某县小的钟老师有个坚持了三十年的习惯：每回期末批完试卷，他都把全班学生的分数从低到高排成一行，再退后三步，眯起眼睛看那幅散布图。说来神奇，不管试卷难还是容易，不管学生是机灵还是贪玩，只要人数足够多，图上的点总会堆成一口倒扣的铜钟——中间鼓鼓囊囊，两侧对称下滑，尾巴越拖越细。钟老师把这口“钟”描在黑板上，工工整整写下：正态分布。 这个故事里藏着的，是整个统计学和机器学习共同的地基。正态分布描述的是：一碗米倒进碗里，绝大多数米粒落在碗心（均值μ）附近，离碗心越远米粒越少；散开的幅度由一个叫σ的“尺度旋钮”控制。不只考试成绩，测量误差、噪声信号、模型参数初始化，处处都能看见这口钟的影子。理解正态分布的性质，你就能回答“什么才是正常”“差异有多大”“误差怎么传播”这类基础问题。本文就沿着钟老师三十年积累的“成绩单经验”，把这口钟的每个零件拆给你看。

岗位关联

正态分布是统计推断与概率建模的基石，理解它的性质，你才能真正听懂中心极限定理、高斯过程和贝叶斯先验这些 AI 核心话题——这是一切量化思维的基本功。

目录
  1. 可视化演示
  2. 钟形曲线含义
  3. 参数μ与σ
  4. 标准化变换
  5. 中心极限定理
  6. 线性组合性质
  7. 矩生成函数
  8. 多元正态分布
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

钟形曲线含义

钟老师第一次把这幅成绩图贴在墙上时，年轻同事笑话他：“您这画的是个烧饼吗？”钟老师不慌不忙地用粉笔勾出那条光滑的曲线，把中间凸起的部分指给大家看：“你看，绝大多数学生都挤在平均分附近，越往两边人数越少——这说明这张试卷出的'中规中矩'。”这条两头低、中间高的曲线，后来在概率论里有了正式身份：正态分布，也叫高斯分布。

正态分布用概率密度函数（PDF）来刻画，它回答的问题是：“在某个分数附近，出现学生的可能性有多大？”曲线越高，代表那个分数附近的学生越密集；曲线越低，代表那里人迹罕至。钟老师三十年经验浓缩成一个公式：

钟老师把公式抄在教案第一页，旁边画了朵小梅花：别管别的分布多花哨，正态分布的钟形曲线是所有统计模型的“第一课”——因为它简单、对称、性质优良。

f(x)=12π σe−(x−μ)22σ2\displaystyle f(x)=\frac{1}{\sqrt{2\pi}\,\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}
这个公式看着吓人，其实只说了一件事：离均值μ越近，概率密度越大；离得越远，密度按指数规律衰减，衰减的快慢由σ决定。
  1. 归一化常数这个系数保证曲线下方的总面积恰好为 1，让概率值合法。
    12π σ\displaystyle \frac{1}{\sqrt{2\pi}\,\sigma}
  2. 指数衰减项核心的“钟形魔法”，它让密度从中心向两侧迅速变小。
    e−(x−μ)22σ2\displaystyle e^{-\frac{(x-\mu)^2}{2\sigma^2}}
  3. 偏离中心的距离x−μ 表示“这个分数离平均分有多远”，带方向。
    (x−μ)2\displaystyle (x-\mu)^2
  4. 方差做分母σ² 越大，指数衰减越慢，曲线越矮胖；σ² 越小，曲线越尖瘦。
    2σ2\displaystyle 2\sigma^2

参数μ与σ

钟老师后来发现，光有曲线形状还不够，他需要两个旋钮来调节这张图。第一个旋钮叫“平均分”，第二个叫“离散度”。二年级和六年级的卷子完全没法比，但一旦把平均分和离散度对齐，两边的成绩分布竟然惊人地重合——这就是参数的力量。

