你考了 72 分，全班平均 65 分、標準差 10 分——你贏過幾%的人？這類問題的答案，藏在常態分佈裡。從身高、血壓、IQ 到測量誤差，現實世界中大量的連續型數據都呈現這個優雅的鐘形曲線，而理解它，正是從「描述資料」跨入「推論與預測」的關鍵一步。
一、什麼是常態分佈？
常態分佈（Normal Distribution），又稱高斯分佈，是最重要的機率分布之一。其圖形為對稱的鐘形曲線，由兩個參數完全決定：
- μ（平均數）：決定鐘形曲線的「中心位置」
- σ（標準差）：決定曲線的「寬窄」——σ 越大，曲線越扁平；σ 越小，曲線越尖窄
常態分佈有幾個關鍵性質：
- 曲線以平均數為軸完全對稱
- 平均數、中位數、眾數三者完全重合
- 曲線向兩端無限延伸，但永不碰觸 x 軸（漸近線）
- 曲線下的面積等於 1（即 100% 的機率）
二、68–95–99.7 法則
這是常態分佈最實用的記憶口訣，描述資料落在不同範圍內的比例：
| 範圍 | 涵蓋比例 | 直觀說明 |
|---|---|---|
| μ ± 1σ | 約 68.3% | 大多數資料落在這裡 |
| μ ± 2σ | 約 95.4% | 幾乎所有一般情況 |
| μ ± 3σ | 約 99.7% | 極少數例外才在此之外 |
實例：臺灣成年男性平均身高約 171 cm、標準差約 6 cm。依 68–95–99.7 法則：
- 約 68% 的男性身高落在 165–177 cm
- 約 95% 落在 159–183 cm
- 約 99.7% 落在 153–189 cm
- 超過 189 cm 或低於 153 cm 的，全國加起來不到 0.3%
三、Z 分數：把任何數值換算成「標準尺度」
Z 分數（Z-score）回答了一個核心問題：這個數值距離平均數有多少個標準差？
計算公式：
Z = (x − μ) / σ
- Z = 0：恰好等於平均數
- Z = 1：比平均數高 1 個標準差（約贏過 84% 的人）
- Z = −1：比平均數低 1 個標準差（約輸給 84% 的人）
- Z = 2：極為優秀（約贏過 97.7%）
- Z = −3：非常罕見的低值（只有約 0.13% 的人比你低）
Z 分數的實際應用
跨科目比較成績：數學考 80 分（全班平均 70，σ = 10）→ Z = 1.0；英文考 85 分（全班平均 80，σ = 15）→ Z = 0.33。雖然英文分數更高，但數學成績的相對表現更好。
異常值偵測：Z 分數絕對值 > 3 的資料點，通常視為統計上的離群值（outlier），值得進一步調查。
標準分數轉換：各種標準化測驗（SAT、GRE、IQ 測試）都是將原始分數換算成固定平均數與標準差的尺度，本質上就是 Z 分數的線性變換。
四、為什麼常態分佈無所不在？中央極限定理
一個神奇的事實：即使母體的分布不是常態分佈，只要從中反覆抽取足夠大的樣本並計算樣本平均數，這些樣本平均數的分布就會趨近常態分佈。這就是統計學中最重要的定理之一——中央極限定理（Central Limit Theorem, CLT）。
這就解釋了為什麼常態分佈如此普遍：
- 身高是受基因、營養、環境等大量獨立因素影響的加總結果
- 測量誤差是無數微小隨機誤差的加總
- 考試成績受到許多知識點掌握程度的綜合影響
CLT 也是統計推論（假設檢定、信賴區間）的理論基礎——正因為樣本平均數服從常態分佈，我們才能用樣本去推論母體。
五、什麼時候不適合用常態分佈？
常態分佈並非萬能。以下情境需要其他分布模型：
| 情境 | 問題 | 適合的替代分布 |
|---|---|---|
| 薪資、財富、股票報酬 | 嚴重右偏，存在極端值 | 對數常態分佈（Log-normal） |
| 等待時間、壽命 | 只有正值，右偏 | 指數分佈、Weibull 分佈 |
| 是/否、成功/失敗 | 二元結果 | 二項分佈（Binomial） |
| 小樣本（n < 30） | CLT 尚未收斂 | t 分佈 |
判斷資料是否服從常態分佈，最直觀的方式是繪製直方圖，觀察是否呈鐘形；更嚴謹的方法是使用 Shapiro-Wilk 等正態性檢定。
總結
- 常態分佈由平均數（μ）和標準差（σ）決定，呈對稱鐘形曲線
- 68–95–99.7 法則：±1σ 涵蓋 68%，±2σ 涵蓋 95%，±3σ 涵蓋 99.7% 的資料
- Z 分數 = (x − μ) / σ，將原始值轉換為標準化尺度，可跨資料集比較
- 中央極限定理：獨立隨機變數的加總趨近常態分佈——這是常態分佈普遍存在的根本原因
- 遇到偏態或二元資料，改用對數常態分佈或二項分佈等替代模型
常態分佈是連接描述統計與統計推論的橋樑。掌握了鐘形曲線的邏輯，你就能從「描述已知資料」進階到「從樣本推論未知母體」——這才是統計學真正的威力所在。