法则与 z 分数）
🔹Knowledge Point 9: Definition and Formula（定义与公式）
Explanation（解释）
- A z-score converts a raw value x from any normal distribution N(μ, σ²) to the standard normal scale.
- 公式：
z = (x − μ) / σ
含义：把“原始单位”的数值 x 转换成“距离均值 μ 的标准差个数”。
Example（例子）
- 某学校成绩：X ~ N(μ = 70, σ = 8)。
- 一个学生得了 x = 86 分：
z = (86 − 70) / 8 = 16 / 8 = 2。
说明这个学生在均值之上 2 个标准差。
- 一个学生得了 x = 86 分：
Extension（拓展）
- 通过 z-score，我们可以：
- 把不同量纲的变量进行比较（例如数学成绩 vs 英语成绩）；
- 利用标准正态表查任意正态分布的概率。
🔹Knowledge Point 10: Interpretation as Distance in σ（“距离均值多少个 σ”）
Explanation（解释）
- z > 0：值在均值右侧（高于平均）；
- z < 0：值在均值左侧（低于平均）；
- |z| 越大，表示越“极端”或“罕见”。
Example（例子）
- z = 1：比平均大 1 个标准差，属于“略高于正常”。
- z = −2.5：比平均低 2.5 个标准差，通常被视为异常偏低。
Extension（拓展）
- 在质量控制、金融风险管理中，常用 z-score 判断是否超出可接受范围。
- 例如：若我们将“绝对值大于 3 的 z”视为异常点，可以快速筛查异常交易、测量错误等。
🔹Knowledge Point 11: Empirical Rule and z-Scores（经验法则与 z）
Explanation（解释）
- 对标准正态分布：
- 大约 68% 的 observations 的 z 在 −1 和 1 之间；
- 约 95% 在 −2 和 2 之间；
- 约 99.7% 在 −3 和 3 之间。
Example（例子）
- 如果某电池寿命服从正态分布且 z > 2 的概率只有 2.5%，
那么“z ≥ 2 的电池”可以被称为“寿命特别长的高质量电池”。
Extension（拓展）
- 经验法则提供了一个 快速估算概率 的方法，尤其在没有表格或电脑时。
- 但在考试和实际计算中，我们更常用 标准正态表 或 Excel 函数 得到更精确的概率。
Slide 4 — Normal Distribution Functions & Excel（正态分布函数与 Excel）
🧭 Knowledge Points
- Cumulative Probability in Normal Distribution（正态分布中的累积概率）
- Excel Functions NORM.DIST and NORM.S.DIST（Excel 正态函数）
- Lower Tail vs Upper Tail Probabilities（下尾与上尾概率的转换）
🔹Knowledge Point 12: Cumulative Probability（累积概率）
Explanation（解释）
- Cumulative probability F(x) = P(X ≤ x) 表示：随机变量 X 小于或等于某个值 x 的概率。
- 在正态分布中，F(x) 对应“从左侧一直积分到 x 的面积”。
Example（例子）
- 对身高 X ~ N(170, 6²)：
- P(X ≤ 170) = 0.5（对称）；
- P(X ≤ 182) = P(Z ≤ (182 − 170) / 6 ≈ 2) ≈ 0.9772。
Extension（拓展）
- 很多实际问题都是“至少”“不超过”“少于”等描述，本质上都是累积概率。
- 所有 Excel 正态函数都是在计算这种 F(x)。
🔹Knowledge Point 13: Excel Functions NORM.DIST & NORM.S.DIST（Excel 正态函数）
Explanation（解释）
-
在 Excel 中：
NORM.DIST(x, mean, standard_dev, TRUE)
→ 给出 X ~ N(mean, standard_dev²) 时的累积概率 P(X ≤ x)。NORM.S.DIST(z, TRUE)
→ 给出 Z ~ N(0,1) 时的累积概率 P(Z ≤ z)。
-
幻灯片中的说明：
- 如果使用标准正态，则直接：
NORM.S.DIST(z, TRUE)。 - 如果是一般正态，则用：
NORM.DIST(x, mean, std, TRUE)。
- 如果使用标准正态，则直接：
Example（例子）
-
一般正态：
- 若 X ~ N(3, 1.2²)，求 P(X ≤ 3)。
- 在 Excel 中输入：
=NORM.DIST(3, 3, 1.2, TRUE)→ 0.5。
-
标准正态：
- 求 P(Z ≤ 0)，在 Excel 中：
=NORM.S.DIST(0, TRUE)→ 0.5。
- 求 P(Z ≤ 0)，在 Excel 中：
Extension（拓展）
- 若想求 区间概率 P(a ≤ X ≤ b)，可用：
P(a ≤ X ≤ b) = F(b) − F(a)，
即在 Excel 中用两次 NORM.DIST / NORM.S.DIST 的差。 - 在作业或考试中，注意 TRUE 表示“累积”，FALSE 则表示“密度值（高度）”。
🔹Knowledge Point 14: Lower Tail vs Upper Tail（下尾与上尾）
Explanation（解释）
- Excel 和正态表通常给的是 lower tail 概率：P(X ≤ x) or P(Z ≤ z)。
- 对于 upper tail 概率：P(X ≥ x) 或 P(Z ≥ z)，可以用：
P(X ≥ x) = 1 − P(X ≤ x)。
Example（例子）
-
若 Excel 计算得到 P(Z ≤ 1.5) = 0.9332，
则 P(Z ≥ 1.5) = 1 − 0.9332 = 0.0668。 -
如果问题问：“成绩高于 86 分的比例是多少？”
我们先算 P(X ≤ 86)，再用 1 − 该值。
Extension（拓展）
