3.2 常態分布：Gauss 誤差曲線（1809）#

本章導言#

沒有任何分布比鐘形曲線更常出現在科學文獻中。它的數學形式在 1733 年由 de Moivre 首次導出，1809 年被 Gauss 從誤差理論中重新發現並賦予崇高地位，Laplace 在 1810 年完成它的極限定理論證，Quetelet 在十九世紀中葉把「常態」推廣到人類社會數據。本節講述這條曲線如何從誤差理論走向「萬物之律」——以及它如何被濫用又被矯正。

誤差曲線的誕生：de Moivre 1733#

常態密度的首次出現是在 de Moivre 1733 年（拉丁文短文，後收入 1738 年《機遇原理》第二版）對二項分布極限的研究：當 \(n\) 大時，

\[ P\left(X = np + x\sqrt{npq}\right) \approx \frac{1}{\sqrt{2\pi npq}} \, e^{-x^2/2}. \]

de Moivre 需要逼近 \(\binom{n}{k} p^k q^{n-k}\) 的中心值，Stirling 公式提供 \(n!\) 的漸近，指數部分完成 Taylor 展開即得鐘形。de Moivre 自己視之為「二項分布的近似工具」，並未意識到這條曲線將成為機率論的統治者。同時代的 Thomas Simpson（1710–1761） 在 1755–1757 年以多種誤差假設討論觀測誤差，天文學家 Tobias Mayer（1723–1762） 1750 年以算術平均處理月球觀測——「誤差該服從什麼分布」成為十八世紀後半的公共問題。

Gauss 1809：從最小平方原理導出誤差律#

Carl Friedrich Gauss（高斯，1777–1855） 在 1809 年《天體運動論》（Theoria motus corporum coelestium）中做了一件石破天驚的事：反過來推導。他假設「算術平均是最可信賴的估計」這條公理，證明唯一能使平均成為最大概似估計的誤差密度就是常態：

\[ f(x) = \frac{1}{\sqrt{2\pi}\,\sigma} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right), \qquad -\infty < x < \infty. \]

Gauss 進而在此誤差律下重推最小平方法（Legendre 1805 年已發表為計算方法，Gauss 聲稱自 1795 年起私下使用），並證明常態誤差下最小平方估計量是最有效的（估計量的方差最小，見 8.1 節）。這一整套「公理 → 誤差律 → 最優估計」的邏輯鏈，是數理統計學的誕生宣言。Gauss 因此在德國稱常態曲線為「Gauss 誤差律」，英法則稱「拉普拉斯—高斯曲線」——命名之爭本身就是統計學史的縮影。

Laplace 隨後在 1810 年補上最後一塊拼圖：中央極限定理（當時的形式）證明大樣本下誤差必然趨近常態——誤差曲線從此獲得雙重合法性：Gauss 的公理推導 + Laplace 的極限定理。這個組合說服了整個科學界：「觀測誤差是常態的」成為十九世紀的教條。

曲線的性質#

常態密度 \(N(\mu, \sigma^2)\) 的核心性質：

由 \(\mu, \sigma\) 完全決定：知道這兩個數就知道一切。
對稱於 \(x = \mu\) ；反曲點在 \(\mu \pm \sigma\) 。
線性變換封閉： \(aX + b\) 仍為常態。
可加性：獨立常態之和仍為常態（MGF \(e^{\mu t + \sigma^2 t^2/2}\) 相乘即見，2.3 節）。
標準化 \(Z = \frac{X - \mu}{\sigma} \sim N(0,1)\) ，且 \(P(|Z| \le 1) \approx 0.683\) 、 \(P(|Z| \le 2) \approx 0.955\) 、 \(P(|Z| \le 3) \approx 0.997\) （68–95–99.7 法則，品質管制的三倍標準差原則由此而來）。

注意 \(\int e^{-x^2} dx\) 沒有初等原函數，其歸一性證明需要著名的 Gauss 積分技巧（平方後換極座標）：

\[ \left(\int_{-\infty}^{\infty} e^{-x^2} dx\right)^2 = \int_{\mathbb{R}^2} e^{-(x^2+y^2)} dx\, dy = \int_0^{2\pi} \int_0^{\infty} e^{-r^2} r\, dr\, d\theta = \pi. \]

