正态分布：均值、标准差与区间概率

1. 公式
   观察依据

   畫面左側文字與右側圖形標註中出現 μ，如「μ = 1, σ = 0.5」、「μ = 0, σ = 1」、「μ = 0, σ = 2」以及「σ = 1, μ = 0 為標準常態分佈」。

$\mu$

常態分佈的位置參數，講者與畫面文字稱其影響圖形位置，對應「平均」。

實數

1. 公式
   观察依据

   畫面左側文字與右側圖形標註中出現 σ，如「μ = 1, σ = 0.5」、「μ = 0, σ = 1」、「μ = 0, σ = 2」以及「σ = 1, μ = 0 為標準常態分佈」。

$\sigma$

常態分佈的形狀參數，畫面文字稱其為「標準差」，影響鐘型曲線的寬窄與高矮。

正實數

1. 公式
   观察依据

   畫面左下方給出「補充: f(x) = $\frac{1}{\sqrt{2\pi}\sigma}$ e^{-$\frac{(x-\mu)^2}{2\sigma^2}$}」。

f(x)

常態分佈的機率密度函數。

x 為實數

1. 公式
   观察依据

   常態密度公式 f(x) 中出現 x；右側圖形的橫軸也標示 x。

x

常態密度函數的自變量，亦即圖形橫軸上的取值。

實數

1. 公式
   观察依据

   維基百科「內容」段落寫道「若 $\mu_n$ 是 n 次伯努利實驗中事件 A 出現的次數，0 < p < 1」。

$\mu_n$

n 次伯努利實驗中事件 A 出現的次數。

非負整數

1. 公式
   观察依据

   維基百科「內容」段落寫道「0 < p < 1」，並提到「參數為 n, p 的二項分佈」。

p

伯努利試驗中事件 A 發生的機率，也是二項分佈參數之一。

0<p<1

1. 公式
   观察依据

   維基百科「內容」段落寫道「n 次伯努利實驗」與「當 x_{n,k} 及 n $\to$ $\infty$ 時」。

n

伯努利實驗次數，也是二項分佈的另一個參數。

正整數

1. 公式
   观察依据

   維基百科「內容」段落寫道「(i) 當 a $\le$ x_k $\equiv$ $\frac{k-np}{\sqrt{npq}}$ $\le$ b (x_{n,k} 及 n $\to$ $\infty$ 時，一致地有」。

1. 畫面中同時出現 x_k 與 x_{n,k}，兩者關係未被講者另行說明。

x_{n,k}

標準化後的二項計數，公式中定義為 $\frac{k-np}{\sqrt{npq}}$。

實數

1. 公式
   观察依据

   維基百科「內容」段落公式中出現 $\sqrt{npq}$。

1. 片段內未看到 q 的獨立文字定義；僅能從二項分佈常見記號推測其與 p 互補。

q

本站补充：q=1-p为失败概率，原段公式未展开定义。

未在本片段內明確界定

1. 公式
   观察依据

   維基百科「內容」段落寫道「則對任意有限區間 [a,b]：(i) 當 a $\le$ x_k $\equiv$ $\frac{k-np}{\sqrt{npq}}$ $\le$ b」。

[a,b]

定理結論所取的任意有限區間。

實數區間

1. 公式
   观察依据

   維基百科「內容」段落公式右端出現 $\Phi$(x_{n,k})。

$\Phi$

標準常態分佈的累積分布函數。

實數

1. 公式
   观察依据

   投影片底部寫「補充: f(x)=1/(√(2π)σ)e^{-(x-μ)^2/(2σ^2)}」。

2. 图示
   观察依据

   右側圖形標出 μ=1, σ=0.5；μ=0, σ=1；μ=0, σ=2，顯示不同參數下鐘型曲線形狀與位置不同。

f(x), x, μ, σ, π, e

常態分佈的機率密度函數；x 為連續隨機變量的取值，μ 為平均數，σ 為標準差，π 為圓周率，e 為自然常數。

x∈ℝ；σ>0；μ∈ℝ

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

投影片以條列方式給出常態分佈的入門性質：它是連續型分佈，圖形為鐘型曲線；形狀受標準差影響，位置受平均影響；當 σ=1 且 μ=0 時為標準常態分佈；可用微積分求一段區域的機率；並提到 68% - 95% - 99.7% 經驗法則。

1. 常態分佈為連續型分佈

2. 圖形為鐘型曲線

3. σ 控制形狀，μ 控制位置

4. σ=1, μ=0 時為標準常態分佈

1. 公式
   观察依据

   投影片左下方寫出「補充: f(x) = $\frac{1}{\sqrt{2\pi}\sigma}$ e^{-$\frac{(x-\mu)^2}{2\sigma^2}$}」。

投影片直接給出常態分佈的密度函數形式，作為前面性質條目的補充。此處只展示公式本身，片段內沒有推導其來源。

1. x 為實數

2. σ>0

1. 常態分佈的基本性質

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

本片段把中央極限定理介紹為解釋「為何可用常態分佈逼近二項分佈」的一個說法，並先帶觀眾看它的簡單版本。講者未在此處給出完整嚴格敘述。

1. 作為常態分佈與二項分佈之間逼近關係的背景定理

1. 常態分佈的基本性質

1. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

原片引入二项分布的正态近似。本站区分：固定成功概率下，标准化二项计数趋于标准正态；未标准化计数所配的正态参数随试验数变化，只是有限阶段近似。原百科简介省略了这个区别。

