正态分布 N(μ,σ²) 的密度函数图像及 3σ 原则的概率分布

正态分布是统计学中最常见的概率分布，它的密度函数决定了数据的分布形态。以下通过四个步骤，帮助你直观理解其图像特征，并精确掌握“3σ原则”所对应的概率范围。

1. 理解 密度函数的基本形状

写出 正态分布密度函数公式（仅在需要精确推导时使用）：

$$ f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left( -\frac{(x-\mu)^2}{2\sigma^2} \right) $$

其中 $\mu$ 是均值（位置参数），$\sigma$ 是标准差（尺度参数）。

观察 该函数的图像特征：

• 图像是一条单峰、对称的钟形曲线，峰值出现在 $x = \mu$ 处。
• 曲线关于 $x = \mu$ 左右对称，左右两侧无限延伸，但永远不与横轴相交（趋向于0）。
• 曲线在 $x = \mu \pm \sigma$ 处有两个拐点（从凹变凸或凸变凹的位置）。
• 曲线下方的总面积等于 1（代表所有概率之和）。

2. 识别 参数 $\mu$ 和 $\sigma$ 对图像的影响

比较 两组参数下的图像变化：

• 均值 $\mu$ 的作用：决定曲线的左右位置。$\mu$ 增大，整条曲线向右平移；$\mu$ 减小，曲线向左平移。形状不变。
• 标准差 $\sigma$ 的作用：决定曲线的胖瘦程度。$\sigma$ 越大，曲线越矮胖（数据分散）；$\sigma$ 越小，曲线越高瘦（数据集中）。峰值处的高度与 $\sigma$ 成反比（$\frac{1}{\sigma\sqrt{2\pi}}$）。

可视化描述（纯文字替代图片）：
想象两根相同的钟形曲线，第一根 $\mu = 0, \sigma = 1$，第二根 $\mu = 2, \sigma = 1$，则第二根曲线整体向右移动了两个单位。若第三根 $\mu = 0, \sigma = 0.5$，则曲线比第一根更高更窄。

3. 掌握 3σ 原则的核心概率

3σ 原则指出：在正态分布中，随机变量落在均值 $\mu$ 附近若干倍标准差 $\sigma$ 范围内的概率是固定的。具体数值如下：

• 1σ 区间：$[\mu - \sigma, \mu + \sigma]$ 内包含约 68.27% 的数据。
• 2σ 区间：$[\mu - 2\sigma, \mu + 2\sigma]$ 内包含约 95.45% 的数据。
• 3σ 区间：$[\mu - 3\sigma, \mu + 3\sigma]$ 内包含约 99.73% 的数据。

记住 这三个数字：68%、95%、99.7%（近似值）。这意味着几乎全部数据都集中在均值附近3倍标准差范围内，超过3σ以外的数据非常罕见（仅0.27%）。

4. 应用 3σ 原则进行概率判断

假设 某校学生身高服从正态分布 $N(170, 10^2)$（单位：cm），即 $\mu = 170$，$\sigma = 10$。

计算 身高在以下范围内的学生比例：

1. 1σ 范围：$[160, 180]$ cm → 约 68.27% 的学生。
2. 2σ 范围：$[150, 190]$ cm → 约 95.45% 的学生。
3. 3σ 范围：$[140, 200]$ cm → 约 99.73% 的学生。

反推 若某学生身高 135 cm（小于 $\mu - 3\sigma = 140$），则属于极端值，概率不足 0.135%（因为单侧超过3σ的概率为 $(1 - 0.9973)/2 = 0.00135$）。

5. 注意 使用前提与局限

• 前提：数据必须严格服从或近似服从正态分布，否则3σ原则不适用。
• 局限性：3σ原则给出的概率是理论值，实际样本中可能因抽样误差略有波动，但大样本下非常准确。
• 记忆技巧：将68-95-99.7当作口诀，日常快速估算异常值。