這一計算（Laplace 1812 年書中系統使用）把一維積分化為二維極座標——機率論與多元微積分（《微積分》教材 7.1 節）的一次優雅握手。

Quetelet 與「平均人」：常態的社會擴張#

Adolphe Quetelet（凱特勒，1796–1874），比利時天文學家與統計學家，1830 年代起將誤差理論應用於人的測量：1817 年蘇格蘭士兵胸圍數據、犯罪率、自殺率的年度穩定性。他發現人類身高近似常態，提出「平均人」（l'homme moyen）概念：個體是常態分布圍繞社會平均的波動，正如觀測值圍繞真值波動。這個推廣震撼了當時思想界：如果道德與犯罪數據也穩定如天體，個人自由與社會規律如何並存？（Buckle 1857 年《英國文明史》據此主張歷史決定論，引起巨大爭議。）

Quetelet 的方法也有實質貢獻：他以常態偏差偵測混入的次群體（如混雜不同軍團的數據出現雙峰），這是混合模型思想的起源。但「常態即自然」的教條也造成了濫用：Francis Galton（高爾頓，1822–1911） 雖然在 1889 年《自然遺傳》中把常態分布抬升到「統治著混亂的最高法則」，同時他的優生學計畫也以「偏離平均即退化」的邏輯運作——十九世紀的「常態崇拜」在二十世紀初遭遇 Karl Pearson 的相關理論、Karl Weierstrass 學派的病態函數與現代重尾現象的多重矯正。歷史的教訓：一個成功的模型被過度推廣時，就會從科學變成意識形態。

一個具體例題#

例題 3.2.1：某規格要求零件長度 \(250 \pm 0.6\) mm。生產線量測顯示長度近似 \(N(250.1, 0.25^2)\) 。(a) 求不合格率；(b) 若把製程均值調整至 250（消除偏移），不合格率變為多少？(c) 討論六標準差（6 \(\sigma\) ）品質哲學的含義。

解：

(a) 規格界為 \([249.4, 250.6]\) 。標準化：

\[ P(\text{不合格}) = P(X < 249.4) + P(X > 250.6) = \Phi\left(\frac{249.4 - 250.1}{0.25}\right) + 1 - \Phi\left(\frac{250.6 - 250.1}{0.25}\right) \]

\[ = \Phi(-2.8) + 1 - \Phi(2.0) \approx 0.00256 + 0.02275 \approx 0.0253 \quad (2.53\%). \]

注意主要損失來自右側：均值偏移 0.1 使兩側界距不等（ \(-2.8\sigma\) vs. \(+2.0\sigma\) ）。

(b) 均值調至 250 後，兩側各為 \(0.6/0.25 = 2.4\) 個標準差：

\[ P(\text{不合格}) = 2 \left(1 - \Phi(2.4)\right) \approx 2 \times 0.00820 \approx 0.0164 \quad (1.64\%). \]

僅消除 0.1 mm 的偏移，不良率從 2.53% 降至 1.64%——對中比縮小變異有時更划算，這是 Shewhart–Deming 品質哲學中「首先消除系統誤差」的定量根據。

(c) 若 \(\sigma\) 縮至 \(\frac{0.6}{6} = 0.1\) mm 且對中，則規格界在 \(\pm 6\sigma\) ，不良率 \(2(1 - \Phi(6)) \approx 2 \times 10^{-9}\) 。六標準差運動（Motorola, 1986）正是把這個計算變成管理哲學；再考慮製程均值可能漂移 \(\pm 1.5\sigma\) 的經驗假設，不良率約 3.4 ppm——「六標準差」數字的由來。

