正态分布从哪来——De Moivre-Laplace 定理

为什么世界到处是钟形

身高、测量误差、噪声电压、考试总分……这些量都呈"中间高、两边低"的钟形。高中直接给了你正态密度函数：

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

但它从哪来？为什么偏偏是这条曲线，而不是别的？

答案藏在二项分布里。

二项分布本身就是钟形

回顾：掷 $n$ 次硬币（正面概率 $p$），正面次数 $X\sim B(n,p)$，其分布列

$P(X=k)=\mathrm{C}_n^k p^k(1-p)^{n-k}$

当 $n$ 不大时，这条"列"已经隐隐是个钟形；当 $n$ 很大，钟形越来越光滑对称。

正规化：把位置摆正、把尺度归一

直接看 $B(n,p)$ 不行——它的中心和宽度都随 $n$ 跑。做一次标准化（正规化）：

$Z=\frac{X-np}{\sqrt{np(1-p)}}$

即"减去均值、除以标准差"。令 $n\to\infty$，奇迹发生：

$Z\;\xrightarrow{\text{分布}}\; N(0,1)$

也就是说，$Z$ 的密度越来越接近标准正态的密度 $\varphi(z)=\dfrac{1}{\sqrt{2\pi}}e^{-z^2/2}$。

历史与名字

• De Moivre（1733） 最早用 Stirling 公式 $n!\approx\sqrt{2\pi n}\,n^n e^{-n}$ 证明了这一极限，用来近似二项分布的概率。
• Laplace 后来把它推广，史称 De Moivre–Laplace 中心极限定理。

它其实是中心极限定理最古老的特例：独立同分布随机变量之和，正规化后极限都是正态。

这件事的意义

1. 解释了"钟形从何而来"：大量独立小因素叠加，总和必趋近正态——身高是无数基因与环境因子的叠加，误差是无数微小扰动的叠加。
2. 衔接高中统计：你用的正态表、3$\sigma$ 原则，背后就是这一定理。
3. 极限思维：当 $n$ 足够大，单个试验具体是什么分布已经不重要——这是统计学的基石直觉。

小结与思考

• 正态不是"假设"，而是"大量独立叠加"的必然结果。
• 起点只是高中就学过的二项分布 + Stirling 公式。

思考题：抛一枚均匀硬币 $n=100$ 次，正面次数约服从什么分布？用正态近似估算"正面在 40 到 60 次之间"的概率（提示：均值 50，标准差 5，标准化后查 $\Phi(2)\approx0.977$）。