1. 本站：固定成功概率严格介于零与一、独立同概率试验、标准化计数。

1. 常態分佈的基本性質
2. 中央極限定理的入門定位

1. 公式
   观察依据

   投影片條列「常態分佈是『連續型』的分佈」。

2. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

3. 图示
   观察依据

   投影片右側為平滑鐘型曲線，而非離散柱狀圖。

影片將常態分佈界定為連續型分佈，其圖形是平滑曲線；與二項分佈的離散柱狀圖不同，因此機率不是以單點概率來讀取，而是以區間面積來理解。 本站范围：这里的正态变量具有密度，单点概率为零；一般连续分布不一定都有密度，面积公式需存在密度。

1. 適用於連續型隨機變量

2. 與離散的柱狀分佈形成對比

1. 二項分佈以柱狀圖呈現

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 图示
   观察依据

   0–5 秒的網頁插圖顯示 Binomial p.m.f. 為柱狀圖，Normal p.d.f. 為平滑曲線。

影片用二項分佈作為對照，強調其圖形由多根柱子構成，屬於離散型表示；這也解釋了為何後續要用常態分佈去近似它時，必須從「點概率」轉換到「區間機率」的想法。

1. 用於與常態分佈比較

2. 二項分佈在此被視為離散型分佈

1. 公式
   观察依据

   投影片條列「用微積分可求『一段區域』的機率和」。

2. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

3. 图示
   观察依据

   后续实际 GeoGebra 显示三标准差灰色区域；这是区间面积的例子，不能误认成保留自定义上下界控制的区域。

影片提出的方法是：對常態分佈這類連續型曲線，不計算單一 x 值的機率，而是計算某個範圍內的機率；視覺上對應曲線下方的面積，數學上可用定積分表示。 本站范围：这里的正态变量具有密度，单点概率为零；一般连续分布不一定都有密度，面积公式需存在密度。

1. X 服從連續型分佈

2. a<b 為所求區間端點

3. f(x) 為機率密度函數

1. 常態分佈是連續型分佈
2. 常態分佈的機率密度函數

1. 公式
   观察依据

   投影片寫出 f(x)=1/(√(2π)σ)e^{-(x-μ)^2/(2σ^2)}。

2. 公式
   观察依据

   GeoGebra 寫出「常態分佈的機率密度函數 f(x)=1/(√(2π)·σ)·e^{(-1/2)((x-μ)/σ)^2}」。

3. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

影片給出常態分佈的密度函數，並用兩種等價寫法呈現：投影片使用 (x-μ)^2/(2σ^2)，GeoGebra 使用 (-1/2)((x-μ)/σ)^2。講者明確表示此處不要求推導公式本身，而是把它當作描述曲線形状的工具。

1. σ>0

2. x∈ℝ

3. μ 為平均數，σ 為標準差

1. 常態分佈是連續型分佈

1. 公式
   观察依据

   投影片條列「形狀受『標準差』的影響」。

2. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

3. 图示
   观察依据

   GeoGebra 中拖動 σ 滑桿時，曲線在 0.3 附近高瘦、在 2.3 附近低胖。

影片把 σ 解釋為標準差，並用動態圖形說明：σ 越小，曲線越尖、越集中；σ 越大，曲線越胖、越分散。這是對密度函數中尺度參數的直觀說明。

1. 固定 μ 觀察 σ 變化時更清楚

2. σ>0

1. 常態分佈的機率密度函數

1. 公式
   观察依据

   投影片條列「位置受『平均』的影響」。

2. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

3. 图示
   观察依据

   GeoGebra 中拖動 μ 滑桿時，曲線整體左右平移，峰值位置隨 μ 改變。

影片把 μ 解釋為算術平均數，並用滑桿演示說明：改變 μ 不會改變曲線的胖瘦，而是讓整條鐘型曲線沿橫軸左右移動，亦即改變分布的中心位置。

1. 固定 σ 觀察 μ 變化時更清楚

1. 常態分佈的機率密度函數

1. 公式
   观察依据

   投影片條列「σ=1, μ=0 為標準常態分佈」。

1. 影片未進一步展開標準化變換公式。

投影片直接標出當 μ=0 且 σ=1 時，對應的是標準常態分佈。影片此段主要把它作為常態分佈家族中的特殊參數情形提出，未在此片段內繼續推導標準化過程。

1. 均值為 0

2. 標準差為 1

1. 常態分佈的機率密度函數
2. 平均數控制常態曲線的位置
3. 標準差控制常態曲線的形狀

1. 公式
   观察依据

   投影片條列「68% - 95% - 99.7% 經驗法則」。

2. 图示
   观察依据

   GeoGebra 標題為「68-95-99.7的經驗法則」，並顯示「integral 3σ = 0.9973」。

1. 影片未逐字解釋 68%、95% 各自對應的區間端點。

影片以標題和數值提示常態分佈的經驗法則：約 68%、95%、99.7% 的機率分別落在不同倍數的標準差範圍內；其中 3σ 對應的數值在 GeoGebra 中顯示為 0.9973。此段重點是讓學習者認識這組常用面積比例。 本站补充：使用以均值为中心的标准差区域，界面中该选项独立于自定义上下界；显示小数为近似值。