歷史啟示#

近似工具到普世定律：常態曲線在 1733 年只是逼近二項的技術性結果，Gauss 與 Laplace 使其成為誤差理論的本體，Quetelet 使其成為社會科學的信仰。概念的地位由「用途的疊加」鑄成。
公理化推導的力量：Gauss 從「平均最優」反推誤差律，是數理統計史上第一次「以最優性原理定分布」——這種逆向思維在 8.1 節（Cramér–Rao）與 9.2 節（Neyman–Pearson 最優檢定）中反覆重演。
教條化與矯正：十九世紀「萬物常態」的教條提醒我們警惕成功模型的帝國主義；二十世紀的重尾革命（Lévy 穩定分布、Mandelbrot）是必要的反彈。
命名即政治：Gauss 誤差律 vs. 拉普拉斯—高斯曲線，學術命名權之爭預示了後來「最小平方法屬於誰」（Legendre vs. Gauss）的優先權糾紛。

與其他章節及領域的關聯#

2.3 節：常態 MGF \(e^{\mu t + \sigma^2 t^2/2}\) 是可加性證明的關鍵。
5.2 節：中央極限定理是常態分布統治地位的理論根據。
8.1–8.3 節：常態假設下的估計理論（MLE 的漸近常態、Cramér–Rao 的達成）與檢定（z 檢定）都以本節為模型。
9.1 節：Gosset 的 t 分布正是「樣本方差未知且小樣本」時對常態教條的修正。
7.2 節：Wiener 過程在每個時刻是常態、增量常態——常態分布的隨機過程化身。
物理：Maxwell 1860 年速度分布、Brown 運動的 Einstein 理論（7.1 節）、統計力學的漲落，常態處處現身。
人文：智力測驗（IQ 常態化、1905 起 Binet–Simon）、教育計分——常態的社會應用至今充滿倫理爭議。

練習#

設 \(X \sim N(170, 8^2)\) 。求 \(P(X \ge 180)\) 、 \(P(160 \le X \le 180)\) ，及使 \(P(X \ge t) = 0.05\) 的 \(t\) 。
用 Gauss 積分技巧證明 \(N(0,1)\) 密度的歸一性，並計算 \(\int_0^{\infty} x^2 e^{-x^2} dx\) 。
設 \(X \sim N(0,1)\) 、 \(Y = 2X + 3\) 。求 \(Y\) 的分布、 \(\mathbb{E}[Y]\) 、 \(\operatorname{Var}(Y)\) ，並說明「常態的線性變換仍常態」。
仿例題 3.2.1(b)，對規格 \(100 \pm 0.5\) 、製程 \(N(100.15, 0.2^2)\) 計算不良率與「對中後」不良率，並評估對中的收益。
思考題：Gauss 以「算術平均最優」為公理反推常態。若改以「中位數最優」為公理，會推出什麼誤差律（提示：Laplace 考慮過的雙指數分布）？這說明最優性原理與誤差律之間的什麼關係？

進階研讀：常態分布的五個深化場景#

場景一：多元常態與幾何。 \(n\) 維常態密度 \(\propto e^{-\frac{1}{2}(x - \mu)^\top \Sigma^{-1} (x - \mu)}\) 的等位面是橢球，主軸由共變異矩陣 \(\Sigma\) 的特徵向量決定（4.2 節）。這個幾何在 1900 年 Pearson 的主成分思想、1930 年代 Hotelling 的 T²、以及現代機器學習的高斯過程回歸中反覆出現——常態分布的「線性代數化」是它長盛不衰的原因之一。

場景二：條件常態與迴歸的誕生。二元常態中給定 \(X = x\) 時 \(Y\) 的條件分布仍是常態、均值為 \(\mu_Y + \rho \frac{\sigma_Y}{\sigma_X}(x - \mu_X)\) ——迴歸直線的機率起源（Galton 1885 年對身高的研究，「向平均回歸」現象亦源於此）。常態分布在條件化的封閉性，使它成為 10.1 節線性模型的自然土壤。

場景三：重尾與矯正。金融報酬的實證分布比常態厚尾得多（Mandelbrot 1963；極端日報酬在常態下應為數十年一遇、實際每年可見）。kurtosis 診斷（2.2 節）、穩定分布與 GARCH（1982）是矯正工具。Benoît Mandelbrot 的名言「火與水的分布都不服從鐘形曲線」標誌著對常態教條的世紀清算——但清算的對象是「濫用」，不是常態本身在誤差與和的極限中的正當地位。

