正态分布中 X 大于某值的概率 P(X > x)

正态分布中 X 大于某值的概率 P(X > x)

增长中 AI Skill PRO

输入计算

数学公式

P(X>x)=1−Φ(数值 (x)−均值 (μ)标准差 (σ))P(X > x) = 1 - \Phi\!\left( \frac{{{\text{数值 }(x)}} - {{\text{均值 }(\mu)}}}{{{\text{标准差 }(\sigma)}}} \right)
使用统计

广告

结果

P(X > x)
0.066807
6.6807概率百分比
Z 分数 1.5
P(X ≤ x) 0.933193

报告本页错误

这个计算器能做什么

本工具用于计算服从正态分布的随机变量的右尾概率 \(P(X > x)\)。给定数值 \(x\)、总体均值 \(\mu\) 和标准差 \(\sigma\),它会告诉你随机抽取的一个观测值大于 \(x\) 的概率,同时还会输出标准化后的 z 分数以及对应的左尾概率 \(P(X \le x)\)。这是一款通用的统计工具,适用于各类场景——质量控制、考试成绩分析、金融数据以及实验室测量等。

使用方法

填入你关注的数值(\(x\))、分布的均值(\(\mu\))以及标准差(\(\sigma\),必须为正数)。计算器会将你的数值标准化为 z 分数,再通过标准正态累积分布函数 \(\Phi\) 求出左右两侧的概率。结果会以小数和百分比两种形式,给出 \(X\) 超过 \(x\) 的概率。

公式解析

首先把 \(x\) 转换为 z 分数: $$z = \frac{x - \mu}{\sigma}$$ 函数 \(\Phi(z)\) 表示标准正态曲线下 \(z\) 左侧的面积,也就是 \(P(X \le x)\)。由于曲线下的总面积为 1,右尾概率即为 $$P(X > x) = 1 - \Phi\!\left( \frac{\text{Value }(x) - \text{Mean }(\mu)}{\text{Std Dev }(\sigma)} \right)$$ 本计算器采用高精度的误差函数近似公式(Abramowitz & Stegun 7.1.26)来计算 \(\Phi\),精度可达约 7 位小数。

广告
正态分布钟形曲线,在数值 x 处有一条垂直线,右尾面积被阴影标注
\(P(X > x)\) 是正态曲线下 \(x\) 右侧阴影部分的右尾面积。

实例演示

假设成年人的身高服从正态分布,均值 \(\mu = 170\) 厘米,标准差 \(\sigma = 10\) 厘米,现在想求身高大于 185 厘米的概率 \(P(\text{height} > 185)\)。先算 $$z = \frac{185 - 170}{10} = 1.5$$ 查标准正态分布表可得 \(\Phi(1.5) \approx 0.93319\),于是 $$P(X > 185) = 1 - 0.93319 \approx 0.06681$$ 即约 6.68%。

标准正态曲线,展示将 x 转换为 z 分数并对右尾进行阴影标注
将数值 \(x\) 转换为 z 分数,右尾面积即为概率。

常见问题

如果我想求 \(P(X < x)\) 怎么办? 那就是左尾概率,结果表格中以 \(P(X \le x) = \Phi(z)\) 显示。对于连续型分布,\(P(X < x)\) 与 \(P(X \le x)\) 相等。

为什么 \(\sigma\) 必须为正数? 标准差衡量数据的离散程度,必须大于零;取值为零或负数时,正态分布无法成立。

计算结果有多准确? \(\Phi\) 的近似精度约为 7 位小数,对于一般的统计工作来说已经绰绰有余。

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