{
  "id": "normal-distribution",
  "title": "正态分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "由均值和方差确定的连续概率分布，密度曲线呈对称钟形，在统计推断中具有核心地位。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "高斯分布",
    "常态分布"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/normal-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/normal-distribution/",
      "json": "https://aiwiki.page/en/normal-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "正态分布又称高斯分布，是一种连续的概率分布，其密度曲线呈对称的钟形。它通过两个参数描述随机变量：均值决定中心位置，方差决定离散程度。正态分布是统计学的基础，既用于建立观测数据的模型，也用于近似样本均值及其他统计量的分布。(itl.nist.gov)"
    },
    {
      "heading": "定义与参数",
      "text": "若随机变量 \\(X\\) 的概率密度函数为\n\n\\[f(x)=\\frac{1}{\\sigma\\sqrt{2\\pi}} \\exp\\left[-\\frac{(x-\\mu)^2}{2\\sigma^2}\\right], \\qquad -\\infty<x<\\infty,\\]\n\n则称 \\(X\\) 服从均值为 \\(\\mu\\)、方差为 \\(\\sigma^2>0\\) 的正态分布，记作 \\(X\\sim N(\\mu,\\sigma^2)\\)。\n\n参数 \\(\\mu\\) 可以是任意实数，而 \\(\\sigma>0\\) 是标准差。有些资料使用 \\(N(\\mu,\\sigma)\\) 这一记法，因此必须核实第二个参数的含义。(itl.nist.gov)\n\n其期望值为 \\(\\mu\\)，方差为 \\(\\sigma^2\\)。均值、中位数和众数相同。增大 \\(\\mu\\) 会使曲线平移，但不改变其形状；增大 \\(\\sigma\\) 则会使曲线变宽、峰值降低。正态分布的偏度为零，峰度为三，因此超额峰度为零。(itl.nist.gov)\n\n密度曲线下的总面积为一。随机变量落在某一区间内的概率，等于密度函数在该区间上的积分，而不是某个点处的密度值。因此，取某个确切值的概率为零，但落在任何长度大于零的区间内的概率都大于零。(itl.nist.gov)"
    },
    {
      "heading": "标准化与概率",
      "text": "标准正态分布的均值为零，方差为一。若 \\(X\\sim N(\\mu,\\sigma^2)\\)，则\n\n\\[Z=\\frac{X-\\mu}{\\sigma}\\sim N(0,1).\\]\n\n观测值经标准化后得到的数值通常称为标准分数，它以标准差为单位表示该观测值与均值之间的距离。通过标准化，可以利用同一个参考分布计算任意正态分布的概率。(itl.nist.gov)\n\n标准正态分布的累积分布函数为\n\n\\[\\Phi(z)=\\frac{1}{\\sqrt{2\\pi}} \\int_{-\\infty}^{z}e^{-t^2/2}\\,dt.\\]\n\n因此，\n\n\\[P(a\\le X\\le b)= \\Phi\\left(\\frac{b-\\mu}{\\sigma}\\right) -\\Phi\\left(\\frac{a-\\mu}{\\sigma}\\right).\\]\n\n被积函数没有初等函数形式的原函数，积分值可通过数值方法或概率表获得。由对称性可得 \\(\\Phi(-z)=1-\\Phi(z)\\)。(itl.nist.gov)\n\n距均值不超过一个标准差的范围内包含约 68.27% 的概率，两个标准差以内约为 95.45%，三个标准差以内约为 99.73%。这些比例通常取近似值，称为 68–95–99.7 法则。它们描述的是理论分布，并不保证每个有限样本都具有这些比例。(itl.nist.gov)"
    },
    {
      "heading": "求和与中心极限定理",
      "text": "独立正态随机变量的和仍服从正态分布。若 \\(X\\sim N(\\mu_X,\\sigma_X^2)\\) 与 \\(Y\\sim N(\\mu_Y,\\sigma_Y^2)\\) 相互独立，则\n\n\\[X+Y\\sim N(\\mu_X+\\mu_Y,\\sigma_X^2+\\sigma_Y^2).\\]\n\n更一般地，独立正态随机变量的线性组合，只要方差大于零，就服从正态分布；方差为零的线性组合则为常数。(new.statlect.com)\n\n中心极限定理解释了为什么即使总体不服从正态分布，也会出现正态近似。对于独立同分布、均值 \\(\\mu\\) 有限且方差 \\(\\sigma^2\\) 有限并大于零的随机变量，标准化后的样本均值依分布收敛于 \\(N(0,1)\\)：\n\n\\[\\frac{\\sqrt n(\\overline X_n-\\mu)}{\\sigma} \\xrightarrow{d}N(0,1).\\]\n\n因此，当样本量足够大时，样本均值的分布通常可以用 \\(N(\\mu,\\sigma^2/n)\\) 近似。该定理讨论的是均值，而不是将原始观测值转化为服从正态分布的数据。所需的样本量取决于原始分布；不存在一个通用的样本量阈值，能够保证近似效果令人满意。(mathworks.com)"
    },
    {
      "heading": "估计与统计推断",