1. 適用於常態分佈

2. 以標準差倍數界定區間

1. 常態分佈的機率密度函數
2. 連續分佈用區間面積表示機率
3. 標準差控制常態曲線的形狀

1. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

1. 講者口中的版本被稱為「比較簡單的版本」，但本片段未展開其完整假設與收斂條件。

原片引用的简介省略条件与标准化。本站准确版本：独立同分布变量具有有限均值和有限正方差时，标准化后的和或均值趋于标准正态，而非未标准化均值趋于非退化正态。

1. 本站：独立同分布、有限均值、有限正方差，并对和或均值中心化与缩放。

對「大量相互獨立的隨機變數」成立；本片段未寫出更完整的量詞與收斂條件。

1. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

原网页把随试验数变化的正态近似简称为极限。本站准确范围：固定p且0<p<1、q=1-p时，二项计数经减去np、除以根号npq后趋于标准正态；N(np,npq)是随n变化的近似族，不是固定极限分布。

1. 本站：固定p，0<p<1，q=1-p；独立同成功概率伯努利试验，并使用标准化计数。

在上述固定参数条件下，试验数趋于无穷时的标准化分布收敛。

1. 公式
   观察依据

   維基百科「內容」段落寫出「若 $\mu_n$ 是 n 次伯努利實驗中事件 A 出現的次數，0 < p < 1，則對任意有限區間 [a,b]：(i) 當 a $\le$ x_k $\equiv$ $\frac{k-np}{\sqrt{npq}}$ $\le$ b (x_{n,k} 及 n $\to$ $\infty$ 時，一致地有 P\{$\mu_n$ = k\} $\div$ $\left(\frac{1}{\sqrt{npq}} \cdot \frac{1}{\sqrt{2\pi}} e^{-\frac{1}{2}x_k^2}\right)$ $\to$ 1」。

1. 畫面中的符號同時出現 x_k 與 x_{n,k}，片段內未進一步說明兩者差別。

2. q 在本片段內未另行定義。

若 $\mu_n$ 是 n 次伯努利實驗中事件 A 出現的次數，0<p<1，則對任意有限區間 [a,b]，當 a$\le$ x_k$\equiv$$\frac{k-np}{\sqrt{npq}}$$\le$ b 且 n$\to$$\infty$ 時，一致地有 P\{$\mu_n$=k\}$\div$$\left(\frac{1}{\sqrt{npq}}\cdot\frac{1}{\sqrt{2\pi}}e^{-\frac12 x_k^2}\right)$$\to$ 1。

1. $\mu_n$ 為 n 次伯努利實驗中事件 A 出現的次數

2. 0<p<1

3. k 滿足 a$\le$ $\frac{k-np}{\sqrt{npq}}$$\le$ b

4. n$\to$$\infty$

5. 本站补充：p固定、q=1-p，k为整数且标准化值位于给定有限区间；此为局部极限而非视频证明。

對任意有限區間 [a,b] 內滿足條件的標準化點一致成立。

1. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

3. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

1. 此段僅在網頁畫面中出現，講者口頭未完整朗讀該定理內容。

原网页把随试验数变化的正态近似简称为极限。本站准确范围：固定p且0<p<1、q=1-p时，二项计数经减去np、除以根号npq后趋于标准正态；N(np,npq)是随n变化的近似族，不是固定极限分布。

1. 本站：固定p，0<p<1，q=1-p；独立同成功概率伯努利试验，并使用标准化计数。

在上述固定参数条件下，试验数趋于无穷时的标准化分布收敛。

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

2. 公式
   观察依据

   投影片條列「用微積分可求『一段區域』的機率和」。

对有密度的正态变量，单点概率定义为零；有意义的区间概率通过密度积分获得，不能把密度高度读作概率。原片的“不算单点”是教学简述。

1. 分佈為連續型

2. 使用機率密度曲線下的面積來表示機率

對影片討論的連續型常態分佈適用

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 动画
   观察依据

   調整 σ 時曲線高矮寬窄改變；調整 μ 時曲線左右平移。

常態分佈曲線的位置由平均數 μ 決定，寬窄與高度由標準差 σ 決定。

1. 考慮常態分佈

2. 使用同一族密度函數 f(x)

對影片所示的常態分佈參數調整過程成立。

1. 声音
   观察依据

   讲解将均值和标准差调整为标准正态的参数，并出现相应提示。

2. 图示
   观察依据

   綠色提示框寫「標準常態分佈：平均為 0 標準差為 1」。

平均為 0 且標準差為 1 的常態分佈稱為標準常態分佈。

1. 該分佈為常態分佈

對影片所示常態分佈族中的特例成立。

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

2. 图示
   观察依据

   橙色區域隨 a、b 改變而改變，probabilityfromatob 同步更新。

對連續型分佈，落在某區間內的機率可由該區間上密度函數下的面積求得。

1. 分佈為連續型

2. 已給出密度函數

3. 指定區間 [a,b]

