The normal distribution

歡迎來到常態分佈的世界！

你有沒有發現，大多數人的身高都在平均值左右，極高或極矮的人寥寥無幾？或者，一袋蘋果的重量大多差不多，只有極少數特別小或特別巨大？在統計學中，這種「常見」的規律被稱為常態分佈 (Normal Distribution)。由於它擁有對稱、優美的形狀，我們常暱稱它為「鐘形曲線」 (Bell Curve)。

在本章中，你將學會如何駕馭這條曲線、利用統計表查出概率，甚至利用常態分佈來推測各類數據。如果一開始覺得公式很繁瑣，別擔心——一旦你掌握了它的對稱性，解題就像拼圖一樣充滿樂趣！

1. 什麼是常態分佈？

常態分佈適用於連續隨機變數 (continuous random variables)。與離散變數（例如班上學生的人數）不同，連續變數可以取任何數值（例如跑步完成比賽的精確時間）。

我們使用兩個主要特徵（參數）來描述常態分佈：
1. 平均值 (Mean, \( \mu \))： 這是曲線的中心，告訴我們峰值在哪裡。
2. 變異數 (Variance, \( \sigma^2 \))： 這代表曲線的「分散程度」。變異數小，曲線會又高又瘦；變異數大，曲線則會又矮又胖。

我們通常寫成：\( X \sim N(\mu, \sigma^2) \)

重要特性：對稱性 (Symmetry)
曲線在平均值處是完全對稱的。這意味著：
- 50% 的數據高於平均值。
- 50% 的數據低於平均值。
- 曲線下的總面積永遠為 1（代表總概率為 100%）。

小貼士： 如果你知道曲線一側的情況，另一側也就迎刃而解了！如果「大於 X」的概率是 0.1，那麼「小於對應另一側點位」的概率同樣是 0.1。

2. 標準常態分佈 (\( Z \))

常態分佈有無窮多種（不同的平均值和變異數）。為了簡化問題，數學家建立了一種「通用翻譯機」，稱為標準常態分佈，並用字母 \( Z \) 表示。

對於 \( Z \) 分佈：
- 平均值 (\( \mu \)) 永遠為 0。
- 變異數 (\( \sigma^2 \)) 和標準差 (\( \sigma \)) 永遠為 1。
- 我們寫成：\( Z \sim N(0, 1) \)。

標準化公式 (Standardization Formula)：
要將任何 \( X \) 值轉化為 \( Z \)-分數 (Z-score)，請使用此公式：
\( Z = \frac{X - \mu}{\sigma} \)

比喻： 把 \( X \) 想成不同貨幣（如美金或歐元），而 \( Z \) 是黃金。為了進行比較，我們得先把所有東西都換算成黃金！

關鍵詞： \( Z \)-分數 代表一個數值距離平均值有多少個標準差。

3. 使用常態分佈表

在考試中，你會拿到一張表，它顯示了特定 \( Z \) 值左側的面積（概率），通常寫作 \( \Phi(z) \)。

如何查表：
1. 在左側欄位找到 \( Z \)-分數的前兩位數字。
2. 在頂部橫列找到第三位數字。
3. 它們交會的數字就是你的概率。

必須記住的對稱技巧：
- 求正 \( z \) 值左側的面積： 直接使用 \( \Phi(z) \)。
- 求正 \( z \) 值右側的面積： 使用 \( 1 - \Phi(z) \)。
- 求負 \( z \) 值左側的面積： 使用 \( 1 - \Phi(正 \ z) \)。
- 求兩數 \( a \) 和 \( b \) 之間的面積： 計算 \( \Phi(b) - \Phi(a) \)。

常見錯誤： 很多同學會在公式中使用「變異數」而非「標準差」。如果題目寫著 \( X \sim N(10, 16) \)，請記住 \( \sigma^2 = 16 \)，計算時必須使用 \( \sigma = 4 \)！

4. 逐步解決問題

大多數考題都遵循以下流程：
第一步： 寫下已知條件（\( \mu \)、\( \sigma \) 以及你要求解的 \( X \) 值）。
第二步： 使用 \( Z = \frac{X - \mu}{\sigma} \) 將 \( X \) 值標準化。
第三步： 畫一個簡單的鐘形曲線，並塗上你需要求的區域。（這能避免低級錯誤！）
第四步： 在表中查出 \( Z \) 值，並在必要時運用對稱規則。

反向問題：
有時題目會給出概率，要求你求 \( X \)。
1. 在表的正文內容中找出該概率。
2. 找出對應的 \( Z \)-分數。
3. 使用公式：\( X = \mu + Z\sigma \)。

一開始覺得難別擔心！ 只要記住：表格永遠只提供左側的面積。如果你的陰影區域在右側，你就要用到「1 減去」的技巧。

5. 二項分佈的常態近似

有時，使用前一章學到的二項分佈計算會非常耗時。如果你拋了 1,000 次硬幣，你肯定不想計算 1,000 次不同的概率！這時，我們可以用常態分佈作為捷徑。

什麼時候可以使用？（課程要求）：
只有在滿足以下條件時才能使用近似：
1. \( np > 5 \)
2. \( nq > 5 \) (其中 \( q = 1 - p \))

設定參數：
- 平均值為 \( \mu = np \)。
- 變異數為 \( \sigma^2 = npq \)。

連續性修正 (Continuity Correction, 「0.5 單位」法則)：
二項分佈是離散的（長條圖），但常態分佈是連續的（平滑曲線）。為了銜接兩者，我們需要加減 0.5。
- 如果要求 \( P(X \ge 10) \)，實際上應計算 \( P(X_{normal} > 9.5) \)。
- 如果要求 \( P(X \le 10) \)，實際上應計算 \( P(X_{normal} < 10.5) \)。
- 如果要求 \( P(X = 10) \)，應尋找 9.5 到 10.5 之間的面積。

你知道嗎？ 連續性修正就像試圖把一張圓形的紙包住一個方盒子——你需要那額外的 0.5 來確保覆蓋到邊角！

6. 總結與複習

重點摘要：
- 標記法： \( X \sim N(\mu, \sigma^2) \)。務必確認你手頭的是變異數還是標準差！
- \( Z \)-分數： 測量距離平均值有多少個標準差。
- 對稱性： 曲線兩側完全一致，總面積 = 1。
- 表格： 表格永遠顯示 \( Z \) 的左側面積。
- 連續性修正： 僅在二項分佈近似時使用，記住 +/- 0.5 的規則。

記憶口訣： 「平均居中，標準差散；化為 \( Z \) 值，運算不亂！」

最後提醒： 一定要畫曲線！只需花 5 秒鐘，卻是確保你正確計算「1 減去」或「相加」的最佳方法。你一定可以的！