- 很多商业问题关心的是“超过某标准的概率”（例如：超出预算、超过质量上限），
这类问题几乎都需要将 lower tail 转为 upper tail。 - 在 Excel 中非常常见的模式是：
1 - NORM.DIST(x, mean, std, TRUE)或1 - NORM.S.DIST(z, TRUE)。
Slide 5 — Standard Normal Distribution Table（标准正态分布表的使用）
🧭 Knowledge Points
- Understanding the Z-Table Structure（理解Z表结构）
- Finding Cumulative Probabilities（查找累积概率）
- Converting Between Probabilities and Z-values（概率与Z值之间的转换）
- Using Excel vs Table for Z-values（Excel 与 Z 表的对比应用）
🔹Knowledge Point 15: Understanding the Z-Table Structure（理解Z表结构）
Explanation（解释）
-
The standard normal table (Z-table) lists cumulative probabilities P(Z ≤ z) for the standard normal distribution N(0,1)。
标准正态分布表列出了标准正态变量 Z 小于或等于某个数的累积概率。 -
通常：
- 行（rows）表示 Z 的整数部分与第一个小数位（如 1.2）；
- 列（columns）表示第二个小数位（如 0.08）；
- 表内的数值就是 P(Z ≤ z)。
Example（例子）
- 若 z = 1.28，查找表中行“1.2”，列“0.08”，
可得 P(Z ≤ 1.28) = 0.8997。 - 即，Z 值为 1.28 的左侧面积为 89.97%。
Extension（拓展）
- Z 表通常只列出 正值的 Z，因为分布对称：
P(Z ≤ −z) = 1 − P(Z ≤ z)。 - 所以在查找负 Z 时，只需对称计算。
🔹Knowledge Point 16: Finding Cumulative Probabilities（查找累积概率）
Explanation（解释）
要找 P(Z ≤ z)，直接查表。
要找区间概率 P(a ≤ Z ≤ b)，则计算：
P(Z ≤ b) − P(Z ≤ a)。
Example（例子）
- P(−1 ≤ Z ≤ 2)
= P(Z ≤ 2) − P(Z ≤ −1)
= 0.9772 − (1 − 0.8413)
= 0.8185
表示约 81.85% 的数据在 −1 与 2 之间。
Extension（拓展）
区间计算是 Z 表应用的核心技能，在考试题与商业决策（如绩效分布、合格率计算）中极为常见。
🔹Knowledge Point 17: Converting Between Probabilities and Z-values（概率与Z值互算）
Explanation（解释）
- 当我们知道概率 p 时，可查表或用 Excel 求对应 Z 值。
- 如果表中给出 P(Z ≤ z) = 0.975，
则 z ≈ 1.96。 - 反之，若 z = 1.96，则左侧概率约为 0.975。
- 如果表中给出 P(Z ≤ z) = 0.975，
Example（例子）
- 95% 置信区间的临界 Z 值：
中间面积 = 0.95 → 每尾 0.025，
P(Z ≤ z) = 0.975 → z = 1.96。
Extension（拓展）
这种反向查找常用于：
- 置信区间（critical z）
- 检验统计量（rejection region）
- 绩效阈值设定（top 5% performance）
🔹Knowledge Point 18: Using Excel vs Table（Excel 与 Z 表）
Explanation（解释）
- Excel 函数
NORM.S.DIST(z, TRUE)可直接替代 Z 表。
反向查找可用NORM.S.INV(probability)。
Example（例子）
=NORM.S.DIST(1.28, TRUE)→ 0.8997=NORM.S.INV(0.975)→ 1.96
Extension（拓展）
使用 Excel 可以减少查表误差并节省时间，尤其在大型数据分析中。
考试时若不允许使用电脑，应熟练手动查表。
Slide 6 — Normal Probability Applications（正态分布概率应用）
🧭 Knowledge Points
- Finding Area to the Left（求左侧面积）
- Finding Area to the Right（求右侧面积）
- Finding Area Between Two Values（求两个值之间的概率）
- Finding Value from Given Probability（已知概率求数值）
🔹Knowledge Point 19: Finding Area to the Left（左侧概率）
Explanation（解释）
P(X ≤ x) → 将 x 转换为 Z，再查表求左侧面积。
步骤：
- 标准化：z = (x − μ)/σ
- 查表或用 Excel 计算 P(Z ≤ z)
Example（例子）
X ~ N(100, 15²)，求 P(X ≤ 115)。
z = (115 − 100)/15 = 1.0
P(Z ≤ 1.0) = 0.8413。
所以 P(X ≤ 115) = 0.8413。
Extension（拓展）
此类型问题最常见于“低于某阈值的比例”或“合格率”的计算。
🔹Knowledge Point 20: Finding Area to the Right（右侧概率）
Explanation（解释）
P(X ≥ x) = 1 − P(X ≤ x)。
Example（例子）
X ~ N(50, 10²)，求 P(X ≥ 65)。
z = (65 − 50)/10 = 1.5
P(Z ≤ 1.5) = 0.9332
P(X ≥ 65) = 1 − 0.9332 = 0.0668。
Extension（拓展）
右尾概率常用于风险或超额收益分析，如“超过预算的概率”“异常高利润的概率”。
🔹Knowledge Point 21: Finding Area Between Two Values（区间概率）
Explanation（解释）
P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a)。
Example（例子）
X ~ N(μ=100, σ=20)，求 P(80 ≤ X ≤ 120)。
z₁ = (80−100)/20 = −1；z₂ = (120−100)/20 = 1。
P(Z ≤ 1) − P(Z ≤ −1) = 0.8413 − 0.1587 = 0.6826。
Extension（拓展）
表示数据集中在均值附近 ±1σ 范围的比例，通常约 68%。
🔹Knowledge Point 22: Finding Value from Given Probability（已知概率求数值）
Explanation（解释）
已知 P(X ≤ x₀) = p → 查得对应 z₀ → 反算 x₀ = μ + z₀σ。
Example（例子）
X ~ N(μ=500, σ=100)，求 P(X ≤ x₀)=0.95 时的 x₀。
P(Z ≤ z₀)=0.95 → z₀=1.645。
x₀=500+1.645×100=664.5。
Extension（拓展）
在商业决策中常用于：
- 设定质量上限（Top 5% cutoff）
- 绩效奖金门槛（前 10% 员工）
Slide 7 — Business & Economic Applications（正态分布的商业与经济应用）
🧭 Knowledge Points
- Inventory and Quality Control（库存与质量控制）
- Employee Performance Evaluation（员工绩效评估）
- Financial Forecasting（财务预测）
- Risk Management（风险评估）
🔹Knowledge Point 23: Inventory and Quality Control（库存与质量控制）
Explanation（解释）
- 在生产或库存管理中，产品质量参数（如尺寸、重量）通常服从正态分布。
- 可利用正态分布计算“不合格品率”或“超出规格的概率”。
Example（例子）
某产品重量 X ~ N(100, 2²)，合格区间 [96, 104]。
z₁=(96−100)/2=−2；z₂=(104−100)/2=2。
P(−2 ≤ Z ≤ 2)=0.9545 → 约 95.45% 产品合格。
Extension（拓展）
工程与质量控制领域使用此法确定容差范围（tolerance limit）与过程能力指数（Cp, Cpk）。
🔹Knowledge Point 24: Employee Performance Evaluation（员工绩效评估）
Explanation（解释）
- 公司可假定绩效分布近似正态。
- 可设定“前10%”为高绩效区间。
Example（例子）
若绩效分布 N(μ=70, σ=10)，
P(X ≥ x₀)=0.10 → P(Z ≤ z₀)=0.90 → z₀=1.2816。
x₀=70+1.2816×10=82.82。
即得分 ≥ 82.82 为前10%。
Extension（拓展）
此法广泛用于薪资激励制度与绩效分布分析。
🔹Knowledge Point 25: Financial Forecasting（财务预测）
Explanation（解释）
- 投资收益率或销售额增长常近似服从正态分布。
- 可利用概率预测“超过某收益目标”的可能性。
Example（例子）
年度收益 X ~ N(10%, 5²)。
P(X ≥ 15%)=P(Z ≥ 1)=1−0.8413=0.1587。
→ 有15.87%概率收益超过15%。
Extension（拓展）
帮助企业进行“盈亏分析（profit/loss probability）”与“目标可达性预测（target attainment probability）”。
🔹Knowledge Point 26: Risk Management（风险管理）
Explanation（解释）
- 风险管理中使用正态分布预测极端损失的概率（Value-at-Risk）。
- 常假设资产回报率服从 N(μ, σ²)。
Example（例子）
若 μ=5%，σ=3%，
求5%分位点：P(X ≤ x₀)=0.05 → z=−1.645。
x₀=5%+(−1.645)×3%=0.05−0.0494=0.0006=0.06%。
→ 5%情况下收益低于0.06%。
Extension（拓展）
该结果即为 VaR（Value at Risk）：95% 置信水平下最大可能损失。
Slide 8 — Sampling Distribution of the Mean（样本均值的抽样分布）
🧭 Knowledge Points
- Definition of Sampling Distribution（抽样分布定义）
- Mean and Standard Error（样本均值与标准误）
- Central Limit Theorem（中心极限定理）
- Application to Large Samples（大样本近似正态）
🔹Knowledge Point 27: Definition（定义）
Explanation（解释）
- 当我们从总体抽取多个样本并计算样本均值 x̄，每个样本均值构成一个分布 → 抽样分布。
- 它描述样本均值的变动规律。
Example（例子）
总体：学生成绩 μ=75，σ=10。
抽取多次样本（n=25），得到不同的 x̄。
这些 x̄ 的分布即为“样本均值的抽样分布”。
Extension（拓展）
抽样分布连接“总体”与“样本”之间的统计推断桥梁。
🔹Knowledge Point 28: Mean and Standard Error（均值与标准误）
Explanation（解释）
样本均值的抽样分布性质：
- E(x̄) = μ
- σₓ̄ = σ / √n （称为“标准误差 SE”）
Example（例子）
σ=10, n=25 → SE=10/√25=2。
样本均值围绕总体均值 μ=75 波动，标准误差为2。
Extension（拓展）
标准误差越小 → 样本均值越稳定 → 估计越可靠。
🔹Knowledge Point 29: Central Limit Theorem（中心极限定理）
Explanation（解释）
无论总体分布形状如何，当样本容量 n 足够大时，样本均值分布近似正态。
即：