對影片示範的常態分佈區間機率計算成立。

1. 声音
   观察依据

   讲解切换标准差区域，显示对应概率，并总结常用近似经验法则。

2. 图示
   观察依据

   畫面顯示 integral1σ=0.68269、integral2σ=0.9545、integral3σ=0.9973。

常態分佈中，落在均值 ±1σ、±2σ、±3σ 範圍內的機率分別約為 68%、95%、99.7%。

1. 分佈為常態分佈

2. 區間以均值為中心

對常態分佈的對稱區間近似成立。

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 图示
   观察依据

   維基百科右側圖題為「用常態分佈逼近二項分佈」，圖中淺藍色離散柱狀代表 Binomial p.m.f.，黑色平滑曲線代表 Normal p.d.f.。

1. 公式

   $$$$
   解释

   畫面先呈現二項分佈的離散概率質量，以一根根柱狀高度表示不同取值的機率。

   步骤依据

   來自維基百科插圖中的 Binomial p.m.f. 柱狀圖。

   视频直接表达
2. 公式

   $$$$
   解释

   接著在同一座標上疊加一條平滑的黑色常態密度曲線 Normal p.d.f.。

   步骤依据

   插圖同時畫出離散柱狀與連續曲線，用於比較兩者形狀。

   视频直接表达
3. 公式

   $$$$
   解释

   講者口頭把「把這個高點連起來」作為理解方式，說明當試驗次數很多時，這些離散高度的輪廓會接近常態曲線。

   步骤依据

   這是對圖形的直觀說明，不是嚴格證明步驟。

   视频直接表达

本片段用圖形與口述建立「二項分佈在大量試驗下可被常態分佈逼近」的直觀印象。 本站补充：固定成功概率且经过标准化才有严格分布极限；图示是近似直觉，并未证明定理。

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

3. 公式
   观察依据

   投影片標題為「常態分佈、中央極限定理初版」。

1. 此片段只交代動機與背景，未展示從二項分佈到常態近似的正式推導步驟。

1. 公式

   $$$$
   解释

   影片先從網頁中的 de Moivre-Laplace 定理切入，指出常態分佈可用來處理二項分佈的近似問題。

   步骤依据

   來自 0–5 秒網頁文字與講者開場口述。

   视频直接表达
2. 公式

   $$$$
   解释

   接著轉到投影片，講者說明在真正使用常態分佈模擬二項分佈之前，要先了解常態分佈本身的特性。

   步骤依据

   來自 5–17 秒音訊：「我們要先了解一下這個常態分佈的一個特性」。

   视频直接表达

本片段建立的是學習順序：先認識常態分佈的連續性、密度函數與參數影響，再談它如何近似二項分佈；但正式推導未在此 92 秒內完成。

1. 动画
   观察依据

   先設定 μ=0、σ=1，再勾選 probabilityfromatob，橙色區域出現。

2. 公式
   观察依据

   probabilityfromatob 的數值隨 a、b 即時變化。

1. 公式

   $$$$
   解释

   先把常態分佈調成標準常態分佈，使曲線中心在 0、尺度為 1。

   步骤依据

   影片先將 σ 調到 1、μ 調到 0，作為後續區間機率示範的基準。

   视频直接表达
2. 公式

   $$P(a\le X\le b)=\int_a^b f(x)\,dx$$
   解释

   將指定區間 [a,b] 對應到密度曲線下方的面積。

   步骤依据

   講者說明連續型分佈要算某個範圍的機率，畫面以橙色填充區間呈現。

   依据视频推导
3. 公式

   $$probabilityfromatob=0.81859$$
   解释

   當 a=-2、b=1 時，畫面給出该区間機率約 0.81859。

   步骤依据

   這是 GeoGebra 對該區間積分結果的直接數值顯示。

   视频直接表达

影片用互動面積示範說明：常態分佈中某區間的機率等於密度函數在該區間上的積分。

1. 动画
   观察依据

   依序勾選 integral1sd、integral2sd、integral3sd，對應綠色、棕色、灰色區域。

2. 公式
   观察依据

   畫面分別顯示 0.68269、0.9545、0.9973。

1. 公式

   $$P(|X-\mu|\le \sigma)\approx0.68269$$
   解释

   勾選 integral1sd 後，中央綠色區域代表均值左右各 1 個標準差的範圍。

   步骤依据

   畫面直接標示 integral1σ=0.68269。

   补充解释
2. 公式

   $$P(|X-\mu|\le 2\sigma)\approx0.9545$$
   解释

   勾選 integral2sd 後，棕色區域扩大到均值左右各 2 個標準差。

   步骤依据

   畫面直接標示 integral2σ=0.9545。

   补充解释
3. 公式

   $$P(|X-\mu|\le 3\sigma)\approx0.9973$$
   解释

   勾選 integral3sd 後，灰色區域涵蓋均值左右各 3 個標準差。

   步骤依据

   畫面直接標示 integral3σ=0.9973。

   补充解释
4. 公式

   $$68\%-95\%-99.7\%$$
   解释

   講者把上述三個數值口語化並要求記住。

   步骤依据

   音訊中明確背誦「一個標準差是 68，兩個標準差 95，三個標準差 99.7」。

   视频直接表达

影片以三層嵌套區域把常態分佈的集中程度視覺化，並歸納出 68-95-99.7 經驗法則。 本站记号将有限显示精度的数值写为近似，不冒充精确等式。

