正态分布的由来（转）
正态分布是最重要的一种概率分布。正态分布概念是由德国的数学家和天文学家Moivre
于1733年受次提出的，但由于德国数学家Gauss率先将其应用于天文学家研究，故正态分布又叫高斯分布．
高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。高斯是一个伟大的数学家，重要的贡献不胜枚举。但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。
在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。这要到20世纪正态小样本理论充分发展起来以后。
拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章(发表于1810年）上加上了一点补充，指出如若误差可看成许多量的叠加，根据他的中心极限定理，误差理应有高斯分布。这是历史上第一次提到所谓“元误差学说”——误差是由大量的、由种种原因产生的元误差叠加而成。后来到1837年，海根(G. Hagen)在一篇论文中正式提出了这个学说。其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差”之和，每只取两值，其概率都是1/2，由此出发，按狄莫佛的中心极限定理，立即就得出误差(近似地)服从正态分布。
拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性，故必须认定这二者之一(算术平均的优良性，误差的正态性)为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。
一、正态分布的分类
1、标准正态分布X，N（0，1）
2、一般正态分布
3、二项分布X-B(n,p)的正态近似计算
4、二元正态分布
二、正态分布概念
正态分布是应用最广泛的一种连续型分布。十九世纪前叶由高斯推广，所以通常称为高斯分布。
三、正态分布的起源背景
高斯在《绕日天体运动的理论》末尾，他写了一节有关“数据结合”（data combination）的问题，实际涉及的就是这个误差分布的确定问题。
他的做法与拉普拉斯相同。但在往下进行时，他提出了两个创新的想法。一是他不采取
贝叶斯式的推理方式，测量误差是由诸多因素形成，每种因素影响都不大。按中心极限定理，其分布近似于正态分布是势所必然。其实，早在1780年左右，拉普拉斯就推广了狄莫佛的结果，得到了中心极限定理的比较一般的形式。可惜的是，他未能把这一成果用到确定误差分布的问题上来。高斯的第二点创新的想法是：他把问题倒过来，先承认算术平均是应取的估计，然后去找误差密度函数条件下才能成立，这就是正态分布。一种概率分布。正态分布是具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是遵从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2 )。遵从正态分布的随机变量的概率规律为取μ邻近的值的概率大，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布的密度函数的特点是：关于μ对称，在μ处达到最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点。它的形状是中间高两边低，图像是一条位于x轴上方的钟形曲线。当μ＝0，σ2＝1时，称为标准正态分布，记为N（0，1）。μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。
正态分布最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。
高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。高斯是一个伟大的数学家，重要的贡献不胜枚举。但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。
正态分布的由来
正态分布是最重要的一种概率分布。正态分布概念是由德国
的数学家和天文学家Moivre于1733年首次提出的，但由于德国
数学家Gauss(Carl Friedrich Gauss，1777—1855)率先将其应用
于天文学家研究，故正态分布又叫高斯分布。
高斯这项工作对后世的影响极大，他使正态分布同时有了“高
斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，
也是出于这一工作。高斯是一个伟大的数学家，重要的贡献不胜
枚举。
在高斯刚作出这个发现之初，也许人们还只能从其理论的简
化上来评价其优越性，其全部影响还不能充分看出来。但随着各种理论的深入研究，高斯理论的卓越贡献日显重要。
高斯与误差正态分布
1809年，高斯(Carl Friedrich Gauss，1777—1855)发表了其数学和天体力学的名著《绕日天体运动的理论》。在此书末尾，他写了一节有关“数据结合”（data combination）的问题，实际涉及的就是这个误差分布的确定问题。
设真值为，个独立测量值为。高斯把后者的概率取为
其中为待定的误差密度函数。到此为
止他的做法与拉普拉斯相同。但在往下进行时，他提出了两个创新的想法。
一是他不采取贝叶斯式的推理方式，而径直把最大的作为的估计，即使成立的。现在我们把称为样本，参数的似然函数，
是的极大似然估计量。
这个称呼是追随费歇尔，因为他在1912年发表的一篇文章中，明确提到以上概念并非针对一般参数的情形。高斯的第二点创新的想法是：他把问题倒过来，先承认算术平均是应
取的估计，然后去找误差密度函数以迎合这一点，即找这样的使就是。从而高斯
证明了正态分布。
高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，现今德国10马克钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。
正态分布的由来
正态分布是一种概率分布。正态分布是具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是遵从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ，σ2 )。遵从正态分布的随机变量的概率规律为取μ邻近的值的概率大，而取离μ越远的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正态分布的密度函数的特点是：关于μ对称，在μ处达到最大值，在正（负）无穷远处取值为0，在μ±σ处有拐点。它的形状是中间高两边低，图像是一条位于x 轴上方的钟形曲线。当μ＝0，σ2 ＝1时，称为标准正态分布，记为N（0，1）。μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。
正态曲线及其性质
正态曲线及其性质
标准正态曲线
标准正态曲线N（0，1）是一种特殊的正态分布曲线，以及标准正态总体在任一区间(a，b)内取值概率。
一般正态分布与标准正态分布的转化
由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。
“小概率事件”和假设检验的基本思想
“小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。这种认识便是进行推断的出发点。关于这一点我们要有以下两个方面的认识：一是这里的“几乎不可能发生”是针对“一次试验”来说的，因为试验次数多了，该事件当然是很可能发生的；二是当我们运用“小概率事件几乎不可能发生的原理”进行推断时，我们也有5%的犯错误的可能。
正态分布-正态分布的发展
正态分布是最重要的一种概率分布。正态分布概念是由德国的数学家和天文学家Moivre于1733年受次提出的，但由于德国数学家Gauss率先将其应用于天文学家研究，故正态分布又叫高斯分布，高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。高斯是一个伟大的数学家，重要的贡献不胜枚举。但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。这要到20世纪正态小样本理论充分发展起来以后。拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章(发表于1810年）上加上了一点补充，指出如若误差可看成许多量的叠加，根据他的中心极限定理，误差理应有高斯分布。这是历史上第一次提到所谓“元误差学说”——误差是由大量的、由种种原因产生的元误差叠加而成。后来到1837年，海根(G.Hagen)在一篇论文中正式提出了这个学说。