x̄ ~ N(μ, σ²/n)，当 n ≥ 30 时近似成立。
Example（例子）
总体非正态，但 n=50 时，样本均值分布接近 N(μ, σ/√n)。
Extension（拓展）
中心极限定理是统计推断的理论基础，支撑置信区间与假设检验的使用。
🔹Knowledge Point 30: Application to Large Samples（大样本近似正态）
Explanation（解释）
若 n ≥ 30，可直接使用正态分布方法近似样本均值的概率。
P(x̄ ≤ value) 由标准化公式求得：
z = (x̄ − μ) / (σ / √n)
Example（例子）
μ=100，σ=20，n=64，求 P(x̄ ≤ 105)。
z=(105−100)/(20/8)=5/2.5=2 → P(Z ≤ 2)=0.9772。
Extension（拓展）
在抽样调查与质量控制中常用于估计总体参数与概率。
Slide 9 — From Population to Sample（从总体到样本的推断）
🧭 Knowledge Points
- Relationship Between Population and Sample（总体与样本关系）
- Sampling Error（抽样误差）
- Role of Sampling Distribution（抽样分布的作用）
- Basis for Statistical Inference（统计推断的基础）
🔹Knowledge Point 31: Relationship Between Population and Sample（总体与样本关系）
Explanation（解释）
总体（population）包含所有个体；样本（sample）是总体的一部分。
统计学通过样本来推测总体特征。
Example（例子）
总体：所有顾客的满意度；
样本：随机选取的200位顾客的反馈。
Extension（拓展）
代表性强的样本能准确反映总体；抽样偏差会导致系统性误差。
🔹Knowledge Point 32: Sampling Error（抽样误差）
Explanation（解释）
抽样误差 = 样本统计量 − 总体参数。
它来自样本的随机波动，而非测量错误。
Example（例子）
总体平均收入 = ¥10,000；
样本平均收入 = ¥9,700；
抽样误差 = −¥300。
Extension（拓展）
样本越大，抽样误差越小。
在推断时应报告标准误（standard error）以量化不确定性。
🔹Knowledge Point 33: Role of Sampling Distribution（抽样分布的作用）
Explanation（解释）
抽样分布告诉我们在重复抽样下，样本统计量（如 x̄）的分布形状、中心与离散程度。
它连接总体参数 μ 与样本结果 x̄ 之间的概率关系。
Example（例子）
我们可以计算 P(x̄ ≥ 52) 的概率，用以评估样本均值是否显著高于总体均值。
Extension（拓展）
在假设检验中，抽样分布用作判断“样本结果是否偶然出现”的标准。
🔹Knowledge Point 34: Basis for Statistical Inference（统计推断的基础）
Explanation（解释）
抽样分布构成置信区间与假设检验的数学基础。
通过它，我们能以一定置信度推测总体均值或比例。
Example（例子）
如果 95% 的样本均值落在 μ ± 1.96(σ/√n) 之间，
我们可据此构建 95% 置信区间。
Extension（拓展）
理解抽样分布有助于解释推断统计结果的意义，如“显著性水平”“置信度”等。
Slide 5 — Standard Normal Distribution Table（标准正态分布表的使用）
🧭 Knowledge Points
- Understanding the Z-Table Structure（理解Z表结构）
- Finding Cumulative Probabilities（查找累积概率）
- Converting Between Probabilities and Z-values（概率与Z值之间的转换）
- Using Excel vs Table for Z-values（Excel 与 Z 表的对比应用）
🔹Knowledge Point 15: Understanding the Z-Table Structure（理解Z表结构）
Explanation（解释）
-
The standard normal table (Z-table) lists cumulative probabilities P(Z ≤ z) for the standard normal distribution N(0,1)。
标准正态分布表列出了标准正态变量 Z 小于或等于某个数的累积概率。 -
通常：
- 行（rows）表示 Z 的整数部分与第一个小数位（如 1.2）；
- 列（columns）表示第二个小数位（如 0.08）；
- 表内的数值就是 P(Z ≤ z)。
Example（例子）
- 若 z = 1.28，查找表中行“1.2”，列“0.08”，
可得 P(Z ≤ 1.28) = 0.8997。 - 即，Z 值为 1.28 的左侧面积为 89.97%。
Extension（拓展）
- Z 表通常只列出 正值的 Z，因为分布对称：
P(Z ≤ −z) = 1 − P(Z ≤ z)。 - 所以在查找负 Z 时，只需对称计算。
🔹Knowledge Point 16: Finding Cumulative Probabilities（查找累积概率）
Explanation（解释）
要找 P(Z ≤ z)，直接查表。
要找区间概率 P(a ≤ Z ≤ b)，则计算：
P(Z ≤ b) − P(Z ≤ a)。
Example（例子）
- P(−1 ≤ Z ≤ 2)
= P(Z ≤ 2) − P(Z ≤ −1)
= 0.9772 − (1 − 0.8413)
= 0.8185
表示约 81.85% 的数据在 −1 与 2 之间。
Extension（拓展）
区间计算是 Z 表应用的核心技能，在考试题与商业决策（如绩效分布、合格率计算）中极为常见。
🔹Knowledge Point 17: Converting Between Probabilities and Z-values（概率与Z值互算）
Explanation（解释）
