典型使用場景
場景1：考試成績排名——某次考試平均分80，標準差12。孩子考了92分，想知道自己超過了多少同學。開啟計算器，輸入均值80、標準差12、X值92，右側立即顯示「小於92的機率」約84.1%，意味著超過約84%的考生。
場景2：生產質量控制——某零件長度要求10±0.2毫米，實際生產均值10.01，標準差0.05。想知道超過10.2毫米的不合格率。輸入均值10.01、標準差0.05、X值10.2，得到大於10.2的機率約0.008%，即每百萬只中約80只超標，低於規格要求。
場景3：心理測量與評估——韋氏智商測試均值100，標準差15。一個人測出130分，想知道是否屬於前2%的高智商人群。輸入μ=100，σ=15，X=130，得到大於130的機率約為2.3%，未達到前2%的臨界值（約131分）。
概念解釋：什麼是正態分佈
正態分佈又叫高斯分佈，是自然界和人類社會中最常見的機率分佈。它像一個鐘形曲線，中間高兩邊低，對稱。現實裡很多資料都近似正態：人的身高、考試分數、測量誤差等。我們用均值μ（平均值）和標準差σ（資料分散程度）兩個引數就能描述整個分佈。比如μ=100，σ=15的分佈，大約68%的資料落在85~115之間，95%落在70~130之間，99.7%落在55~145之間，這就是著名的“68-95-99.7法則”。
原理與公式
我們的計算器內部使用標準正態分佈累積分佈函式（CDF），即把任意正態分佈轉換成標準正態（μ=0, σ=1）後查表或計算。核心公式：
Z = (X - μ) / σ
其中X是你關心的值，μ是均值，σ是標準差。算出Z值後，利用誤差函式（erf）計算Φ(Z) = P(X ≤ x)。我們的計算結果基於高精度數值演算法，通常精確到小數點後四位。
使用步驟：怎麼用這個工具
- 開啟我們的正態分佈計算器頁面，你會看到三個輸入框：均值(μ)、標準差(σ)、X值，以及一個機率/分位數切換開關。
- 在均值(μ)輸入框填入分佈的均值。例如考試成績平均分，填
80。 - 在標準差(σ)輸入框填入標準差，例如
12。 - 在X值輸入框填入你想計算的位置，比如
92。 - 點選計算按鈕（或輸入後自動計算，視工具設計）。右側的結果卡片會顯示：
- P(X ≤ 92) —— 小於92的機率
- P(X > 92) —— 大於92的機率
- Z值 —— 標準分數
- 如果你想換算反過來，比如已知機率求X值（分位數），可以點選機率→X值標籤，然後輸入機率值（0~1之間），計算器會返回對應的X值。
完整算例：考試成績排名
假設某次數學考試全校平均分75，標準差10。你考了85分，想知道排名百分比。
- 在均值(μ)輸入框填
75。 - 標準差(σ)填
10。 - X值填
85。 - 點選計算，結果：
- Z = (85-75)/10 = 1.0
- P(X ≤ 85) ≈ 0.8413（即84.13%）
- P(X > 85) ≈ 0.1587（15.87%）
- 解讀：你得分85分，超過了約84%的同學，屬於前16%的優秀學生。
更多算例：極端值與邊界情況
對照例1：某生產批次長度均值50mm，標準差0.02mm。規格下限是49.95mm，上限是50.05mm。想知道低於下限的機率。
- 輸入μ=50，σ=0.02，X=49.95 → Z = (49.95-50)/0.02 = -2.5 → P(X < 49.95) ≈ 0.0062（0.62%）。
- 解讀：約有0.62%的產品可能低於下限，相當於每1000箇中有6.2個不合格品，需評估是否可接受。
對照例2（邊界值）：如果標準差為0（所有資料相同）——但正態分佈不允許σ=0。我們的計算器會提示“標準差必須大於0”。實際中σ接近0時，分佈近乎退化，機率會極端；例如μ=100，σ=0.0001，X=100.001時，Z≈10，小於該值的機率幾乎為100%（超越計算機精度顯示1.0000）。
結果怎麼解讀
| P(X ≤ x) 範圍 | 含義 |
|---|
| ＜0.001 | 極端小事件（如超過3σ），可視為幾乎不可能發生 |
| 0.001 ~ 0.05 | 小機率事件（如超2σ，大約2.5%） |