其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差”之和，每只取两值，其概率都是1/2，由此出发，按狄莫佛的中心极限定理，立即就得出误差(近似地)服从正态分布。拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性，故必须认定这二者之一(算术平均的优良性，误差的正态性) 为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。
正态分布-正态分布的主要特征
1、集中性：正态曲线的高峰位于正中央，即均数所在的位置。
2、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。
3、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。
4、正态分布有两个参数，即均数μ和标准差σ，可记作N（μ，σ）：均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭或扁平程度。σ越小，曲线越陡峭；σ越大，曲线越扁平。
5、u变换：为了便于描述和应用，常将正态变量作数据转换。
正态分布-正态分布的应用
1．估计正态分布资料的频数分布
例1.某地1993年抽样调查了100名18岁男大学生身高（cm），其均数=172.70cm，标准差s=4.01cm，①估计该地18岁男大学生身高在168cm以下者占该地18岁男大学生总数的百分数；②分别求、、范围内18岁男大学生占该地18岁男大学生总数的实际百分数，并与理论百分数比较。
本例，μ、σ未知但样本含量n较大，按式（3.1）用样本均数和标准差S分别代替μ和σ，求得u值，u=(168-172.70)/4.01=-1.17。查附表标准正态曲线下的面积，在表的左侧找到-1.1，表的上方找到0.07，两者相交处为0.1210=12.10%。该地18岁男大学生身高在168cm以下者，约占总数12.10%。其它计算结果见表3.1。
表：1100名18岁男大学生身高的实际分布与理论分布
正态分布
2．制定医学参考值范围
亦称医学正常值范围。它是指所谓“正常人”的解剖、生理、生化等指标的波动范围。制定正常值范围时，首先要确定一批样本含量足够大的“正常人”，所谓“正常人”不是指“健康人”，而是指排除了影响所研究指标的疾病和有关因素的同质人群；其次需根据研究目的和使用要求选定适当的百分界值，如80%，90%，95%和99%，常用95%；根据指标的实际用途确定单侧或双侧界值，如白细胞计数过高过低皆属不正常须确定双侧界值，又如肝功中转氨酶过高属不正常须确定单侧上界，肺活量过低属不正常须确定单侧下界。另外，还要根据资料的分布特点，选用恰当的计算方法。常用方法有：
（1）正态分布法：适用于正态或近似正态分布的资料。
双侧界值：单侧上界或单侧下界：
（2）对数正态分布法：适用于对数正态分布资料。
双侧界值：单侧上界或单侧下：。
常用u值可根据要求由表3.2查出。
（3）百分位数法：常用于偏态分布资料以及资料中一端或两端无确切数值的资料。
双侧界值：P2.5和P97.5；单侧上界P95，或单侧下界：P5。
表：常用u值表
正态分布
3．正态分布是许多统计方法的理论基础
如t分布、F分布、分布都是在正态分布的基础上推导出来的，u检验也是以正态分布为基础的。此外，t分布、二项分布、Poisson分布的极限为正态分布，在一定条件下，可以按正态分布原理来处理。
4. 正态分布是概率论中最重要的分布
正态分布有极其广泛的实际背景，生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。例如，在生产条件不变的情况下，产品的强力、抗压强度、口径、长度等指标；同一种生物体的身长、体重等指标；同一种种子的重量；测量同一物体的误差；弹着点沿某一方向的偏差；某个地区的年降水量；以及理想气体分子的速度分量，等等。一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布（见中心极限定理）。从理论上看，正态分布具有很多良好的性质，许多概率分布可以用它来近似；还有一些常用的概率分布是由它直接导出的，例如对数正态分布、t分布、F分布等。
正态分布论（正态哲学）的主要内涵：
在联系自然、社会和思维的实践背景下，我们以正态分布的本质为基础，以正态分布曲线及面积分布图为表征（以后谈及正态分布及正态分布论就要浮现此图），进行抽象与提升，抓住其中的主要哲学内涵，归纳正态分布论（正态哲学）的主要内涵如下：
正态分布整体论（静态）
正态分布启示我们，要用整体的观点来看事物。“系统的整体观念或总体观念是系统概念的精髓。”正态分布曲线及面积分布图由基区、负区、正区三个区组成，各区比重不一样。用整体来看事物才能看清楚事物的本来面貌，才能得出事物的根本特性。不能只见树木不见森林，也不能以偏概全。此外整体大于部分之和，在分析各部分、各层次的基础上，还要从整体看事物，这是因为整体有不同于各部分的特点。用整体观来看世界，就是要立足在基区，放眼负区和正区。要看到主要方面，还要看到次要方面，既要看到积极的方面还要看到事物
消极的一面，看到事物前进的一面还要看到落后的一面。片面看事物必然看到的是偏态或者是变态的事物，不是真实的事物本身。
正态分布重点论
正态分布曲线及面积分布图非常清晰的展示了重点，那就是基区占68.27%，是主体，要重点抓，此外95%，99%则展示了正态的全面性。认识世界和改造世界一定要住住重点，因为重点就是事物的主要矛盾，它对事物的发展起主要的、支配性的作用。抓住了重点才能一举其纲，万目皆张。事物和现象纷繁复杂，在千头万绪中不抓住主要矛盾，就会陷入无限琐碎之中。由于我们时间和精力的相对有限性，出于效率的追求，我们更应该抓住重点。在正态分布中，基区占了主体和重点。如果我们结合20/80法则，我们更可以大胆的把正区也可以看做是重点。
正态分布发展论（动态）
联系和发展是事物发展变化的基本规律。任何事物都有其产生、发展和灭亡的历史，如果我们把正态分布看做是任何一个系统或者事物的发展过程的话，我们明显的看到这个过程经历着从负区到基区再到正区的过程。无论是自然、社会还是人类的思维都明显的遵循这这样一个过程。准确的把握事物或者事件所处的历史过程和阶段极大的有助于掌握我们对事物、事件的特征和性质，是我们分析问题，采取对策和解决问题的重要基础和依据。发展的阶段不同，性质和特征也不同，分析和解决问题的办法要与此相适应，这就是具体问题具体分析，也是解放思想、实事求是、与时俱乐进的精髓。正态发展的特点还启示我们，事物发展大都是渐进的和累积的，走渐进发展的道路是事物发展的常态。例如，遗传是常态，变异是非常态。
总之，正态分布论是科学的世界观，也是科学的方法论，是我们认识和改造世界的最重要和最根本的工具之一，对我们的理论和实践有重要的指导意义。以正态哲学认识世界，能更好的认识和把握世界的本质和规律，以正态哲学来改造世界，能更好的在尊重和利用客观规律，更有效的改造世界。
正态分布-人格
人格(personality)或称个性，是用来描述个体心理差异的，指个体总的精神面貌，是人体心理特征的总和。由于人格差异，个体在各种不同的环境中表现出各自不同的稳定而持久的行为模式。或者说，人格给个体的行为打上了独特的烙印。人格包含性格、气质、能力、兴趣、爱好等成分。其中性格为表现在人的态度和行为方面的特征，主要由于后天学习和生活锻炼而形成的，是人格重要组成部分。气质俗称“脾气”，主要指由于先天遗传，加上后天影响，形成一般较小的特征，如情绪体验的快慢、强弱以及动作反应的敏感迟钝，就属于气质范畴。它不能决定人格特征的内容，只能使人的人格带上一定的色彩。
了解个体的人格特征，不但可以预测个体在特殊情况下的行为反应，而且，不同的人格可能表现出不同的患病倾向。例如，近代研究表明，A型行为与冠心病明显相关，被认为是易患冠心病的危险因素。在精神病学临床上，病人的人格不仅决定了他患病后的行为，而且为某种精神疾病的发生准备了基础。例如，强迫症病人常有某种焦虑、刻板、固执、自信不足的
精神衰弱人格，癔症病人常有情感不稳、易受暗示、自我中心的表演性格。有时，人格所表现的独特行为方式可能和精神疾病混淆起来，导致论断错误。
