正態分佈（Normal Distribution）是什麼？
好的，我將所有 MathJax-LaTeX 公式從 [ ] 改成 $$，以符合你的設定。以下是調整後的部落格文章，適合直接貼到啟用了 MathJax 的 WordPress（假設它支援 $$ 作為公式標記）。內容保持不變，只有公式語法改變。
正態分佈完全解析：從基礎到應用，一篇搞懂！
正態分佈（Normal Distribution）是統計學中的明星，它那優雅的鐘形曲線無處不在，從身高分佈到考試成績，甚至連製造誤差都離不開它。今天這篇文章將帶你全面認識正態分佈，從定義、例子到計算方法，甚至它的前世今生，讓你對這個「統計界的萬能工具」有全新的理解！
正態分佈是什麼？
正態分佈是一種連續的機率分佈，數據大多集中在平均值附近，兩端逐漸減少，形成一個對稱的鐘形曲線。它的英文是 Normal Distribution，也被稱為 高斯分佈（Gaussian Distribution），因為數學家高斯對它的研究貢獻巨大。
簡單來說，正態分佈就像大自然的規律：中間多、兩邊少，對稱又平衡。
正態分佈的例子有哪些？
你可能沒想過，正態分佈其實就在我們身邊。以下是一些常見的例子：
| 現象 | 為什麼符合正態分佈？ |
|---|---|
| 人們的身高 | 大多數人接近平均身高，極高或極矮的人很少。 |
| 考試成績 | 分數多集中在平均值，極高或極低分數較少。 |
| 製造誤差 | 像螺絲長度，誤差通常圍繞目標值分佈。 |
這些例子告訴我們，正態分佈擅長描述「集中趨勢」的現象。
正態分佈如何計算？
正態分佈的機率密度函數長這樣：
$$ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $$
別被公式嚇到！它其實在說：
- ( \mu ) 是平均值，決定曲線的中心。
- ( \sigma ) 是標準差，決定曲線的扁平程度。
- ( \sigma^2 ) 是變異數。
實際上，我們很少手算這個公式，而是透過「標準正態分佈表」來查機率（後面會講到）。
正態分佈表是什麼？
正態分佈表（或 Z 表）是用來查詢機率的工具。標準正態分佈是平均值 ( \mu = 0 )、標準差 ( \sigma = 1 ) 的情況。計算時，先用公式把數據轉成 Z 值：
$$ Z = \frac{x – \mu}{\sigma} $$
然後查表。
以下是部分正態分佈表示例（從 Z = 0.00 到 Z = 3.00，顯示到小數點後四位）：
| Z 值 | 機率（P(Z < z)） | Z 值 | 機率（P(Z < z)） | Z 值 | 機率（P(Z < z)） |
|---|---|---|---|---|---|
| 0.00 | 0.5000 | 1.00 | 0.8413 | 2.00 | 0.9772 |
| 0.10 | 0.5398 | 1.10 | 0.8643 | 2.10 | 0.9821 |
| 0.20 | 0.5793 | 1.20 | 0.8849 | 2.20 | 0.9861 |
| 0.30 | 0.6179 | 1.30 | 0.9032 | 2.30 | 0.9893 |
| 0.40 | 0.6554 | 1.40 | 0.9192 | 2.40 | 0.9918 |
| 0.50 | 0.6915 | 1.50 | 0.9332 | 2.50 | 0.9938 |
| 0.60 | 0.7257 | 1.60 | 0.9452 | 2.60 | 0.9953 |
| 0.70 | 0.7580 | 1.70 | 0.9554 | 2.70 | 0.9965 |
| 0.80 | 0.7881 | 1.80 | 0.9641 | 2.80 | 0.9974 |
| 0.90 | 0.8159 | 1.90 | 0.9713 | 3.00 | 0.9987 |
註：這只是正向 Z 值的一部分。完整表會包括負值（從 -4.00 到 0.00）和更多精細間隔（例如每 0.01）。像 Z=1.96 Z = 1.96 Z=1.96 的機率是 0.9750，代表數據低於這個值的機率是 97.5%。
正態分佈的前世今生
正態分佈的歷史很有趣。18世紀，法國數學家德莫ivre在研究賭博問題時發現了它的雛形。到了19世紀，高斯在分析天文觀測誤差時完善了這個分佈，從此它被稱為高斯分佈。後來，統計學家發現許多自然現象都符合這種分佈，它就成了統計學的基石。
| 時期 | 關鍵人物 | 貢獻 |
|---|---|---|
| 18世紀 | 德莫ivre | 發現正態分佈的雛形 |
| 19世紀 | 高斯 | 完善並應用於誤差分析 |
正態分佈與高斯分佈
很多人會問：正態分佈和高斯分佈有什麼不同？答案是：沒什麼不同！它們是同一個東西，只是名稱不同。高斯分佈是以高斯的名字命名，但指的都是那個鐘形曲線。
正態分佈的機率怎麼算？
想知道某個範圍的機率（比如 ( P(a < x < b) )），步驟很簡單：
1、用 ( Z = \frac{x – \mu}{\sigma} ) 轉成 Z 值。
2、查 Z 表計算機率。
例如：假設身高平均值 ( \mu = 165 ) cm，標準差 ( \sigma = 5 ) cm，求 160 到 170 cm 的機率：
$$ Z_1 = \frac{160-165}{5} = -1 $$
$$ Z_2 = \frac{170-165}{5} = 1 $$
查表：( P(-1 < Z < 1) = 0.8413 – 0.1587 = 0.6826 )，也就是 68.26%。
正態分佈的標準差公式
標準差 $$ \sigma $$ 衡量數據的分散程度。計算公式如下：
$$ \sigma = \sqrt{\frac{\sum (x_i – \mu)^2}{n}} $$
| 符號 | 意義 |
|---|---|
| $$ x_i $$ | 每個數據點 |
| $$ \mu $$ | 平均值 |
| $$ n $$ | 數據總數 |
如果是樣本，則除以 ( n-1 )。
為什麼正態分佈這麼好用？
正態分佈之所以是統計學的寵兒，有以下原因：
| 原因 | 說明 |
|---|---|
| 中心極限定理 | 樣本夠多時，平均值分佈趨近正態分佈。 |
| 對稱性質 | 數學特性簡單，方便計算。 |
| 普遍性 | 自然界很多現象（如身高、智商）接近正態分佈。 |
| 工具支持 | 像 Z 表、T 檢驗等，都是基於正態分佈設計的。 |
結語
正態分佈不僅是數學公式，更是理解世界的一把鑰匙。從它的歷史到應用，從公式到表格，希望這篇文章讓你對它有更深的認識。下次聽到「正態分佈」，你就能自信地說：「我知道那是什麼！」
你好，我是蔡至誠PG，任職於《阿爾發證券投顧》法人金融處，《我畢業五年，用ETF賺到400萬》作者，《提早五年退休：PG 財經個人財務調配術》講師。