正态分布由两个参数完全决定：均值 μ 决定曲线左右平移的位置，标准差 σ 决定曲线是“宽扁”还是“窄高”。σ 越小，学生成绩越集中；σ 越大，成绩越散。钟老师常对学生说：“平均分是面子，标准差是里子，两个都要看。”

钟老师每次监考完都会对照这条法则：如果超过 5% 的人落在 2σ 之外，他就要怀疑试卷出偏了。这个直觉后来成为质量管理和异常检测的源头。

P(∣  X−μ  ∣<kσ)  ≈  0.6827,  0.9545,  0.9973(k=1,2,3)\displaystyle P(|\;X-\mu\;|<k\sigma) \;\approx\; 0.6827,\; 0.9545,\; 0.9973 \quad (k=1,2,3)
这组数字就是著名的“3σ经验法则”：1 倍标准差范围内大约装下 68% 的数据，2 倍范围内约 95%，3 倍范围内约 99.7%。
  1. 偏差绝对值|X−μ| 表示“这个学生离平均分有多远”，只看距离不看方向。
    ∣ X−μ ∣\displaystyle |\,X-\mu\,|
  2. 1σ 区间从 μ−σ 到 μ+σ，覆盖约 68% 的学生，这是“大多数人的世界”。
    k=1  ⇒  0.6827\displaystyle k=1 \;\Rightarrow\; 0.6827
  3. 2σ 区间扩大到 ±2σ，覆盖约 95%，属于“绝大多数情况”。
    k=2  ⇒  0.9545\displaystyle k=2 \;\Rightarrow\; 0.9545
  4. 3σ 区间扩展到 ±3σ，覆盖 99.7%——剩下 0.3% 才是真正的“偏科奇才”。
    k=3  ⇒  0.9973\displaystyle k=3 \;\Rightarrow\; 0.9973

标准化变换

钟老师所在的县域小学常搞联考，可每个学校题目难度不同，平均分也不同。一个在城关小学考 85 分的孩子，放在山区小学可能只能算中等。怎么跨校比较？钟老师想到一个巧妙的办法：把分数减去本校平均分，再除以本校标准差——得到的数就能放在同一把尺子上量。

这把“通用尺子”就是标准化变换，得到的分数叫 Z 分数。Z 分数回答的问题是：“这个学生比平均分高/低几个标准差？”它没有单位，只反映相对位置。

钟老师把这招称为“分数乾坤大挪移”：无论原始分多乱，一标准化，全都回到同一个坐标系里可比。机器学习中做特征标准化时，用的正是这个逻辑，目的也是让不同量纲的特征站在同一起跑线。

Z=X−μσ\displaystyle Z=\frac{X-\mu}{\sigma}
把任意正态分布 X 变成标准正态分布 N(0,1)，从此所有不同正态分布的概率计算都可以“查同一张表”。
  1. 离均差分子 X−μ 记录学生分数与平均分的差距，带正负方向，正数在上，负数在下。
    X−μ\displaystyle X-\mu
  2. 除以标准差把差距折算成“几个σ”，实现去单位化，就像把不同国家的货币换算成美元。
    1σ\displaystyle \frac{1}{\sigma}
  3. 标准正态变换后的 Z 服从均值为 0、方差为 1 的正态分布，这是我们的“世界通用语”。
    Z∼N(0,1)\displaystyle Z \sim N(0,1)

中心极限定理

钟老师发现另一个有趣规律：一个班单看某道题目的得分可能乱七八糟——选择题分布歪歪扭扭，填空题更是犬牙交错。但只要把整张卷子的总分拿出来看，立刻就变回那口熟悉的铜钟。他百思不得其解，直到后来读到了概率论最著名的定理：中心极限定理。

中心极限定理（CLT）说：大量独立同分布的随机变量加起来（或取平均），无论原始分布长什么样，它们的均值都会趋向正态分布。这就是为什么自然界里“总和型”的指标——身高、体重、考试成绩——都像中了邪一样贴正态分布。它把“乱七八糟的个体”和“规规矩矩的整体”之间架起一座桥。

