› 正态分布·统计计算工具 返回
统计学·概率论

正态分布·统计计算工具

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。

分布参数

μ ± 1σ 68.27%
μ ± 2σ 95.45%
μ ± 3σ 99.73%
计算结果
—
PDF(概率密度)
—
CDF(累积概率)
—
z 分数
—
偏差值(T 分数)
正态分布 N(μ,σ²)
理论与主要公式
$$f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\!\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)$$ $\mu$:均值,$\sigma$:标准差,$\sigma^2$:方差

累积分布函数(CDF)与误差函数

$$F(x) = \int_{-\infty}^{x} f(t)\,dt = \frac{1}{2}\left[1 + \text{erf}\!\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right]$$

z 分数与偏差值

z 分数:$z = \dfrac{x - \mu}{\sigma}$  偏差值:$T = 10z + 50$

正态分布的基础理论

通过对话学习正态分布

🙋
考试分数、身高之类的,为什么很多数据都服从正态分布?
🎓
有个叫“中心极限定理”的东西。很多独立的随机因素相加时,其总和无论原来的分布是什么形状都会趋近正态分布。身高是基因、营养、环境等数千个因素的累积;考试分数也与知识、身体状况、与题目的契合度等许多因素有关。所以自然就成了钟形。
🙋
工厂里常听到“3 西格玛管理”,这和正态分布有关吗?
🎓
这正是正态分布 68-95-99.7 规则的应用。正态分布中落在 ±3σ 之外的概率为 0.27%(10,000 个中约 27 个)。品质管理中若以“3σ 以内为合格”,不良率就是 0.27%。六西格玛把这一目标进一步收紧到 ±6σ(每百万个 3.4 个),在汽车和半导体制造中被广泛采用。
🙋
偏差值 50 是“平均”我明白,那偏差值 70 有多稀少?
🎓
偏差值 70 相当于 z=2.0。正态分布中 P(z>2.0)≈2.3%,意味着位于全部考生的前约 2.3%。偏差值 80 则 z=3.0,P(z>3.0)≈0.13%——大约 1000 人中 1.3 人。在本工具中设 μ=0、σ=1,把评价点设为 2 或 3 查看 CDF,就能确认有多稀少。
🙋
在 CAE 中正态分布怎么用?和有限元法是两回事吗?
🎓
关系很密切。例如在“结构可靠性分析”中,由应力 σ(正态分布)与材料强度 R(正态分布)之差 Z=R−σ 的分布计算失效概率 Pf=P(Z<0)。蒙特卡罗模拟中给输入变量指定正态分布,进行大量分析,估计输出(应力、位移等)的分布。产品的尺寸公差分析(公差叠加分析)也以正态分布为基础。

常见问题

根据中心极限定理,样本量在 30 以上时样本均值的分布趋近正态分布,因此多数情况下可以使用。但存在严重偏斜(偏度)或离群值时,非参数检验(如曼-惠特尼检验)更合适。
当 ln(X) 服从正态分布时使用对数正态分布。它适用于材料强度、疲劳寿命、地震规模、金融价格等“不取零及负值且尾部较重”的数据。在 FEM 的材料离散性分析中,常假设疲劳强度服从对数正态分布。
没有严格的闭式解,需要用数值积分或误差函数 erf(x)。常用的近似是 Abramowitz & Stegun 的有理近似(误差 < 1.5×10⁻⁷)。本工具使用有理近似来高精度地计算 CDF。
标准正态分布是标准化为 μ=0、σ=1 的特殊正态分布。任意正态分布 N(μ,σ²) 都可以通过 z=(x-μ)/σ 的变换转换为标准正态分布。利用 z 分数表(标准正态分布表)就能计算任意正态分布的概率,因此在手算时代被广泛使用。

什么是正态分布·统计计算工具

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。

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

现实世界中的应用

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。

常见误解与注意事项

“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。

使用指南

  1. 在 −5~5 范围内设置“均值 μ”。实际尺寸等可换算成 z 分数(标准化值)后输入(例如评价均值 100 mm、σ0.5 mm 的零件的 101 mm 时,输入 μ=0、σ=1、x=2)
  2. 在 0.2~4 范围内指定“标准差 σ”。品质管理中以 ±3σ 以内为管理范围时,σ=0.5 mm 则管理范围为 100±1.5 mm
  3. 在“评价点 x”中输入要评价的值,实时计算其 z 分数(标准化值)、概率密度 PDF、累积概率 CDF 和偏差值

具体计算示例

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。

实务注意事项

  1. 药品含量管理中调整生产条件,使 99.73%(3σ 范围)落在标示量 ±10% 的规格范围内,并用工序能力 Cpk=(USL−μ)/3σ 评价(在本工具中把规格上限 USL 设为评价点 x,可由 CDF 确认超出规格的比例)
  2. 食品生产的重量管理中均值 500 g、σ=2 g 时,494 g(z=−3)以下的不良率约为 0.13%,498 g(z=−1)以下约为 15.9%。在本工具中设 μ=0、σ=1,输入 x=−3、−1 即可确认
  3. σ 输入值过小会使置信区间不合理地变窄,因此需要事先用历史数据做正态分布的拟合优度检验(Shapiro-Wilk 检验)确认正态性