概率分布函數是概率密度函數的積分。根據該函數，我們可了解某事件在給定的時間段內發生的概率(見方程式 1.3 與圖 1.3)。舉例來說，我們可以假定圖 1.4 為噪聲概率分布函數，該函數告訴我們，在任意時間點上，在 -1V 與 +1V 之間(即 (-1, 1) 區間內)檢測到噪聲電壓的概率為 30%。

?

　　方程式 1.3: 概率分布函數

?

　　圖 1.3: 概率密度函數與概率分布函數

　　概率分布函數對我們將 RMS熱噪聲電壓轉化為峰峰值噪聲非常有用。請注意，高斯分布曲線的尾部是無限延伸的，這就是說，任何噪聲電壓都是可能的。盡管理論上確實如此，但就實際情況而言，極大的瞬時噪聲電壓發生的可能性不大。舉例來說，我們檢測到噪聲電壓在 -3σ 與 +3σ 之間的概率為 99.7 %。換言之，噪聲電壓超出該范圍的概率僅有0.3 %。因此，我們通常將噪聲信號的峰值估算為±3σ(即 6σ)。請注意，也有些工程師將噪聲的峰值估算為 6.6σ。人們對到底如何估計這個數值沒有定論。圖 1.4 顯示，68% 的噪聲都會不超過 2σ。表 1.1 總結了測量噪聲電壓時標準偏差與概率之間的關系。

?

　　圖 1.4: 標準偏差與峰值噪聲間的關系

?

　　表 1.1: 標準偏差數與測量概率百分比

　　因此，在一定的標準偏差條件下，我們可以根據關系式來估算峰值對峰值噪聲。不過，總體來說，我們還是希望將 RMS 噪聲電壓轉化為峰峰值噪聲。人們常常假定 RMS 與標準偏差相同，不過事實并非總是如此。這兩個值只有在不存在 DC 元件(DC 元件為平均值 μ)的情況下才相同。就熱噪聲而言，由于沒有 DC 元件，因此標準偏差與 RMS 值相等。我們在附錄中舉出了“標準偏差與 RMS 相等”和“標準偏差與 RMS 不相等”兩個不同的示例。

　　文章開頭就給出了計算 RMS 熱噪聲電壓的方程式。還有一種計算 RMS 噪聲電壓的方法就是先測量大量離散點，然后采用統計學方法估算標準偏差。舉例來說，如果我們從模數 (A/D) 轉換器中獲得大量采樣，那么我們就能運用方程式 1.4, 1.5 及 1.6 來計算噪聲信號的平均偏差、標準偏差以及 RMS 值。附錄中的示例 1.3 顯示了在 Basic程序中如何運用上述方程式。我們在附錄中還列出了一組更全面的統計方程供您參考。

?

　　方程式 1.4、1.5、1.6：離散數據的統計方程