正态分布区间概率计算器(两点)

正态分布区间概率计算器(两点)

新兴 AI Skill PRO

输入计算

数学公式

P(x1≤X≤x2)=Φ(z2)−Φ(z1)其中{z1=x1−μσz2=x2−μσΦ(z)=12(1+erf(z2))\begin{gathered} P(\,{{\text{x}_1}} \le X \le {{\text{x}_2}}\,) = \Phi(z_2) - \Phi(z_1) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} z_1 &= \dfrac{{{\text{x}_1}} - {\mu}}{{\sigma}} \\ z_2 &= \dfrac{{{\text{x}_2}} - {\mu}}{{\sigma}} \\ \Phi(z) &= \tfrac{1}{2}\left(1 + \operatorname{erf}\!\left(\tfrac{z}{\sqrt{2}}\right)\right) \end{aligned} \right. \end{gathered}
显示计算步骤 (2)
  1. 区间外概率

    P区间外=1−(Φ(z2)−Φ(z1)),zi=xi−μσP_{\text{区间外}} = 1 - \Big(\Phi(z_2) - \Phi(z_1)\Big), \quad z_i = \frac{{{\text{x}_i}} - {\mu}}{{\sigma}}

    X 落在区间外的概率,即区间内概率的补集

  2. 某点处的密度

    f(x)=1σ2πe−(x−μ)22σ2f(x) = \frac{1}{{\sigma}\sqrt{2\pi}}\; e^{-\frac{\left(x - {\mu}\right)^2}{2\,{\sigma}^2}}

    正态分布在点 x 处的概率密度函数值

使用统计

广告

结果

区间内累积概率 P(x1 ≤ X ≤ x2)
0.682689
68.27面积的 %
区间外累积概率 P(X < x1) + P(X > x2) 0.317311 (31.73%)
x1 处的概率密度 f(x1) 0.241971
x2 处的概率密度 f(x2) 0.241971

报告本页错误

这个计算器能做什么

本工具针对由均值 \(\mu\) 和标准差 \(\sigma\) 描述的正态分布(高斯分布)\(N(\mu, \sigma^2)\) 进行计算。给定两个点 \(x_1\) 和 \(x_2\),它会返回四个结果:两点处的概率密度 \(f(x_1)\) 与 \(f(x_2)\)、区间内累积概率 \(P(x_1 \le X \le x_2)\)(即两点之间的面积),以及两侧尾部的区间外累积概率,其值等于 1 减去区间内面积。这是一款纯数学的统计工具,不涉及任何地区规则,全球通用。

如何使用

填入两个点 \(x_1\) 和 \(x_2\)(计算器会自动把较小的那个作为下界),再输入均值 \(\mu\) 和标准差 \(\sigma\)。默认值 \(\mu=0\)、\(\sigma=1\) 对应标准正态分布,此时 x 值就是 z 分数。注意,标准差必须大于零。

公式解析

每个点都会先换算成 z 分数 $$z = \frac{x - \mu}{\sigma}.$$ 概率密度采用 $$f(x) = \frac{1}{\sigma\sqrt{2\pi}}\; e^{-\frac{\left(x - \mu\right)^2}{2\,\sigma^2}}.$$ 累积面积则使用标准正态分布的累积分布函数(CDF)$$\Phi(z) = \tfrac{1}{2}\left(1 + \operatorname{erf}\!\left(\tfrac{z}{\sqrt{2}}\right)\right);$$ 由于 Java 没有内置 erf 函数,这里采用 Abramowitz & Stegun 7.1.26 近似公式(精度约 1e-7)。区间内概率为 \(\Phi(z_2) - \Phi(z_1)\),区间外概率则为 1 减去这个值。

广告
正态分布钟形曲线,两条竖线 x1 与 x2 之间的区域被阴影标出
内部概率是钟形曲线下 x₁ 与 x₂ 之间的阴影面积。

实例演示

以标准正态分布为例,\(x_1 = -1\)、\(x_2 = 1\)、\(\mu = 0\)、\(\sigma = 1\)。两点的密度 $$f(-1) = f(1) = 0.398942 \times e^{-0.5} = 0.241971.$$ \(\Phi(1) = 0.841345\),\(\Phi(-1) = 0.158655\),所以区间内概率为 $$0.841345 - 0.158655 = 0.682690$$(约 68.27%,正是大家熟悉的 \(\pm 1\sigma\) 法则),区间外概率为 0.317310(约 31.73%)。

钟形曲线中外侧两个尾部区域被阴影标出,与内部区域形成对比
外部概率是 x₁ 与 x₂ 之外两个尾部的面积之和。

常见问题

如果我输入的 x1 大于 x2 会怎样?程序内部会自动交换这两个值,确保区间内区域始终是较小值与较大值之间的部分。

\(\mu=0\)、\(\sigma=1\) 代表什么?这就是标准正态分布,此时你输入的 x 值可以直接当作 z 分数来读取。

为什么 \(f(x)\) 有时会大于 1?概率密度并不是概率本身;当 \(\sigma\) 很小时,峰值高度可能超过 1,但曲线下的总面积依然等于 1。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器