第9讲 正态分布——自然界最常见的分布

从一个朴素的问题开始

你量过全班同学的身高吗？把所有人的身高数据画成一张图，会发生什么？

大概长这样：最矮的和最高的都很少，中间身高的最多，往两边逐渐减少，形成一个「中间高、两边低」的钟形曲线。

这不是巧合。考试成绩的分布、机器零件尺寸的误差分布、人的体重分布……几乎所有自然现象都呈现出这种形态。正态分布是自然界最常见的分布，它就像一个隐形的模式，悄悄藏在各种数据背后。

正态分布的定义

一般地，如果随机变量 $X$ 的概率密度函数为：

$$f(x) = \dfrac{1}{\sqrt{2\pi}\,\sigma} \exp\!\left(-\dfrac{(x-\mu)^2}{2\sigma^2}\right), \qquad x \in \mathbb{R} \qquad (1)$$

其中 $\mu$ 和 $\sigma$（$\sigma > 0$）是常数，那么称 $X$ 服从正态分布（normal distribution），记作 $X \sim N(\mu, \sigma^2)$。

$f(x)$ 的图像叫做正态曲线，也就是我们常说的「钟形曲线」。

示意图

正态曲线关于 $x=\mu$ 对称，$3\sigma$ 原则告诉你：绝大部分数据落在均值附近

$\mu$ 和 $\sigma$ 的意义

公式 $(1)$ 中有两个参数，各自控制曲线的不同特征。

$\mu$ 决定位置。它是分布的均值，也是曲线最高点的横坐标。曲线关于直线 $x = \mu$ 对称——左边和右边完全镜像。把 $\mu$ 变大，整条曲线向右平移；把 $\mu$ 变小，曲线向左平移。形状不变，只是位置变了。

$\sigma$ 决定胖瘦。它是分布的标准差。$\sigma$ 越大，曲线越「胖」、越扁平——数据越分散，远离均值的可能性越大；$\sigma$ 越小，曲线越「瘦」、越尖锐——数据越集中在均值附近。

举个例子：两个班级的数学成绩都近似正态分布，A 班的平均分是 75 分、标准差是 5 分，B 班的平均分也是 75 分、标准差是 15 分。A 班大部分同学的分数集中在 70–80 分之间，而 B 班的分数分布更广，从 45 分到 105 分都有可能。两班的中心一样，但 B 班的成绩差异更大。

深入理解

正态曲线的几个关键特征

正态曲线有几个非常重要的性质，记住它们能帮你快速理解正态分布：

1. 关于 $x = \mu$ 对称：曲线左半部分和右半部分完全镜像。因此 $P(X < \mu) = P(X > \mu) = \dfrac{1}{2}$。
2. 在 $x = \mu$ 处取得最大值：最大值是 $\dfrac{1}{\sqrt{2\pi}\,\sigma}$。注意最大值的大小和 $\sigma$ 有关——$\sigma$ 越小，曲线越尖，最高点越高。
3. 曲线与 $x$ 轴围成的面积为 1：这是概率密度函数的基本要求。也就是说： $$\int_{-\infty}^{+\infty} f(x)\,dx = 1$$
4. 曲线向左右无限延伸：理论上正态分布取到任意实数都有可能，只是越远离均值，概率越小。但在实际中，距离均值超过 $3\sigma$ 的事件几乎不可能发生。
5. 拐点在 $x = \mu \pm \sigma$：曲线在这两点由凹变凸，这是正态曲线形状变化的关键位置。

3σ原则——正态分布的实用法则

3σ原则是正态分布在实践中最重要的结论之一。它告诉我们：

$$P(\mu - \sigma < X \le \mu + \sigma) \approx 0.6827 \qquad (2)$$ $$P(\mu - 2\sigma < X \le \mu + 2\sigma) \approx 0.9545 \qquad (3)$$ $$P(\mu - 3\sigma < X \le \mu + 3\sigma) \approx 0.9973 \qquad (4)$$

也就是说：

• 约 68.3% 的数据落在 $(\mu - \sigma,\, \mu + \sigma)$ 内
• 约 95.4% 的数据落在 $(\mu - 2\sigma,\, \mu + 2\sigma)$ 内
• 约 99.7% 的数据落在 $(\mu - 3\sigma,\, \mu + 3\sigma)$ 内

