正态分布两点间概率计算器

正态分布两点间概率计算器

增长中 AI Skill PRO

输入计算

数学公式

P(a≤X≤b)=Φ(zb)−Φ(za)其中{za=下界(a)−均值 (μ)SD (σ)zb=上界(b)−均值 (μ)SD (σ)\begin{gathered} P(a \le X \le b) = \Phi(z_b) - \Phi(z_a) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} z_a &= \dfrac{\text{下界(a)} - {{\text{均值 }(\mu)}}}{{{\text{SD }(\sigma)}}} \\[0.4em] z_b &= \dfrac{\text{上界(b)} - {{\text{均值 }(\mu)}}}{{{\text{SD }(\sigma)}}} \end{aligned} \right. \end{gathered}
使用统计

广告

结果

P(a < X < b)
0.495015
49.5015占分布的百分比
下界 z 分数(a) -0.6667
上界 z 分数(b) 0.6667

报告本页错误

这个计算器能做什么

这款工具用来计算服从正态分布的随机变量 X 落在两个数值 a 与 b 之间的概率,记作 \(P(a < X < b)\)。你只需提供分布的均值(\(\mu\))、标准差(\(\sigma\))以及两个边界值,计算器会把每个边界标准化为 z 分数,再借助标准正态累积分布函数 \(\Phi\),精确求出钟形曲线在这两点之间所覆盖的面积。

正态分布钟形曲线,两个 x 值 a 与 b 之间的区域被阴影标出
概率 \(P(a<X<b)\) 是正态曲线下 a 与 b 之间的阴影面积。

使用方法

先填入分布的均值和标准差,再输入下界 a 和上界 b,点击「计算」即可。结果会以小数(0 到 1)和百分比两种形式给出概率,并同时显示两个边界对应的 z 分数。即便你把数值的大小顺序写反了也没关系——计算器会自动把较小值当作 a,较大值当作 b。

公式解析

a 到 b 之间的概率等于 b 处的累积分布值减去 a 处的累积分布值:

$$P(a < X < b) = \Phi\!\left(\frac{b-\mu}{\sigma}\right) - \Phi\!\left(\frac{a-\mu}{\sigma}\right)$$

其中 \((x-\mu)/\sigma\) 把原始数值换算成 z 分数,也就是该值距离均值有多少个标准差。\(\Phi(z)\) 表示标准正态曲线下 z 左侧的累积面积。两个累积面积相减,剩下的正好是严格介于 a 与 b 之间的面积。本计算器采用高精度的误差函数近似来求 \(\Phi\)。

广告
两个累积正态面积相减以得到 a 与 b 之间的面积
中间区域的面积等于 b 左侧的面积减去 a 左侧的面积。

实例演算

假设智商分数服从均值 \(\mu = 100\)、标准差 \(\sigma = 15\) 的正态分布,想求 \(P(85 < X < 115)\)。两个 z 分数分别为 \((85-100)/15 = -1\) 和 \((115-100)/15 = +1\)。由 \(\Phi(1) \approx 0.8413\)、\(\Phi(-1) \approx 0.1587\),可得概率约为 $$0.8413 - 0.1587 = 0.6827$$ 也就是约 68.3%——这正是我们常说的「一个标准差范围」经验法则。

常见正态概率与 Z 分数参考表

对于标准正态变量 \(Z\)(均值 0,标准差 1),落在均值两侧 \(z\) 个标准差范围内的概率为 \(P(-z<Z<z)=2\Phi(z)-1\)。一旦将 x 转换为 z 分数,这些数值适用于任何正态分布。

z P(-z < Z < z) 百分比
1 0.6827 68.27%
1.645 0.9000 90.00%
1.96 0.9500 95.00%
2 0.9545 95.45%
2.576 0.9900 99.00%
3 0.9973 99.73%

68-95-99.7 法则

  • 约 68% 的数值位于 \(\mu \pm 1\sigma\) 范围内。
  • 约 95% 的数值位于 \(\mu \pm 2\sigma\) 范围内(更精确地说是 95.45%)。
  • 约 99.7% 的数值位于 \(\mu \pm 3\sigma\) 范围内(更精确地说是 99.73%)。

数值 1.645、1.96 和 2.576 是四舍五入到三位小数的,因此对应的概率也经过了四舍五入。

广告

解读你的概率结果

结果 \(P(a<X<b)\) 表示分布中位于 \(a\) 与 \(b\) 之间的比例。结果为 0.8186 意味着约 81.86% 的观测值预计落在该范围内。换言之,随机选取的一个观测值落在该范围内的机会即为此概率。

z 分数表示一个数值偏离均值的标准差个数。\(z=0\) 为均值,\(z=2\) 比均值高两个标准差,\(z=-1\) 比均值低一个标准差。比较 \(z_a\) 与 \(z_b\) 可以看出你的区间以标准差为单位有多宽。

你可以将结果与经验法则进行比较。区间 \(\mu\pm1\sigma\) 约对应 0.68,\(\mu\pm2\sigma\) 约对应 0.95,\(\mu\pm3\sigma\) 约对应 0.997。如果你的区间比其中某一个更窄,那么预计概率会更小。

  • 非常小的数值(例如低于 0.01)表示区间很窄,或位于远离中心的尾部。在该模型下,这类结果很罕见。
  • 接近 1 的数值表示区间几乎覆盖了整个分布。剩余的概率位于 \(a\) 与 \(b\) 之外的尾部。

该计算假设变量确实服从正态分布,且均值和标准差与你输入的一致。真实数据可能有偏态或更厚的尾部,这会使尾部概率的可靠性降低。可以用直方图或正态概率图检验该假设。如果你是从小样本中估计 \(\mu\) 和 \(\sigma\) 的,那么结果只是近似值。

常见问题

用 \(<\) 还是 \(\le\) 会影响结果吗?不会。对于连续型正态分布,任何单个点的概率都为零,因此 \(P(a < X < b)\) 与 \(P(a \le X \le b)\) 完全相同。

如果标准差是 0 怎么办?标准差必须为正数;当 \(\sigma = 0\) 时分布无定义,此时计算器会返回 0。

结果有多精确?累积分布函数采用 Abramowitz & Stegun 近似算法,精度约达 7 位小数,对于一般统计计算而言绰绰有余。

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