人格的差异有不同的程度。有些人的人格较为健全，在面对应激性事件时，依然能够很好应对。有些人的人格较为脆弱，在应激性事件作用下，易于发生神经症性障碍。对于细小的事情总是忧虑的人，在困难的情境中更容易产生焦虑障碍，而相同的情境对其他人却没有这种影响。如果人格更为脆弱，那么，异常行为可能在没有应激性事件的情况下出现。有时，这种异常行为表现非常明显，以致难以判断这些行为是由于人格还是由于精神疾病所致。（注Ａ型行为：美国心脏病医生梅伊＆弗瑞德曼在诊室里接待了一位来家具的修家具商。家具商说他一定是接待了许多焦虑不安的人，医生问他为什么？他说办公室里沙发和椅子的手柄磨损得特别快，这表明医生的许多病人坐下以后都必定是焦虑不安地握住扶手。根据这一灵感，弗瑞德曼和他的同事瑞.罗森曼开始了他们的研究工作，最后形成了Ａ型行为类型的理论。在现实生活中，有这么一种人，做一件事总想一下子干完，不干完不踏实。他总觉得时间紧张，不够用；走起路来风风火火，上楼梯也是三步并两步；坐公共汽车，遇到交通拥挤车开得慢，他坐立不安，恨不得把司机换下来，自己开；若要排长队买东西，他宁可不买;做工作总要尽善尽美，比别人好，让领导说不出什么；也不喜欢别人插手的工作，总觉得不如自己干得好；他有很强的竞争欲，也有很强的嫉妒心，人际关系也比较紧张。这种行为方式被称为：“A 型行为”。与之相对的行为方式则被称为“B型行为”。
弗瑞德曼和罗森曼通过近十年的研究，发现Ａ型行为被试者冠心病的发病率是B型被试者发病率的２倍以上。
A型行为类型并不是一种单一的心理素质和行为表现方式，而是包含了以人格为基础的行为，性格和情感元素的一个复合因素群或行为群。是不同的人格由相应的竞争和挑战性环境塑造的一整套的外显行为，是介于典型的Ａ型行为到典型的非A型行为之间的行为连续体。目前把行为类型分为五型：A、mA、M、ｍB、B。A型是A型行为人的极端型，有强烈的进取心和竞争欲。有时间紧迫感，人际关系不协调，有敌意倾向。mA是一种不那么明朗和极端的A型人。B是B型行为人中的极端型，是与A型行为相反的一种类型，缺乏竞争性，喜欢不紧张的工作，喜欢过松散的生活，无时间紧迫感，有耐心，无主动的敌意。ｍB不像B型表现得那么明朗和极端。M是介于A型和B型之间的一种混合型。）
人格和疾病在概念上的区分，在临床上具有重要价值，但这种区分并不都容易。核心在于能否确定行为异常的病程。如果一个人以前行为正常，以后产生了异常行为，他被认为有病。如果他的行为以往和现在一样反常，他被认为可能有人格障碍(personality disorder)。这种区分在行为改变急速显著时容易做到，如急性躁狂症。但在行为改变缓慢不显著时，这种区分就有困难，例如，某些精神分裂症。
由于人们的人格特征存在许多差异，于是就产生了人格类型的概念。C.G.Jung把人格分为“内倾”和“外倾”两类。孤僻好静，自负清高、不苟言笑、不善交友、不爱劳动、不肯合群、不喜欢参加集体活动、对人冷淡、胆小怕羞、生性多疑、多思多虑、怕负责任、有时想入非非、脱离现实，是“内倾”人格的典型特征。而“外倾”的人格特征则与此相反。Kretschmer 曾将病人的人格、体型与所患的精神病联系起来研究，提出了所谓“分裂症型”和“情感性
循环型”两种。实际上“分裂症型”类似Jung的“内倾型”，“情感性循环型”类似“外倾型”。他认为内倾人格患病多为精神分裂症，而外倾人格多为躁狂抑郁症。
有些人的人格是明显异常的，例如，反复伤害人而从无悔恨之心的狂暴冷酷的人。但人格障碍的概念却不易说明，因为对人格的正常或异常并无明确的划分标准。有两种标准对确定这个问题有帮助。其一是统计学标准，假定人格的每一种心理特征也像身高、体重、智能一样在人群中呈近似正态分布。那么，变态人格(abnormal personality)是正常人格的量的变异，其界线由统计学评分结果人为地规定。如果一个人的某些心理特征发展到变动的极端，就可以认为他有人格障碍。
正态分布是许多统计方法的理论基础。检验、方差分析、相关和回归分析等多种统计方法均要求分析的指标服从正态分布。许多统计方法虽然不要求分析指标服从正态分布，但相应的统计量在大样本时近似正态分布，因而大样本时这些统计推断方法也是以正态分布为理论基础的。
正态分布与标准正态分布的区别与联系？
正态分布也叫常态分布，是连续随机变量概率分布的一种，自然界、人类社会、心理和教育中大量现象均按正态形式分布，例如能力的高低，学生成绩的好坏等都属于正态分布。标准正态分布是正态分布的一种，具有正态分布的所有特征。所有正态分布都可以通过Z分数公式转换成标准正态分布。
两者特点比较：
(1)正态分布的形式是对称的，对称轴是经过平均数点的垂线。
(2)中央点最高，然后逐渐向两侧下降，曲线的形式是先向内弯，再向外弯。
(3)正态曲线下的面积为1。正态分布是一族分布，它随随机变量的平均数、标准差的大小与单位不同而有不同的分布形态。标准正态分布是正态分布的一种，其平均数和标准差都是固定的，平均数为0，标准差为1。
（4）正态分布曲线下标准差与概率面积有固定数量关系。所有正态分布都可以通过Z分数公式转换成标准正态分布。
正态分布-智力、能力
理查德·赫恩斯坦[（Richard J. Herrnstein 1930.05.20－1994.09.13），美国比较心理学家]和默瑞（Charles Murray）合著《正态曲线》一书而闻名，在该书中他们指出人们的智力呈正态分布。智力主要是遗传的并因种族的不同而不同，犹太人、东亚人的智商最高，其次为白人，表现最差的是黑人、西班牙裔人。他们检讨了数十年来心理计量学与政策学的研究成果，发现美国社会轻忽了智商的影响愈变愈大的趋势。他们力图证明，美国现行的偏向于以非洲裔和南美裔为主的低收入阶层的社会政策，如职业培训、大学教育等，完全是在浪费资源。他们利用应募入伍者的测试结果证明，黑人青年的智力低于白人和黄种人；而且，这些人的智力已经定型，对他们进行培训收效甚微。因此，政府应该放弃对这部分人的教育，把钱用于包括所有种族在内的启蒙教育，因为孩子的智力尚未定型，开发潜力大。由于此书涉及黑人的智力问题，一经出版便受到来自四面八方的围攻。
正态分布-弗朗西斯·高尔顿
弗朗西斯·高尔顿[Francis Galton 1822.02.16－1911.01.17]，英国探险家、优生学家、心理学家，差异心理学之父，也是心理测量学上生理计量法的创始人。
高而顿对心理学的贡献，大概可以归纳未差异心理学、心理测量的量化和实验心理学三方面：1.他率先研究个体差异。他在伦敦南肯辛顿博物馆他的人类测量实验室内，利用仪器作人类学测量及心理测量。测量项目有身高、体重、肺活量、拉力和握力、扣击的速率、听力、视力、色觉等，以研究能力的个体差异。又用问答法研究意象的个体差异。要求被试先确定一件事，如早餐的情境，然后被试回忆心目中出现餐桌上实物的意象，即食物的鲜明度、确定度等。对答案整理后，他发现被试的意象有很大的个体差异：有的人以肌肉运动觉意象为主，有的人以听觉意象为主，有的人以视觉意象为主。
他强调遗传是形成个体差异的原因。他通过谱系调查，论证遗传因素与个体差异的关系。他是第一个明确提出普通能力和特殊能力主张的人。他在调查1768－1868 年这1OO 年间英国的首相、将军、文学家和科学家共977 名获得智力成熟的人的家谱后发现，其中有89 个父亲、129 个儿子、114 个兄弟，共332 名杰出人士。而在一般老百姓中4000 人才产生一名杰出人士。因此断言“普通能力”是遗传的。在调查30 家有艺术能力的家庭中，他发现这些家庭中的子女也有艺术能力的占64%；而15O 家无艺术能力的家庭，其子女中只有21% 有艺术能力，因此断言艺术能力- “特殊能力”也是遗传的。他发现，遗传亲属关系程度的降低，杰出亲属的比例也显著地下降。他还用80 对双生子的资料，以双生子比其他亲兄弟、亲姐妹在心理特点上更为相像的事例，证明人的心理完全是遗传的。由此也使他第一个注意到同卵双生和异卵双生在估计遗传和环境因素在人的变异方面的相对作用的方法论的重要性。高尔顿根据遗传与个体差异的关系倡导善择配偶，改良人种，并再1883 年《人类才能及其发展的研究》一书中首创“优生学”这一术语。
2.心理学研究之量化，始自高尔顿。他发明了许多感官和运动的测试，并以数量代表所测得的心理特质之差异。他认为人的所有特质，不管是物质的还是精神的，最终都可以定量叙述，这是实现人类科学的必要条件，故最先应用统计法处理心理学研究资料，重视数据的平均数与高中差数。他收集了大量资料证明人的心理特质在人口中的分布如同身高、体重那样符合正态分布曲线。他在论及遗传对个体差异的影响时，为相关系数的概念作了初步提示。如他研究了“居间亲”和其成年子女的身高关系，发现居间亲和其子女的身高有正相关，即父母的身材较高，其子女的身材也有较高的趋势。反之，父母的身材较低，其子女也有较矮的趋势。同时发现子女的身高常与其父母略有差别，而呈现“回中”趋势，即离开其父母的身高数，而回到一般人身高的平均数。
