Công cụ Hiệu chỉnh Liên tục

Công cụ Hiệu chỉnh Liên tục

Mới nổi AI Skill PRO

Nhập phép tính

Công thức

z=(x+0.5)−μσtrong đó{μ=n·pσ=np(1−p)\begin{gathered} z = \frac{(\text{x} + 0.5) - \mu}{\sigma} \\[1.5em] \text{trong đó}\quad \left\{ \begin{aligned} \mu &= \text{n} \cdot \text{p} \\ \sigma &= \sqrt{\text{n}\,\text{p}\,(1 - \text{p})} \end{aligned} \right. \end{gathered}
Thống kê sử dụng

Quảng cáo

Kết quả

z-score đã hiệu chỉnh liên tục
2,1
độ lệch chuẩn so với trung bình
Trung bình (np) 50
Độ lệch chuẩn √(np(1−p)) 5
Giá trị x đã hiệu chỉnh 60,5
z dưới (x − 0,5) 0
z trên (x + 0,5) 0

Báo lỗi nội dung trang này

Hiệu chỉnh liên tục là gì?

Khi bạn dùng phân phối chuẩn (liên tục) để xấp xỉ phân phối nhị thức (rời rạc), khối xác suất vốn tập trung tại các giá trị nguyên sẽ bị "trải" ra trên một đường cong trơn. Hiệu chỉnh liên tục bù lại điều này bằng cách dịch giá trị biên thêm \(\pm 0{,}5\) trước khi tính z-score, giúp phép xấp xỉ chuẩn chính xác hơn hẳn — đặc biệt với cỡ mẫu nhỏ đến vừa.

Các cột rời rạc của phân phối nhị thức chồng lên một đường cong chuẩn trơn, với một cột tô đậm được mở rộng thêm nửa đơn vị về mỗi phía
Hiệu chỉnh liên tục mở rộng mỗi cột rời rạc thêm 0,5 về mỗi phía để khớp với diện tích liên tục dưới đường cong chuẩn.

Cách sử dụng công cụ

Nhập số phép thử n, xác suất thành công p và giá trị x mà bạn quan tâm. Sau đó chọn loại xác suất muốn xấp xỉ: \(P(X \le x)\) sẽ cộng thêm 0,5 vào x, \(P(X \ge x)\) trừ đi 0,5, còn \(P(X = x)\) trả về cả hai z-score ở hai biên. Công cụ sẽ cho biết z-score đã hiệu chỉnh cùng với trung bình \((\text{n}\,\text{p})\) và độ lệch chuẩn \(\sqrt{\text{n}\,\text{p}\,(1 - \text{p})}\).

Giải thích công thức

Trung bình của phân phối nhị thức là \(\mu = \text{n}\,\text{p}\) và độ lệch chuẩn là \(\sigma = \sqrt{\text{n}\,\text{p}\,(1 - \text{p})}\). Z-score sau khi hiệu chỉnh liên tục được tính bằng

$$z = \frac{(\text{x} \pm 0.5) - \text{n}\,\text{p}}{\sqrt{\text{n}\,\text{p}\,(1 - \text{p})}}$$

Tiếp theo, bạn tra giá trị z này trong bảng phân phối chuẩn tắc (hoặc dùng hàm phân phối tích lũy CDF chuẩn) để có được xác suất xấp xỉ.

Quảng cáo
Trục số có số nguyên x với các mũi tên hướng ra ngoài nửa đơn vị tới x trừ 0,5 và x cộng 0,5
Trừ 0,5 để bao gồm x; cộng 0,5 để loại trừ x — hướng hiệu chỉnh tùy thuộc vào bất đẳng thức.

Ví dụ minh họa

Giả sử \(\text{n} = 100\), \(\text{p} = 0{,}5\) và bạn muốn tính \(P(X \le 60)\). Trung bình \(\text{n}\,\text{p} = 50\) và

$$\sigma = \sqrt{100 \cdot 0.5 \cdot 0.5} = \sqrt{25} = 5$$

Áp dụng hiệu chỉnh:

$$z = \frac{60 + 0.5 - 50}{5} = \frac{10.5}{5} = 2.1$$

Vậy \(P(X \le 60) \approx \Phi(2{,}1) \approx 0{,}9821\).

Câu hỏi thường gặp

Khi nào cộng và khi nào trừ 0,5? Hãy cộng 0,5 khi bất đẳng thức bao gồm giá trị từ phía dưới (\(P(X \le x)\)); và trừ 0,5 khi bất đẳng thức bao gồm giá trị từ phía trên (\(P(X \ge x)\)).

Khi nào phép xấp xỉ chuẩn có giá trị? Một quy tắc kinh nghiệm phổ biến là cần cả \(\text{n}\,\text{p} \ge 5\) và \(\text{n}(1 - \text{p}) \ge 5\).

Tại sao phải hiệu chỉnh? Nếu không hiệu chỉnh, phép xấp xỉ chuẩn sẽ ước lượng thiếu hoặc thừa một cách có hệ thống các xác suất ở đuôi đối với dữ liệu rời rạc; việc dịch \(\pm 0{,}5\) loại bỏ được phần lớn sai lệch đó.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê