正态分布

概述

正态分布（Normal Distribution），又称高斯分布或钟形曲线，是概率论和统计学中最重要的概率分布。其密度函数呈对称的钟形，均值处最高，向两侧单调递减。由亚伯拉罕·德莫弗于1733年首次推导，用于近似计算二项分布；后经皮埃尔-西蒙·拉普拉斯和卡尔·弗里德里希·高斯系统化，成为统计学的核心工具。中心极限定理解释了为何正态分布在自然界和社会现象中普遍出现。

关键内容

数学定义

参数为均值 μ 和标准差 σ 的正态分布，其概率密度函数为：

$$f(x; \mu, \sigma) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$

标准正态分布（μ = 0，σ = 1）：

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

记为 X ~ N(μ, σ²)。

68-95-99.7 法则

正态分布有一个非常实用的经验规则：

区间	覆盖概率	含义
[μ - σ, μ + σ]	约 68.3%	1个标准差以内
[μ - 2σ, μ + 2σ]	约 95.4%	2个标准差以内
[μ - 3σ, μ + 3σ]	约 99.7%	3个标准差以内

历史发现：不是高斯首先发现的

正态分布通常被称为"高斯分布"，但历史事实是：

年份	人物	贡献
1733	亚伯拉罕·德莫弗	首次推导正态密度函数，作为二项分布的近似
1809	卡尔·弗里德里希·高斯	将正态分布用于误差理论和天文观测，系统化处理
1812	皮埃尔-西蒙·拉普拉斯	推广 De Moivre 的结果，建立中心极限定理

Stigler 在其著名的"Stigler 命名定律"（没有科学发现是以其真正发现者命名的）中，特别以正态分布被称为"高斯分布"为例。

De Moivre 的推导思路

De Moivre 从 Stirling 近似 n! ≈ √(2πn)·(n/e)ⁿ 出发，估计 C(n, k) 在 k 接近 n/2 时的值，通过代换和简化，得到正态密度函数。他最初只处理了 p = 1/2（对称二项分布）的情形。

为什么正态分布无处不在

正态分布的普遍性由中心极限定理解释：任何由大量微小独立随机因素叠加而成的量，其分布趋近正态分布，与各个因素本身的分布无关（只要满足有限方差等基本条件）。

现实中的例子： - 人类身高（受遗传、营养等众多因素影响） - 测量误差（由大量微小随机误差叠加） - 考试成绩（受大量独立知识点掌握程度影响） - 金融日收益率（近似正态，但尾部更厚）

主要性质

对称性：关于均值对称，均值 = 中位数 = 众数
线性变换封闭：若 X ~ N(μ, σ²)，则 aX + b ~ N(aμ+b, a²σ²)
独立之和：若 X ~ N(μ₁, σ₁²)，Y ~ N(μ₂, σ₂²) 独立，则 X+Y ~ N(μ₁+μ₂, σ₁²+σ₂²)
标准化：(X - μ)/σ ~ N(0, 1)

在统计学中的核心地位

正态分布是现代统计学的基础： - t 检验、F 检验、ANOVA 均基于正态假设 - 置信区间依赖正态近似 - 线性回归的残差假设正态分布 - 贝叶斯统计中常用正态先验

意义

历史意义

正态分布的发现是概率论从组合阶段进入分析阶段的转折点。De Moivre 将分析工具（Stirling 近似、积分近似）引入概率计算，使得 n 很大时的精确计算成为可能，解决了伯努利大数定律中数值估计过于粗糙的问题。

深层意义：离散→连续

二项分布（离散）在大尺度下趋近正态分布（连续），体现了一个深刻主题：离散结构在大尺度下表现出连续特征。这一思想在随机过程（随机游走趋向布朗运动）、统计力学等领域反复出现。

来源

raw/books/概率论/04_de_moivre_doctrine_of_chances.md