钟老师从此明白了：单个学生可能千奇百怪，但一个年级足够多的学生加起来，规律就会浮现。这个定理也是统计推断最重要的支点——我们能用样本来猜测总体，全靠它在背后撑腰。

Xˉ−μσ/n  →d  N(0,1)\displaystyle \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \;\xrightarrow{d}\; N(0,1)
这句话的意思是：样本均值的分布，在样本量足够大时，标准化后近似标准正态。n 越大，近似越好。
  1. 样本均值从总体中随机抽取 n 个样本求平均，它是总体均值 μ 的“替身”。
    Xˉ=1n∑i=1nXi\displaystyle \bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_i
  2. 均值不变样本均值的期望仍然等于总体的均值 μ，说明这个替身没有系统性偏差。
    E(Xˉ)=μ\displaystyle E(\bar{X})=\mu
  3. 标准误样本均值的波动是 σ/√n，样本量越大，替身越靠谱。
    σ/n\displaystyle \sigma/\sqrt{n}
  4. 依分布收敛标准化后无论原始分布是什么，样本均值的分布都向标准正态收敛。
    →dN(0,1)\displaystyle \xrightarrow{d} N(0,1)

线性组合性质

钟老师期末算总评时不光看期末考，还要把平时分、期中分、实验分按权重加在一起。他做了个大胆的测试：如果这三项成绩都服从正态分布，那么加权相加后的总评，还是正态分布吗？答案令他欣慰——还是正态！正态分布家族有个“子承父业”的好传统：正态变量的线性组合依旧是正态变量。

这个性质在机器学习中极其常用，比如多个独立噪声源叠加，或者回归模型的误差项组合。只要每个部分都是正态的，它们的加权和就不会“跑偏”成别的形状。

钟老师用这个规律做了一回“预言家”：只要平时分、期中分都是正态，他就能提前算出总评成绩的分布长什么样。学会把多个正态源组合在一起，很多复杂问题的答案就变得可解析、可预测。

aX+bY∼N(aμX+bμY,  a2σX2+b2σY2)\displaystyle aX+bY \sim N\left(a\mu_X+b\mu_Y,\; a^{2}\sigma_X^{2}+b^{2}\sigma_Y^{2}\right)
若 X、Y 独立且各自正态，则它们的线性组合 aX+bY 仍服从正态，新均值是 aμX+bμY，新方差是 a²σX²+b²σY²。
  1. 线性组合aX+bY 就是对 X 和 Y 做加权求和，比如“总评 = 0.3×平时 + 0.7×期末”。
    aX+bY\displaystyle aX+bY
  2. 均值可加组合的期望等于期望的加权和，权重直接落在均值上。
    aμX+bμY\displaystyle a\mu_X+b\mu_Y
  3. 方差平方加权独立时方差按系数的平方加权相加，平方是因为标准差的大小与量纲有关。
    a2σX2+b2σY2\displaystyle a^{2}\sigma_X^{2}+b^{2}\sigma_Y^{2}
  4. 独立前提只有 X、Y 独立时公式才干净；若相关，还要再减去 2ab·Cov(X,Y)。
    Cov(X,Y)=0\displaystyle \mathrm{Cov}(X,Y)=0

矩生成函数

钟老师手里有一本神奇的名册。一般老师翻名册只查学生总分（均值）和排名差（方差），但这本名册只要按几下“按钮”，就能输出任意阶的统计量——一阶矩、二阶矩、三阶矩……应有尽有。这个魔法按钮就是矩生成函数（MGF）。

矩生成函数的定义是 M_X(t)=E(e^{tX})。它之所以强，是因为只要对它在 t=0 处求导，导数就能逐阶给出分布的矩：一阶导是均值，二阶导能推出方差。对于正态分布，MGF 长成一个整洁的指数函数：

