逆正态分布计算器有什么用
这个计算器解决的是一个"反过来"的统计问题:常见的提问是"某个数值 x 以下的概率是多少?",而它要回答的是"在给定概率下,对应的数值是多少?"。你只需输入一个累积概率以及正态分布的参数,工具就会返回相应的数据值(即逆正态值)、它所处的百分位,以及匹配的 Z 分数。无论是课程作业、质量控制、金融(风险价值 VaR),还是标准化考试,这都是一个被广泛使用的工具。
三项输入参数
- 概率(0 到 1):目标数值左侧的累积面积。例如 0.95 表示"低于该数值的部分占整个分布的 95%"。该值必须严格落在 0 和 1 之间。
- 均值(μ):正态分布的中心位置。
- 标准差(σ):分布的离散程度,必须大于 0。
计算公式
该工具会根据你给定的 μ 和 σ,计算正态分布的逆累积分布函数(即分位数函数):
- 逆正态值:x = Φ⁻¹(p; μ, σ) —— 累积概率等于 p 时对应的数值。
- 百分位数:概率 × 100。
- Z 分数:z = (x − μ) / σ —— 表示 x 距离均值有多少个标准差。
其内部原理是:先求出标准正态分布的逆值,再进行缩放与平移:x = μ + σ · z,其中 z 对应概率 p。
实例演示
假设考试成绩服从正态分布,均值(μ)为 70,标准差(σ)为 8,你想求第 90 百分位的分数。输入:概率 = 0.90,均值 = 70,标准差 = 8。
- 概率 0.90 对应的标准正态 Z 分数约为 1.2816。
- 逆正态值:70 + 8 × 1.2816 ≈ 80.25。
- 百分位数:0.90 × 100 = 90%。
- Z 分数:(80.25 − 70) / 8 ≈ 1.28。
也就是说,约 80.25 分的成绩可以让一名学生排在第 90 百分位。
常见概率及其 Z 分数
该表列出了标准正态分位数 \(z = \Phi^{-1}(p)\),即左侧累积概率为 p 的 Z 分数,适用于均值为 0、标准差为 1 的分布。要转换为任意正态分布,请使用 \(x = \mu + \sigma \cdot z\)。
| 累积概率 p | z = Φ⁻¹(p) |
|---|---|
| 0.01 | -2.3263 |
| 0.025 | -1.9600 |
| 0.05 | -1.6449 |
| 0.50 | 0 |
| 0.75 | 0.6745 |
| 0.80 | 0.8416 |
| 0.90 | 1.2816 |
| 0.95 | 1.6449 |
| 0.975 | 1.9600 |
| 0.99 | 2.3263 |
| 0.995 | 2.5758 |
| 0.999 | 3.0902 |
标准正态曲线是对称的,因此 \(\Phi^{-1}(1-p) = -\Phi^{-1}(p)\)。这就是为什么 0.05 对应 -1.6449,而 0.95 对应 +1.6449。
解读你的结果
数值 x 是这样一个分界点:其左侧的概率为 p,右侧的概率为 1 − p,因此 \(P(X \le x) = p\)。例如,当 p = 0.95 时,x 为第 95 百分位数:95% 的数值位于其等于或低于该点,5% 的数值位于其之上。
- 若 p < 0.5,则 z 为负数,x 位于均值之下。
- 若 p > 0.5,则 z 为正数,x 位于均值之上。
- 若 p = 0.5,则 z = 0,x 等于均值(同时也是中位数)。
经验法则可以帮助你把握数值的大致尺度:约 68% 的数值位于均值的 ±1σ 范围内,约 95% 位于 ±2σ 范围内,约 99.7% 位于 ±3σ 范围内。更精确地说,95% 中心区间使用的是 z = ±1.96,而不是严格的 ±2。
要得到覆盖率为 c 的双侧中心区间,上界使用 \(p = (1 + c)/2\),下界使用 \(p = (1 - c)/2\)。对于 95% 中心区间,p = 0.975 时 z = 1.96,区间为 \(\mu \pm 1.96\sigma\)。
以上所有内容都假定数据能够很好地由具有你所输入的均值和标准差的正态分布来描述。如果实际数据存在偏态或重尾,则分界点将与真实百分位数不一致。
常见问题
为什么概率必须严格介于 0 和 1 之间?正态分布在两个方向上都是无限延伸的,因此概率恰好为 0 或 1 时对应的是 ±∞。计算器只接受这个开区间内的数值。
如果均值和标准差保持默认值会怎样?当你输入均值 = 0、标准差 = 1 时,逆正态值就直接等于 Z 分数,得到的正是经典的标准正态分位数。
结果为负数代表什么?如果你输入的概率小于 0.5,对应的数值会落在均值左侧,得到一个负的 Z 分数,以及一个小于 μ 的数值。这是正常现象,并非出错。