1. 图示
   观察依据

   实际画面显示 μ=6.3、σ=1.4、a=5、b=7.5；灰色区域属于均值两侧各三个标准差，读数 integral3σ≈0.9973，而非所保留上下界的阴影。

2. 图示
   观察依据

   拖動 σ 滑桿時，數值可見 2.3、1.4、0.3、0.7、0.4 等，曲線隨之變胖或變尖。

3. 图示
   观察依据

   拖動 μ 滑桿時，數值可見 -1.4、1.4、9.4、6.3 等，曲線整體左右平移。

4. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

1. 「integral 1sd」對應的完整數值未在可見畫面中清楚讀取。

观察正态密度曲线的标准差区域与参数变化；区分当前三标准差阴影和旁边保留的自定义区间标签。

1. f(x)=1/(√(2π)σ)e^{(-1/2)((x-μ)/σ)^2}

2. 初始 μ=6.3

3. 初始 σ=1.4

4. 保留的自定义下界标签 a=5，当前未控制灰色区域

5. 保留的自定义上界标签 b=7.5，当前未控制灰色区域

6. 畫面標示 integral 3σ=0.9973

用動態圖形理解常態分佈的區間機率、標準差對形状的影響、平均數對位置的影響。

1. 公式

   $$P(5\le X\le 7.5)=\int_{5}^{7.5} f(x)\,dx$$
   解释

   这条保留的积分公式仅表示如果选择自定义区间，则计算 5 到 7.5 的概率；当前实际灰色区域是均值两侧各三个标准差，不是该自定义区间。

   步骤依据

   重新核验同源画面：保留 a=5、b=7.5，但灰色区域随标准差变化，显示三标准差概率；区间积分公式为本站说明，不冒充当前勾选项。

   补充解释
2. 公式

   $$\sigma: 2.3\to 1.4\to 0.3$$
   解释

   講者拖動 σ 滑桿，畫面中曲線從較低胖逐漸變成較高瘦，說明標準差越小曲線越尖。

   步骤依据

   以下时间是当前92秒分析段内的局部时间：來自 66–78 秒動畫與同段音訊解說。

   视频直接表达
3. 公式

   $$\sigma: 0.3\to 0.7\to 2.3$$
   解释

   反向拖動 σ 時，曲線又從尖瘦變回寬胖，說明標準差越大曲線越胖。

   步骤依据

   以下时间是当前92秒分析段内的局部时间：來自 72–80 秒動畫與同段音訊解說。

   视频直接表达
4. 公式

   $$\mu: 6.3\to -1.4\to 1.4\to 9.4\to 6.3$$
   解释

   講者接著拖動 μ 滑桿，曲線形狀大致不變，但中心位置左右移動，說明平均數決定位置。

   步骤依据

   以下时间是当前92秒分析段内的局部时间：來自 83–92 秒動畫與同段音訊解說。

   视频直接表达

影片示範結論：常態分佈的區間機率等於密度曲線下方對應面積；σ 控制胖瘦，μ 控制左右位置。

重新核验实际画面：三标准差灰色边界随标准差改变、随均值平移，保留上下界标签不变；它们不能作为当前阴影边界的证据。

1. 图示
   观察依据

   左側滑桿顯示 a=-2、b=1，橙色區域覆蓋 x=-2 到 x=1。

2. 公式
   观察依据

   畫面顯示 probabilityfromatob = 0.81859。

3. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

在 μ=0、σ=1 的標準常態分佈下，求 X 落在 -2 到 1 之間的機率。

1. μ=0

2. σ=1

3. a=-2

4. b=1

計算 P(-2$\le$ X$\le$ 1)。

1. 公式

   $$P(-2\le X\le 1)=\int_{-2}^{1} f(x)\,dx$$
   解释

   把區間機率寫成密度函數在 [-2,1] 上的積分。

   步骤依据

   影片說明連續型分佈要算範圍機率，並以面積表示。

   依据视频推导
2. 公式

   $$probabilityfromatob=0.81859$$
   解释

   GeoGebra 直接給出該區間積分值。

   步骤依据

   畫面數值顯示。

   视频直接表达

約 0.81859

可與標準常態分佈表或數值積分結果核對；影片本身以互動面積與數值欄位驗證。

1. 图示
   观察依据

   a=-2、b=2 時橙色區域覆蓋 -2 到 2。

2. 公式
   观察依据

   畫面顯示 probabilityfromatob = 0.9545。

在 μ=0、σ=1 的標準常態分佈下，求 X 落在 -2 到 2 之間的機率。

1. μ=0

2. σ=1

3. a=-2

4. b=2

計算 P(-2$\le$ X$\le$ 2)。

1. 公式

   $$P(-2\le X\le 2)=\int_{-2}^{2} f(x)\,dx$$
   解释

   將對稱區間機率寫成密度函數積分。

   步骤依据

   沿用影片所示的區間面積法。

   依据视频推导
2. 公式

   $$probabilityfromatob=0.9545$$
   解释

   畫面直接給出數值。

   步骤依据

   GeoGebra 數值顯示。

   视频直接表达

约0.9545

與後文 integral2σ=0.9545 一致，可交叉檢查。

1. 图示
   观察依据

   投影片右側繪有三條鐘型曲線，分別標為「μ = 1, σ = 0.5」（青色）、「μ = 0, σ = 1」（黃色）、「μ = 0, σ = 2」（粉紅色），橫軸標示 -3,-2,-1,1,2,3，縱軸標示 y。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