钟老师把这本名册传给每个徒弟当毕业礼物，因为凡是能写出 MGF 的分布，其一切矩都可以“一键导出”。在推导随机过程的性质时，MGF 往往比直接算积分优雅得多。

MX(t)  =  e μt+σ2t22\displaystyle M_X(t) \;=\; e^{\,\mu t+\frac{\sigma^{2}t^{2}}{2}}
正态分布的矩生成函数就像一本“档案册”——从 t=0 处一级一级求导，每一阶导数都记录着分布的一个“身体指标”。
  1. MGF 定义对 e^{tX} 取期望，t 是辅助变量，相当于给分布输入一个探针。
    MX(t)=E(etX)\displaystyle M_X(t)=E\left(e^{tX}\right)
  2. 一阶矩在 t=0 处求一阶导，得到均值 μ，对应“平均分”。
    MX′(0)=μ\displaystyle M_X'(0)=\mu
  3. 二阶矩二阶导得到 E(X²)，减去 μ² 就得到方差 σ²，对应“离散程度”。
    MX′(0)2−μ2=σ2\displaystyle M_X'(0)^2-\mu^{2}=\sigma^{2}
  4. 正态的闭式把正态密度代入 MGF 积分，得到这个简洁的指数形式，一劳永逸。
    eμt+σ2t22\displaystyle e^{\mu t+\frac{\sigma^{2}t^{2}}{2}}

多元正态分布

钟老师退休前最后一堂课，把语文和数学两科成绩同时画在了一张图上。他发现，两科成绩不是孤立的：语文好的孩子数学往往也不差。一堆点云在平面上呈现出椭圆形状，而不是两个独立的钟——这就是多元正态分布的直观图景。

多元正态分布把一元的“一口钟”推广成多维空间的“一坨山包”。它由均值向量 μ 和协方差矩阵 Σ 决定：μ 表示山峰的位置，Σ 描述每个维度的方差以及维度之间的相关性。协方差矩阵是对称的，对角线是各维度方差，非对角线是两两协方差。

钟老师合上课本，在黑板上画出那个斜着的椭圆，郑重写下两句话：“看单项要看边际，看整体要看相关。”多元正态的边际分布仍是正态，条件分布也是正态——这就是它在高斯过程、卡尔曼滤波这些 AI 算法里频频露面的根本原因。

f(x)=1(2π)d/2∣Σ∣1/2exp⁡(−12(x−μ)TΣ−1(x−μ))\displaystyle f(\mathbf{x})=\frac{1}{(2\pi)^{d/2}|\Sigma|^{1/2}}\exp\left(-\frac{1}{2}(\mathbf{x}-\boldsymbol{\mu})^{T}\Sigma^{-1}(\mathbf{x}-\boldsymbol{\mu})\right)
高维的钟形公式虽然长，核心思想和一元完全一致：离均值向量越远，密度越低，只是“距离”要从坐标轴旋转的角度去度量。
  1. 向量化表示x 和 μ 是 d 维向量，分别表示数据点和分布中心。
    x,  μ∈Rd\displaystyle \mathbf{x},\;\boldsymbol{\mu}\in\mathbb{R}^{d}
  2. 协方差矩阵Σ 的每个元素描述两个维度的联动关系，它决定了点云在空间中的“椭圆朝向”。
    Σ=(σ12ρσ1σ2ρσ1σ2σ22)\displaystyle \Sigma=\begin{pmatrix}\sigma_1^{2} & \rho\sigma_1\sigma_2\\ \rho\sigma_1\sigma_2 & \sigma_2^{2}\end{pmatrix}
  3. 马氏距离用 Σ⁻¹ 做变换，相当于把坐标系旋转、缩放后再算距离，这是高维版的“标准化”。
    (x−μ)TΣ−1(x−μ)\displaystyle (\mathbf{x}-\boldsymbol{\mu})^{T}\Sigma^{-1}(\mathbf{x}-\boldsymbol{\mu})
  4. 归一化系数除以 (2π)^(d/2) 乘 |Σ|^(1/2)，确保整个多元分布积分等于 1。
    1(2π)d/2∣Σ∣1/2\displaystyle \frac{1}{(2\pi)^{d/2}|\Sigma|^{1/2}}

