【正态分布】（Normal distribution），也称“常态分布”，又名（Gaussian distribution）
正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为。
当μ = 0,σ = 1时的正态分布是。
正态分布有两个参数，即期望（均数）μ 和 标准差σ，σ2为方差。
μ是正态分布的位置参数，描述正态分布的位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为，左右完全对称。正态分布的期望、、、众数相同，均等于μ。
σ（标准差）描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
一个标准差 68%， 两个标准差 95%, 三个标准差 99%。
高斯分布怎么来的，很简单。只要所观察的系统里，各种对象之间关联很弱（相互独立？），那么他们的总和平均表现，根据中心极限定律，就是高斯或者近高斯的。
高斯分布的信息熵最大。即，高斯分布是最混乱系统。
自然界最多的不是正态（高斯）分布，而是长尾（幂律等）分布。
【中心极限定理】——如果一个指标受到若干独立的因素的共同影响，且每个因素不能产生支配性的影响(Lindeberg 条件)，那么这个指标就服从中心极限定理，收敛到正态分布，这就是林德伯格-费勒中心极限定理的意思。
很多个因素独立同分布并且可以叠加，那么叠加结果就会接近正态分布。我看的参考书上把这个叫做中心极限定理。
我们人造的东西，很多都是模块化的，比如汽车轮船飞机，桌子椅子板凳，等等。我们人类造东西，都是“搭”出来的，一个模块和另一个模块之间关联很弱，坏了一个模块换掉就好。所以人造系统，其表现，包括性能啊，噪声啊，稳定度啊，都基于高斯分布。
误差分布导出的极大似然估计 = 算术平均值
【正态标准化】
假设我们有一个X向量，x(i,j),i = 1,..,m;j = 1,..,n。z_score规范化如下：
x(i,j)' = [x(i,j) - E(j)] / S[j]，即x(i,j) 减去第j列的均值再除以第j列的标准差。
这样处理之后，原数据就变成了均值为0，方差为1，记作：
X' = [X - E(X)] / S(X)，其中，E(X) = 0， S(X) = 1。