要写成标准的教程的话，需要铺垫的东西太多了。
打算就随便写写，各位能看懂就看，看不懂记结论就行

正态分布是什么？
正态分布是自然界中广泛存在的一种概率分布。它的概率密度函数图象（描述随机数分布状况的图象）是著名的钟形曲线，各位应该在科普书上见过。正态分布有两个重要的参数：均值和标准差。有一个著名的“3-Sigma原则”，说的是在正态分布中，可以看作所有的样本（随机数）都分布在距离均值3个标准差范围之内，各位在设定随机数范围时可以参考。
可见，均值越大，随机数整体越大，图象越偏右；标准差越大，随机数分布越均匀，图象越扁。

为什么要使用正态分布？
根据中心极限定理，取大量（相互独立，服从相同的分布规则，且分布范围有限的）随机数，它们近似服从正态分布。一个简单的例子就是某市数学高考成绩的分布。当考试难度适当，考生并未大规模作弊时，该市高考成绩近似服从正态分布。在这一例子中，可以认为考生之间互不干扰，即成绩相互独立；近似认为一个考生的成绩服从均匀分布，这一分布规则对所有考生都成立；分数只可能在0分到150分之间，即分布范围有限。
正态分布有什么用？
在现实生活中，正态分布对建立预测模型十分有帮助，有助于风险的规避、提高生产效率。在Scratch中，在我们需要批量生成AI对手时，可以使用正态分布来生成它们的数值，以期贴近现实。当需要实现无规律振动的效果时，同样可以使用正态分布来设定振子的位置。
各位可以开动脑筋，找到更多的应用场景

想必大家会发现，Scratch自带的取随机数积木只能获得服从均匀分布的随机数，这并不是我们想要的。那么该如何获得服从正态分布的随机数呢？有人会说，你不是都提到中心极限定理了吗？但各位要考虑到Scratch的性能，当取大量样本时，会产生明显的卡顿；取少量样本时，又无法很好地得到正态分布。因此，当我们需要批量产生较多服从正态分布的随机数时，就需要使用本文的主角——Box-Muller法。
Box-Muller法是一种将均匀分布转化为标准正态分布（均值为0,标准差为1）的算法。
如果X1、X2属于(0,1]区间，那么
Y1、Y2服从标准正态分布。（注意这里的2*pi是弧度制，在Scratch中需要转换为角度制的360）
证明过程十分巧妙，主体过程只涉及指数-对数运算知识，各位有兴趣可以上b站学习到。它本是用作获得二维正态分布的，自然也可以在本例中用作获得一维正态分布。

接下来，就是运用另一个重要的公式：z=(X−μ)/σ，将标准正态分布转化为一般的正态分布。
其中，z是服从标准正态分布的随机变量（随机数），X是服从均值为μ、标准差为σ的一般正态分布。通过变形即可得到X=z*σ+μ。
这里的证明过程需要用到积分的知识，毕竟正态分布的概率密度函数就涉及了积分。
各位可以上阿儿法营找到示例文件。（搜我小号：天火XO）

吞楼吞得太厉害了，各位稍安勿躁

dd