AI 应用场景

高斯过程回归中的多元正态建模

阶段：模型选择与不确定性量化

解决的问题：传统回归只能给出点预测，无法回答“模型对结果有多确定”。高斯过程回归用多元正态分布为函数值建模，在预测任意点的同时给出置信区间。

具体案例：在机器人传感器补全任务中，已知几个位置的地面高度观测值，用高斯过程预测整片区域的高度分布。每个未观测点的高度都是正态分布，均值是最优估计，方差是可靠度——这正是多元正态“边际分布仍正态”性质的应用。

贝叶斯线性回归的正态先验

阶段：模型训练与正则化

解决的问题：小样本下普通最小二乘回归容易过拟合。将权重参数设为 N(0, σ²) 先验，相当于给模型加 L2 正则约束，让权重向 0 收缩。

具体案例：电商点击率预测模型有上百个稀疏特征，直接用最大似然估计会权重爆炸。为每个权重设定独立的正态先验后，后验估计自动实现了特征选择与平滑，模型泛化能力显著提升。

异常检测：3σ 法则落地

阶段：数据预处理与在线监控

解决的问题：工业场景中传感器读数偶发异常，人工盯屏效率极低。利用正态分布的 3σ 法则，把超出 μ±3σ 的数据判为异常，几行代码就能完成实时告警。

具体案例：某数据中心监控 CPU 利用率，正常负载服从近似正态分布。当某台服务器利用率连续 5 分钟超出均值加 3 个标准差，系统自动触发扩容流程，误报率控制在 1% 以内。

Python 演示

python43 行
import mathimport random  def box_muller(n):    samples = []    for _ in range(n // 2):        u1 = random.random()        u2 = random.random()        z0 = math.sqrt(-2.0 * math.log(u1)) * math.cos(2.0 * math.pi * u2)        z1 = math.sqrt(-2.0 * math.log(u1)) * math.sin(2.0 * math.pi * u2)        samples.append(z0)        samples.append(z1)    if n % 2 == 1:        samples.append(samples[0])    return samples  def in_three_sigma(data, mu, sigma):    cnt = 0    for x in data:        if mu - 3.0 * sigma <= x <= mu + 3.0 * sigma:            cnt += 1    return cnt / len(data)  def clt_demo(times, sample_size):    means = []    for _ in range(times):        total = sum(random.uniform(0.0, 1.0) for _ in range(sample_size))        means.append(total / sample_size)    return means  if __name__ == '__main__':    mu, sigma = 0.0, 1.0    data = box_muller(10000)    ratio = in_three_sigma(data, mu, sigma)    print('3sigma coverage:', ratio)     means = clt_demo(2000, 30)    mean_avg = sum(means) / len(means)    print('CLT means avg:', mean_avg)
目的：用两个独立的均匀随机数生成标准正态样本，再验证 3σ 规则；最后抽样 30 个均匀分布求均值，观察均值分布趋向正态。
  1. z0 = math.sqrt(-2.0 * math.log(u1)) * math.cos(2.0 * math.pi * u2)Box-Muller 变换的核心公式，把一对均匀数映射到标准正态，整个采样的动力来源。
  2. if mu - 3.0 * sigma <= x <= mu + 3.0 * sigma: cnt += 1统计落在 μ±3σ 区间内的样本，程序会自动验证约 99.7% 的样本都停在这个安全带里。
  3. total = sum(random.uniform(0.0, 1.0) for _ in range(sample_size))均匀分布本不是正态，但 30 个均匀数求和后的均值，已经明显逼近正态。

常见误区

误区总觉得中心极限定理是“正态分布家族的专享福利”，如果原始数据不是正态的，样本均值就不可能近似正态，所以不敢对偏态数据用 CLT。

正解中心极限定理恰恰最了不起的地方在于不要求总体正态。只要样本独立同分布、方差有限，样本量足够大（经验上 n≥30），样本均值的分布就会逐渐贴近正态。均匀分布、二项分布甚至相当偏态的分布，取均值之后都会“钟化”。

