📖 もっと詳しく

正規分布（ガウス分布）は、 統計学の最重要分布と言って過言ではありません。 身長・体重・テスト点数・測定誤差など、 多くの自然現象がベル型の正規分布に近似されます。

特徴：

• 左右対称のベル型
• たった2つのパラメータ $(\mu, \sigma)$ で形が完全に決まる
• 68-95-99.7則：平均±1σ に約68%、 ±2σ に95%、 ±3σ に99.7% のデータが入る
• 中心極限定理：任意の分布から取った標本でも、 平均は近似的に正規分布に従う（n大ならば）。 これが正規分布が至るところに登場する理由

中心極限定理の威力：個々のデータがどんな分布であっても、 標本平均や回帰係数のような「データから計算した量」は、 サンプルサイズが大きければ正規分布に近づきます。 だから t検定、 F検定、 z検定など多くの検定が正規分布を前提に作られています。

🎨 直感で掴む

平均と標準偏差を変えると、 正規分布の位置と広がりが変わる。 ±1σ 内に約68%のデータが入る。

📐 数式

🔬 数式を「言葉」で読み解く

⚠️ よくある落とし穴

👁️ 直感 — 正規分布は「自然界の標準形」

正規分布（normal distribution, Gaussian distribution）は、 統計学で最も重要な確率分布。 「釣り鐘形」をした左右対称の分布で、 自然界や社会現象の多くがこの形に従います。

正規分布に従う実例

• 身長、 体重、 血圧、 IQ
• 測定誤差（同じものを何度も測った時のばらつき）
• 標本平均（中心極限定理により）
• 株価の対数収益率（短期）
• 東京の年平均気温の年次変動

💡 正規分布は2つのパラメータ μ（平均）と σ（標準偏差）だけで完全に決まる「最も簡潔な分布」。 これだけ単純なのに、 自然界の多くを記述できるのが驚き。

📐 確率密度関数と読み方

確率密度関数（PDF）

$$ f(x) = \frac{1}{\sigma \sqrt{2 \pi}} \exp\left( -\frac{(x - \mu)^2}{2 \sigma^2} \right) $$

表記

$$ X \sim N(\mu, \sigma^2) $$

「X はパラメータ μ, σ² の正規分布に従う」と読みます。 σ² ではなく σ で書く流儀もあります（注意）。

2つのパラメータが変えるもの

• μ（平均）を変える → 分布全体が横にスライド（形は不変）
• σ（標準偏差）を変える → 分布の幅と高さが変わる（積分が1で一定）

📊 68-95-99.7 ルール — 正規分布の最重要性質

正規分布では、 標準偏差を使って「データが含まれる範囲」が予測できます：

🎯 中心極限定理 (CLT) — 正規分布が偏在する理由

「サンプルサイズ n が大きければ、 元の分布が何であれ、 標本平均は正規分布に従う」

$$ \bar{X}_n \xrightarrow{n \to \infty} N\left(\mu, \frac{\sigma^2}{n}\right) $$

元のデータが一様分布でも指数分布でも、 標本平均を取ると n が大きいほど釣り鐘形（正規分布）になります。 これがCLTの威力。

CLT が支える統計手法

• t検定、 z検定：標本平均が正規分布
• 信頼区間の計算：平均 ± 1.96 × SE
• 仮説検定の p値：z統計量の分布が正規分布
• 多くの推測統計がCLTを前提

💡 一般的な目安：n ≥ 30 で CLT が十分機能。 元の分布が極端に歪んでいる場合は n=100 以上が安全。

🎯 標準正規分布 — 全ての正規分布の基準

μ=0, σ=1 の特殊な正規分布を標準正規分布と呼びます：

$$ Z \sim N(0, 1) $$

任意の正規分布 X ~ N(μ, σ²) は、 標準化 Z = (X - μ)/σ で標準正規分布に変換できます。 これにより、 z表（正規分布表）を使った計算が一律に可能になります。

