20-1 统计学的主角——“正态分布”
在统计学中，最常用的是被称为“正态分布”的连续型概率分布。在标准统计学（内曼－皮尔逊统计学）中如此，在贝叶斯统计学中亦是如此。
正态分布之所以应用如此广泛的原因，主要有两个：
第一，正态分布有着十分便利的数学操作性，这一点在后面将会涉及。第二，正态分布是一种在自然界和社会中频繁出现的概率分布。本节将对第二点进行简要说明。
最初发现正态分布的实验是这样的：投掷N枚硬币时，把出现正面的x枚硬币的概率记为p（x），当N足够大的时候，p（x）的分布图会呈现出特殊的形状（吊钟型）。亚伯拉罕－棣莫弗和拉普拉斯等数学家发现了该图表中对应的函数，即图表20-1的公式。
此后，数学家高斯在担任天文台主任时，通过分析天体观测时的误差所呈现出来的概率分布，也推导出了同样的分布图。
图表20-1 标准正态分布
在高斯的研究之后，随着概率理论和统计学的进步，人们发现，在很多场合都能够观察到这样的正态分布。例如，通过观察包括人类在内的各种各样的生物种群，可以发现了同一种群的体长遵循正态分布的规律。此外，在体内的构成物（血液等）的分布，也呈正态分布趋势；在收到电波时出现的噪音中，也观察到了正态分布的现象。而最近的股票收益率也呈正态分布，这是个强有力的证明。总之，正态分布出现在我们身边的很多现象中。
20-2 呈现吊钟型的正态分布
正态分布是指，分布图呈现特殊形状的一类分布。为了让大家了解具体的形状，首先，我们来看被称为“标准正态分布”代表性图表——图表20-1。横轴x表示类别的数值，纵轴y表示的是出现的概率密度，该图表具有如下特征：
·以y轴（x＝0）为轴，左右对称。
·图像呈为吊钟型（铃型），最高点在x＝0的位置。
·无论x取何值，y也不会等于0（图表向左右两侧无限延伸）。
·在x≥2的部分，图像急剧下降；同样，在x≤-2的部分，图像也急剧下降。
图表20-2 标准正态分布的概率
图表20-1右上方横向写的，是表示概率密度的函数的公式，公式本身非常复杂，估计大多数读者看了会眼花吧。系数的分母是以圆周率π的平方根的形式出现的，不过，这并不重要（只是为了满足标准化条件），而重要的是：无理数e（纳皮尔常数）的取幂，以及二次函数的指数部分为负的系数。这正是图像呈之前所述的形状和特征的原因所在。但后面的内容中不会再出现这个函数，因此简单了解即可，即使后面忘记了也没关系。
这个一是连续型的概率分布。由于高度y表示的并非概率，而是概率密度，因此，“有宽度的部分的面积才是概率”这一点，与贝塔分布是一样的。例如，在满足-1≤x≤1时观察到x的概率，表示为图表20-2中涂有颜色部分的面积，其概率约为0.6826。
20-3 正态分布由“μ”和“σ”决定
一般的正态分布，可以从标准正态分布中轻而易举地获得，只要把图表按照以下步骤进行变形即可。
步骤1：以y轴为中心，向左右两侧延伸σ倍（σ希腊字母，读作“西格马”）。为了满足标准化条件（面积之和为1），各部分的高度需为σ分之1。
步骤2：横向平行移动，直到对应函数顶点的x坐标为μ（希腊字母，读作“缪”）为止。
现在，针对μ和σ的作用进行说明。
μ是概率分布的平均值。换言之，即为“挑担人偶的平衡支点”。由于其左右对称的，因此位于函数图像的顶点位置。而σ是被称为标准偏差的指标，表示分布中的“分散”“扩大”的程度。