为何常见：定理名字里带“中心”，又和正态分布绑定，初学者自然误以为原始数据必须来自正态总体。这是把定理的结论错放在了前提位置上。

误区看到 PDF 公式前面有个 σ 在分母上，就认为 σ 越大，曲线峰值越高；有时甚至拿 σ 直接描述峰值高度。

正解σ 衡量的不是高度，而是散布程度。σ 增大时，曲线变矮变胖，峰值反而降低；σ 减小时，曲线变高变瘦。归一化常数 1/(√2π·σ) 只是为了保证曲线下面积为 1，所以面积不变，σ 和峰值必须此消彼长。

为何常见：数学课上常画“阶跃”示意图，σ 一改图就变，初学者把视觉上的“胖瘦”错记成“高低”，忽略了归一化约束。

误区工程师看到标准化后某个样本的 Z 值超过 3，立刻认定它是异常值，直接删除。

正解3σ 法则说的是 99.7% 的数据会落在 ±3σ 内，但 0.3% 的“合法居民”确实可以出现在范围外。Z>3 只是提示“罕见”，并不等于“错误”。正规流程要把 Z 分数、业务语义和后续标注结合起来，而不是机械删点。

为何常见：异常检测落地时常常用 3σ 一刀切，简单阈值用久了，就习惯把超阈值和“坏数据”画等号。

误区学完正态分布后就觉得，如果数据直方图不像钟形，一定是收集方式有问题，或者必须用暴力变换把它掰成正态。

正解很多真实数据天生偏态、重尾或多峰，比如收入、响应时长、网络流量，它们有自己合理的分布形态。正态性假设只在特定场景下成立（误差项、大量独立小因素叠加的指标）。强行用正态拟合，反而会掩盖真实规律。

为何常见：正态分布是教科书第一个重点讲解的连续分布，出镜率太高，容易形成“凡是分布就该正态”的先入为主。

误区看到 aX+bY 的方差公式写成 a²σX²+b²σY²，就以为任意两个正态变量都能这样直接加，忽略了独立性要求。

正解这个简洁公式只有在 X 和 Y 独立时才成立。如果两者相关，方差公式还要加入 −2ab·Cov(X,Y)（或 +，取决于 a、b 的符号），表达为 σ² = a²σX² + b²σY² + 2ab·Cov(X,Y)。实际建模中变量高度相关时，直接套简单版会严重低估风险。

为何常见：公式记忆太熟练，而教材又习惯先讲独立情形，相关性修正项被当作“冷门彩蛋”跳过，应用时就踩坑。

面试题

Q1. 描述一个正态分布完整需要哪两个参数？

单选题 · easy

  • A.标准差和方差
  • B.均值和方差← 正确答案
  • C.均值和标准差
  • D.众数和中位数

答案：B。正态分布由均值 μ 和方差 σ² 完全确定，其中 σ² 是方差，σ 是标准差，所以 B 和 C 实际上等价；但最常用、最直接的参数约定是 μ 与 σ，即答案 C。A 缺少位置信息，D 与正态分布无关。

Q2. 标准正态分布指的是：

单选题 · easy

  • A.均值为 0、方差为 1← 正确答案
  • B.均值为 1、方差为 2
  • C.均值为 0、方差未知
  • D.均值不定、方差为 0

答案：A。经过标准化 Z=(X−μ)/σ 后，任意正态分布都变成 μ=0、σ=1 的标准正态分布，也就是参数全由“零均值、单位方差”锁定。方差为 1 才叫标准，因此 A 正确。