3.1883 年，高尔顿出版了《人类才能及其发展的研究》，书中概括地表述了两项在实验心理学中极为重要的研究方法和成果。第一个是关于自由联想的实验：他事先在75 张纸条上各写一个单词，每次只让受试者看一张纸条，再用一个精密的计时器测出由此引出的两个即兴到来的联想所需的时间，然后对这些联想在受试者的经验中的可能起源加以分析，他发现最经常的联想往往来自遥远的童年。在这项实验中，他还证实人类具有一种看到或听到某一数
字就能联想到某一特定形状的能力，他称这种现象为“数目形”。第二个是关于心理意象的广泛调查：他要求受试者先想一件确定的东西，然后尽量注意自己的“心视”画面，并回答如明亮度，清晰度、色彩等一系列问题，并按其强度记分。值得一提的是，在这些研究中，他首先在心理学中引进了调查表和评分办法。他对实验心理学的贡献还包括一系列他所发明的心理测验仪器和测验方法。有些仪器后来就以他的名字来命名，例如测量听觉阈的高尔顿笛和测量视觉范围的高尔顿棒，这些仪器直到20 世纪30 年代都是心理实验室的标准仪器。他还用盛有不同物质的瓶子来测验嗅觉，这一方法被后人沿用至今。除此之外，他又设计了测量肌肉感觉、反应力、触觉的仪器和方法。
注：美国心理学家特尔曼（L. M. Terman）曾根据有关文献的记载，用他自己设计的斯坦福- 比纳标准对幼年的高尔顿的智力进行了估算，他认为高尔顿3－8 岁间的智力年龄几乎等于实际年龄的2 倍，其智商约为200。
正态分布-教育统计学
统计规律表明，学生的智力水平，包括学习能力，实际动手能力等呈正态分布。因而正常的考试成绩分布应基本服从正态分布。考试分析要求绘制出学生成绩分布的直方图，以“中间高、两头低”来衡量成绩符合正态分布的程度。其评价标准认为：考生成绩分布情况直方图，基本呈正态曲线状，属于好，如果略呈正（负）态状，属于中等，如果呈严重偏态或无规律，就是差的。
生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布来描述。从概率统计规律看，“正常的考试成绩分布应基本服从正态分布”是正确的。但是必须考虑人与物的本质不同，以及教育的有所作为可以使“随机”受到干预，用曲线或直方图的形状来评价考试成绩就有失偏颇。现在许多教育专家（如上海顾泠沅、美国布鲁姆等）已经通过实践论证，教育是可以大有作为的，可以做到大多数学生及格，而且多数学生可以得高分，考试成绩曲线是偏正态分布的。但是长期受到“中间高、两头低”标准的影响，限制了教师的作为，抑制了多数学生能够学好的信心。这是很大的误会。
通常正态曲线有一条对称轴。当某个分数（或分数段）的考生人数最多时，对应曲线的最高点，是曲线的顶点。该分数值在横轴上的对应点与顶点连接的线段就是该正态曲线的对称轴。考生人数最多的值是峰值。我们注意到，成绩曲线或直方图实际上很少对称的，称之为峰线更合适。
如何检验数据是否服从正态分布呢 法一：在SPSS中，正态分布的检验方法有：计算偏度系数（Skewness）和峰度系数（Kurtosis）、Kolmogorov-Smirnov检验（KS检验或D检验）、Shapiro-Wilk（SW检验或W检验）、直方图、QQ图等。 下面本葱通过具体例子给大家介绍如何用SPSS检验数据是否为正态分布： 首先需要有一组数据，如：74 75 78 77 80 80 90 76 62 79，按下述格式输入SPSS 中。 依此点击分析-描述统计-描述 就会看到下述图片，点击绘制，我们可以选择输出图片（茎叶图、直方图），如果想要输出图片，在输出应该选择两者都。选择确定，就可以看到结果了。 输出结果如何解读？
此表，是对数据的统计描述，我们可以关注下最下方的偏度（Skewness）和峰度（Kurtosis）。 偏度SK越趋近0，数据越服从正态分布，众数=中位数=平均数；SK>0，为正偏态或左偏，众数<中位数<平均数；SK<0，为负偏态或右偏，众数>中位数>平均数。 峰度KG越趋近3，数据越服从正态分布；KG>3，峰度尖锐；KG<3，峰度扁平。（或exceess_KG=KG-3，exceess_KG越趋近0，数据越服从正态分布） 但是仅根据偏度和峰度还不足以判断数据是否服从正态分布，需要做进一步的检验。
上表是生成的KS检验（D检验）和SW检验（W检验）的检验结果，此处我们关注的显著性是Sig.即P值。当P>0.05时，可以认为数据是呈正态分布的。数据分析师培训由上表可以看出，KS检验和SW检验显著性均>0.05。 由于样本数量为10，小样本时关注SW检验的结果，所以此处显著性0.145，可以认为数据是正态分布的。 在输出结果部分还可以生成直方图、茎叶图、QQ图等，可以根据图形做出观测，若要检验是否服从正态分布还是需要用算法进行检测。 法二： 结果可见： One-Sample Kolmogorov-Smirnov Test KW胸水 N79
如何检验数据是否服从正态分布 一、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 以上两种方法以Q-Q图为佳，效率较高。 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 二、计算法 1、偏度系数（Skewness）和峰度系数（Kurtosis） 计算公式： g1表示偏度，g2表示峰度，通过计算g1和g2及其标准误σg1及σg2然后作U检验。两种检验同时得出U
正态概率图(normal probability plot) 方法演变：概率图，分位数-分位数图( Q- Q) 概述 正态概率图用于检查一组数据是否服从正态分布。是实数与正态分布数据之间函数关系的散点图。如果这组实数服从正态分布，正态概率图将是一条直线。通常，概率图也可以用于确定一组数据是否服从任一已知分布，如二项分布或泊松分布。 适用场合 ·当你采用的工具或方法需要使用服从正态分布的数据时； ·当有50个或更多的数据点，为了获得更好的结果时。 例如： ·确定一个样本图是否适用于该数据； ·当选择作X和R图的样本容量，以确定样本容量是否足够大到样本均值服从正态分布时；·在计算过程能力指数Cp或者Cpk之前； ·在选择一种只对正态分布有效的假设检验之前。 实施步骤 通常，我们只需简单地把数据输入绘图的软件，就会产生需要的图。下面将详述计算过程，这样就可以知道计算机程序是怎么来编译的了，并且我们也可以自己画简单的图。 1将数据从小到大排列，并从1～n标号。 2计算每个值的分位数。i是序号： 分位数＝(i－0.5)/n 3找与每个分位数匹配的正态分布值。把分位数记到正态分布概率表下面的表A.1里面。然后在表的左边和顶部找到对应的z值。 4根据散点图中的每对数据值作图：每列数据值对应个z值。数据值对应于y轴，正态分位数z值对应于x轴。将在平面图上得到n个点。 5画一条拟合大多数点的直线。如果数据严格意义上服从正态分布，点将形或一条直线。将点形成的图形与画的直线相比较，判断数据拟合正态分布的好坏。请参阅注意事项中的典型图
形。可以计算相关系数来判断这条直线和点拟合的好坏。 示例 为了便于下面的计算，我们仅采用20个数据。表5. 12中有按次序排好的20个 值，列上标明“过程数据”。 下一步将计算分位数。如第一个值9，计算如下： 分位数＝(i－0.5)/n＝(1－0.5)/20＝0.5/20＝0.025 同理，第2个值，计算如下： 分位数＝(i－0.5)/n＝(2－0.5)/20＝1.5/20＝0.075 可以按下面的模式去计算：第3个分位数=2.5÷20，第4个分位数＝3 5÷20 以此类推直到最后1个分位数＝19. 5÷20。 现在可以在正态分布概率表中查找z值。z的前两 个阿拉伯数字在表的最左边一列，最后1个阿拉伯数 字在表的最顶端一行。如第1个分位数＝0. 025，它位 于－1.9在行与0.06所在列的交叉处，故z＝－1.96。 用相同的方式找到每个分位数。 如果分位数在表的两个值之间，将需要用插值法 进行求解。例如：第4个分位数为0. 175，它位于0.1736 与0.1762之间。0.1736对应的z值为－0.94，0.1762 对应的z值为－0.93，故 这两数的中间值为z＝－0.935。 现在，可以用过程数据和相应的z值作图。图表5. 127显示了结果和穿过这些点的直线。注意：在图形的两端，点位于直线的上侧。这属于典型的右偏态数据。图表5.128显示了数据的直方图，可进行比较。 概率图( probability plot) 该方法可以用于检验任何数据的已知分布。这时我们不是在正态分布概率表中查找分位数，而是在感兴趣的已知分布表中查找它们。 分位数-分位数图（quantile-quantile plot） 同理，任意两个数据集都可以通过比较来判断是否服从同一分布。计算每个分布的分位数。一个数据集对应于x轴，另一个对应于y轴。作一条45°的参照线。如果这两个数据集来自同一分布，那么这些点就会靠近这条参照线。 注意事项 ·绘制正态概率图有很多方法。除了这里给定的程序以外，正态分布还可以用概率和百分数来表示。实际的数据可以先进行标准化或者直接标在x轴上。 ·如果此时这些数据形成一条直线，那么该正态分布的均值就是直线在y轴截距，标准差就是直线斜率。 ·对于正态概率图，图表5.129显示了一些常见的变形图形。 短尾分布：如果尾部比正常的短，则点所形成的图形左边朝直线上方弯曲，右边朝直线下方弯曲——如果倾斜向右看，图形呈S型。表明数据比标准正态分布时候更加集中靠近均值。 长尾分布：如果尾部比正常的长，则点所形成的图形左边朝直线下方弯曲，右边朝直线上方弯曲——如果倾斜向右看，图形呈倒S型。表明数据比标准正态分布时候有更多偏离的数据。