这被称为3σ原则（或68–95–99.7 法则）。

一个直观的理解是：正态分布下，偏离均值超过 3 个标准差的事件几乎不会发生。比如一个人的身高偏离平均值超过 3 个标准差，那他就非常罕见——现实中几乎不会遇到。

反过来：如果你发现一组数据中出现了"超出 $\mu \pm 3\sigma$ 的值"，那就值得警惕了——可能是数据记录有误，或者这组数据根本不是正态分布。

标准正态分布

当 $\mu = 0$、$\sigma = 1$ 时，正态分布叫做标准正态分布，记作 $N(0, 1)$。它的密度函数特别简洁：

$$\phi(x) = \dfrac{1}{\sqrt{2\pi}} e^{-x^2/2}$$

任何一个正态分布 $N(\mu, \sigma^2)$ 都可以转化为标准正态分布——这个过程叫做标准化：

$$Z = \dfrac{X - \mu}{\sigma} \sim N(0, 1)$$

标准化的意义在于：不管原始数据的均值和标准差是多少，我们都可以把它们全部统一到同一个标准尺度上来比较。考试成绩就是这样——不同考试的满分和难度不同，但通过标准化，可以比较不同考试的成绩处于什么水平。

正态分布估计二项分布（简介）

前面几讲学过，二项分布 $B(n, p)$ 描述的是 $n$ 次独立重复试验中成功次数的分布。当 $n$ 很大、$p$ 不接近 0 也不接近 1 时，二项分布的形状非常接近正态分布。具体来说：

$$B(n, p) \approx N\!\left(np,\; np(1-p)\right)$$

这个结论叫做棣莫弗–拉普拉斯定理，是概率论历史上第一个中心极限定理。

举个例子：抛一枚均匀硬币 100 次，正面次数 $X \sim B(100, 0.5)$。根据上述近似，$X$ 近似服从 $N(50, 25)$，即均值 50、标准差 5。所以 $P(40 \le X \le 60) \approx P(-2 \le Z \le 2) \approx 0.9544$——也就是说，100 次抛硬币中，正面次数在 40 到 60 之间的概率约 95.4%。

高中阶段一般不要求严格证明这个定理，但知道这个近似关系很有用——当你算二项分布的概率太麻烦时，可以用正态分布来近似。

在高中数学体系里的位置

正态分布是整个概率统计板块的压轴内容，它在三个维度上都很重要。

思想延伸：正态分布体现了"局部不确定、整体有规律"的概率思想，也揭示了独立随机因素叠加会产生稳定分布这一深刻原理——这正是中心极限定理的核心。学懂了正态分布，你就理解了为什么统计推断如此有力。

运算练兵场：正态分布的考查重点不是复杂的计算，而是对 3σ 原则和标准化的理解与运用。题目通常会给出具体参数（比如某次考试分数 $X \sim N(100, 100)$），然后让你用 3σ 原则估算某个区间的概率，或者求百分位数。关键是读懂题意、正确判断区间对应几个标准差。

综合题常客：高考中正态分布常作为解答题的一部分出现，和统计图表、假设检验等内容结合考查。近年来考题越来越重视实际应用背景，比如产品质量控制、考试成绩分析等场景。

易错点：

1. 混淆 $N(\mu, \sigma^2)$ 的写法：第二个参数是方差 $\sigma^2$，不是标准差 $\sigma$。比如 $N(100, 100)$ 表示 $\mu=100$，$\sigma^2=100$，即 $\sigma=10$。
2. 3σ 原则的区间记混：68% 对应 1σ，95% 对应 2σ，99.7% 对应 3σ，要记牢。
3. 忽略对称性：正态曲线关于均值对称，很多概率可以通过对称性快速计算，不要硬算。

思考与拓展

1. 某次考试分数 $X \sim N(100, 400)$（即 $\mu=100$，$\sigma=20$）。求分数在 80 分到 120 分之间的概率。
2. 已知 $X \sim N(0, 1)$，且 $P(X \le 1.96) = 0.975$。求 $P(|X| > 1.96)$。
3. 工厂生产某种零件，长度 $X \sim N(10, 0.01)$（单位：cm）。规定长度在 $[9.85, 10.15]$ cm 之内为合格品。从一批产品中随机抽取 1000 件，大约有多少件是合格品？
4. 用正态分布近似二项分布 $B(100, 0.3)$，求 $P(25 \le X \le 35)$ 的近似值（提示：$\mu = 30$，$\sigma \approx 4.58$）。

一句话总结

正态分布由两个参数完全确定——$\mu$ 定位置、$\sigma$ 定胖瘦，3σ 原则告诉我们绝大部分数据落在均值附近三个标准差的范围内，这是自然界最优雅的规律之一。