- 当我们知道概率 p 时，可查表或用 Excel 求对应 Z 值。
- 如果表中给出 P(Z ≤ z) = 0.975，
则 z ≈ 1.96。 - 反之，若 z = 1.96，则左侧概率约为 0.975。
- 如果表中给出 P(Z ≤ z) = 0.975，
Example（例子）
- 95% 置信区间的临界 Z 值：
中间面积 = 0.95 → 每尾 0.025，
P(Z ≤ z) = 0.975 → z = 1.96。
Extension（拓展）
这种反向查找常用于：
- 置信区间（critical z）
- 检验统计量（rejection region）
- 绩效阈值设定（top 5% performance）
🔹Knowledge Point 18: Using Excel vs Table（Excel 与 Z 表）
Explanation（解释）
- Excel 函数
NORM.S.DIST(z, TRUE)可直接替代 Z 表。
反向查找可用NORM.S.INV(probability)。
Example（例子）
=NORM.S.DIST(1.28, TRUE)→ 0.8997=NORM.S.INV(0.975)→ 1.96
Extension（拓展）
使用 Excel 可以减少查表误差并节省时间，尤其在大型数据分析中。
考试时若不允许使用电脑，应熟练手动查表。
Slide 6 — Normal Probability Applications（正态分布概率应用）
🧭 Knowledge Points
- Finding Area to the Left（求左侧面积）
- Finding Area to the Right（求右侧面积）
- Finding Area Between Two Values（求两个值之间的概率）
- Finding Value from Given Probability（已知概率求数值）
🔹Knowledge Point 19: Finding Area to the Left（左侧概率）
Explanation（解释）
P(X ≤ x) → 将 x 转换为 Z，再查表求左侧面积。
步骤：
- 标准化：z = (x − μ)/σ
- 查表或用 Excel 计算 P(Z ≤ z)
Example（例子）
X ~ N(100, 15²)，求 P(X ≤ 115)。
z = (115 − 100)/15 = 1.0
P(Z ≤ 1.0) = 0.8413。
所以 P(X ≤ 115) = 0.8413。
Extension（拓展）
此类型问题最常见于“低于某阈值的比例”或“合格率”的计算。
🔹Knowledge Point 20: Finding Area to the Right（右侧概率）
Explanation（解释）
P(X ≥ x) = 1 − P(X ≤ x)。
Example（例子）
X ~ N(50, 10²)，求 P(X ≥ 65)。
z = (65 − 50)/10 = 1.5
P(Z ≤ 1.5) = 0.9332
P(X ≥ 65) = 1 − 0.9332 = 0.0668。
Extension（拓展）
右尾概率常用于风险或超额收益分析，如“超过预算的概率”“异常高利润的概率”。
🔹Knowledge Point 21: Finding Area Between Two Values（区间概率）
Explanation（解释）
P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a)。
Example（例子）
X ~ N(μ=100, σ=20)，求 P(80 ≤ X ≤ 120)。
z₁ = (80−100)/20 = −1；z₂ = (120−100)/20 = 1。
P(Z ≤ 1) − P(Z ≤ −1) = 0.8413 − 0.1587 = 0.6826。
Extension（拓展）
表示数据集中在均值附近 ±1σ 范围的比例，通常约 68%。
🔹Knowledge Point 22: Finding Value from Given Probability（已知概率求数值）
Explanation（解释）
已知 P(X ≤ x₀) = p → 查得对应 z₀ → 反算 x₀ = μ + z₀σ。
Example（例子）
X ~ N(μ=500, σ=100)，求 P(X ≤ x₀)=0.95 时的 x₀。
P(Z ≤ z₀)=0.95 → z₀=1.645。
x₀=500+1.645×100=664.5。
Extension（拓展）
在商业决策中常用于：
- 设定质量上限（Top 5% cutoff）
- 绩效奖金门槛（前 10% 员工）
Slide 7 — Business & Economic Applications（正态分布的商业与经济应用）
🧭 Knowledge Points
- Inventory and Quality Control（库存与质量控制）
- Employee Performance Evaluation（员工绩效评估）
- Financial Forecasting（财务预测）
- Risk Management（风险评估）
🔹Knowledge Point 23: Inventory and Quality Control（库存与质量控制）
Explanation（解释）
- 在生产或库存管理中，产品质量参数（如尺寸、重量）通常服从正态分布。
- 可利用正态分布计算“不合格品率”或“超出规格的概率”。
Example（例子）
某产品重量 X ~ N(100, 2²)，合格区间 [96, 104]。
z₁=(96−100)/2=−2；z₂=(104−100)/2=2。
P(−2 ≤ Z ≤ 2)=0.9545 → 约 95.45% 产品合格。
Extension（拓展）
工程与质量控制领域使用此法确定容差范围（tolerance limit）与过程能力指数（Cp, Cpk）。
🔹Knowledge Point 24: Employee Performance Evaluation（员工绩效评估）
Explanation（解释）
- 公司可假定绩效分布近似正态。
- 可设定“前10%”为高绩效区间。
Example（例子）
若绩效分布 N(μ=70, σ=10)，
P(X ≥ x₀)=0.10 → P(Z ≤ z₀)=0.90 → z₀=1.2816。
x₀=70+1.2816×10=82.82。
即得分 ≥ 82.82 为前10%。