年高考历史考点分布()
————————————————————————————————作者：————————————————————————————————日期：
2018年高考历史考点分布一、选择题考点分布 题号新课标1 中国古代史24 先秦·科技对古代科技的考查彰显了中国的传统文化，考查了历史学科唯物史观的核 心素养。 25 唐代·政治·地方 行政制度 唐代政治；打破常规藩镇的弊端，考查角度新颖。藩镇的积极作用 26 宋代·经济·民营 手工业 古代手工业经营形态及特点 四川地区的民营制盐业 27 明代·外交·朝贡 贸易 麒麟在传统中国被视为祥瑞之物，这说明明朝君臣在用传统文化解读朝贡 贸易的贡品。 本题考查历史解释的核心素养，落实对教材主干知识的考查 中国近现代史28 甲午战争期间·舆 论宣传 本题以甲午战争期间清政府与日本在舆论宣传策略方面态度差异的对比， 引导考生认识外交宣传在引导国际舆论方面的重要性。 29 五四运动后·道路 选择的争论 五四运动后，关于社会主义是否合适中国国情的争论，出现了走资本主义 道路和走社会主义道路的两条路线。通过这场争论，宣传了马克思主义， 使越来越多的人认识到只有社会主义才能使大多数人得到幸福，从而在思 想上为中国共产党的成立准备了条件， 30 中共·在1948-1949 的对外政策 本题考查历史解释的核心素养。本题解题的关键是理解“独立自主”的概 念。 31 社会主义建设时 期·一五计划 本题落实时空观念的考查，考查基本知识和基本能力，试题比较简单，“1953 年”“资源勘探”等信息并结合所学知识得出 世界古代史32 雅典·人文精神本题考查核心素养是家国情怀，极具现实意义，体现了“现实的问题历史 考”的命题思路，彰显出历史教育的育人功能。梭伦对道德的重视远远超 过财富。 世界近现代史33 马克思主义从以往高考试题考查情况来看，马克思主义作为低频考点，今年高考竟然 考到两次，这契合了当今中国的社会热点，凸显出历史高考的政治指导性， 又呼应了周年（《共产党宣言》发表170周年）问题。 “全世界无产者，联合起来”这个口号具有两层含义，其一强调联合的重 要性；其二强调联合的阶级性，联合是全世界无产者的联合。 34 英国·工业革命“史料实证”是高中历史新课标提出的五大核心素养之一。 材料信息有关工业革命首先发生在英国的研究视角有：经济角度、政治角 度、自然因素角度，这说明对工业革命首先发生在英国的认识越来越多元。 35 联合国成员的变化图中数据变化说明联合国成员国在20世纪六七十年代数量剧增，认真观察 图中变化可知，这一变化主要是由于非洲国家数量增多，即第三世界壮大。
近五年高考语文（全国卷）考点分布表及2017 年复习建议 一、近五年高考全国卷语文试卷整体概况 纵览2019 到2016 五年全国卷试题 均没有多大变化； 从试卷结构按排角度 看， 从命题设计角度看，试题能够均匀分布各知识点，充分体现了新课程改革的教 学目标，具有较强的针对性； 从试题题量上看，题量安排科学，分值设计合理，难度适中，考点全面； 从考查形式上看，命题灵活多样，能够针对考生的实际，使每一位考生都能展示自己的真实水平。 、近五年高考全国卷语文试卷各版块纵向分析 一）论述类文本阅读
从2016 年到2019 年，论述类文本都是全国卷试题的必考内容，设置三道小题，均为客观题，每小题3 分，共9分。 选材一般是社会科学类文章或自然科学类文章，内容涉及政治经济、历史文化、文学艺术等。注重人文科学知识的传播，凸显其文化含量、人文价值、教化作用。选文一般在1000 字左右。从近五年考查的篇目看，社 会科学类文本占主导，自然科学类文本只是偶尔出现。 2017 年，全国I 卷是文艺论文，全国II 卷是史学论文； 2015 年和2016 年，全国I 卷是史学论文，全国II 卷是文艺论文； 2016 年全国III 卷兼顾文学与史学。 2017年、2015年的史学论文都与现实密切相关，如2017年论述古代食品安全监管问题，2015 年论述宋代的金融特点。 在考点安排上看，筛选并整合文中的信息和分析概括文章内容成必考点。
从试题难度看，近几年的试题考查更灵活，要将各选 错误选项设置更加隐蔽，有一定难度，需项与原文进行认真分析比较。 （二）古代诗文阅读 1、文言文阅读
方差分析基于三个基本假设，只有符合以下三个假设条件才能进行方差分析 （1）效应的可加性 （2）方差是齐性的 （3）分布的正态性 是否服从正态分布可通过SPSS进行正态性检验，以A、B、C三个自交系发芽实验为例。
如果样本量较小（<50），并且对正态Q-Q图或其它图形方法的结果诠释不够有把握，推荐采用Shapiro-Wilk检验如上图所示。每组自变量都会有一个Shapiro-Wilk正态性检验结果。如果数据符合正态分布，显著性水平应该大于0.05。Shapiro-Wilk检验的无效假设是数据服从正态分布，备择假设是数据不服从正态分布。因此，如果拒绝无效假设（p<0.05），表示数据不服从正态分布。本例中每组正态性检验P值均大于0.05。如果样本量大于50，推荐使用正态Q-Q图等图形方法进行正态判断，因为当样本量较大时，Shapiro-Wilk检验会把稍稍偏离正态分布的数据也标记为有统计学差异，即数据不服从正态分布。Q-Q图中点离线越近，数据越服从正态分布。 若不服从正态分布可进行数据转换，对转换后呈正态分布的数据进行单因素方差分析。当各组因变量的分布形状相同时，正态转换才有可能成功。数据是比例或以百分率表示的，其分布趋向于二项分布，方差分析时应作反正弦转换，用下式把它们转化成一个相应的角度：如发芽率、昆虫死亡率，发病率等。数据转化方式如下图所示：
直接进行分析：由于单因方差分析对于偏离正态分布比较稳健，尤其是在各组样本量相等或近似相等的情况下，而且非正态分布实质上并不影响犯I型错误的概率。因此可以直接进行检验，但是结果中仍需报告对正态分布的偏离。检验结果的比较：将转换后和未转换的原始数据分别进行单因素方差分析，如果二者结论相同，则再对未转换的原始数据进行分析。
正态性检验的几种方法 一、引言 正态分布是自然界中一种最常见的也是最重要的分布。因此，人们在实际使用统计分析时，总是乐于正态假定，但该假定是否成立，牵涉到正态性检验。目前，正态性检验主要有三类方法：一是计算综合统计量，如动差法、Shapiro-Wilk 法(W 检验)、D ’Agostino 法(D 检验)、Shapiro-Francia 法(W ’检验)。二是正态分布的拟合优度检验，如2χ检验、对数似然比检验、Kolmogorov-Smirov 检验。三是图示法(正态概率图Normal Probability plot)，如分位数图(Quantile Quantile plot ，简称QQ 图)、百分位数(Percent Percent plot ，简称PP 图)和稳定化概率图(Stablized Probability plot ，简称SP 图)等。而本文从不同角度出发介绍正态性检验的几种常见的方法，并且就各种方法作了优劣比较，还进行了应用。 二、正态分布 2.1 正态分布的概念 定义1若随机变量X 的密度函数为 ()()()+∞∞-∈= -- ,,21 2 2 2x e x f x σμπ σ 其中μ和σ为参数，且()0,,>+∞∞-∈σμ 则称X 服从参数为μ和σ的正态分布，记为()2,~σμN X 。 另我们称1,0==σμ的正态分布为标准正态分布，记为()1,0~N X ，标准正态分布随机变量的密度函数和分布函数分别用()x ?和()x Φ表示。 引理1 若()2,~σμN X ，()x F 为X 的分布函数，则()?? ? ??-Φ=σμx x F 由引理可知，任何正态分布都可以通过标准正态分布表示。 2.2 正态分布的数字特征
