u：数学期望或均值，是最有可能出现的结果。
σ2：方差，数据的分散程度。
正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ，σ2）。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
扩展资料：
正态分布曲线性质：
1、当x＜μ时，曲线上升；当x＞μ时，曲线下降。
当曲线向左右两边无限延伸时，以x轴为渐近线。
2、正态曲线关于直线x=μ对称。
3、σ越大，正态曲线越扁平；σ越小，正态曲线越尖陡。
4、在正态曲线下方和x轴上方范围内区域面积为1。
3σ原则：
P(μ-σ＜X≤μ-σ)=68.3%
P(μ-2σ＜X≤μ-2σ)=95.4%
P(μ-3σ＜X≤μ-3σ)=99.7%
参考资料来源：百度百科-正态分布
在正态分布曲线中，μ（读作mu）代表均值，σ^2（读作sigma的平方）代表方差。
均值（μ）表示数据的中心位置：在正态分布曲线中，均值是曲线的对称中心点，也是数据的平均值。它代表了数据整体的中心位置，可以理解为数据的“平均水平”。
方差（σ^2）表示数据的离散程度：在正态分布曲线中，方差决定了曲线的陡峭程度。方差越大，曲线越扁平，表示数据的离散程度越高；方差越小，曲线越陡峭，表示数据的离散程度越低。方差是数据偏离均值的平均平方距离，可以理解为数据的“离散程度”。
通过控制均值和方差，正态分布曲线可以具有不同的形状和特征。例如，当均值为0，方差为1时，正态分布曲线呈现标准正态分布，具有对称性；当均值不为0，方差不为1时，曲线会发生平移和拉伸，但整体形状仍然是钟形曲线。
通俗地说，均值和方差可以帮助我们理解数据的中心位置和离散程度。它们是统计学中一些重要的描述性统计量，用于分析和描述数据集的特征。
sigma^2: 方差，数据的分散程度。追问
为什么一个随机变量服从正态分布的特点之一是其取值在平均值附近概率最大。为什么是平均值处？谢谢。
追答密度函数最大值处，就是概率最大的地方，你可以看到密度函数在u处取最大值。
密度函数也是似然(likelihood)函数,似然就是可能性。比如，你要挖钻石，如果有人告诉你u处密度最大，你应在哪里挖？当然是u处。
谢谢。
本回答被提问者采纳σ2：方差，数据的分散程度。
正态分布具有两个参数μ和σ^2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ^2是此随机变量的方差，所以正态分布记作N（μ，σ2）。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
μ=(x1+x2+...+xn)/n
σ^2 = [ (x1-μ)^2+(x2-μ)^2+....+(xn-μ)^2 ]/n追问
有图吗？谢谢。