标准正态分布值计算器

本计算工具会生成一组正态分布值，平均值和标准偏差的特性，基于填写数值为基础计算输入。在概率统计中，标准偏差的统计分布是最为常见的。作为一个简单的定义，怎么摊开一组数据中的值的标准偏差的措施。如果数据点都是类似的，然后将标准偏差低（接近零）。如果数据点是高度可变的，然后是标准的变化（进一步从零）。标准偏差的定义公式的方差的平方根。这表明它的均方根（RMS）的偏离平均。标准偏差始终是一个正数，总是作为原始数据相同的单位计量。例如，如果数据的距离，以米为单位的测量尺寸，标准偏差也将被计算以米。

正态分布计算器 -- 使用说明

本工具生成符合正态分布（高斯分布）的随机样本，并自动计算样本的均值和标准差。同时支持计算任意 x 值对应的概率密度（PDF）和 Z 分数。文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

在概率统计中，标准偏差（标准差）的统计分布是最为常见的。标准差衡量一组数据中各个值的分散程度：如果数据点都差不多，标准差就低（接近零）；如果数据点差异很大，标准差就高。标准差始终是正数，单位与原始数据相同——例如数据以米为单位，标准差也以米为单位。文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

一、工具界面说明

参数区

N(0,1) 即标准正态分布，均值 0、标准差 1。文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

三个功能按钮

结果区

生成随机样本后显示：文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

1. 样本列表：生成的 N 个随机数（逗号分隔），可复制使用
2. 样本统计：
   • 样本均值：所有生成值的算术平均
   • 均值（取整）：四舍五入到 3 位小数的均值（与原工具一致）
   • 样本标准差：所有生成值的样本标准差（除以 n-1）
   • 标准差（取整）：四舍五入到 3 位小数的标准差

计算 PDF / Z 分数后显示：文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

• 计算结果（大字体）
• 逐步推导过程

二、使用示例

示例 1：生成考试成绩分布

模拟一个班级的考试成绩：平均分 75，标准差 10，生成 50 人的成绩。文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

输入： μ=75, σ=10, N=50文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

点击"生成随机样本"：文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

样本列表显示 50 个随机成绩（如 82.34, 68.51, 91.02...），样本均值约 75、标准差约 10。文章源自公式库网-https://www.gongshiku.com/html/201912/biaozhunzhengtaifenbuzhijisuanqi-2.html

示例 2：计算 Z 分数 — 身高偏离

某地区成年男性平均身高 μ=170 cm，标准差 σ=6 cm。小张身高 182 cm，他的身高偏离了几个标准差？

输入： μ=170, σ=6, x=182

点击"计算 Z 分数"：

z = (182 - 170) / 6 = 2.0

小张身高偏离均值 2 个标准差，约 95% 的男性身高在 μ ± 2σ 范围内（158~182 cm），说明小张个子偏高。

示例 3：计算 PDF — 概率密度

还是身高例子，μ=170, σ=6。身高恰好 170 cm 的概率密度是多少？

点击"计算 PDF"：

f(170) = (1/(6*sqrt(2π))) * exp(-(170-170)^2/(2*36))
       = 0.0665

这个值本身不是概率（连续分布单点概率为 0），但可以用于比较不同 x 处的相对可能性。

示例 4：生成大量样本观察分布

μ=0, σ=1, N=1000, 连续点击几次"生成随机样本"：

每次生成的样本均值都应接近 0，标准差接近 1。样本量越大，越接近输入参数。这直观展示了大数定律：随着样本量增加，样本统计量趋近于总体参数。

三、公式速查

Box-Muller 随机采样（替代原工具的拒绝采样法，更高效）：

z = sqrt(-2*ln(U1)) * cos(2π*U2)     →  N(0,1)
x = μ + z*σ                          →  N(μ, σ^2)

样本标准差（除以 n-1，无偏估计）：

s = sqrt( Σ(xi - x̄)^2 / (n-1) )

PDF（概率密度函数）：

f(x) = (1/(σ*sqrt(2π))) * exp(-(x-μ)^2/(2σ^2))

Z 分数（标准化）：

z = (x - μ) / σ

文档编写日期：2026-06-30