正态分布计算器

📊 Normal Distribution

📐 工作原理与说明
计算正态分布的概率密度与累积概率。
  • 密度:f(x) = (1/(σ√(2π)))·e^(−(x−μ)²/(2σ²)),μ 为均值、σ 为标准差。
  • 标准化:z = (x−μ)/σ,把任意正态分布转为标准正态 N(0,1)。
  • 经验法则:约 68% 落在 μ±σ 内,95% 落在 μ±2σ 内,99.7% 落在 μ±3σ 内。
  • CDF:累积分布无闭式解,通常用误差函数 erf 或数值近似计算。

📋 正态分布性质

X ~ N(μ, σ²),PDF: f(x) = (1/(σ√2π)) × e^(−(x−μ)²/(2σ²))
经验法则(68-95-99.7):
• 约 68% 数据在 μ ± 1σ 内
• 约 95% 数据在 μ ± 2σ 内
• 约 99.7% 数据在 μ ± 3σ 内

📚 深度解析:正态分布计算器

💡 常见使用场景

  • 已知均值 μ、标准差 σ 求区间概率或分位数。
  • 做质量控制:已知产品尺寸服从 N(μ, σ²),算出落在 ±3σ 之外的概率,据此设定抽检与报废阈值。
身高模型
μ=170,σ=6,P(164<X<176)=Φ(1)−Φ(−1)≈0.6827(约 68.3%,即±1σ 区间)。

❓ 常见问题(FAQ)

68-95-99.7 法则?
正态下 ±1σ≈68.3%、±2σ≈95.4%、±3σ≈99.7%。
数据明明不服从正态分布怎么办?
先检验再套用。可用直方图、Q-Q 图或 Shapiro-Wilk 等检验判断;若明显偏态或重尾,强行用正态模型会严重低估极端值概率(金融与延迟数据尤其常见)。替代方案是先做对数等变换,或改用 t 分布、对数正态等更贴合的模型。
⚠️ 使用说明与注意事项
📖关于「正态分布计算器」 ▼

📝工具简介

Compute normal (Gaussian) distribution probabilities in your browser — PDF, CDF and z-scores.