欢迎来到常态分布的世界！
在本章中，我们将探索被许多统计学家称为“分布之王”的领域。常态分布（Normal Distribution）极其重要，因为它在现实生活中随处可见——从人类的身高、苹果的重量，到考试成绩，甚至是科学仪器的测量误差，都能见到它的身影。读完这份笔记后，你将能掌握如何描述这个“钟形曲线”，如何利用计算器计算概率，以及如何利用它来简化复杂的问题。
1. 什么是常态分布？
常态分布是一种连续概率分布。与离散分布（我们计算事物的个数，如 1、2、3 等整数）不同，连续分布处理的是可以取任何数值的测量结果，例如 1.5、1.55 或 1.5555……
钟形曲线的核心特性
- 对称性（Symmetrical）： 如果你在曲线的正中央将其对折，两边会完全吻合。
- 平均数、中位数与众数相等： 它们全都落在曲线最顶端、正中央的位置。
- 总面积 = 1： 曲线下的总面积代表总概率，永远等于 1（即 100%）。
- 渐近线（Asymptotic）： 曲线的两侧“尾端”会无限靠近横轴，但永远不会真正触碰到它。
表示法： 我们将常态分布写作 \(X \sim N(\mu, \sigma^2)\)。
\(\mu\) (mu)： 总体平均数（中心点）。
\(\sigma^2\) (sigma squared)： 总体方差（数据的发展程度）。
小贴士： 要小心！在 \(N(\mu, \sigma^2)\) 的表示法中，第二个数字是方差。当你使用计算器时，它通常会要求输入 \(\sigma\)（标准差）。永远记得 \(\sigma = \sqrt{\text{方差}}\)。
重点总结
常态分布由两个要素定义：它的中心（平均数）和它的离散程度（标准差）。只要掌握这两个数值，你就掌握了整个分布！
2. “经验法则”（2/3、95%、99.8%）
即使没有计算器，我们也能大致知道数据在常态分布中的分布情况。课程大纲要求你熟记以下这些特定的近似值：
- 在 1 个标准差范围内 (\(\mu \pm \sigma\))： 大约 \(2/3\)（约 68%）的观测值位于此处。
- 在 2 个标准差范围内 (\(\mu \pm 2\sigma\))： 大约 95% 的观测值位于此处。
- 在 3 个标准差范围内 (\(\mu \pm 3\sigma\))： 大约 99.8% 的观测值位于此处。
现实生活中的例子： 想象成年男性的身高。如果平均数是 175cm，标准差是 7cm，那么 95% 的男性身高会落在 161cm (\(175 - 2 \times 7\)) 到 189cm (\(175 + 2 \times 7\)) 之间。要找到超出这 3 个标准差范围的人是非常罕见的！
3. 计算概率与参数
在考试中，建议使用你的计算器功能，而不是查阅旧式的统计表。你通常需要用到两个主要功能：
常态累积概率分布（Normal CD）
当你已知数值（例如身高或体重）并想求出概率（曲线下的面积）时，请使用此功能。
反向常态分布（Inverse Normal）
当你已知概率（例如“前 10%”）并想求出 x 轴上对应的数值时，请使用此功能。
你知道吗？ “标准常态分布”是一种特殊版本，其平均数 \(\mu = 0\)，标准差 \(\sigma = 1\)。我们称之为 \(Z\) 分布。我们使用 \(Z = \frac{x - \mu}{\sigma}\) 这个公式将任何常态分布的数值转换为 \(Z\)-分数。这能告诉你该数值距离平均数有几个标准差。
避免常见错误
在常态分布中寻找 \(P(X < 5)\) 或 \(P(X \le 5)\) 时，它们完全一样！ 因为这是一个连续分布，数值“精确等于” 5.000000... 的概率为零。别让“等于”符号像在二项分布中那样混淆你了。
4. 样本平均数的分布 (\(\bar{X}\))
这是一个稍微进阶的概念，但逻辑非常清晰。如果我们选取 \(n\) 个项目并计算它们的平均值 (\(\bar{X}\))，这个平均值同样会遵循常态分布，但它会比原始总体分布“更瘦”（离散程度更小）。
如果 \(X \sim N(\mu, \sigma^2)\)，那么样本平均数的分布为：
\(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\)
为什么会这样？ 想想看：某个个体可能非常高或非常矮。但如果你取 100 个人的样本并算出他们的平均身高，它就极大概率会非常接近总体的平均数。极端值会互相抵消！
5. 使用常态分布近似二项分布
有时，如果试验次数 (\(n\)) 非常大，处理二项分布（计算成功次数）会变得太困难。在特定情况下，我们可以“走捷径”，改用常态分布来计算。
我们何时可以这样做？（条件）
如果符合以下条件，你可以使用常态近似：
- \(n\) 很大（通常 \(n \ge 20\)）
- \(p\) 接近 0.5（对称性）
- 或者更具体来说： \(np > 10\) 且 \(n(1-p) > 10\)。
连续性修正（Continuity Correction）
因为我们正从离散分布（二项分布：1, 2, 3...）过渡到连续分布（常态分布：1.1, 1.2...），我们必须将数值调整 0.5。这就是所谓的连续性修正。
怎么做： 把每个整数想象成一个从数值下方 0.5 到上方 0.5 的“区块”。
- 要包含 10：\(P(X \ge 10)\) 变为 \(P(Y > 9.5)\)。
- 要排除 10：\(P(X > 10)\) 变为 \(P(Y > 10.5)\)。
- 要包含 10 以内：\(P(X \le 10)\) 变为 \(P(Y < 10.5)\)。
刚开始觉得困难别担心！ 只要画一条简单的数轴即可。如果你想包含数字 10，你需要从 9.5 开始计算面积，以确保数字 10 的“区块”被完全涵盖。
重点总结
当用常态分布近似二项分布时，使用 \(\mu = np\) 和 \(\sigma^2 = np(1-p)\)，并永远记得进行 +/- 0.5 的连续性修正！
总结检查清单
- 你能列出钟形曲线的特性吗？
- 你是否熟记 2/3、95% 和 99.8% 的经验法则？
- 你能使用计算器上的 Normal CD 功能来求出概率吗？
- 在处理样本平均数 (\(\bar{X}\)) 时，你是否记得将方差除以 \(n\)？
- 在近似二项分布时，你能正确应用连续性修正吗？