Extension（拓展）
此法广泛用于薪资激励制度与绩效分布分析。
🔹Knowledge Point 25: Financial Forecasting（财务预测）
Explanation（解释）
- 投资收益率或销售额增长常近似服从正态分布。
- 可利用概率预测“超过某收益目标”的可能性。
Example（例子）
年度收益 X ~ N(10%, 5²)。
P(X ≥ 15%)=P(Z ≥ 1)=1−0.8413=0.1587。
→ 有15.87%概率收益超过15%。
Extension（拓展）
帮助企业进行“盈亏分析（profit/loss probability）”与“目标可达性预测（target attainment probability）”。
🔹Knowledge Point 26: Risk Management（风险管理）
Explanation（解释）
- 风险管理中使用正态分布预测极端损失的概率（Value-at-Risk）。
- 常假设资产回报率服从 N(μ, σ²)。
Example（例子）
若 μ=5%，σ=3%，
求5%分位点：P(X ≤ x₀)=0.05 → z=−1.645。
x₀=5%+(−1.645)×3%=0.05−0.0494=0.0006=0.06%。
→ 5%情况下收益低于0.06%。
Extension（拓展）
该结果即为 VaR（Value at Risk）：95% 置信水平下最大可能损失。
Slide 8 — Sampling Distribution of the Mean（样本均值的抽样分布）
🧭 Knowledge Points
- Definition of Sampling Distribution（抽样分布定义）
- Mean and Standard Error（样本均值与标准误）
- Central Limit Theorem（中心极限定理）
- Application to Large Samples（大样本近似正态）
🔹Knowledge Point 27: Definition（定义）
Explanation（解释）
- 当我们从总体抽取多个样本并计算样本均值 x̄，每个样本均值构成一个分布 → 抽样分布。
- 它描述样本均值的变动规律。
Example（例子）
总体：学生成绩 μ=75，σ=10。
抽取多次样本（n=25），得到不同的 x̄。
这些 x̄ 的分布即为“样本均值的抽样分布”。
Extension（拓展）
抽样分布连接“总体”与“样本”之间的统计推断桥梁。
🔹Knowledge Point 28: Mean and Standard Error（均值与标准误）
Explanation（解释）
样本均值的抽样分布性质：
- E(x̄) = μ
- σₓ̄ = σ / √n （称为“标准误差 SE”）
Example（例子）
σ=10, n=25 → SE=10/√25=2。
样本均值围绕总体均值 μ=75 波动，标准误差为2。
Extension（拓展）
标准误差越小 → 样本均值越稳定 → 估计越可靠。
🔹Knowledge Point 29: Central Limit Theorem（中心极限定理）
Explanation（解释）
无论总体分布形状如何，当样本容量 n 足够大时，样本均值分布近似正态。
即：
x̄ ~ N(μ, σ²/n)，当 n ≥ 30 时近似成立。
Example（例子）
总体非正态，但 n=50 时，样本均值分布接近 N(μ, σ/√n)。
Extension（拓展）
中心极限定理是统计推断的理论基础，支撑置信区间与假设检验的使用。
🔹Knowledge Point 30: Application to Large Samples（大样本近似正态）
Explanation（解释）
若 n ≥ 30，可直接使用正态分布方法近似样本均值的概率。
P(x̄ ≤ value) 由标准化公式求得：
z = (x̄ − μ) / (σ / √n)
Example（例子）
μ=100，σ=20，n=64，求 P(x̄ ≤ 105)。
z=(105−100)/(20/8)=5/2.5=2 → P(Z ≤ 2)=0.9772。
Extension（拓展）
在抽样调查与质量控制中常用于估计总体参数与概率。
Slide 9 — From Population to Sample（从总体到样本的推断）
🧭 Knowledge Points
- Relationship Between Population and Sample（总体与样本关系）
- Sampling Error（抽样误差）
- Role of Sampling Distribution（抽样分布的作用）
- Basis for Statistical Inference（统计推断的基础）
🔹Knowledge Point 31: Relationship Between Population and Sample（总体与样本关系）
Explanation（解释）
总体（population）包含所有个体；样本（sample）是总体的一部分。
统计学通过样本来推测总体特征。
Example（例子）
总体：所有顾客的满意度；
样本：随机选取的200位顾客的反馈。
Extension（拓展）
代表性强的样本能准确反映总体；抽样偏差会导致系统性误差。
🔹Knowledge Point 32: Sampling Error（抽样误差）
Explanation（解释）
抽样误差 = 样本统计量 − 总体参数。
它来自样本的随机波动，而非测量错误。
Example（例子）
总体平均收入 = ¥10,000；
样本平均收入 = ¥9,700；
抽样误差 = −¥300。
Extension（拓展）
样本越大，抽样误差越小。
在推断时应报告标准误（standard error）以量化不确定性。
🔹Knowledge Point 33: Role of Sampling Distribution（抽样分布的作用）
Explanation（解释）
抽样分布告诉我们在重复抽样下，样本统计量（如 x̄）的分布形状、中心与离散程度。
它连接总体参数 μ 与样本结果 x̄ 之间的概率关系。
Example（例子）
我们可以计算 P(x̄ ≥ 52) 的概率，用以评估样本均值是否显著高于总体均值。
Extension（拓展）
在假设检验中，抽样分布用作判断“样本结果是否偶然出现”的标准。
