正态分布直觉：为什么钟形曲线无处不在

钟形曲线是整个统计学中被复用最多的模式——身高、智商分数、测量噪声以及数十种自然现象都围绕一个平均值聚集，并对称地向两侧逐渐变细。本文先给你直觉，再给你真正用得上的公式。

"正态"是什么意思

当一个随机变量 $X$ 服从均值为 $\mu$、标准差为 $\sigma$ 的正态分布时，它的密度遵循：

$f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right)$

别去背它——重要的是那个形状：关于 $\mu$ 对称，在那里达到峰值，迅速衰减，到了两个 sigma 就已经明显不常见了。

为什么它无处不在？中心极限定理

中心极限定理（CLT）就是原因。它说：许多相互独立的随机影响的平均值，会趋向于正态分布，无论每个单独的影响本身长什么样。

比如身高，由数百个遗传与环境因素决定，每个因素都贡献一份微小且独立的量。这些量之和就近似一条钟形曲线。

68-95-99.7 法则

对于任意正态分布，不论 $\mu$ 或 $\sigma$ 是多少：

• 68% 的数据落在 $\mu \pm 1\sigma$ 之内
• 95% 落在 $\mu \pm 2\sigma$ 之内
• 99.7% 落在 $\mu \pm 3\sigma$ 之内

这就是经验法则。把它背下来——它能在 10 秒内回答大多数考试题。

解题示例

美国成年男性身高有 $\mu \approx 70$ 英寸、$\sigma \approx 3$ 英寸。身高在 64 到 76 英寸之间的男性占多大比例？

这个范围是 $70 \pm 6 = 70 \pm 2\sigma$，所以是 95%。

z 分数：把任意正态标准化

要在不同的正态分布之间比较数值，就转换成 z 分数：

$z = \frac{x - \mu}{\sigma}$

z 分数表示"距离均值有几个标准差"。它让你能借助查表（或我们的计算器）用标准正态 $N(0, 1)$ 处理所有问题。

z 分数示例

某次考试得分 $x = 85$，来自 $N(75, 5)$。它的 z 分数是 $z = (85 - 75)/5 = 2$。由经验法则可知，只有约 $2.5\%$ 的成绩超过它。

常见错误

• 混淆 $\sigma$ 和 $\sigma^2$：标准差与方差。
• 假设所有数据都是正态的：并不是！收入、文件大小和地震震级都严重偏斜。一定要先画直方图。
• 把原始数值直接代入经验法则——要先转换成 z 分数。

用 AI 正态分布求解器试试

用正态分布求解器计算精确概率——比用肉眼查表更准。

相关参考：

• 标准差计算器——离散程度参数
• Z 分数计算器——用于标准化
• 均值 / 中位数 / 众数——集中趋势基础