標準正規分布のよく使う値

「1.96」は最頻出の魔法数字。 95%信頼区間や5%有意水準（両側）でほぼ常に登場します。

🎲 実データへのフィッティング

SSDSE 食料費データに正規分布を当てはめてみます：

μ = 80.60、 σ = 5.84 の正規分布で47都道府県の食料費はほぼ近似できます。

正規性の検定

「データが正規分布に従うか」を統計的にチェックする検定：

• Shapiro-Wilk検定：n < 5000 で最も強力
• Anderson-Darling検定：分布の裾に敏感
• Kolmogorov-Smirnov検定：累積分布関数を比較
• D'Agostino-Pearson検定：歪度と尖度をベースに

1
2
3
4
5
6

from scipy import stats

# Shapiro-Wilk検定
stat, p = stats.shapiro(data)
print(f'統計量={stat:.4f}, p値={p:.4f}')
# p > 0.05 なら「正規分布と矛盾しない」

視覚的チェック：QQプロット

標準正規分布の理論値とデータの分位を比較。 直線に乗れば正規分布：

1
2
3
4
5

import matplotlib.pyplot as plt
from scipy import stats

stats.probplot(data, dist='norm', plot=plt)
plt.show()

🗺️ 概念マップ — 3つの視点で体系を理解する

正規分布 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 推測統計 › 推定 › 正規分布

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心の概念から放射状に、 前提・兄弟・発展形・応用先などの関係性を矢印で結びます。 横の繋がりを見るのに最適。 ノードをドラッグ、 ホイールでズーム、 クリックで遷移。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「正規分布」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「正規分布」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 ジャストインタイム学習のヒント：3つの視点を行き来することで、 概念を多角的に理解できます。 包含マップやツリーマップはズーム/ドリルダウンで大分類から細部まで探索できます。

🧩 正規分布から派生する重要な分布

正規分布から、 統計学の核となる多くの分布が導出されます：

🤖 機械学習での正規分布

① 線形回帰の前提

古典的な線形回帰モデル y = Xβ + ε で、 誤差項 ε が正規分布 N(0, σ²) と仮定します。 これにより最小二乗推定量が最尤推定量と一致。

② ガウシアン分類器

ナイーブベイズ（Gaussian Naive Bayes）、 線形判別分析（LDA）は、 各クラスの特徴量分布を正規分布として推定。

③ ガウス過程回帰

任意の入力点での予測値が（多変量）正規分布に従うモデル。 予測の不確実性を自然に表現できる。

④ Variational Autoencoder (VAE)

潜在空間を正規分布で表現する深層生成モデル。 「事前分布 N(0, I) からのサンプリング」で新しいデータを生成。

⑤ 重みの初期化

ニューラルネットの重み初期化（Xavier, He）は標準偏差を精密に制御した正規分布から：

1
2
3
4
5

import torch.nn as nn

# He 初期化（ReLU 用）
linear = nn.Linear(in_features, out_features)
nn.init.normal_(linear.weight, mean=0, std=(2/in_features)**0.5)

⑥ Batch Normalization

各層の出力を「平均0、 分散1」の正規分布近似に標準化する深層学習の必須技術。

🐍 Python での正規分布

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import numpy as np
from scipy import stats

# 確率密度（PDF）
stats.norm.pdf(0, loc=0, scale=1)        # f(0) = 0.3989
stats.norm.pdf(1.96, loc=0, scale=1)     # 0.0584

# 累積分布関数（CDF）
stats.norm.cdf(1.96, loc=0, scale=1)     # 0.975
stats.norm.cdf(0)                        # 0.5

# 逆累積分布関数（quantile / ppf）
stats.norm.ppf(0.975)                    # 1.96
stats.norm.ppf(0.5)                      # 0.0

# ランダムサンプリング
samples = np.random.normal(loc=50, scale=10, size=1000)
samples_scipy = stats.norm.rvs(loc=50, scale=10, size=1000, random_state=0)

# パラメータ推定（最尤推定）
data = np.array([45, 50, 55, 60, 65])
mu_hat, sigma_hat = stats.norm.fit(data)
print(f'μ = {mu_hat:.2f}, σ = {sigma_hat:.2f}')