🔹Knowledge Point 34: Basis for Statistical Inference（统计推断的基础）
Explanation（解释）
抽样分布构成置信区间与假设检验的数学基础。
通过它，我们能以一定置信度推测总体均值或比例。
Example（例子）
如果 95% 的样本均值落在 μ ± 1.96(σ/√n) 之间，
我们可据此构建 95% 置信区间。
Extension（拓展）
理解抽样分布有助于解释推断统计结果的意义，如“显著性水平”“置信度”等。
Slide 10 — Finding z-Values Given Probabilities（根据概率查找z值）
🧭 Knowledge Points
- Tail Probabilities and Corresponding z-values（尾部概率与对应z值）
- Upper Tail vs Lower Tail（上尾与下尾的区别）
- Using Excel: NORM.S.INV(probability)（使用Excel的反函数）
- Common Critical Values for Confidence Levels（常见置信水平对应z值）
🔹Knowledge Point 51: Tail Probabilities and z-values（尾部概率与z值）
Explanation（解释）
- 标准正态分布的“尾部概率”指曲线极端一侧的面积。
如果上尾面积为 p，则有：
P(Z ≥ z₀) = p → P(Z ≤ z₀) = 1 − p。 - 我们通过查表或函数得到使面积对应的 z₀。
Example（例子）
| 尾部概率 | 方向 | 对应z值 |
|---|---|---|
| 0.10 | Upper tail | 1.28 |
| 0.025 | Upper tail | 1.96 |
| 0.025 | Lower tail | −1.96 |
Extension（拓展）
这些z值常用于：
- 显著性检验（Hypothesis Testing）
- 置信区间界限（Confidence Interval Bounds）
- 风险管理中确定极端区域（例如Top/Bottom 2.5%）
🔹Knowledge Point 52: Upper Tail vs Lower Tail（上尾与下尾区别）
Explanation（解释）
- 上尾 z 值为正（右侧区域），下尾 z 值为负（左侧区域）。
- 对称性：P(Z ≥ z) = P(Z ≤ −z)。
Example（例子）
若右尾为 0.025，z=1.96；则左尾为 0.025，z=−1.96。
Extension（拓展）
掌握正负号方向对于判定拒绝域与显著区尤为重要。
🔹Knowledge Point 53: Using Excel to Find z（Excel求z值）
Explanation（解释）
Excel 公式：
=NORM.S.INV(probability)
可直接根据左侧累计概率求 z 值。
Example（例子）
=NORM.S.INV(0.90)→ 1.2816=NORM.S.INV(0.975)→ 1.96
Extension（拓展）
Excel 提供比查表更快速与精确的方式，在商业数据分析中可自动化计算 z。
🔹Knowledge Point 54: Common Critical z-values（常见临界z值）
Explanation（解释）
常用置信水平与对应临界 z 值如下：
| 置信水平 | α | α/2 | z值（双尾） |
|---|---|---|---|
| 90% | 0.10 | 0.05 | ±1.645 |
| 95% | 0.05 | 0.025 | ±1.96 |
| 99% | 0.01 | 0.005 | ±2.576 |
Example（例子）
在95%置信区间：
P(−1.96 ≤ Z ≤ 1.96)=0.95。
Extension（拓展）
这些数值是统计推断核心参数，广泛用于置信区间和显著性检验。
Slide 11 — Probabilities in Standard Normal Distribution（标准正态分布中的概率）
🧭 Knowledge Points
- Cumulative Probability P(Z ≤ z)（累积概率）
- Table Interpretation & Graphical Meaning（查表与图像理解）
- Right-tail Probability（右尾概率计算）
- Excel Verification（Excel验证公式）
🔹Knowledge Point 55: Cumulative Probability（累积概率）
Explanation（解释）
- 累积概率是从 −∞ 到 z 的总面积。
- 标准正态分布表提供 P(Z ≤ z) 的值。
Example（例子）
| z | P(Z ≤ z) |
|---|---|
| 1.00 | 0.8413 |
| 1.96 | 0.9750 |
Extension（拓展）
这些数值代表落在均值左侧的比例，是所有尾部与区间计算的基础。
🔹Knowledge Point 56: Graphical Meaning（图像理解）
Explanation（解释）
图中的阴影面积表示 P(Z ≤ z)。
若右尾阴影为 p，则左侧面积为 1 − p。
Example（例子）
- 当阴影为左侧 97.5%，z=1.96。
- 当阴影为左侧 84.13%，z=1.00。
Extension（拓展）
理解图形有助于正确判断问题方向（左尾、右尾或区间）。
🔹Knowledge Point 57: Right-tail Probability（右尾概率）
Explanation（解释）
P(Z ≥ z) = 1 − P(Z ≤ z)。
Example（例子）
若 P(Z ≤ 1.96) = 0.975，
则 P(Z ≥ 1.96) = 1 − 0.975 = 0.025。
Extension（拓展）
右尾概率常见于检验“极端高值”的问题，如风险超出、罕见事件检测。
🔹Knowledge Point 58: Excel Verification（Excel函数验证）
Explanation（解释）
可使用 Excel 验证标准正态概率：
=NORM.S.DIST(z, TRUE) → P(Z ≤ z)。
Example（例子）
=NORM.S.DIST(1, TRUE)→ 0.8413=NORM.S.DIST(1.96, TRUE)→ 0.9750