2018年高考历史考点分布一、选择题考点分布
二、主观题考点
的理解，契合了当今深化政治体制改革的热点，反映出党和国家对农村稳定与发展问题的重视。本题考查古今贯通，时间跨度较大，涵盖了时空观念、历史解释、史料实证等学科素养，凸显考试与素质教育要求的内在联系。试题难度不大，大多模拟试题应该都能扣住此类题目，这体现了高考不避讳热点的思路。本题中“变化”的解答，需要紧扣材料，概括信息；“积极作用”，需要紧扣材料结合所学回答；“历史背景”，需要根据材料的时间信息，结合所学知识解答。就以及中国为人类文明交流所 做出的贡献，彰显了民族自信， 突出了构建人类命运共同体的 历史意义。本题思维含量较高， 而且从人类命运和文明发展的 角度思考，理论建构要求较高。 本题契合了社会转型和文明演 进的社会热点，对现代化进程 中的城市发展问题进行了关 注，涵盖了时空观念、历史解 释、史料实证等学科素养，考 生必须运用历史唯物主义的基 本观点进行说明。 42题结合世界近代史的所学知识，从上述梗概中提取一个情节， 指出它所反映的近代早期重大 历史现象，并概述和评价该历 史现象。（要求：简要写出所提 取的小说情节及历史现象，对 历史现象的概述和评价准确全 面。） 本题以小说《鲁宾逊漂流记》 的相关情节为切入点，考查学 生唯物主义、时空观念、史料 实证、历史解释以及家国情怀 等核心素养，一改观点论述类 题目的限定，让人耳目一新， 体现出高考求新求变的思想。材料提供了一个中国近代企业 发展的案例，蕴含了现代化的 诸多启示，从材料中提炼一个 启示，并结合所学的中国近现 代史知识予以说明。（要求：观 点明确，史论结合，言之成理。） 本题讲述了近代著名的洋务企 业汉阳铁厂的建立及投产经 过，反映出近代中国人民在近 代化道路上所遭遇的艰难困苦 与曲折探索，凸显了中国人民 不畏艰难、不断摸索前行的伟 大奋斗精神，也激励学生为了 民族的伟大复兴不断求索，是 一个对学生再教育的过程 根据材料并结合所学中国古代 史知识，对表4的内容提出自 己的看法，并予以说明。（要求： 看法具体明确，说明须史论结 合。） 本题是全国卷历史命题的一大 亮点，充分体现了高考命题求 新求变的思路。本题契合传统 文化的热点，考查考生唯物主 义、时空观念、史料实证、历 史解释等核心素养。解题的关 键是通过阅读材料找出自己的 看法，该看法一定要明确；其 次说明时要史论结合。 45题改革（1）根据材料，说明汉武帝改 革前后纪年方法的区别。 （2）根据材料并结合所学知 识，简析汉武帝年号制改革的 历史意义 本题以汉武帝纪年方法的改革 为切入点，考查考生时空观念、 历史解释等核心素养。全国卷 “历史上重大改革回眸”仍然 不直接考查教材内已有知识 点，因而对于此类新材料试题， 要特别注意材料中的关键信 (1)根据材料并结合所学如识， 说明1977-1981年我国科技体 制改革的背景。（6分） (2)根据材料并结合所学知识， 概括1977-1981年我国科技体 制改革的主要内容及影响。（9 分） 这一题以我国1977—1981年我 国科技体制改革的背景、内容、 意义为考查的对象，考查了考 生归纳概括能力以及逻辑推理 （1）根据材料并结合所学知 识，简析湖南保卫局创建的原 因。 （2）根据材料并结合所学知 识，说明湖南保卫局相对于以 前的治安机构有何不同 改革是推动历史前进的动力之 一。通过对这一部分知识的学 习，我们认识到改革是顺应历 史潮流的伟大实践，也是思想 解放和社会习俗变革的运动。 解答时必须依据材料的有效信
正态分布检验 一、正态检验的必要性[1] 当对样本是否服从正态分布存在疑虑时，应先进行正态检验；如果有充分的理论依据或根据以往积累的信息可以确认总体服从正态分布时，不必进行正态检验。 当然，在正态分布存疑的情况下，也就不能采用基于正态分布前提的参数检验方 法，而应采用非参数检验。 二、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 Q-Q图为佳，效率较高。 以上两种方法以 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 三、计算法 1、峰度（Kurtosis）和偏度（Skewness） （1）概念解释 峰度是描述总体中所有取值分布形态陡缓程度的统计量。这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比
较为平坦，为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异 程度越大。 峰度的具体计算公式为： 注：SD就是标准差σ。峰度原始定义不减3，在SPSS中为分析方便减3后与0作比较。 偏度与峰度类似，它也是描述数据分布形态的统计量，其描述的是某总体取值分布的对称性。这个统计量同样需要与正态分布相比较，偏度为0表示其数据分布形态与正态分布的偏斜程度相同；偏度大于0表示其数据分布形态与正态分布相比为正偏或右偏，即有一条长尾巴拖在右边，数据右端有较多的极端值；偏度小于0表示其数据分布形态与正态分布相比为负偏或左偏，即有一条长尾拖在左边，数据左端有较多的极端值。偏度的绝对值数值越大表示其分布形态的偏斜程度越大。 偏度的具体计算公式为： 各种正态分布，尽管μ和σ可以分别取不同的值，但偏度都等于0，峰度都等于3，它们的密度函数曲线的形状都是一样的[1]。(SPSS中峰度减3与0比较 （2）适用条件 样本含量应大于200。 （3）检验方法 计算得到的峰度、偏度根据正态分布的值3、0（SPSS中为0、0）来直观判断是 否接近。 应对二者分别进行U检验来定量描述显著性，方法如下[2]：峰度U检验：|峰度-3| / 峰度标准差 <= U0.05 = 1.96（SPSS中将3替换为0）偏度U检验：|偏度-0| / 偏度标准差 <= U0.05 = 1.96 如果上述都成立，则可认为在0.05显著水平符合正态分布(下例偏度可判断不符合。
参考医学 正态分布概率表 1 — f? 0( u )= t P⑴t F(t)t F(0t卩⑴0.00 0.000 00.230. 181 9 0.46 0.354 5 W9 0. 50 9 8 0.01 0.008 00.24 0. 1H9 70.47 0.361 6 0.70 0,516 1 0+02 0,0160 0. 25 0,197 4 0,48 0.368 80+71 0.522 3 0.03 0*023 9(1. 26 0.205 1 0.49 0.375 9 0.72 0. 52 8 5 044 0.031 9(1.27 0,212 8 0.50O.3R2 9 0.73 "4 6 0R5 0039 90.28 0.220 5 0,51 0.389 9 0.74 0.540 7 0.06 0.047 80.29 0.228 20.52 036 9 0.75 0*546 7 0+07 0 €55 g0,30 0,235 8 0,53 0.403 9 276 0.552 7 0+08 0.063 80 31 0.243 4 0.54 0.410 8 0+77 0.558 7 0+09 (1.(171 7(J. 32 0.251 00.55 0.417 70.78 0.564 6 0. 10 0.0797 fl. 33 0.258 6 0.56 0,424 50.79 0.570 5 0.110,(J87 60.34 0.266 1 0.57 0.431 3 0.B0 0.576 3 0.12 0.09$ 50. 35 0.273 7 0.5S 0.43S 10.S1 O.5S2 1 0+13 OJ03 40. 36 0.281 20.59 0.444 8 0+82 0.587 8 0+14 (1.111 3 0. 37 0.288 6 0.60 0.451 5 M3 0.593 5 0.15 0J19 2 0. 38 0.296 1 0.61 0.458 10.84 0.599 1 0+160.127 10.39 0. 303 50.62 0.464 7 0.85 0.604 7 0.17 0.135 0 040 0330 8 0.63 0.471 3 0.S6 0.610 2 0+18 0.142 S0.41 0.318 20,64 0.477 8 0.87 0.6157 0+19 0.150 7 0 42 0, 325 50.650.484 3 0.88 0.621 1 0,20 0J58 5(J. 43 0. 332 8 0.66 0.490 10.89 0 . 62 6 5 0,21 0J66 3(J.44 0,340 1 0.67 0.497 10.90 0.631 9 0 + 220.174 10.45 0347 3 0.68 0.503 50.91 0.637 2