場景四：常態性檢定與「模型檢查」的開端。既然常態是被「假設」的，如何檢驗？Pearson 卡方適合度（1900）、Shapiro–Wilk（1965）、Q-Q 圖是標準工具。更深刻的思想出現在 George Box 的名言：「所有模型都是錯的，但有些是有用的」——統計學家學會了把常態當作可檢查、可替換的工作假設而非信仰，這種後設意識是二十世紀統計學成熟的標誌。

場景五：非線性世界的常態化機制。即使單一變數非常態，「多個小獨立因素的乘積效應」取對數後趨常態（對數常態分布，Gibrat 1931 年的公司規模法則、Black–Scholes 1973 年的資產模型）；「多個相依因素的加總」在弱相依下仍趨常態（Lyapunov 與 Lindeberg–Feller 條件，5.2 節）。常態的統治不是因為世界線性，而是因為和與平均是世界的基本運算——這句話是理解中央極限定理哲學意義的鑰匙。

名詞速查表（本節出現的核心術語）#

**常態分布 \(N(\mu, \sigma^2)\) **：鐘形密度 \(\frac{1}{\sqrt{2\pi}\sigma} e^{-(x-\mu)^2/2\sigma^2}\) 。
**標準常態 \(N(0,1)\) **：標準化後的常態，分布函數記 \(\Phi\) 。
誤差曲線：Gauss 對常態的原始稱呼，十九世紀的通用名。
平均人：Quetelet 的概念，社會平均值的常態波動。
68–95–99.7 法則：常態在一、二、三倍標準差內的機率。
Gauss 積分： \(\int e^{-x^2} dx = \sqrt{\pi}\) ，以二維極座標證明。
向平均回歸：Galton 發現的極端測量趨於群體均值的現象。
對數常態： \(\ln X\) 常態時 \(X\) 的分布，乘積效應的極限形狀。
厚尾：尾部機率大於常態的分布，金融數據的實證特徵。

年表速查（本節涉及的關鍵年份）#

1733：de Moivre 由二項極限導出鐘形曲線。
1750：Tobias Mayer 以平均法處理月球觀測。
1755–57：Simpson 討論誤差分布與平均的優越性。
1805：Legendre 發表最小平方法。
1809：Gauss《天體運動論》，誤差律與最優估計。
1810：Laplace 中央極限定理，誤差曲線獲得極限根據。
1812：Laplace《機率的分析理論》完成理論整合。
1835–46：Quetelet 建立平均人與社會統計。
1860：Maxwell 速度分布，常態進入物理。
1885–89：Galton 迴歸與遺傳統計，常態被神化。
1900：Pearson 卡方檢定，常態性可被檢驗。
1963：Mandelbrot 挑戰金融的常態假設。
1973：Black–Scholes（對數常態資產模型）。

深化問答三則#

問：為什麼「誤差是常態的」這個十九世紀教條大體上是對的？ 答：因為觀測誤差通常是大量微小的獨立擾動之和（儀器機械抖動、環境溫度、讀數習慣……），中央極限定理保證這種和近似常態。教條錯的部分在推廣：不是所有數據都是「小擾動之和」——股價報酬是相乘且厚尾的、保險損失是機制驅動的。判斷常態適用與否，應該回到「數據的生成機制是否近似獨立小和」這個本源問題。

問：Gauss 的反推法（由最優性推分布）與 Laplace 的極限法，哪個更深刻？ 答：兩者回答不同問題。Laplace 回答「為什麼誤差是常態」（生成機制），Gauss 回答「常態之下什麼估計最優」（決策結構）。現代統計學繼承了兩條路：生成模型的路線（Laplace→Bayes、機器學習的生成模型）與最優性的路線（Gauss→Neyman–Pearson→極小極大理論）。深刻的數學常常需要兩個互補的「為什麼」。

問：Quetelet 的「平均人」還有現代價值嗎？ 答：作為形上學已被揚棄（個體不是對平均的誤差），但作為方法論存活：任何「以均值為中心、以方差為尺度」的摘要（2.2 節）都是平均人的後裔；而對其盲點的批判——異質性、雙峰、個體軌跡——催生了混合模型、非參數方法與（近年）「精準醫療／個人化預測」。科學概念常以「被批判的形態」繼續存在。

（本節完）