Extension（拓展）
与Z表结果一致，Excel更适合进行大规模或动态概率计算。
Slide 12 — Finding x Values Given Probabilities（根据概率求x值）
🧭 Knowledge Points
- Converting Probability to Value（概率反推数值）
- Using NORM.INV Function（使用NORM.INV函数）
- Visual Probability Representation（概率图形表达）
- Application in Business Scenarios（商业情境应用）
🔹Knowledge Point 59: Converting Probability to Value（概率反推数值）
Explanation（解释）
若 X ~ N(μ, σ²)，并给出 P(X ≤ x)=p：
- 查表或计算 z 对应概率；
- 计算 x = μ + zσ。
Example（例子）
X ~ N(60, 25)，P(X ≤ x)=0.9972。
查表得 P(Z ≤ 2.75)=0.997 → z≈2.75。
x = 60 + 2.75×5 = 73.75。
Extension（拓展）
此方法在工程中用于确定上下限、公差值或安全裕度。
🔹Knowledge Point 60: Using NORM.INV Function（使用NORM.INV函数）
Explanation（解释）
Excel函数：
=NORM.INV(probability, mean, standard_dev)
返回对应分布的x值。
Example（例子）
| probability | x | mean | stdev |
|---|---|---|---|
| 0.9972 | 129.26 | 60 | 25 |
| 0.3000 | 4.77 | 5 | 0.44 |
| 0.0614 | 144.45 | 200 | 36 |
| 0.7685 | 2.94 | 0 | 4 |
Extension（拓展）
可直接反求分位点、质量阈值、绩效等级等，非常适合商业分析。
🔹Knowledge Point 61: Visual Probability Representation（概率图形表达）
Explanation（解释）
图形中阴影面积 = 给定的累计概率，
x即为该面积边界处的数值。
Example（例子）
若阴影为0.30（左侧面积），
则对应的 x 在均值左侧。
Extension（拓展）
通过图形识别概率方向（左侧或右侧）有助于减少公式错误。
🔹Knowledge Point 62: Business Applications（商业应用）
Explanation（解释）
该方法在商业统计中常见于：
- 绩效评估分位点；
- 投资回报分位数；
- 产品质量限值；
- 信用评分等级划分。
Example（例子）
客户响应率 ~ N(5%, 2²)，
要求前10%客户响应临界值：
P(X ≥ x)=0.10 → P(X ≤ x)=0.90 → z=1.28 → x=5+1.28×2=7.56%。
Extension（拓展）
“反向求值”使管理者可通过设定概率目标确定量化阈值，是决策支持的关键。
Slide 13 — Computing Probability Using NORM.DIST（使用NORM.DIST计算概率）
🧭 Knowledge Points
- Definition of NORM.DIST Function（NORM.DIST函数定义）
- Input Parameters（输入参数说明）
- Comparison under Different σ（不同标准差的对比）
- Interpretation of Probability Outputs（概率结果解释）
🔹Knowledge Point 63: Definition of NORM.DIST（函数定义）
Explanation（解释）
Excel函数：
=NORM.DIST(x, mean, standard_dev, TRUE)
→ 返回累积概率 P(X ≤ x)。
Example（例子）
若 X ~ N(−1, 1)，x=2.42，
则 =NORM.DIST(2.42, −1, 1, TRUE) → 0.9997。
Extension（拓展）
若需右尾概率：
P(X ≥ x)=1−NORM.DIST(x, mean, sd, TRUE)。
🔹Knowledge Point 64: Input Parameters（输入参数）
Explanation（解释）
参数顺序：
- x：目标值；
- mean：均值 μ；
- standard_dev：标准差 σ；
- TRUE：累积概率。
Example（例子）
| Probability | x | mean | stdev |
|---|---|---|---|
| 0.9997 | 2.42 | −1 | 1 |
| 0.6844 | 1.24 | 1 | 0.50 |
| 0.8352 | 1.89 | 1.5 | 0.4 |
| 0.5327 | 0.82 | 0 | 10 |
Extension（拓展）
TRUE 返回累积概率，FALSE 返回 PDF 高度。
在统计学应用中几乎总使用 TRUE。
🔹Knowledge Point 65: Comparison under Different σ（不同标准差的比较）
Explanation（解释）
σ 影响分布宽度与概率集中度：
- σ 小 → 曲线陡峭，概率集中；
- σ 大 → 曲线平缓，概率分散。
Example（例子）
同样的 (x−μ)，当 σ=0.4 时概率更极端；
当 σ=10 时，曲线较宽，概率变化缓慢。
Extension（拓展）
在生产管理中 σ 代表“波动性”；
在金融中 σ 表示“风险水平”。
🔹Knowledge Point 66: Interpretation of Results（概率结果解释）
Explanation（解释）
Excel返回的值代表左尾面积：
P(X ≤ x) = 该值；
若结果接近 0.5 → x≈μ。
Example（例子）
X ~ N(0, 10)，x=0.82：
=NORM.DIST(0.82, 0, 10, TRUE) → 0.5327。
Extension（拓展）
理解输出概率有助于解释“某事件发生的可能性”或“某值所处的分布位置”。