1. 三條鐘型曲線

2. 直角坐標系

3. 左側條列文字

4. 底部密度函數公式

1. 不同顏色曲線對應不同的 μ 與 σ 組合

2. σ 較大時曲線較矮較寬，σ 較小時曲線較高較窄

3. μ 改變時曲線整體左右平移

1. 三條曲線都呈鐘型且關於各自中心對稱

2. 圖形都在同一坐標系中比較

該圖用三條不同參數的常態曲線示範：μ 決定位置，σ 決定形狀；並配合左側文字說明標準常態分佈與密度公式。

1. 图示
   观察依据

   畫面切到維基百科「中央極限定理」條目，右側可見標題為「Histogram of ProportionOfHeads」的直方圖，橫軸為 ProportionOfHeads，縱軸為 Frequency。

2. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

1. 維基百科條目首段

2. Histogram of ProportionOfHeads 直方圖

3. 滑鼠游標

1. 游標在首段文字附近移動並選取部分句子

2. 頁面從投影片切換到網頁

1. 條目主題為中央極限定理

2. 右側圖示以頻數直方圖呈現比例分佈

這一幕把抽象定理與一個關於正面比例的直方圖並列，呼應講者所說的「平均的分佈會以常態分佈為極限」。 本站提醒：网页简介省略假设与标准化，不能按字面当成一般严格极限定理；配套说明给出准确范围。

1. 图示
   观察依据

   頁面捲動到「棣莫弗-拉普拉斯定理」與「內容」段落，右側插圖標題為「用常態分佈逼近二項分佈」，圖例含「Normal p.d.f.」與「Binomial p.m.f.」。

2. 公式
   观察依据

   「內容」段落顯示涉及 $\mu_n$、n、p、[a,b]、x_k、$\Phi$ 的公式。

1. 「歷史」引文區塊

2. 「棣莫弗-拉普拉斯定理」標題

3. 「內容」公式段落

4. 右側逼近示意圖

5. 滑鼠游標

1. 頁面由上方條目首段捲動到歷史與定理段落

2. 游標在公式與右側圖形間移動

3. 右側圖中離散柱狀與連續曲線被用來對照

1. 主題始終是二項分佈與常態分佈的極限關係

2. 插圖持續顯示同一組 Normal p.d.f. 與 Binomial p.m.f. 對照

這一幕把 de Moivre-Laplace 定理放在中央極限定理的歷史脈絡中，並以公式與圖形同時展示「二項分佈趨近常態分佈」的核心想法。 本站提醒：网页简介省略假设与标准化，不能按字面当成一般严格极限定理；配套说明给出准确范围。

1. 图示
   观察依据

   畫面為中文維基百科頁面，標題「棣莫弗-拉普拉斯定理」，右側插圖同時顯示 Normal p.d.f. 曲線與 Binomial p.m.f. 柱狀圖。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

1. 維基百科文字區塊

2. Normal p.d.f. 曲線

3. Binomial p.m.f. 柱狀圖

4. 橫軸 k

5. 縱軸 P(X=k)

