实时操作平均值μ和标准差σ,动态改变正态分布的形状,实时计算PDF·CDF·置信区间·z得分。通过68-95-99.7法则和偏差值直观理解分布。
正态分布用以均值 μ 为中心对称的钟形概率密度函数(PDF) \( f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \) 表示。本模拟器用滑块操作 μ 和标准差 σ,可以立即确认分布形状的变化。例如减小 σ 曲线变尖,增大则变平。累积分布函数(CDF)定义为 \( F(a) = \int_{-\infty}^{a} f(x) dx \),用于计算指定区间的概率。按照 68-95-99.7 规则,可以直观验证约 68% 的数据落在 μ±σ 内,约 95% 落在 μ±2σ 内,约 99.7% 落在 μ±3σ 内。z 分数通过 \( z = \frac{x-\mu}{\sigma} \) 标准化,便于比较不同的正态分布。偏差值是换算成均值 50、标准差 10 的值,由 z 分数按 \( T = 50 + 10z \) 计算。一边动态改变这些参数,一边实时观察概率密度和累积概率,可以直观掌握统计推断的基础。
$f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$工业中的实际应用(汽车行业)
在汽车零部件生产线上,把活塞环外径这类尺寸用正态分布建模,监控工序能力指数(Cp/Cpk),并由 z 分数估计超出规格上限的不良发生概率。它还有助于及早发现刀具磨损引起的均值偏移,作为决定换刀时机的依据。
研究与教学中的应用
大学统计学课程中常做这样的练习:把“偏差值 60 以上的学生占全体百分之几”看作 μ=50、σ=10 的正态分布,由 z=1.0 对应的 CDF 值 84.13%(前 15.87%)来确认。在本工具中输入 μ=0、σ=1、x=1 即可确认同样的值。药学中也用于对临床试验数据的血药浓度分布建模,估计落在有效血药浓度范围内的概率。
与 CAE 分析的联系及实务定位
在碰撞分析等 CAE 中,有时把钢板屈服强度这样的材料特性当作正态分布(例如 μ=350 MPa、σ=15 MPa)处理,并用 μ−3σ(305 MPa)这样的下限值确认设计余量。这是考虑离散性的稳健设计思路的基础。
“标准差越大,数据的离散越大”这一点是正确的,但人们容易认为“服从正态分布的数据,平均 ±1σ 范围内一定包含约 68% 的数据”。实际上这一比例只是理论值,样本量小或数据偏离理想正态分布时,实测值可能与 68% 相差很大。尤其在实际工作中,离群值和测量误差常使分布的尾部拉长,因此不要过分相信 68-95-99.7 规则,而要在确认实际数据分布的同时进行解释。
另外,“偏差值 50 是平均、60 约为前 16%”的理解是正确的,但人们容易认为“偏差值越高越优秀”。实际上偏差值只表示在该群体中的相对位置,不能在不同考试之间简单比较。例如考生水平不同的两场考试,即使偏差值同为 60,实际学力水平也可能完全不同。
汽车发动机零件外径按均值 μ=50.00 mm、标准差 σ=0.08 mm 制造时,测量值 x=50.10 mm 的 z 分数为 (50.10−50.00)/0.08=1.25,CDF 值约为 0.894(下侧 89.4%)。x=49.90 mm 时 z=−1.25,CDF 值约为 0.106。由于本工具的 μ、σ 范围(μ:−5~5,σ:0.2~4)不能直接输入实际尺寸,输入 μ=0、σ=1、评价点 x=1.25 即可得到相同的 z 分数和 CDF(89.44%)。由 68-95-99.7 规则,全部零件的 68.3% 落在 ±1σ 范围(49.92~50.08 mm)内。