正規性の検定

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

from scipy import stats

# Shapiro-Wilk
W, p = stats.shapiro(data)

# Anderson-Darling
result = stats.anderson(data, dist='norm')
print(result.statistic)
print(result.critical_values)

# Kolmogorov-Smirnov
ks, p = stats.kstest(data, 'norm', args=(data.mean(), data.std()))

🚧 正規分布の落とし穴

1️⃣ すべてが正規分布ではない

所得、 株価、 地震被害額、 都市人口、 SNS のフォロワー数は裾の長い分布。 これらに正規分布を仮定すると重大なミス。 ヒストグラムで確認を。

2️⃣ CLT も万能ではない

n ≥ 30 が一般的目安だが、 元の分布が非常に歪んでいると n=100 でも不十分なことも。

3️⃣ 「正規性検定」と「現実」のずれ

大標本では、 ほんの少しの非正規性でも p < 0.05 になる。 検定結果よりQQプロットでの目視確認が現実的。

4️⃣ 外れ値で平均と標準偏差が動く

1つの極端値で μ や σ が動き、 「データは正規分布から離れている」と誤判定することも。

5️⃣ 単純正規分布 vs 混合正規分布

二峰性のデータは1つの正規分布では表せません。 ガウス混合モデル（GMM）が必要。

📜 正規分布の歴史

• Abraham de Moivre（1733）：二項分布の極限として正規分布を発見
• Pierre-Simon Laplace（1810）：中心極限定理の証明
• Carl Friedrich Gauss（1809）：天体観測誤差の研究で正規分布を体系化 →「ガウス分布」
• Adolphe Quetelet（1846）：身体測定（身長、 胸囲）に正規分布を応用、 「平均人」を提唱
• Francis Galton（1889）：「正規分布の至るところに姿を現すことに何か神秘的なものを感じる」
• Karl Pearson（1893）：「normal distribution」という用語を導入

17世紀の発見以来、 数学・物理・工学・経済・心理学・生物学のあらゆる分野に応用され続けています。

🔗 関連用語

🔖 キーワード索引（補強・追加分）

正規分布 関連の補強キーワード。 クリックで該当箇所へ：

🧮 SSDSE-B 実値計算例（47都道府県データ）

SSDSE-B の変数で正規性を検定し、 z 変換・確率計算・正規 QQ プロットまで体系的に検証する完全例。

① 計算コード

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
x = df['持ち家比率'].values

# 基本統計
mu, sigma = x.mean(), x.std(ddof=1)
print(f'平均 μ = {mu:.2f}, SD σ = {sigma:.2f}')

# 正規性検定（複数の検定を併用）
sw_w, sw_p = stats.shapiro(x)
jb_s, jb_p = stats.jarque_bera(x)
ks_d, ks_p = stats.kstest(x, 'norm', args=(mu, sigma))
print(f'Shapiro-Wilk : W={sw_w:.3f}, p={sw_p:.4f}')
print(f'Jarque-Bera  : JB={jb_s:.2f}, p={jb_p:.4f}')
print(f'KS 検定      : D={ks_d:.3f}, p={ks_p:.4f}')

# 可視化
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
ax = axes[0]
ax.hist(x, bins=12, density=True, alpha=0.7, edgecolor='black')
xs = np.linspace(x.min(), x.max(), 200)
ax.plot(xs, stats.norm.pdf(xs, mu, sigma), 'r-', lw=2, label='正規 fit')
ax.set_xlabel('持ち家比率 (%)'); ax.legend()

ax = axes[1]
stats.probplot(x, dist='norm', plot=ax)
ax.set_title('Q-Q プロット')

plt.tight_layout(); plt.savefig('normal_check.png', dpi=110)

② 期待出力

👉 値は SSDSE-B-2026 の典型値。 同じ手順で他都道府県・他変数にも適用可能。

⚠️ 落とし穴（拡張版・各 100 文字以上）

🐍 Python 実装バリエーション（scikit-learn / scipy / Optuna）

A. scikit-learn による実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

from sklearn.mixture import GaussianMixture
from sklearn.preprocessing import StandardScaler, QuantileTransformer
import numpy as np

# 正規でないデータを「正規化」する変換
qt = QuantileTransformer(output_distribution='normal', random_state=42)
x_norm = qt.fit_transform(df[['一人当たり県民所得']]).ravel()
print(f'変換前 歪度: {stats.skew(df["一人当たり県民所得"]):+.2f}')
print(f'変換後 歪度: {stats.skew(x_norm):+.2f}')