1. 畫面停留在網頁說明與插圖，作為本段主題的背景引入

1. 插圖持續對照連續曲線與離散柱狀圖

視覺上先建立「常態分佈可用來近似二項分佈」的主題脈絡。

1. 图示
   观察依据

   黑底投影片標題「常態分佈、中央極限定理初版」，左側條列性質，右側繪有三條鐘型曲線。

2. 动画
   观察依据

   綠色手寫標記先後圈起「鐘型曲線」、「連續型」，並在下方畫出數根直線，模擬柱狀圖。

1. 條列文字

2. 三條常態曲線

3. μ=1, σ=0.5

4. μ=0, σ=1

5. μ=0, σ=2

6. 綠色手寫標記

1. 先圈出「鐘型曲線」

2. 再圈出「連續型」

3. 接著在下方畫出多根直線，對比離散柱狀圖

4. 最後在「用微積分可求一段區域的機率和」旁做標記

1. 右側三條曲線的基本參數標示不變

2. 密度函數公式持續顯示在投影片下方

動畫把抽象性質逐條對應到視覺特徵：鐘型、連續、與柱狀圖不同、以及用面積求機率。

1. 动画
   观察依据

   σ 滑桿被拖動，數值在 2.3、1.4、0.3、0.7、0.4 等之間變化。

2. 图示
   观察依据

   曲線隨 σ 變小而變高變窄，隨 σ 變大而變低變寬。

1. σ 滑桿

2. 常態密度曲線

3. 灰色陰影區間

4. 坐標軸

1. σ 增大時曲線變胖、峰值降低

2. σ 減小時曲線變尖、峰值升高

3. 当前三标准差灰色边界随标准差改变；均值固定时，它不是同一个固定横轴范围。

1. μ 在此階段保持 6.3

2. a=5、b=7.5 标签保留不变，但不是当前三标准差阴影的上下界。

動畫直接驗證投影片所述「形狀受標準差的影響」。

1. 动画
   观察依据

   μ 滑桿被拖動，數值可見 -1.4、1.4、9.4、6.3。

2. 图示
   观察依据

   曲線整體左右平移，峰值位置隨 μ 改變。

1. μ 滑桿

2. 常態密度曲線

3. 坐標軸

1. μ 改變時曲線中心左右移動

2. 曲線胖瘦基本保持

1. σ 在此階段保持 1.3

2. a=5、b=7.5 的標示未改

動畫直接驗證投影片所述「位置受平均的影響」。

1. 动画
   观察依据

   σ 從 1.3 調到 1，μ 從 6 調到 0，曲線先變高再左移到中心 0。

2. 图示
   观察依据

   左側有 σ、μ、a、b 四個滑桿與中文標籤。

1. 紫色常態曲線

2. σ 滑桿

3. μ 滑桿

4. 座標軸

1. σ 減小時曲線變高、變窄

2. μ 減小時曲線整體左移

3. 曲線峰值對應到 x=μ

1. 曲線仍為鐘形常態密度曲線

2. 總面積仍代表機率 1

視覺上說明 μ 控制位置、σ 控制散布程度。

1. 图示
   观察依据

   綠色提示框寫「標準常態分佈：平均為 0 標準差為 1」，箭頭指向曲線。

1. 綠色提示框

2. 箭頭

3. 標準常態曲線

1. 提示框在 σ=1、μ=0 時出現

1. 提示框內容固定為平均 0、標準差 1

把當前參數狀態命名為標準常態分佈。

1. 动画
   观察依据

   勾選 probabilityfromatob 後，曲線下方出現橙色區域；拖動 a、b 時區域寬窄即時改變。

2. 公式
   观察依据

   probabilityfromatob 數值隨 a、b 更新。

1. 橙色填充區域

2. a 滑桿

3. b 滑桿

4. probabilityfromatob 數值欄

1. a 右移或左移會改變左邊界

2. b 右移或左移會改變右邊界

3. 面積大小與 probabilityfromatob 同步變化

1. 面積始終位於密度曲線下方

2. 區間機率由 [a,b] 決定

把抽象的積分機率轉成可見面積。

1. 动画
   观察依据

   依序勾選 integral1sd、integral2sd、integral3sd，出現綠、棕、灰三層區域。

2. 公式
   观察依据

   分別顯示 0.68269、0.9545、0.9973。

1. 綠色 integral1σ 區域

2. 棕色 integral2σ 區域

3. 灰色 integral3σ 區域

4. 常態曲線

1. 勾選不同 checkbox 時顯示不同層次的對稱區域

2. 區域寬度依 1σ、2σ、3σ 擴大

1. 三組區域都以均值為中心對稱

2. 數值分別對應 0.68269、0.9545、0.9973

用嵌套面積直觀展示資料集中在均值附近的比例。

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

初學者容易認為第一次接觸中央極限定理就必須完全理解其嚴格敘證。

原片采用先留印象的入门策略，但未标准化均值趋于正态的简述不能按字面推广。本站补充：常用中央极限定理要求独立同分布、有限正方差，收敛对象是中心化、按尺度调整的和或均值；原片未证明这些条件下的严格结论。

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

2. 公式
   观察依据

   投影片條列「用微積分可求『一段區域』的機率和」。

沿用離散柱狀圖的想法，試圖直接讀出常態分佈在某一個點的機率。

影片強調常態分佈是連續型曲線，應改看某一範圍內曲線下方的面積，也就是區間機率。

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

認為若無法理解 f(x) 公式的由來，就不能掌握常態分佈的特性。

影片此段的立場是先把它當作描述工具，重點放在參數 μ、σ 對圖形的影響，以及區間面積代表機率這件事。

1. 声音
   观察依据

   讲解切换标准差区域，显示对应概率，并总结常用近似经验法则。

學習者可能以為這組數字只是記憶口訣，與實際計算無關。

影片說明這些值來自常態密度函數的積分計算，經驗法則只是把計算結果簡化成方便估算的形式。

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

原片用中央极限定理介绍正态近似背景；本站限定为适当条件下的标准化和或均值，不是所有原始分布变为正态。

1. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

de Moivre-Laplace 定理在本片段中被定位為中央極限定理針對二項分佈情形的最初版本。

1. 公式
   观察依据

   投影片底部給出 f(x)=$\frac{1}{\sqrt{2\pi}\sigma}$e^{-$\frac{(x-\mu)^2}{2\sigma^2}$}，上方文字同時說明 μ 影響位置、σ 影響形狀。