| 0.05 ~ 0.95 | 常見區間（約90%的資料落在此內） |
| 0.95 ~ 0.999 | 右尾較大機率，如右偏分佈 |
| ＞0.999 | 極端大機率，如99.9%以上 |
實際應用中，如果計算結果大於0.95或小於0.05，往往意味著該資料在整體中比較“突出”。
快速參考表：常見Z值對應的機率
| Z值 | P(Z ≤ z) | P(Z > z) | 含義（單側） |
|---|
| -3.0 | 0.0013 | 0.9987 | 約0.13%的資料低於此 |
| -2.0 | 0.0228 | 0.9772 | 約2.28%低於此（下限外） |
| -1.0 | 0.1587 | 0.8413 | 約15.9%低於此 |
| 0.0 | 0.5000 | 0.5000 | 正好在均值 |
| 1.0 | 0.8413 | 0.1587 | 約84.1%低於此（前16%） |
| 2.0 | 0.9772 | 0.0228 | 約97.7%低於此（前2.3%） |
| 3.0 | 0.9987 | 0.0013 | 約99.87%低於此 |
常見誤用 / 易踩的坑
- 誤把樣本標準差當總體標準差：如果資料只是樣本，一般用樣本標準差（分母n-1）。但在正態分佈模型中，μ和σ應是對總體引數的估計，不能用樣本統計量直接替代而不做調整。計算器預設假設你輸入的σ是總體標準差。
- 直接假設資料服從正態分佈：很多真實資料（如收入、房價）明顯偏態，不適用正態模型。比如收入分佈右偏，用正態計算排名會嚴重失準。工具本身不檢驗正態性，需要使用者先做判斷。
- 混淆單側機率與雙側機率：我們計算器預設輸出單側機率（小於X或大於X）。如果想知道偏離均值±X的範圍（雙側），例如“超出±2σ的機率”，需要把單側機率乘以2（或使用對稱性計算）。
- X值遠偏離均值時忽略數值精度：當Z值絕對值很大（如＞8），標準正態CDF會趨近0或1，但計算機浮點精度有限，可能出現0.0000或1.0000的舍入。這不是工具錯誤，而是數值特性。
- 用名義機率代替累積機率：例如把0.05當作“5%顯著性水平”直接使用，需注意你是左尾、右尾還是雙側檢驗，不要搞混。
注意事項
- 本工具假設輸入資料服從嚴格的正態分佈。如果實際資料嚴重偏斜或存在多個峰值，結果僅供參考，不可作為嚴謹決策依據。
- 標準差必須大於0，均值可以是任意實數。如果輸入負數標準差，工具會提示錯誤。
- 計算精度：演算法基於標準庫誤差函式，雙精度浮點數下相對誤差小於1e-10。在極端Z值（約|Z|<8.2）時準確，超出此範圍機率會截斷為0或1。
- 本工具不儲存使用者輸入資料，不承擔任何因誤用結果導致的經濟或法律後果。更嚴謹的統計推斷建議使用專業統計軟體（如R、SPSS、Python SciPy）。
常見問題 FAQ
- 問：我算出的機率是1.0000，是不是錯了？
- 當X遠大於均值（比如Z>8），機率極其接近1，計算機顯示時四捨五入為1.0000。實際是0.999999...，但不會影響定性結論（幾乎100%小於該值）。
- 問：這個計算器能算雙側機率嗎？
- 目前沒有直接的雙側選項。需要手動計算：先算P(X ≤ 某個值)和P(X ≥ 另一個值)，然後把兩個單側機率相加。對於對稱區間[-z, z]，雙側機率 = 2 × P(Z > |z|)。
- 問：我想知道多少分是前10%，怎麼用這個工具？
- 點選“機率→X值”開關，輸入0.9（因為前10%對應大於該值的機率是0.1，即累計機率0.9），再填入均值和標準差，計算器就會給出對應的X值。例如μ=75，σ=10，機率0.9對應的X≈87.8分。
- 問：我的資料只有15個樣本，能用正態分佈嗎？
- 小樣本下正態性只能用Shapiro-Wilk檢驗等判斷，不能簡單假設。本工具更適合樣本量超過30或已知總體近似正態的場景。小樣本建議結合t分佈考慮。
- 問：算出來的Z值和標準分數一樣嗎？
- 是的。Z = (X-μ)/σ 就是標準分數，表示X偏離均值幾個標準差。它可用於不同尺度資料的比較。
- 問：工具會儲存我的資料嗎？
- 不會。所有計算都在瀏覽器本地完成，資料不傳到伺服器，你可以放心使用。
現在你可以在上方計算器裡試試自己的數字。