# 混合ガウスで「実は 2 つの正規の合成」を検出
gmm = GaussianMixture(n_components=2, random_state=42)
gmm.fit(df[['一人当たり県民所得']])
print('成分 1:', gmm.means_[0], gmm.covariances_[0])
print('成分 2:', gmm.means_[1], gmm.covariances_[1])
print('重み:', gmm.weights_)

B. scipy / statsmodels による実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

from scipy import stats
import numpy as np

x = df['持ち家比率'].values
mu, sigma = x.mean(), x.std(ddof=1)

# 各種確率計算
print(f'P(X < 60)         = {stats.norm.cdf(60, mu, sigma):.4f}')
print(f'P(60 < X < 75)    = {stats.norm.cdf(75, mu, sigma) - stats.norm.cdf(60, mu, sigma):.4f}')
print(f'P(X > 80)         = {1 - stats.norm.cdf(80, mu, sigma):.4f}')

# 分位点
for q in [0.025, 0.25, 0.5, 0.75, 0.975]:
    print(f'  {int(q*100)}%-tile (正規) = {stats.norm.ppf(q, mu, sigma):.2f}')

# 信頼区間（平均の）
n = len(x)
ci_low  = mu - stats.t.ppf(0.975, n-1) * sigma / np.sqrt(n)
ci_high = mu + stats.t.ppf(0.975, n-1) * sigma / np.sqrt(n)
print(f'\n95% CI of μ: ({ci_low:.2f}, {ci_high:.2f})')

# 尤度比検定の例：正規 vs t 分布
ll_norm = np.sum(stats.norm.logpdf(x, mu, sigma))
ll_t    = np.sum(stats.t.logpdf(x, df=5, loc=mu, scale=sigma))
print(f'\nlog-Lik 正規 = {ll_norm:.2f}')
print(f'log-Lik t(5) = {ll_t:.2f}')
print('差が大きいほど分布選択が重要')

C. Optuna でハイパラ・選択最適化

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import optuna
from scipy import stats

# 正規分布の MLE 推定 + 分布族の選択
def objective(trial):
    dist = trial.suggest_categorical('dist', ['norm', 'lognorm', 't', 'gamma'])
    x = df['一人当たり県民所得'].values
    if dist == 'norm':
        params = stats.norm.fit(x)
        ll = np.sum(stats.norm.logpdf(x, *params))
        k = 2
    elif dist == 'lognorm':
        params = stats.lognorm.fit(x)
        ll = np.sum(stats.lognorm.logpdf(x, *params))
        k = 3
    elif dist == 't':
        params = stats.t.fit(x)
        ll = np.sum(stats.t.logpdf(x, *params))
        k = 3
    else:  # gamma
        params = stats.gamma.fit(x)
        ll = np.sum(stats.gamma.logpdf(x, *params))
        k = 3
    # AIC
    return -2 * ll + 2 * k

study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=10)
print('Best distribution:', study.best_params, ' AIC:', study.best_value)

D. ライブラリ早見表

🔗 関連用語（前提・並列・発展）

🔬 モーメント母関数と特性関数 — 「全モーメントの貯金箱」

正規分布 $\mathcal{N}(\mu, \sigma^2)$ のモーメント母関数 (MGF) は

$$M_X(t) = \mathbb{E}[e^{tX}] = \exp\!\left(\mu t + \tfrac{1}{2}\sigma^2 t^2\right)$$

この MGF を $t$ で微分して $t=0$ を代入すれば、 全モーメントが取り出せます。 1 次：$\mathbb{E}[X] = \mu$、 2 次：$\mathbb{E}[X^2] = \mu^2 + \sigma^2$、 3 次中心モーメント＝0（左右対称）、 4 次中心モーメント＝$3\sigma^4$（尖度＝3 が正規分布の指標）。 SSDSE-B-2026 の年齢別人口比のような「ほぼ正規」とされる量も、 4 次モーメントの 3 からのズレで「真の正規からの距離」を測れます。

