定义 正态分布中，随机变量落在均值加减3倍标准差区间内的概率约为99.7%。
从哪来 本知识点建立在5.1 独立事件的定义之上。虽然正态分布本身不直接依赖独立事件，但在推导正态分布性质及理解其概率计算逻辑时，常涉及独立重复试验（如抛硬币、测量误差）的累积效应，而独立事件是理解这些试验基础概率结构的前提。
为什么 正态分布曲线（钟形曲线）具有“中间高、两边低、对称”的特征。
1. 集中性：数据主要集中在均值 $\mu$ 附近。
2. 衰减性：随着离均值越远，概率密度迅速下降。
3. 定量关系：通过积分计算（或查表），发现距离均值 $\sigma$ 范围内概率约68.27%，$2\sigma$ 范围内约95.45%，$3\sigma$ 范围内约99.73%。
这意味着，绝大多数数据都挤在 $\mu \pm 3\sigma$ 这个窄带里，超出这个范围属于极小概率事件（“小概率事件”）。
讲法
适合：直观型、视觉记忆强的学生
讲法：射箭靶心比喻
想象你在射箭。
- 靶心是均值 $\mu$。
- 第一圈环（半径 $\sigma$）：你大概有2/3的箭会射中这里（68%）。
- 第二圈环（半径 $2\sigma$）：绝大多数箭（95%）都在这个范围内。
- 第三圈环（半径 $3\sigma$）：几乎每一箭（99.7%）都打在这个大圆里。
如果有一箭飞出了第三圈，甚至飞到了靶子外面，那说明要么你手抖了（异常值），要么风太大（系统误差），总之是“极小概率”的意外。
讲法
适合：逻辑型、喜欢推导和严谨性的学生
讲法：概率累积与区间划分
正态分布 $N(\mu, \sigma^2)$ 的概率密度函数关于 $x=\mu$ 对称。
我们将实数轴划分为三个同心区间：
1. $(\mu-\sigma, \mu+\sigma)$：概率 $P_1 \approx 0.6826$
2. $(\mu-2\sigma, \mu+\sigma) \cup (\mu-\sigma, \mu-2\sigma)$：两侧各占 $(0.9544-0.6826)/2$
3. $(\mu-3\sigma, \mu-2\sigma) \cup (\mu+2\sigma, \mu+3\sigma)$：两侧各占 $(0.9974-0.9544)/2$
剩余的概率 $1 - 0.9974 = 0.0026$ 分布在 $|x-\mu| > 3\sigma$ 的区域。
因为 $0.0026$ 非常小，所以在实际应用中，我们通常认为 $X$ 几乎必然落在 $[\mu-3\sigma, \mu+3\sigma]$ 内。
适合：应用型、关注实际意义和工程背景的学生**
**讲法：质量控制中的“3西格玛规则”**
在工厂生产零件时，尺寸服从正态分布。
- 如果设定合格范围是 $\mu \pm 3\sigma$，那么理论上每生产1000个零件，只有约2-3个是废品（超出范围）。
- 这就是为什么工业界常说“3$\sigma$水平”代表高质量。
- 如果某天突然发现有10%的零件超差，说明生产过程失控了（均值漂移或方差变大），而不是正常的随机波动。
**核心逻辑
3$\sigma$ 是区分“正常波动”和“异常故障”的分界线。