正态分布有哪些性质？ | AI 面试题

Q: 正态分布有哪些性质？

一、概率密度 f(x) = (1/(σ√(2π))) exp(−(x−μ)²/(2σ²)) 二、关键性质 - 参数：均值 μ，标准差 σ（方差 σ²） - 对称于 μ，均值 = 中位数 = 众数 - 68-95-99.7 法则：μ±1σ 约 68%，±2σ 约 95%，±3σ 约 99.7% - 线性组合：独立正态变量之和仍正态 - 尾部：轻尾（相比 t 分布）；极端值概率指数下降 三、应用 测量误差、大样本均值近似（中心极限定理）、回归残差近似、许多检验的渐近理论。 面试里如果出现公式，建议先说 正态分布有哪些性质 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。 四、检验 样本量小且总体未知时，用 t 分布 替代正态。延伸阅读：概率论基础。

Q: 标准正态分布 Z 是什么？

标准正态分布 Z ~ N(0, 1)，把任意正态变量 X 通过 Z = (X − μ) / σ 标准化后，可查标准正态表得到 P(Z ≤ z)，用于求置信区间临界值与假设检验 p 值。面试中要强调：μ、σ 未知时用样本估计，小样本需 t 分布修正。

核心要点

能写出 PDF、参数 μ 和 σ
掌握对称性、68-95-99.7 经验法则
知道 CLT 与正态假设在检验中的应用

简要回答

正态分布 N(μ, σ²) 呈钟形、关于 μ 对称；68% 数据在 μ±σ 内；许多统计方法依赖或近似正态。

标准回答

一、概率密度

f(x) = (1/(σ√(2π))) exp(−(x−μ)²/(2σ²))

二、关键性质

参数：均值 μ，标准差 σ（方差 σ²）
对称于 μ，均值 = 中位数 = 众数
68-95-99.7 法则：μ±1σ 约 68%，±2σ 约 95%，±3σ 约 99.7%
线性组合：独立正态变量之和仍正态
尾部：轻尾（相比 t 分布）；极端值概率指数下降

三、应用

测量误差、大样本均值近似（中心极限定理）、回归残差近似、许多检验的渐近理论。

面试里如果出现公式，建议先说 正态分布有哪些性质 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。

四、检验

样本量小且总体未知时，用 t 分布 替代正态。延伸阅读：概率论基础。

回答思路

【定义】用一句话说清「正态分布有哪些性质」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险

延伸学习

结合侧栏延伸学习中的知识库与术语；行业背景见 AI 资讯（永久保留）。相关：资讯

常见误区

⚠️ 常见踩坑

误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。

追问

追问 1：标准正态分布 Z 是什么？

标准正态分布 Z ~ N(0, 1)，把任意正态变量 X 通过 Z = (X − μ) / σ 标准化后，可查标准正态表得到 P(Z ≤ z)，用于求置信区间临界值与假设检验 p 值。面试中要强调：μ、σ 未知时用样本估计，小样本需 t 分布修正。

追问 2：数据不满足正态怎么办？

对数/Box-Cox 变换；用非参数检验（Mann-Whitney）；大样本依赖 CLT；Bootstrap；广义线性模型指定其他分布（Poisson、Gamma）。

追问 3：多元正态分布有什么特点？

由均值向量 μ 和协方差矩阵 Σ 决定；边缘分布是正态；不相关且联合正态则独立。高斯过程、线性回归误差多元正态的基础。

🔗 相似问题

同一考点的不同问法，换着练更稳

延伸学习

按主题分类的相关资源，便于系统复习

核心要点

能写出 PDF、参数 μ 和 σ
掌握对称性、68-95-99.7 经验法则
知道 CLT 与正态假设在检验中的应用

简要回答

正态分布 N(μ, σ²) 呈钟形、关于 μ 对称；68% 数据在 μ±σ 内；许多统计方法依赖或近似正态。

标准回答

一、概率密度

f(x) = (1/(σ√(2π))) exp(−(x−μ)²/(2σ²))

二、关键性质

参数：均值 μ，标准差 σ（方差 σ²）
对称于 μ，均值 = 中位数 = 众数
68-95-99.7 法则：μ±1σ 约 68%，±2σ 约 95%，±3σ 约 99.7%
线性组合：独立正态变量之和仍正态
尾部：轻尾（相比 t 分布）；极端值概率指数下降

三、应用

测量误差、大样本均值近似（中心极限定理）、回归残差近似、许多检验的渐近理论。

四、检验

样本量小且总体未知时，用 t 分布 替代正态。延伸阅读：概率论基础。

回答思路

【定义】用一句话说清「正态分布有哪些性质」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险

延伸学习

结合侧栏延伸学习中的知识库与术语；行业背景见 AI 资讯（永久保留）。相关：资讯

常见误区

⚠️ 常见踩坑

误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。

追问

追问 1：标准正态分布 Z 是什么？

追问 2：数据不满足正态怎么办？

对数/Box-Cox 变换；用非参数检验（Mann-Whitney）；大样本依赖 CLT；Bootstrap；广义线性模型指定其他分布（Poisson、Gamma）。

追问 3：多元正态分布有什么特点？

由均值向量 μ 和协方差矩阵 Σ 决定；边缘分布是正态；不相关且联合正态则独立。高斯过程、线性回归误差多元正态的基础。

🔗 相似问题

同一考点的不同问法，换着练更稳

延伸学习

按主题分类的相关资源，便于系统复习

知识库文章

查看更多 →

博客深度阅读

查看更多 →

核心术语

查看更多 →

行业资讯

查看更多 →