      "text": "对于来自正态总体的独立观测值 \\(x_1,\\ldots,x_n\\)，最大似然估计给出\n\n\\[\\widehat\\mu=\\overline x,\\qquad \\widehat{\\sigma}^{\\,2}= \\frac1n\\sum_{i=1}^{n}(x_i-\\overline x)^2.\\]\n\n这一方差估计以 \\(n\\) 为分母，存在向下偏差。将 \\(n\\) 换成 \\(n-1\\)，就得到通常使用的无偏样本方差。这一区别体现了似然最大化与无偏估计并不是同一回事。(mail.statlect.com)\n\n正态分布是许多置信区间和统计假设检验方法的基础。当独立观测值服从正态分布时，无论样本量多大，样本均值都严格服从正态分布。如果总体方差未知，对均值的推断通常使用学生 t 分布，以考虑估计标准差所带来的不确定性。(itl.nist.gov)\n\n在线性回归中，正态性假设通常针对给定预测变量条件下的误差分布，而不是要求每个预测变量或单独考察的响应变量都服从正态分布。拟合残差的正态概率图可用于图形诊断：图上的点近似呈直线排列，支持采用正态误差模型；若存在系统性偏离，则表明模型与数据不符。(itl.nist.gov)"
    },
    {
      "heading": "多元扩展与历史发展",
      "text": "多元正态分布将这一模型推广到随机向量。均值向量确定中心位置，协方差矩阵确定各分量的方差及其相依关系。联合正态随机向量各分量的任意线性组合，要么服从正态分布，要么为常数。不过，各分量分别服从正态分布，并不意味着它们构成的向量一定服从联合正态分布。(itl.nist.gov)\n\n从历史上看，亚伯拉罕·德莫弗于 1733 年推导出了二项分布的正态近似。皮埃尔-西蒙·拉普拉斯进一步发展了正态分布在概率论和误差理论中的作用。“高斯分布”这一名称源于卡尔·弗里德里希·高斯对观测误差所作的影响深远的研究，尤其是他在 1809 年关于天体运动的著作中的论述。(mathshistory.st-andrews.ac.uk)"
    }
  ],
  "links": [
    "probability-distribution",
    "random-variable",
    "statistics",
    "probability-density-function",
    "real-number",
    "standard-deviation",
    "expected-value",
    "variance",
    "probability",
    "integral",
    "z-score",
    "cumulative-distribution-function",
    "linear-combination",
    "central-limit-theorem",
    "maximum-likelihood-estimation",
    "confidence-interval",
    "statistical-hypothesis-testing",
    "students-t-distribution",
    "linear-regression",
    "multivariate-normal-distribution",
    "covariance-matrix",
    "pierre-simon-laplace",
    "carl-friedrich-gauss"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda3661.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda3661.htm"
    },
    {
      "title": "itl.nist.gov/div898/handbook/pmc/section5/pmc51.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/pmc/section5/pmc51.htm"
    },
    {
      "title": "new.statlect.com/probability-distributions/normal-distribution-linear-combinati…",
      "url": "https://new.statlect.com/probability-distributions/normal-distribution-linear-combinations"
    },
    {
      "title": "mathworks.com/help/stats/normal-distribution.html",
      "url": "https://www.mathworks.com/help/stats/normal-distribution.html"
    },
    {
      "title": "mail.statlect.com/fundamentals-of-statistics/normal-distribution-maximum-likeli…",
      "url": "https://mail.statlect.com/fundamentals-of-statistics/normal-distribution-maximum-likelihood"
    },
    {
      "title": "itl.nist.gov/div898/handbook/pmc/section5/pmc542.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/pmc/section5/pmc542.htm"
    },
    {
      "title": "mathshistory.st-andrews.ac.uk/Biographies/De_Moivre/",
      "url": "https://mathshistory.st-andrews.ac.uk/Biographies/De_Moivre/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}