正态分布模型

随机误差的正态分布模型

在测量实践中，随机误差 δ 由大量相互独立的微小作用因素共同引起，每个因素的影响都很小且方向随机。依据李雅普诺夫中心极限定理——若一个随机变量是若干独立随机变量之和，在满足李雅普诺夫条件（各分量存在足够阶矩且其和相对于总方差可忽略）时，该和经中心化、标准化后的累积分布收敛于标准正态分布；在密度存在且连续等附加条件下，其概率密度近似为高斯密度——随机误差近似服从正态分布（高斯分布、常态分布）。在各微小因素均值为 0（或已将系统偏差从误差中分离）的模型下，各分量零均值使总和的均值为 0，故随机误差的分布表示为

其中 δ 为随机误差，σ 为标准差（与被测量同量纲）。其概率密度函数为

式中 σ√(2π) 为归一化常数，保证密度在全轴的积分为 1。

密度曲线的形态

该密度曲线呈钟形，关于纵轴（δ=0）对称，峰值位于原点 O 处，峰值高度为 1/(σ√(2π))。曲线两端随 |δ| 增大而单调衰减并趋于 0。

标准正态分布与中心极限定理

对二项分布随机变量 ηₙ（参数 n、p），棣莫弗-拉普拉斯定理指出：当 n 趋于无穷大时，标准化变量

的累积概率分布收敛于标准正态分布函数 Φ(x)。这是中心极限定理在二项分布情形下的特例，说明大量独立同分布随机变量之和经标准化后趋于标准正态分布。

标准差对分布离散程度的影响

均值相同而 σ 不同的正态密度曲线形状不同：σ 越小，曲线越陡峭、峰值越高，随机误差分布越集中；σ 越大，曲线越平坦、峰值越低，分布越分散。三条曲线在 δ=0 处高度不同，但均关于纵轴对称。

区间覆盖概率

正态曲线下面积对应概率。以 σ 为单位划分区间：

• ±1σ 区间：包含约 68% 的数据；
• ±2σ 区间：包含约 95% 的数据；
• ±3σ 区间：包含约 99.7% 的数据。

这些数值是正态分布模型下的理论覆盖概率，适用于随机误差服从 N(0,σ²) 的情形。

实际数据例

高考成绩可视为记忆力、写作能力、逻辑能力、计算能力等多项得分的总和。各能力项之间并不保证相互独立，各影响分布未知，人数或因素多也不保证有界成绩服从正态分布；因此只能将其作为需由实际成绩数据检验的近似模型。若成绩直方图呈现中间高、两侧低的钟形形态，则与正态密度曲线近似对应。