特性関数 $\varphi_X(t) = \mathbb{E}[e^{itX}] = \exp(i\mu t - \tfrac{1}{2}\sigma^2 t^2)$ は MGF と違って必ず存在し、 中心極限定理の証明で本質的役割を果たします。 $n$ 個の i.i.d. 確率変数の和の特性関数は $\varphi(t)^n$ で、 これが $n \to \infty$ で正規分布の特性関数に収束する――これが CLT の標準証明です。

📐 多変量正規分布の幾何学

$p$ 次元の多変量正規分布 $\mathcal{N}_p(\boldsymbol\mu, \Sigma)$ の密度関数は

$$f(\boldsymbol x) = \frac{1}{(2\pi)^{p/2} |\Sigma|^{1/2}} \exp\!\left(-\tfrac{1}{2}(\boldsymbol x - \boldsymbol\mu)^\top \Sigma^{-1} (\boldsymbol x - \boldsymbol\mu)\right)$$

等高線は $\Sigma$ の固有ベクトル方向を軸とする楕円。 主軸の長さは固有値の平方根に比例します。 SSDSE-B-2026 の「総人口・労働力人口・就業者数」を多変量正規でモデル化すると、 $\Sigma$ の最大固有値は「人口総量軸」に対応し、 47 都道府県は概ねこの軸上に並びます（離散的だが連続近似が有効）。

条件付き分布の閉形式公式も極めて重要。 $\boldsymbol X = (\boldsymbol X_1, \boldsymbol X_2)$ で分割し、 $\Sigma$ も $\Sigma_{11}, \Sigma_{12}, \Sigma_{22}$ にブロック分割すると、

$$\boldsymbol X_1 \mid \boldsymbol X_2 = \boldsymbol x_2 \sim \mathcal{N}\!\left(\boldsymbol\mu_1 + \Sigma_{12} \Sigma_{22}^{-1} (\boldsymbol x_2 - \boldsymbol\mu_2),\ \Sigma_{11} - \Sigma_{12} \Sigma_{22}^{-1} \Sigma_{21}\right)$$

これは カルマンフィルタ、 ガウス過程回帰、 ベイズ線形回帰の心臓部。 「条件付けも正規」「条件付き期待値は線形」「条件付き分散は新情報に依らず一定」という三つの性質がアルゴリズムを閉じた形に保ちます。

📊 正規性検定 — 「本当に正規ですか？」

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
pop_log = np.log(df.iloc[:, 3])

# Shapiro-Wilk（n=47 で最強）
W, p = stats.shapiro(pop_log)
print(f'Shapiro-Wilk: W={W:.4f}, p={p:.4f}')

# Anderson-Darling
A2 = stats.anderson(pop_log, dist='norm')
print(f'AD: A²={A2.statistic:.4f}, critical at 5%={A2.critical_values[2]}')

# Q-Q プロット（最も信頼すべき判定）
import matplotlib.pyplot as plt
stats.probplot(pop_log, dist='norm', plot=plt)
plt.title('Q-Q plot: log(人口)'); plt.show()

🌀 中心極限定理の精密版 — Berry-Esseen 不等式

通常の CLT は「$n \to \infty$ で正規分布に収束」と言うだけですが、 収束の速さを定量化するのが Berry-Esseen の定理：

$$\sup_x \left| F_n(x) - \Phi(x) \right| \le \frac{C \cdot \rho}{\sigma^3 \sqrt{n}}, \quad C \le 0.4748, \rho = \mathbb{E}|X - \mu|^3$$

「ズレは $O(1/\sqrt{n})$」、 つまり $n = 100$ なら最大誤差は約 0.05、 $n = 10000$ なら約 0.005。 SSDSE-B-2026 の 47 都道府県平均を計算するとき、 $n=47$ なら最大誤差 0.07 程度――「ほぼ正規」だが厳密な確率計算には注意が必要、 という肌感覚を持てます。

さらに $X_i$ が独立でも同分布でなくてよい「Lindeberg-Feller の CLT」、 弱従属でも成り立つ「マルチンゲール CLT」など、 CLT には豊富な拡張があり、 統計学の基礎理論を支えています。