Q3. 依据 3σ 经验法则，约多大比例的数据落在 μ±3σ 区间内？

单选题 · easy

  • A.68%
  • B.95%
  • C.99.7%← 正确答案
  • D.50%

答案：C。1σ 覆盖约 68%，2σ 覆盖约 95%，3σ 覆盖约 99.7%。题目问的是 3 个标准差，故选 99.7%。这三个数字是正态分布考频最高的结论，一定要记牢。

Q4. 当标准差 σ 增大时，正态分布曲线会发生哪些变化？

多选题 · mid

  • A.曲线变得更矮胖← 正确答案
  • B.峰值高度降低← 正确答案
  • C.整条曲线向左平移
  • D.两侧尾巴变厚← 正确答案

答案：ABD。σ 变大意味着数据更分散，为保持曲线下面积恒为 1，峰值必须下降、中间隆起变缓，于是曲线变矮胖，两侧尾巴也变厚。平移由 μ 决定，与 σ 无关，所以 C 错。

Q5. 若 X~N(2, 9)，则标准化变量 Z=(X−2)/3 的分布是：

单选题 · mid

  • A.N(0, 1)← 正确答案
  • B.N(2, 9)
  • C.N(2, 3)
  • D.N(0, 9)

答案：A。标准化变换永远把 (X−μ)/σ 映射到标准正态 N(0,1)。此处 μ=2、σ=3，所以 Z~N(0,1)。B 是原始分布，C 混淆了 σ 与 σ²，D 则完全错误。

Q6. 独立随机变量 X~N(0,1)，Y~N(2,4)，则 X+Y 的分布为：

单选题 · mid

  • A.N(2, 5)← 正确答案
  • B.N(2, 4)
  • C.N(2, 3)
  • D.N(1, 5)

答案：A。独立正态变量之和仍为正态，均值相加得 0+2=2，方差相加得 1+4=5，因此 X+Y~N(2,5)。不能把方差 4 当成标准差 4 直接加标准差，这正是“方差平方加权”的易错点。

Q7. 中心极限定理的适用条件包括：

多选题 · mid

  • A.各样本相互独立← 正确答案
  • B.样本量足够大← 正确答案
  • C.原始总体必须服从正态分布
  • D.样本均值近似服从正态分布← 正确答案

答案：ABD。CLT 要求独立同分布、方差有限，样本量足够大时样本均值近似正态。它并不要求原始总体正态，恰恰是这一点让定理极具威力，所以 C 错误。

Q8. 一元正态分布 N(μ, σ²) 的矩生成函数 M_X(t) 为：

单选题 · hard

  • A.exp(μt + σ²t²/2)← 正确答案
  • B.exp(μt²/2 + σt)
  • C.exp(σ²t²)
  • D.exp(μt) + σ²

答案：A。正态分布的 MGF 由矩生成函数的定义对 PDF 积分得到，结果为 exp(μt + σ²t²/2)。在 t=0 处求一阶导得 μ，二阶导可推方差 σ²，C 少了均值项，B 和 D 则完全不符合定义。

Q9. 多元正态分布具有哪些优良性质？

多选题 · hard

  • A.任一维的边际分布仍是正态← 正确答案
  • B.在给定其他维条件下仍是正态← 正确答案
  • C.任意线性组合仍是正态← 正确答案
  • D.协方差矩阵必须是单位矩阵

答案：ABC。多元正态对线性变换封闭，所以线性组合仍正态；边际和条件也都保持正态——这些特性使它在高斯过程、卡尔曼滤波中成为首选。协方差矩阵只要求半正定，不要求是单位阵，所以 D 错。

Q10. 设 X~N(10, 16)，则 P(X>18) 等于（Φ 为标准正态的分布函数）：

单选题 · extreme

  • A.Φ(2)
  • B.1−Φ(2)← 正确答案
  • C.2Φ(2)
  • D.Φ(8)

答案：B。先标准化：Z=(18−10)/4=2，因为 16 是方差，标准差是 4。于是 P(X>18)=P(Z>2)=1−Φ(2)。A 忘记取上尾补，C 错用对称性，D 直接把 18−10 当 Z 值，均不正确。