正态分布

定义

若连续型随机变量 X 的概率密度函数为 $f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$，其中 $\mu$ 为任意实数、$\sigma>0$，则称 X 服从参数为 $\mu$ 与 $\sigma^2$ 的正态分布，记作 $X\sim N(\mu,\sigma^2)$^[3]。式中 $\mu$ 是数学期望即均值，决定曲线的中心位置；$\sigma^2$ 是方差，决定曲线的宽窄与离散程度，方差越大曲线越平缓^[1]。

由于密度函数只通过 $\mu$ 与 $\sigma$ 两个常数确定，知道了这两个参数就完整描述了整个分布^[3]。$\mu=0$、$\sigma=1$ 时的特例称为标准正态分布，随机变量常记为 Z；任意正态变量经 $Z=\frac{X-\mu}{\sigma}$ 变换后都服从标准正态分布，因此只需一张标准正态分布表即可计算各类概率^[4]。分布曲线以 $\mu$ 为对称轴，在 $\mu$ 处取最大值，向两侧单调下降并在无穷远处趋于 0，拐点位于 $\mu\pm\sigma$ 处^[5]。

原理_placeholder

正态分布的核心性质是中心极限定理。该定理表明，在一定条件下，大量相互独立且同分布的随机变量，其和或算术平均值的分布会随样本量增大而趋于正态分布，无论单个变量本身服从什么分布^[1]。这解释了为何工业零件的尺寸偏差、同一对象的重复测量误差等由众多微小随机因素叠加而成的量，往往呈现钟形分布^[6]。

正态分布还有若干等价的刻画方式。高斯从误差分析出发，要求极大似然估计与算术平均一致，由此导出密度函数；天文学家赫歇尔与物理学家麦克斯韦则从二维、三维误差在坐标方向上相互独立且具有旋转对称性出发，得到同样的函数形式^[7]。在给定均值与方差的全部概率分布中，正态分布的熵最大，即它是对已知信息约束最少、最不附加额外假设的选择^[8]。

实际计算中最常用的是经验法则：约有 68% 的取值落在 $\mu\pm\sigma$ 内，约 95% 落在 $\mu\pm2\sigma$ 内，约 99.7% 落在 $\mu\pm3\sigma$ 内，这一规律被称为 68-95-99.7 法则^[4]。落在 $\mu\pm3\sigma$ 之外的概率约为 0.27%，这一数值构成传统质量控制图的概率基础^[9]。

flowchart LR

A[大量独立随机因素] --> B[各自微小且相互独立]

B --> C[求和或取平均]

C --> D[中心极限定理]

D --> E[近似服从正态分布 N(μ,σ²)]

发展历程_placeholder

正态分布的密度函数最早由法国数学家棣莫弗在 1733 年研究二项分布的渐近公式时得到，当时的问题是赌博中的概率近似^[10]。18 世纪后期，拉普拉斯在处理彗星轨道倾角等天文计算时重新得到这一分布，并证明它对其他底层分布同样成立，逐步形成中心极限定理的雏形^[11]。

德国数学家高斯在 1809 年前后研究测量误差时，从另一路径导出该分布，并将其用于天文数据处理，正态分布因此又被称为高斯分布^[12]。拉普拉斯随后把误差的正态性与中心极限定理联系起来，提出误差由大量微小独立因素叠加而成的解释^[5]。

19 世纪，比利时统计学家凯特勒把正态曲线用于拟合人体测量与社会统计数据，并提出以能否较好拟合正态分布作为判断数据同质性的标准；此后高尔顿等人又将正态分布引入身高、考试成绩与遗传研究，使这一分布从误差分析扩展到社会科学与生物学^[13]。中心极限定理的严格证明则主要由切比雪夫、马尔可夫、李雅普诺夫等人在 19 世纪末至 20 世纪初完成，林德伯格与费勒、列维在 20 世纪 30 年代进一步给出充要条件^[13]。

关于名称，法国曾称之为拉普拉斯分布，德国称高斯分布，中立者称拉普拉斯-高斯分布；庞加莱建议改用中性的「正态分布」，这一名称后经统计学家卡尔·皮尔森推广而被广泛接受^[7]。

应用_placeholder

在统计推断中，正态分布是参数估计与假设检验的基础模型。样本均值在大样本下近似服从正态分布，使区间估计与显著性检验得以开展；t 分布、卡方分布、F 分布等抽样分布也由正态变量构造而来^[1]。

在工业质量控制领域，六西格玛管理以正态分布的尾部概率定义缺陷率，把均值与最近规格限之间的距离折算为 σ 的倍数作为过程能力指标，3σ 水平对应约 0.27% 的不合格率，6σ 水平则对应极低的百万分之几^[9]。过程能力指数 $C_p=\frac{USL-LSL}{6\sigma}$ 及考虑中心偏移的 $C_{pk}$ 均以正态假设为前提^[14]。

在医学与测量领域，正态分布被用于制定参考值范围，例如以均值加减若干倍标准差确定生理指标的正常区间；在自然科学中，麦克斯韦由分子速度分布导出麦克斯韦速率分布律，其形式即三个正态分布的乘积^[7]。此外，考试成绩、身高、测量误差等被广泛用作正态分布的教学与实证示例^[1]。

局限_placeholder

正态分布的适用范围并非无限。许多实际数据呈右偏或重尾形态，例如泄漏率、杂质含量、循环时间等受零下限约束的指标天然右偏，用正态尾部计算出的缺陷率会明显偏低，过程能力指数可能给出过于乐观的结论^[15]。研究显示，对偏斜或重尾数据进行控制图分析时，误报率会高于正态假设下的理论值^[16]。

因此，在计算过程能力指数之前通常需要先做正态性检验，若检验不通过，可采用 Box-Cox 变换、Johnson 变换或直接拟合对数正态、威布尔等分布来处理^[15]。另一方面，当无法确认分布形态时，可用切比雪夫不等式给出更宽松但普遍成立的界限，其代价是同样置信水平下需要更宽的区间，例如 95% 置信需覆盖约 4.5 个标准差，远宽于正态情形的 2 个标准差^[17]。

此外，68-95-99.7 法则是总体层面的理论值，样本量较小或数据与正态分布存在偏离时，实测比例可能与理论值相差较大，尾部因异常值和测量误差而延长也较为常见，故不宜将经验法则作为唯一判据^[9]。有学者亦指出，直方图呈现偏斜往往说明过程本身在变动，而非概率模型应当偏斜，此时更应先考察数据的同质性^[8]。

参见

• 中心极限定理 —— 解释大量独立随机变量之和为何趋于正态分布的核心定理。

• 标准正态分布 —— 均值为 0、标准差为 1 的正态分布特例，是查表计算的基准。

• 概率密度函数 —— 描述连续型随机变量取值可能性的函数，正态分布由其定义。

• 六西格玛 —— 以正态分布尾部概率为基础的质量管理方法。

• 切比雪夫不等式 —— 在分布未知时给出概率界限的工具，可作为正态假设的替代。

• 对数正态分布 —— 常用于描述右偏、受零下限约束数据的分布。