正态分布

概述

正态分布（Normal Distribution），又称高斯分布（Gaussian Distribution），是概率论和统计学中最重要的分布。自然现象和社会现象中大量随机变量服从或近似服从正态分布，其理论地位由中心极限定理确立。

---

一、正态分布的定义

正态分布

若连续型随机变量 $X$ 的概率密度函数为： $f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x\in \mathbb{R}$ 其中 $\mu \in \mathbb{R}$，$\sigma >0$，则称 $X$ 服从参数为 $\mu$（均值）和 ${\sigma }^2$（方差）的正态分布，记为： $X\sim N(\mu ,{\sigma }^2)$

当 $\mu =0,\sigma =1$ 时，称为标准正态分布，记为 $X\sim N(0,1)$，密度函数为： $\phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-x^2/2}$

---

二、正态分布的性质

分布函数

$\Phi (x)=P(X⩽x)={\int }_{-\infty }^x\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(t-\mu {)}^2}{2{\sigma }^2}}dt$

标准化变换：若 $X\sim N(\mu ,{\sigma }^2)$，则 $Z=\frac{X-\mu }{\sigma }\sim N(0,1)$

数字特征

特征	值
期望 $E(X)$	$\mu$
方差 $\mathrm{Var}(X)$	${\sigma }^2$
偏度	$0$
峰度	$3$
峰度（相对于正态）	$0$

几何性质

• 密度曲线关于 $x=\mu$ 对称
• 在 $x=\mu$ 处取得最大值 $\frac{1}{\sqrt{2\pi }\sigma }$
• 在 $x=\mu \pm \sigma$ 处有拐点

---

三、3σ 原则

$P(|X-\mu |<\sigma )\approx 68.27\%$ $P(|X-\mu |<2\sigma )\approx 95.45\%$ $P(|X-\mu |<3\sigma )\approx 99.73\%$

---

四、正态分布的重要性

1. 中心极限定理（最核心原因）

大量独立随机变量的和（适当标准化）趋向于正态分布——无论各个变量本身是什么分布。

这解释了为什么正态分布在自然界中如此普遍。

2. 统计推断的基础

• 样本均值 $\bar{X}$ 的抽样分布：$\bar{X}\sim N(\mu ,{\sigma }^2/n)$
• 样本方差乘以系数服从卡方分布
• t 分布、F 分布均基于正态总体

3. 线性变换的封闭性

$X\sim N(\mu ,{\sigma }^2)\Rightarrow aX+b\sim N(a\mu +b,a^2{\sigma }^2)$

---

五、正态分布在各章的应用

章节	应用
第2章	定义、性质、正态概率计算
第3章	二维正态分布、联合分布
第4章	CLT 的极限目标分布
第5章	样本均值的分布 $\bar{X}\sim N(\mu ,{\sigma }^2/n)$
第6章	正态总体参数的区间估计
第7章	正态总体参数的假设检验（t 检验）
第8章	方差分析、回归分析

---

六、相关章节

• 第二章 随机变量及其分布 — 章节汇总
• 常用连续分布 — 与指数、均匀等连续分布并列
• 中心极限定理 — 正态分布普遍性的理论依据
• 三大抽样分布 — 正态总体的样本函数
• 7.2 正态总体参数的假设检验 — t 检验、F 检验