正态分布长什么样#

正态分布的概率密度函数长这样：

这里 $\mu$ 是均值，决定钟形曲线的中心位置；$\sigma$ 是标准差，决定曲线的胖瘦。$\sigma$ 越小，曲线越瘦高，数据越集中；$\sigma$ 越大，曲线越扁平，数据越分散。

为什么正态分布这么重要#

答案藏在中心极限定理里。这个定理说的是：不管原来的分布长什么样子，只要样本量足够大，样本均值的分布就会趋近于正态分布。

换句话说，哪怕你从一个完全不对称的分布里抽样——比如掷骰子的点数分布是均匀的——但你每次取 $n=30$ 个骰子的平均值，重复很多次，这些平均值画出来的直方图就会越来越像正态分布。这就是为什么现实中那么多东西都近似正态：因为很多东西本身就是大量微小因素叠加的结果。

高尔顿钉板：最直观的演示#

想象一个竖直的板子，上面钉满了交错排列的钉子。从顶部中央倒下一把小球，每个球碰到钉子后随机向左或向右落。经过很多层钉子后，最终落入底部槽中的球的数量分布——就是正态分布！

每个球经过的路径本身是一个二项分布 $B(n, 0.5)$，但当 $n$ 很大时，二项分布就趋近于正态分布了。这正是中心极限定理的生动写照。

68-95-99.7 法则#

正态分布有个特别好记的经验法则：

• 约 68% 的数据落在 $\mu \pm \sigma$ 范围内
• 约 95% 的数据落在 $\mu \pm 2\sigma$ 范围内
• 约 99.7% 的数据落在 $\mu \pm 3\sigma$ 范围内

这也是为什么质量控制里的「六西格玛」那么有名——$6\sigma$ 范围内的缺陷率只有百万分之三点四。

一点小感悟#

YuKi 觉得，正态分布最美的地方在于它揭示了随机性的秩序。看起来乱七八糟的个体，聚集起来居然呈现如此优雅的规律。就像每个人都是独特的，但放在一起看，我们又都在钟形曲线的某个位置上。

好啦～今天的数学小课堂就到这里！下次想听 YuKi 讲什么呀？贝叶斯定理？还是大数定律？评论区见～ 🎀✨