密度函數公式是前面常態分佈性質的解析表達，μ 與 σ 在公式中的角色對應圖形的位置與形狀變化。

1. 图示
   观察依据

   右側插圖同時畫出 Binomial p.m.f. 的離散柱狀與 Normal p.d.f. 的連續曲線，標題為「用常態分佈逼近二項分佈」。

2. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

圖形把 de Moivre-Laplace 定理的核心結論視覺化：二項分佈的離散概率質量在大量試驗下可由常態密度曲線逼近。

1. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

影片把常態分佈作為近似／模擬二項分佈的工具，這一應用動機來自開頭網頁中的 de Moivre-Laplace 定理。

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

2. 公式
   观察依据

   投影片寫「用微積分可求一段區域的機率和」。

对这里具有密度的正态分布，区间概率由密度积分给出；本站明确，一般连续性本身不足以推出存在密度。

1. 公式
   观察依据

   密度函數中同時出現 μ 與 σ。

2. 图示
   观察依据

   GeoGebra 分別拖動 σ 與 μ 時，曲線形状與位置隨之改變。

標準差對形状的影響是密度函數中 σ 參數的幾何表現，屬於同一公式下的參數解讀。

1. 公式
   观察依据

   密度函數中含有 (x-μ)^2 或 ((x-μ)/σ)^2。

2. 图示
   观察依据

   拖動 μ 時曲線左右平移。

平均數對位置的影響同樣是密度函數中 μ 參數的幾何表現。

1. 公式
   观察依据

   投影片寫「σ=1, μ=0 為標準常態分佈」。

標準常態分佈是一般常態密度函數在 μ=0、σ=1 時的特殊參數情形。

1. 公式
   观察依据

   投影片寫「68% - 95% - 99.7% 經驗法則」。

2. 图示
   观察依据

   GeoGebra 顯示 integral 3σ=0.9973。

68-95-99.7 經驗法則是在常態分佈上用區間面積讀取機率的典型應用。

1. 声音
   观察依据

   讲解将均值和标准差调整为标准正态的参数，并出现相应提示。

2. 图示
   观察依据

   同一張圖中先有一般常態曲線，後調成 μ=0、σ=1 並加上標準常態提示框。

標準常態分佈是常態分佈在 μ=0、σ=1 時的特例。

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

2. 动画
   观察依据

   勾選 probabilityfromatob 後，密度曲線下方出現可拖曳區間面積。

區間機率方法是對常態密度函數做積分應用。

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

1. 常態分佈的基本性質
2. 常態分佈機率密度函數

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

1. 中央極限定理的入門定位
2. 棣莫弗-拉普拉斯定理
3. 由離散柱狀圖到平滑常態曲線的直觀逼近

1. 声音
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

2. 字幕依据
   观察依据

   讲解引用百科页面与二项柱状图，作为正态近似的入门背景；简介没有给出完整假设和标准化解释。

1. 中央極限定理的入門定位
2. 中央極限定理的簡述

1. 公式
   观察依据

   維基百科「內容」段落顯示 P\{$\mu_n$ = k\} $\div$ $\left(\frac{1}{\sqrt{npq}} \cdot \frac{1}{\sqrt{2\pi}} e^{-\frac{1}{2}x_k^2}\right)$ $\to$ 1。

1. q 的定義未在本片段內明示。

1. 棣莫弗-拉普拉斯定理
2. 棣莫弗-拉普拉斯定理的局部形式

1. 字幕依据
   观察依据

   讲解将均值和标准差调整为标准正态的参数，并出现相应提示。

1. 常態分佈的基本性質

1. 声音
   观察依据

   讲解用密度曲线下的区间阴影表示概率，并与离散柱状图作对照。

1. 常態分佈是連續型分佈
2. 二項分佈以柱狀圖呈現
3. 連續分佈用區間面積表示機率

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 动画
   观察依据

   σ 滑桿拖動時曲線同步變窄或變寬。

1. 標準差控制常態曲線的形狀
2. 常態分佈的機率密度函數

1. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 动画
   观察依据

   μ 滑桿拖動時曲線左右平移。

1. 平均數控制常態曲線的位置
2. 常態分佈的機率密度函數

1. 公式
   观察依据

   投影片與 GeoGebra 都出現 68-95-99.7 經驗法則。

2. 图示
   观察依据

   GeoGebra 標示 integral 3σ=0.9973。

1. 影片未完整逐字說明 68% 與 95% 的對應區間端點。

1. 68-95-99.7 經驗法則
2. 連續分佈用區間面積表示機率

1. 字幕依据
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

2. 声音
   观察依据

   讲解将正态密度公式、均值和标准差参数与图形位置、宽窄及相应演示连接起来。

1. 此片段未展示正式推導，只給出主題連結。

1. 常態分佈是連續型分佈
2. 二項分佈以柱狀圖呈現
3. 以常態分佈模擬二項分佈的動機說明

1. 声音
   观察依据

   讲解将均值和标准差调整为标准正态的参数，并出现相应提示。

2. 图示
   观察依据

   綠色提示框寫出平均 0、標準差 1。

1. 標準常態分佈

1. 动画
   观察依据

   σ 改變時曲線高矮寬窄改變。

1. 常態分佈的機率密度函數