1.「色谱通识」色谱柱效和理论塔板数（N）
2.x~ u是高斯高分布吗？
3.正态分布的期望值和方差是什么？
4.为什么用分离度r作为色谱柱的总分离效能指标
5.正态分布（Normal分布 z分布）
「色谱通识」色谱柱效和理论塔板数（N）
色谱柱的效能关键在于其峰形的锐利度和样品成分的快速分离。峰形通常表现为高斯分布，分布分布随着保留时间的指标推移，峰宽会增大。源码柱内谱带的啥意思均匀加宽是色谱分离过程的基础。理论塔板数(N)，高斯高点控神兽源码作为衡量色谱柱柱效的分布分布重要指标，计算方法是指标保留时间除以峰的标准偏差的平方。对于典型的源码高斯峰，峰宽(wb)等于4。啥意思
如图所示，高斯高计算N时，分布分布通常会采用半高宽度(w1/2)来简化测量，指标因为w1/2对于高斯峰的源码值为2.（参见图2.2）。值得注意的啥意思是，理论塔板数的测量必须在等度洗脱条件下进行。以上内容摘自Michael W. Dong的《HPLC AND UHPLC FOR PRACTICING SCIENTISTS》一书，最初发表在文亮频道。看图找茬源码
x~ u是分布吗？
x~u是分布表示随机变量X服从区间[a,b]上的均匀分布。设连续型随机变量X的分布函数为F(x)=(x-a)/(b-a),a≤x≤b则称随机变量X服从[a,b]上的均匀分布,记为X~U[a,b]，若[x1,x2]是[a,b]的任一子区间,则P{ x1≤x≤x2}=(x2-x1)/(b-a)这表明X落在[a,b]的子区间内的概率只与子区间长度有关,而与子区间位置无关。
因此X落在[a,b]的长度相等的子区间内的可能性是相等的,所谓的均匀指的就是这种等可能性，在实际问题中，当我们无法区分在区间[a,b]内取值的随机变量X取不同值的可能性有何不同时,我们就可以假定X服从[a,b]上的均匀分布。正态分布，也称“常态分布”。
又名高斯分布，最早由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。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。
注意：
平均把总数按份儿均匀计算，均匀分布或分配在各部分的源码缺陷检测数量相同。平均数是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数，它是反映数据集中趋势的一项指标。
平均更趋向于数量上的平均分配，而均匀指的是在物质的混合过程中的匀一程度。平均数就是把所有的数字相加然后除以数字的个数，然后就可以得出平均数了，把所有的分数乘以对应的权数然后全部加起来，再除以所有的权数之和就可以得出加权平均数了。
正态分布的期望值和方差是什么？
正态分布，即高斯分布，是数学、物理和工程等领域广泛应用的概率分布，对统计学具有深远影响。该分布的核心概念包括期望值和方差。
首先，期望值E(ξ)，制图网源码通常用μ表示，它是随机变量X的数学期望，表示随机变量取值的平均趋势。计算方法是所有可能取值乘以其概率的和，即E(ξ) = x1*p1 + x2*p2 + ... + xn*pn，这里的x1, x2, ..., xn是可能的取值，p1, p2, ..., pn是对应的概率。
其次，方差是衡量随机变量分布离散程度的一个重要指标，用s²表示。方差的公式为s² = 1/n * [(x1-μ)² + (x2-μ)² + ... + (xn-μ)²]，其中μ再次强调了期望值的位置，n则是样本的数量。方差越大，表示数据的波动性越大；反之，方差越小，数据越集中。11010010的源码
正态分布的形状由期望值μ和方差σ²共同决定。μ决定了分布的中心位置，而σ²则决定了分布的宽度或分散程度。由于其曲线呈钟形，我们有时也称其为钟形曲线。标准正态分布是特别的，其期望值μ为0，标准差σ为1，这是最基础且最常用的正态分布形式。
为什么用分离度r作为色谱柱的总分离效能指标
色谱柱总分离效能指标之一——分离度R，是衡量色谱柱分离效果的关键参数。R值的大小，反映了相邻色谱峰的分离程度，其计算公式为两峰保留时间之差的两倍除以两峰峰基宽之和。R值越大，相邻色谱峰的分离效果越好。当峰的形状为等腰三角形时，R=1即达到了基线分离，而当峰的形状为高斯分布时，R=1意味着大约.4%的裸露峰面积和2%的内侧峰基重叠。
《中国药典》规定R值应大于1.5以确保完全分离。R=1.5时，意味着裸露峰面积达到.7%，重叠部分仅占约0.3%，低于正常分析误差的3%，故此情况下认为色谱峰已达到基线分离状态。由此可见，R值是评价色谱柱分离效果的重要指标，其数值大小直接关系到分析结果的准确性和可靠性。
此外，R值的大小也影响到分离效率和分辨率。在实际应用中，选择合适的色谱柱，调节柱温、流动相等参数，以达到理想的R值，从而获得更好的分离效果。通过优化实验条件，可以有效提高色谱分析的准确性和精确度，为科学研究和产品质量控制提供可靠的数据支持。
正态分布（Normal分布 z分布）
探索正态分布的奥秘 正态分布，又名高斯分布，是自然界中无处不在的概率分布，它以直观的钟形曲线描绘了众多现象的分布特性。让我们通过几个生动的实例来理解正态分布的精髓：成年人身高分布
我们都知道，成年人的身高通常呈现正态分布，但男女差异使得它更像两个正态分布的叠加。有趣的是，尽管整体上看近乎对称，性别差异却让这个分布呈现出微妙的双峰特性。工资收入的分布
尽管工资收入在理论上应该接近正态分布，现实却往往带有一些偏差。在许多情况下，职工工资分布可能表现出右偏态，即少数人拥有较高收入，而最低工资标准以下几乎不包含任何人口。这种现象反映了社会收入分配的不均衡。公交车硬币发行日期
硬币发行日期的分布往往呈现左偏态，因为新发行的硬币较多，而未来发行的则几乎不存在。这一现象揭示了时间序列数据的动态变化规律。 正态分布的核心是其概率密度函数（PDF），以p(x)的形式定义，其图形以均值μ为中心，标准差σ决定了分布的宽度。正态分布的特殊之处在于，以μ为中心的±σ、±2σ和±3σ区间，分别对应.%、.%和.%的概率，这是其著名的“--.7法则”。 计算正态分布的概率，我们可以借助累积分布函数(CDF)。CDF是PDF从负无穷到某点的积分，它直观地表示了横轴上某一区间包含的概率。通过Python的Sympy库，我们可以方便地计算这些概率，比如区间(μ-σ,μ+σ)内的面积，即.%的概率。 标准正态分布的魅力标准正态分布简化了正态分布的概念，它的均值μ调整为0，标准差σ调整为1，这使得它在许多统计分析中成为基准。这个标准化的分布，尽管中心点和尺度有所改变，但其核心的对称性和概率分布特性依然保持。
偏度的洞察
偏度是衡量正态分布对称性的指标。正偏态（右尾较长）和负偏态（左尾较长）揭示了数据分布的不对称性。理解偏度有助于我们更好地分析和解释现实世界中的数据分布趋势。 正态分布的理论与应用广泛，从生物学、经济学到社会学，无处不在。通过理解这些基本概念，我们能够更好地解读和预测各种自然和社会现象。