正態分布是連續型隨機變量概率分布中的一種，你幾乎能在各行各業中看到他的身影，自然界中某地多年統計的年降雪量、人類社會中比如某地高三男生平均身高、教育領域中的某地區高考成績、信號系統中的噪音信號等，大量自然、社會現象均按正態形式分布。
正態分布中有兩個參數，一個是隨機變量的均值 μμ，另一個是隨機變量的標准差 σσ，他的概率密度函數 PDF 為：fX(x)=1√2πσe−(x−μ)2/(2σ2)fX(x)=12πσe−(x−μ)2/(2σ2)。
當我們指定不同的均值和標准差參數后，就能得到不同正態分布的概率密度曲線，正態分布的概率密度曲線形狀都是類似的，他們都是關於均值 μμ 對稱的鍾形曲線，概率密度曲線在離開均值區域后，呈現出快速的下降形態。
這里，我們不得不專門提一句，當均值 μ=0μ=0，標准差 σ=1σ=1 時，我們稱之為標准正態分布。
還是老規矩，眼見為實，下面來觀察兩組正態分布的概率密度函數取值，一組是均值為 00，標准差為 11 的標准正態分布。另一組，我們取均值為 11，標准差為 22。
代碼片段：
from scipy.stats import norm
import matplotlib.pyplot as plt
import numpy as np
import seaborn
seaborn.set()
fig, ax = plt.subplots(1, 1)
norm_0 = norm(loc=0, scale=1)
norm_1 = norm(loc=1, scale=2)
x = np.linspace(-10, 10, 1000)
ax.plot(x, norm_0.pdf(x), color='red', lw=5, alpha=0.6, label='loc=0, scale=1')
ax.plot(x, norm_1.pdf(x), color='blue', lw=5, alpha=0.6, label='loc=1, scale=2')
ax.legend(loc='best', frameon=False)
plt.show()