正态分布计算器 · 可视化

正态分布的核心是它的概率密度函数（PDF），它决定了钟形曲线的具体形状。公式中的指数项决定了数据点远离均值时概率密度如何急速下降。

这里，$x$是随机变量的取值，$\mu$是均值（决定曲线中心位置），$\sigma$是标准差（决定曲线的“胖瘦”或离散程度），$\pi$和$e$是数学常数。

为了比较不同正态分布下的数据，或者计算概率，我们经常使用标准化，也就是计算Z分数。它将任何正态分布转化为标准的“标准正态分布”（μ=0， σ=1）。

$Z$分数表示观测值$x$距离均值$\mu$有多少个标准差。$Z=1.5$意味着该值比均值高1.5个标准差。累积分布函数（CDF）$\Phi(z)$则给出了$Z$分数小于等于某个值的概率，即$P(X \le x)$。

正态分布（高斯分布）是以均值 $\mu$ 为中心的左右对称钟形分布，广泛出现于自然与社会现象中。其概率密度函数如下。

$f(x) = \dfrac{1}{\sqrt{2\pi}\,\sigma}\exp\!\left(-\dfrac{(x-\mu)^2}{2\sigma^2}\right)$

其中 $\mu$ 为均值（分布中心），$\sigma$ 为标准差（离散程度）。$\sigma$ 越小，峰越尖锐；越大则越平缓展宽。由中心极限定理，大量独立因素之和趋近正态分布，故它在测量误差与质量管理中具有基础地位。

在正态分布中，所含概率由距均值的距离（$\sigma$ 的倍数）决定（经验法则）。

任意正态分布都可通过标准化 $z = \dfrac{x-\mu}{\sigma}$ 转换为均值0、标准差1的标准正态分布。利用 $z$ 值，可在统一尺度上比较不同分布的取值，或从标准正态分布表中读取概率。质量管理中的"$3\sigma$""六西格玛"也基于这一思想。

质量管理与六西格玛：在制造业中，零件的尺寸、重量等特性通常服从正态分布。工程师通过计算过程能力指数（如Cpk），利用$±3\sigma$（99.73%）或$±6\sigma$的范围来监控和控制生产质量，减少缺陷。

统计假设检验：在科学研究或A/B测试中，研究者通过计算样本数据的Z分数，得到p值。这个p值（对应分布尾部的面积）帮助判断实验结果是偶然发生的还是具有统计显著性。

可靠性工程：许多产品（如轴承、电子元项）的寿命在一定条件下可以近似为正态分布。通过分析寿命数据的均值和标准差，可以预测产品的失效概率和制定保修策略。

教育测评与心理测量：像SAT、IQ测试等标准化考试，会将原始分数通过正态分布原理转换为标准分（Z分数或其变形），使得不同年份、不同版本的考试成绩可以公平比较。

开始使用此工具时，尤其是从CAE领域转来的用户需要注意几点。首先，要始终质疑“数据服从正态分布”这一前提。仿真结果的应力集中值或流量最大值往往更接近对数正态分布。不要因为工具能画出漂亮的钟形曲线，就试图将所有数据都拟合为正态分布，否则可能会误判罕见重大故障的发生概率。

其次，在参数设置时切勿混淆“标准差σ”与“方差σ²”。工具需要输入的是“标准差”。例如，即使公差指定为±0.1mm，也需确认它指的是标准差还是范围。多数情况下，公差意味着±3σ（99.7%的零件落在此范围内）。因此，若直接将公差0.1mm输入为σ=0.1，就会假设出比实际更宽的分布。正确的做法通常是估算为σ = 0.1 / 3 ≈ 0.033。

最后是关于“异常值”的处理。分析实际数据时，平均值和标准差对异常值极为敏感。在工具中确定μ和σ之前，务必通过直方图等方式确认数据全貌。若存在一个极端大值，会拉高平均值并放大标准差，导致对实际波动的评估过高。这样计算出的“不良率0.1%”等结果可能与实际情况相差甚远。