⚠️ 正規分布の追加的な落とし穴（10 個）

1. 「データが多ければ正規」と思う：CLT は「標本平均が正規」と言うだけ。 個々のデータが正規分布する保証はない。
2. 裾が重い分布で SD を使う：t 分布や Cauchy 分布に近いデータで SD を計算すると、 外れ値で SD が無意味に大きく。
3. p 値だけで正規性を判定：$n$ 大で僅かなズレでも有意になる。 Q-Q プロットの目視を併用。
4. 有界データを正規で扱う：失業率 (0-100%) のような有界量は厳密には正規でない。 ロジット変換が定石。
5. 離散データを連続正規で近似：人数のような整数値も、 平均が大きければ正規近似可能。 ただし「人数 = 0」付近では危険。
6. ゼロ過剰な分布：「ある産業の雇用者数」のように 0 が多発する変数は、 正規分布ではなく Tweedie や Hurdle モデルが適切。
7. 多変量で周辺正規 ≠ 同時正規：各変数が正規でも組み合わせが正規とは限らない（コピュラの問題）。
8. 歪度を見ずに分散だけで議論：人口データは右に長い裾を持つので、 中央値と平均が乖離する。
9. 標準正規での近似誤差：99.7% ルールは「3σ 内に 99.73%」だが、 4σ・5σ の現実的確率は極めて低く、 ファイナンスではブラックスワンの源。
10. 3σ ルールの誤用：「3σ 外＝外れ値」は正規前提。 非正規データに適用すると正常値まで切り捨てる。

💼 実務応用 — 正規分布が支える 8 分野

1. 品質管理：管理図 (X̄-R chart) は「平均が正規に従う」前提。 6σ 品質管理は不良率 3.4 ppm を意味する。
2. ファイナンス：Black-Scholes モデルは対数収益率が正規。 ただし実データは裾が重い（GARCH や t 分布で補正）。
3. 誤差解析：物理測定では複数の独立誤差が足し合わさるため、 CLT で正規近似が正当化される。
4. 機械学習：線形回帰の残差は正規仮定、 Gaussian Naive Bayes、 VAE の潜在変数、 ガウス過程など。
5. 医療統計：身長・血圧・コレステロール値などは概ね正規。 「平均±2SD」が基準値範囲の基本。
6. 心理学：IQ は定義上正規（平均 100, SD 15）に標準化されている。
7. 気象：日次気温は概ね正規だが、 極端気温（heat wave）は裾の議論が必要。
8. 製造業：寸法公差設計は正規分布の Cpk 指標で評価される。

🏛 正規分布の歴史 — 200 年の旅路

• 1733 年：de Moivre が二項分布の正規近似を発見（その後 100 年忘れ去られる）。
• 1809 年：Gauss が天文学の誤差解析で正規分布を「再発見」、 「ガウス分布」の名の起源に。
• 1810 年：Laplace が中心極限定理の原型を証明。
• 1835 年：Quetelet が社会統計（身長・犯罪率）に正規分布を初応用、 「平均人」概念を提唱。
• 1894 年：Pearson が「正規分布」(normal distribution) の名前を定着させる。
• 1920 年代：Fisher が最尤推定・分散分析を体系化、 正規分布を統計学の中心に。
• 1940 年代：Wiener が確率過程（ブラウン運動）の理論を完成、 連続時間版正規分布が物理・金融に浸透。
• 1970 年代：Tukey ら が「ロバスト統計」を提唱、 「正規分布信仰」への警鐘を鳴らす。
• 2000 年代：機械学習でガウス過程・正規化フローが復権、 正規分布は今も最重要分布の一つ。

🌐 関連手法・派生（拡張）

• t 分布：標本サイズが小さいときの SE 推定用、 裾が正規より重い。
• カイ二乗分布：正規二乗和の分布、 分散の推定に。
• F 分布：分散の比、 ANOVA の基礎。
• 対数正規分布：正の量（所得・株価・人口）の標準。
• 中心極限定理：正規分布の偏在を説明する核心定理。
• Q-Q プロット：正規性の視覚診断。
• 標準化：z スコアへの変換。
• ベイズの定理：正規事前×正規尤度は再び正規（共役）。