下面我们来看一组数据，并检验“期初平均分” 数据是否呈正态分布（此数据已在SPSS里输入好） 在SPSS里执行“分析—>描述统计—>频数统计表”(菜单见下图，英文版的可以找到相应位置)，然后弹出左边的对话框，变量选择左边的“期初平均分”，再点下面的“图表”按钮，弹出图中右边的对话框，选择“直方图”，并选中“包括正态曲线”
设置完后点“确定”，就后会出来一系列结果，包括2个表格和一个图，我们先来看看最下面的图，见下图， 上图中横坐标为期初平均分，纵坐标为分数出现的频数。从图中可以看出根据直方图绘出的曲线是很像正态分布曲线。如何证明这些数据符合正态分布呢，光看曲线还不够，还需要检验：
检验方法一：看偏度系数和峰度系数 我们把SPSS结果最上面的一个表格拿出来看看(见下图)： 偏度系数Skewness=-0.333;峰度系数Kurtosis=0.886；两个系数都小于1，可认为近似于正态分布。 检验方法二：单个样本K-S检验 在SPSS里执行“分析—>非参数检验—>单个样本K-S检验，弹出对话框，检验变量选择“期初平均分”，检验分布选择“正态分布”，然后点“确定”。 检验结果为：
从结果可以看出，K-S检验中,Z值为0.493，P值(sig 2-tailed)=0.968>0.05，因此数据呈近似正态分布 检验方法三：Q-Q图检验 在SPSS里执行“图表—>Q-Q图”，弹出对话框，见下图： 变量选择“期初平均分”，检验分布选择“正态”，其他选择默认，然后点“确定”，最后可以得到Q-Q图检验结果，结果很多，我们只需要看最后一个图，见下图。
范文 2020年高考历史总复习：2011—2017年全国高考 1/ 8
(新课标卷)考点分布统计(精品) 1 2011—2017 年全国高考（新课标卷）考点分布统计（必修）表 1 古代史阶 2011 年 201 2 年 201 3 年 201 4 年 201 5 年201 6 年 201 7 年段分专（全国新（全国（新课（新课标卷（新课标卷Ⅰ、（新课标卷（新课标卷Ⅰ、考试大纲期题课标卷）新课标标卷Ⅰ、Ⅰ、Ⅱ）Ⅱ）Ⅰ、Ⅱ、Ⅲ）Ⅱ、Ⅲ）卷）Ⅱ）24. 西周（卷Ⅰ）（卷Ⅱ）24.分（卷Ⅲ）24. （卷Ⅰ）24.商周古政治对秦 24.西周封制、礼乐制西周重史传时期的政治制度代（1）商周汉统一的分封制统——西周分封制古中时期的政影响（董下的墓与文化认同古代国治制度仲舒的大葬等级代中政一统思规定国治想）制（2）秦中度央集权制度的形成 1
40. 中国古代选官依据及认识（ 25 分）（3）汉到元政治制度的演变 2 （卷Ⅰ） 41.从地方行政示意图看汉、唐历史变迁（12 分）（卷Ⅰ）25.汉代外戚干政（卷Ⅰ）26. （卷Ⅰ）25.西汉（卷Ⅱ）25.汉宋代重史传中央集权的加强代地方吏治统（卷Ⅱ）25.魏晋（卷Ⅱ）25. 时期修史的政治选官制度的性变化（卷Ⅰ）26.唐代（卷Ⅲ）25. 战争（史学理论）汉承秦制（卷Ⅲ）25.西汉初期经济发展（卷Ⅲ）27.宋代历史描述（史学理论）（4）明清君主专制制度的加强 28. 清（卷Ⅱ）（卷Ⅱ）27.明代君主 41.明清清君主专制制专制体君主专度的加强——（卷Ⅰ）27. （卷Ⅱ）27.明代明代地方制宦官干政度改革（卷Ⅲ）40.清代 2 3/ 8
Shapiro-Wilk 检验含义:Shapiro —Wilk 检验法是S.S.Shapiro 与 M.B.Wilk提出用顺序统计量W来检验分布的正态性，对研究的对象总体先提出假设认为总体服从正态分布，再将样本量为n的样本按大小顺序排列编秩，然后由确定的显著性水平a ，以及根据样本量为n时所对应的系数a i,根据特定公式计算出检验统计量W.最后查特定的正态性W检 验临界值表，比较它们的大小，满足条件则接受假设认为总体服从正态分布,否则拒绝假设，认为总体不服从正态分布? W检验全称Shapiro-Wilk检验，是一种基于相关性的算法。计算可得到一个相关系数，它越接近1就越表明数据和正态分布拟合得越好。 w检验是检验样本容量8< n < 50,样本是否符合正态分布的一种方法。 计算式为: E-Lj k -訓 其检验步骤如下： ①将数据按数值大小重新排列，使x1
正态分布是许多检验的肚础，比如F检验，t检验，卡方检验等在总体不是正太分布是没有任何盘义。因此，対一个样本是否来口正态总、体的检验是至关巫要的。当然，我们无法证明某个数据的确来口正态总体，但如果使用效率高的检验还?无法否认总体是正太的检验，我『］就没有理山否认那些和正太分布有关的检验有意义，下而我就对正态性检验方法进行简单的归纳和比较。 一.图示法 1.P-P 图 以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，以样本值表现为直角坐标系的散点。如果数据服从 F态分布，则样本点应鬧绕第一象限的对角线分布。 2.Q-Q 图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为直角坐标系的散点。如果数据服从正太分布，则样本点应围绕第一彖限的对角线分布。 以上两种方法以Q-Q图为佳，效率较高。 3.直方图 判断方法：是否以钟型分布，同时可以选择输出正态性曲线。 4.箱线图 判断方法；观察矩形位置利中位数，若矩形位于中间位置且中位数位于矩形的中间位迓，则分布较为对称，否则是偏态分布。 5.茎叶图
正态分布 以平均值为中心呈对称分布的钟形曲线。正态分布是最常见的统计分布，因为许多物理、生物和社会方面的测量值都自然近似于正态。许多统计分析均要求数据来自正态分布总体。 例如，居住在宾夕法尼亚州的所有成年男性的身高近似于正态分布。因此，大多数男性的身高都将接近于 69 英寸的平均身高。高于和矮于 69 英寸的男性的数量相近。只有一小部分身材特别高或特别矮。 平均值 (μ) 和标准差 (σ) 是定义正态分布的两种参数。平均值是钟形曲线的波峰或中心。标准差决定数据的散布情况。大约有 68% 的观测值与平均值相差不到 +/- 1 个标准差；95% 与平均值相差不到 +/- 2 个标准差；而 99% 的观测值与平均值相差不到 +/- 3 个标准差。 就宾夕法尼亚州男性的身高而言，平均身高为 69 英寸，标准差为 2.5 英寸。 大约68% 的宾夕法尼亚男性身高介于66.5 (μ- 1σ) 和71.5 (μ+ 1σ) 英寸之间。 大约95% 的宾夕法尼亚男性身高介于64 (μ- 2σ) 和74 (μ+ 2σ) 英寸之间。 大约99% 的宾夕法尼亚男性身高介于61.5 (μ- 3σ) 和76.5 (μ+ 3σ) 英寸之间。 过程能力
生产或提供满足根据客户需要定义的规格的产品或服务的能力。例如，影印机制造商要求橡胶辊筒的宽度必须介于 32.523 cm 与 32.527 cm 之间，才能避免卡纸。能力分析揭示了制造过程满足这些规格的程度，并提供有关如何改进该过程和维持改进的见解。 在评估过程能力之前，必须确保过程是稳定的。不稳定的过程是无法预测的。如果过程稳定，则可以预测将来的性能并改进其能力。 应定期测量并分析过程的能力。能力分析有助于回答以下问题： ?过程是否满足客户规格？ ?过程将来的性能如何？ ?过程是否需要改进？ ?过程是保持了这些改进还是回复到了原来的未改进状态？ 可使用过程指标（如 Cp、Pp、Cpk 和 Ppk）来分析过程能力。 潜在（组内）能力和整体能力 大多数能力评估都可以分组为两种类别中的一种：潜在（组内）能力和整体能力。每种能力都表示对过程能力的唯一度量。潜在能力通常称为过程的“权利”：它忽略子组之间的差异并表示当消除了子组之间的偏移和漂移时执行过程的方法。另一方面，整体能力是客户所体验到的；它考虑了子组之间的差异。评估潜在能力的能力指标包括 Cp、CPU、CPL 和 Cpk。评估整体能力的能力指标包括 Pp、PPU、PPL、Ppk 和 Cpm。 例如，您检查某一糖果厂的设备，其中包括将特定重量的糖果装入容器的机器。糖果每周从工厂出货一次。为评估此过程的能力，在一周内的每天，对袋子样本进行称重；每个样本在分析中表示一个子组。观察发现，每个子组内的变异性很小，但由于子组平均值每天都有偏移，因此袋子重量的总体变异性很大。因此，整个一周的出货在袋子重量上与给定日期内生产的袋子重量之间存在较大的变异性。在下图中，较小的分布表示连续七天内每天的袋子重量的分布。最上面的分布表示整周的出货，它是子组的合计。
