一句话定义
正态分布（Normal Distribution），也叫高斯分布（Gaussian Distribution），是一种“中间高、两边低、左右对称”的概率分布：大部分取值挤在平均值附近，越偏离平均越罕见，画出来像一口钟。
为什么到处都是钟形
背后是中心极限定理（Central Limit Theorem）：一件事情的最终结果如果由许多互不相干的小因素叠加决定，不管每个小因素自身是什么分布，叠加后的结果都会趋近正态分布。
比如你上班迟到几分钟，取决于晚起几分钟、等电梯几分钟、路上遇到几个红灯、地铁是不是刚开走。每个因素单独看都微不足道，有好有坏，叠加起来，多数人迟到 0～5 分钟，准点到和迟到半小时的都很少见。把全公司人的迟到时间画成柱状图，就是一条钟形曲线。身高也是同样道理：基因、营养、睡眠、运动等成百上千个微小因素各推一把，人群身高自然成钟形。关键前提是“很多小因素相加”，而不是“任何数据都正态”。
误差和模型为什么也用它
测量误差是典型例子。体重秤的读数波动来自地面不平、站姿、传感器热漂移、读数时机等一堆小扰动，所以误差常被建模成正态。这也是“多次测量取平均”更准的原因：正负误差互相抵消。
在模型里，正态主要出现在三处：
- 噪声假设：线性回归常写成“真实值加一个正态噪声”，最小二乘法（Least Squares）因此有干净的数学解释；不少生成模型也假设噪声服从高斯分布。
- 初始化与随机性：参数初始化、随机失活（dropout）的掩码、扩散模型的加噪，常从正态分布采样。
- 残差诊断：训练后看预测残差，如果明显不是正态、拖着一根长尾，往往说明模型漏掉了某个因素。
但有个常见误解要拆掉：模型输出本身不一定是正态的。分类模型输出的概率大量堆在 0 和 1 附近；损失值、用户点击量常是重尾分布。正态描述的是“误差”或“大量小因素叠加的结果”，不是万能模板。
和相邻概念的区别
| 分布 | 形状 | 典型场景 | 容易踩的坑 |
|---|---|---|---|
| 正态分布 | 对称钟形，尾部快速变薄 | 身高、测量误差、多因素叠加 | 套在收入、点击量上会严重低估极端值 |
| 均匀分布（Uniform） | 平坦，每个值等概率 | 抽签、随机初始化 | 以为“随机”就等于正态 |
| 重尾/幂律分布（Heavy-tailed / Power Law） | 尾部很厚，极端值常见 | 收入、城市人口、词频 | 用“3σ 之外算异常”会漏掉真正的异常 |
对从业者和普通人的意义
对从业者：看到“假设噪声服从高斯分布”，要意识到这是建模选择，而不是世界真理。做特征标准化（z-score）、异常检测、A/B 测试显著性判断时，背后往往藏着正态假设，数据重尾时结论会失真。先画分布，再选方法。
对普通人：看到“平均工资”“平均绩效”，先问一句分布长什么样。正态分布下平均值很有代表性；重尾分布下，平均值可能被少数极端值拉高，中位数才更贴近多数人的体验。钟形曲线好用，但它不是世界的默认形状。