常態分布直覺：為什麼鐘形曲線無所不在

鐘形曲線是整個統計學中被重複使用最多的模式——身高、智商分數、測量雜訊以及數十種自然現象都圍繞一個平均值聚集，並對稱地向兩側逐漸變細。本文先給你直覺，再給你真正用得上的公式。

「常態」是什麼意思

當一個隨機變數 $X$ 服從平均數為 $\mu$、標準差為 $\sigma$ 的常態分布時，它的密度遵循：

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

別去背它——重要的是那個形狀：關於 $\mu$ 對稱，在那裡達到峰值，迅速衰減，到了兩個 sigma 就已經明顯不常見了。

為什麼它無所不在？中央極限定理

中央極限定理（CLT）就是原因。它說：許多彼此獨立的隨機影響的平均，會趨向於常態分布，無論每個個別影響本身長什麼樣。

比如身高，由數百個遺傳與環境因素決定，每個因素都貢獻一份微小且獨立的量。這些量之和就近似一條鐘形曲線。

68-95-99.7 法則

對於任意常態分布，不論 $\mu$ 或 $\sigma$ 是多少：

• 68% 的資料落在 $\mu \pm 1\sigma$ 之內
• 95% 落在 $\mu \pm 2\sigma$ 之內
• 99.7% 落在 $\mu \pm 3\sigma$ 之內

這就是經驗法則。把它背下來——它能在 10 秒內回答大多數考試題。

解題範例

美國成年男性身高有 $\mu \approx 70$ 英吋、$\sigma \approx 3$ 英吋。身高在 64 到 76 英吋之間的男性佔多大比例？

這個範圍是 $70 \pm 6 = 70 \pm 2\sigma$，所以是 95%。

z 分數：把任意常態標準化

要在不同的常態分布之間比較數值，就轉換成 z 分數：

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

z 分數表示「距離平均數有幾個標準差」。它讓你能藉由查表（或我們的計算器）用標準常態 $N(0, 1)$ 處理所有問題。

z 分數範例

某次考試得分 $x = 85$，來自 $N(75, 5)$。它的 z 分數是 $z = (85 - 75)/5 = 2$。由經驗法則可知，只有約 $2.5\%$ 的成績超過它。

常見錯誤

• 混淆 $\sigma$ 和 $\sigma^2$：標準差與變異數。
• 假設所有資料都是常態的：並不是！收入、檔案大小和地震規模都嚴重偏斜。一定要先畫直方圖。
• 把原始數值直接代入經驗法則——要先轉換成 z 分數。

用 AI 常態分布求解器試試

用常態分布求解器計算精確機率——比用肉眼查表更準。

相關參考：

• 標準差計算器——離散程度參數
• Z 分數計算器——用於標準化
• 平均數 / 中位數 / 眾數——集中趨勢基礎