高中数学典型例题大全第一章概率与统计正态 分布 例 设ξ服从)1,0(N ，求以下各式的值： 〔1〕);35.2(≥ξP 〔2〕);24.1(-<ξP 〔3〕).54.1(<ξP 分析：因为ξ用从标准正态分布，因此能够借助于标准正态分布表，查出其值．但由于表中只列出)()(,0000x x P x Φ=<≥ξ的情形，故需要转化成小于非负值0x 的概率，公式：);()()();(1)(a b b a P x x Φ-Φ=<<Φ-=-Φξ和)(1)(00x P x P <-=≥ξξ有其用武之地． 解：〔1〕;0094.09906.01)35.2(1)35.2(1)35.2(=-=Φ-=<-=≥ξξP P 〔2〕;1075.08925.01)24.1(1)24.1()24.1(=-=Φ-=-Φ=-<ξP 〔3〕)54.1()54.1()54.154.1()54.1(-Φ-Φ=<-=<ξξP P .8764.01)54.1(2)]54.1(1[)54.1(=-Φ=Φ--Φ= 讲明：要制表提供查阅是为了方便得出结果，但标准正态分布表如此简练的目的，并没有给查阅造成不便．相反其简捷的成效更突出了核心内容．左边的几个公式都应在明白得的基础上记住它，并学会灵活应用． 求服从一样正态分布的概率 例 设η服从)2,5.1(2N 试求： 〔1〕);5.3(<ηP 〔2〕);4(-<ηP 〔3〕);2(≥ηP 〔4〕).3(<ηP 分析：第一，应将一样正态分布)2,5.1(N 转化成标准正态分布，利用结论：假设),(~2σμηN ，那么由)1,0(~N σμηξ-=知：,)(?? ? ??-Φ=<σμηx x P 其后再转化为非负标准正态分布情形的表达式，通过查表获得结果． 解：〔1〕;8413.0)1(25.15.3)5.3(=Φ=??? ??-Φ=<ηP
信息系统项目管理师重点知识点：完工概率计算总结 例图： 活动BCD的乐观(m)工期都是9天，最可能(o)工期为12天，最悲观(p)工期都是15天，那么在14天内完成单项活动的概率和完成全部这三项活动的概率是多少 首先计算平均工期（PERT）：公式－－（乐观时间+4*最可能时间+悲观时间）/ 6 (9+4*12+15)/6=12天； 其次计算标准差：公式－－（悲观时间-乐观时间）/ 6 ； (15-9)/6=1天 再计算偏离平均工期：方法－－[给出的天数计算（14）－计算出来的平均工期(12)]/标准差(1) (14-12)/1=2 备注：此时得出来的为几,之后就是使用几西格玛 (Sigma)(1σ=68,37%)(2σ=95.46%)(3σ=99.73%)(6σ=99.99966%百万分之三点四) 计算每一项活动在14天内完工的概率是：方法－－正态分布概率+西格玛/偏离平均工期数 50%+95.46%/2=97.73% 备注：50%参考正态分布图，95.46参考2西格玛值； 计算全部活动在14天内完工概率是：方法－－每一项活动的概率相乘 97.73%*97.73%*97.73%＝93.34% 下图为简要正态分布图：
备注：正态分布有50%成功，有50%不成功 如计算将上面的14天，修改为13天； 偏离平均工期就是1天，计算方法：(13-12)/1=1天，则应该使用1西格玛； 计算每一项活动在13天内完工的概率是：方法－－正态分布概率+西格玛/偏离平均工期数 50%+68.37%/2=84.19% 备注：50%参考正态分布图，68.37参考1西格玛值； 计算全部活动在13天内完工概率是：方法－－每一项活动的概率相乘 84.19%*84.19%*84.19%＝59.67% 如果计算为11－15天的概率：最小值的概率+最大值的概率 68.37/2+99.75/2=84.06%
2018年高考历史试卷分析 引言：今年高考文综试题整体区分度较高，利用贴近生活、贴近时事的选材，考查学科主干知识，尤其凸显学科核心素养，这个也是“新课改”的要求。全国卷非常重视引导学生关注当下、关注社会热点，鼓励学生结合当下放眼看世界、看社会、看历史。 一、具体分析如下：全国卷3考点及分值分布情况表 题号知识点分布考点分值 24 中国古代史·先秦（经济史）古代中国手工业的发展4分 25 中国古代史·宋元（政治史）社会阶层流动4分 26 中国古代史·隋唐（文化史）古代科技文化成就 4分 27 中国古代史·明清（文化史）明清文化繁荣4分 28 中国近代史·晚晴（政治史）维新思想的理解 4分 29 中国近代史（政治史）五四运动后马克思主义中国化 4分 30 中国近代史（政治史）民主法制建设4分 31 共和国史（经济史）改革开封后经济体制改革的成就 4分 32 世界史（政治史）雅典民主政治4分 33 世界史（文化史）法国启蒙思想4分 34 世界史（经济史）美国经济危机4分
35 世界史（政治史）苏联社会主义建设 4分 41 中国近代史与世界现代史（材料题）近代中国与世界的城市发展情况25分 42 中国古代史（开放题）班固的史学思想12分 45 历史上重大改革回眸湖北保卫局的变迁15分 46 20世纪战争与和平英法对德的经济封锁15分 47 中外历史人物评说唐宪宗李纯15分 必做题部分（85分）。中国史占58分左右，世界史占27分左右，与2017全国卷三相比，中国史比重上升，不容忽视；从模块角度来讲，必修1和必修2仍为考试重点。 二、试卷总体能够发挥高考引领作用。 ①注重基础与课本知识，更加注意考查主干知识，这就需要考生基础知识一定过硬。 ②考查学生史学素养，即42题，所以在学习中，注意培养史学基本功与基本能力。 三、试卷主要特点 1.重视考查学生的基础知识和基本能力
一、图示法 1、P-P图 以样本的累计频率作为横坐标，以安装正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果资料服从整体分布，则样本点应围绕第一象限的对角线分布。 2、Q-Q图 以样本的分位数作为横坐标，以按照正态分布计算的相应分位点作为纵坐标，把样本表现为指教坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。 以上两种方法以Q-Q图为佳，效率较高。 3、直方图 判断方法：是否以钟形分布，同时可以选择输出正态性曲线。 4、箱式图 判断方法：观测离群值和中位数。 5、茎叶图 类似与直方图，但实质不同。 二、计算法 1、偏度系数（Skewness）和峰度系数（Kurtosis） 计算公式： g 1表示偏度，g 2 表示峰度，通过计算g1和g2及其标准误σ g1 及σ g2 然后作U 检验。两种检验同时得出U<=，即p>的结论时，才可以认为该组资料服从正态分布。由公式可见，部分文献中所说的“偏度和峰度都接近0……可以认为……近似服从正态分布”并不严谨。 2、非参数检验方法
非参数检验方法包括Kolmogorov-Smirnov检验（D检验）和Shapiro- Wilk （W检验）。 SAS中规定：当样本含量n≤2000时，结果以Shapiro – Wilk（W检验）为准，当样本含量n >2000时，结果以Kolmogorov – Smirnov（D检验）为准。 SPSS中则这样规定：（1）如果指定的是非整数权重，则在加权样本大小位于3和50之间时，计算Shapiro-Wilk统计量。对于无权重或整数权重，在加权样本大小位于3 和 5000 之间时，计算该统计量。由此可见，部分SPSS教材里面关于“Shapiro – Wilk适用于样本量3-50之间的数据”的说法是在是理解片面，误人子弟。（2）单样本Kolmogorov-Smirnov检验可用于检验变量（例如income）是否为正态分布。 对于此两种检验，如果P值大于，表明资料服从正态分布。 三、SPSS操作示例 SPSS中有很多操作可以进行正态检验，在此只介绍最主要和最全面最方便的操作： 1、工具栏--分析—描述性统计—探索性 2、选择要分析的变量，选入因变量框内，然后点选图表，设置输出茎叶图和直方图，选择输出正态性检验图表，注意显示（Display）要选择双项（Both）。 3、Output结果 （1）Descriptives：描述中有峰度系数和偏度系数，根据上述判断标准，数据不符合正态分布。 S k =0，K u =0时，分布呈正态，Sk>0时，分布呈正偏态，Sk<0时，分布呈负偏 态，时，Ku>0曲线比较陡峭，Ku<0时曲线比较平坦。由此可判断本数据分布为正偏态（朝左偏），较陡峭。 （2）Tests of Normality：D检验和W检验均显示数据不服从正态分布，当然在此，数据样本量为1000，应以W检验为准。