进阶← 返回知识库
正态分布
中间高两头低的钟形曲线。均值决定钟的位置，标准差决定钟的胖瘦。最实用的规律：约 68% 的数据在均值 ±1 个标准差内，约 95% 在 ±2 个标准差内。
核心公式
📖 符号说明
| 符号 | 含义 | 说明 | 取值范围 |
|---|---|---|---|
| 均值 | 钟形曲线的中心位置 | (-∞, +∞) | |
| 标准差 | 控制钟的胖瘦 | (0, +∞) |
🔢 分步计算
- 1
确定钟形曲线的中心——均值越大，钟越往右
- 2
确定钟的胖瘦——标准差越大，钟越矮越胖
- 3
这个范围包含约 68% 的数据
- 4
这个范围包含约 95% 的数据
直觉理解
全年级 500 人考试，把成绩画成柱状图——每 10 分一档，数一数每档有多少人。中间最高（大多数人在均值附近），往两边逐渐减少。
人越多、分档越细，柱状图越光滑，最终画出来的形状像一座钟。
这种中间高两头低的曲线，就叫正态分布（也叫高斯分布）。自然界大量数据都近似这个形状：身高、体重、测量误差……许多现象"大多数集中在中间，极端的很少"。
两个参数决定一切
- 均值 μ：决定钟的位置——均值越大，钟越往右移
- 标准差 σ：决定钟的胖瘦——标准差越大，钟越矮越胖；越小，钟越高越瘦
68-95-99.7 规则
这是正态分布最实用的"使用手册"：
| 范围 | 覆盖数据 |
|---|---|
| 均值 ±1σ | 约 68% |
| 均值 ±2σ | 约 95% |
| 均值 ±3σ | 约 99.7% |
举例：全年级均值 75 分、标准差 10 分，那么约 68% 的同学成绩在 65-85 分之间，约 95% 在 55-95 分之间。考到 95 分以上的不到 2.5%。
这在机器学习中用来做什么
深度学习中的 Batch Normalization 做的事就是把数据"掰"回标准的钟形——均值归零、标准差归一——让模型训练更稳定。模型权重的初始化也常用正态分布，标准差的大小决定了初始权重的"扩散范围"。