不。

例如：

• 不是在高斯概率分布的意义上：正态（高斯）分布的钟形曲线是直方图（概率密度相对于单个变量值的映射），但您引用的曲线是（如您所述）a一个变量（新案例）的值与第二个变量（时间）的映射。（@Accumulation 和@TobyBartels 指出高斯曲线是可能与概率分布无关的数学结构；鉴于您在统计 SE 上提出这个问题，我认为解决高斯分布是回答问题的重要部分。 )

• 正态分布下的可能值从扩展到，但流行曲线在y轴上不能有负值，并且在x轴上向左或向右移动足够远，您将完全用完病例，要么因为疾病不存在，或者因为智人不存在。$-\infty$$\infty$

• 正态分布是连续的，但流行曲线测量的现象实际上是离散的而不是连续的：它们代表每个离散时间单位内的新病例。虽然我们可以将时间细分为更小的有意义的单位（在一定程度上），但我们最终会遇到这样一个事实，即新感染的个体是计数数据（离散的）。

• 正态分布关于它们的均值是对称的，但尽管漫画传达了一个有用的公共卫生信息，即需要使曲线变平，但实际的流行病曲线经常向右倾斜，如下图所示长而细的尾巴。

• 正态分布是单峰的，但实际的流行曲线可能具有一个或多个颠簸（即可能是多峰的，它们甚至可能像@SextusEmpiricus 的回答一样，在周期性返回的地方流行）。

• 最后，这是中国 COVID-19 的流行曲线，您可以看到该曲线通常与高斯曲线不同（当然数据的可靠性存在问题，因为很多病例都没有计算在内）：

呼吸道感染的流行病学曲线是非常不规则的曲线。参见例如 2002/2003 年的 SARS 爆发

https://www.who.int/csr/sars/epicurve/epiindex/en/index1.html

对于地方病，它们可能有一些季节性模式。参见例如euromomo徽标

_{（来源：euromomo.eu）}

除了通常不是高斯曲线的曲线变平之外，情况也会更加微妙。互联网上流传的图像是一个非常极端的情况，曲线远远高于阈值，并且由于采取了措施，其尺寸正在减半。它勾勒出一个完美的局面，可以主张采取严厉的措施。对于covid-19，情况可能不一定如此。

更细微的表示显示不同的阈值，并在曲线中有更细微的差异。像这儿

https://www.vaccinarsinpuglia.org/notizie/2017/10/al-via-la-sorveglianza-dellinfluenza-stagione-2017-18

这里似乎有三个问题：

1. 案例的实际分布是​​高斯分布吗？不。

2. 图形中给出的曲线是高斯曲线吗？不完全的。我觉得红色的有点歪，蓝色的肯定歪了。

3. 可以将值与时间的图视为高斯图吗？是的。

在数学中，高斯函数，通常简称为高斯，是形式为 对于任意实常数 a、b 和非零 c。

$$f(x) = ae^{-{\frac {(x-b)^{2}}{2c^{2}}}}$$

https://en.wikipedia.org/wiki/Gaussian_function

不要求它是概率分布。

我不是流行病学家，你应该向流行病学家提出这个问题。

首先，绘制高斯曲线很简单，因为即使是基本的绘图软件（例如Microsoft Excel）也实现了它们，所以当人们需要绘制“分布”时，他们通常会绘制高斯曲线。“拉平曲线”图旨在显示该现象的一般概念，而不是该现象的确切分布（没有人事先知道，因为未知数太多，活动部件太多）。甚至人物的比例也不现实；一些专家指出，差异可能远高于这些数字。

至于流行病的高斯形状，据我所知，这被称为法尔定律。首先感染人数上升，然后下降，所以这类似于高斯曲线，但远非完全拟合。您可以在此 Twitter 线程中找到讨论，该帖子作为一项研究的示例，将法尔定律应用于预测美国的 HIV/AIDS 病例，从图中可以看出，它与实际结果无关。

您可以在Ferguson 等人 (2020)最近被广泛引用的论文中找到一些更严重的数据。正如你所看到的，它们是“上升和下降，但远离高斯分布，在某些模拟中甚至是多峰的，或者是倾斜的。当然，这仍然是一个模拟，因此比我们从实际数据中可以预期的分布要简化得多。