概率分布图
概率分布图根据输入的参数,绘制理论分布的密度、质量或累积曲线,无需数据。它涵盖十二种分布,包括正态、t、卡方、F、威布尔、对数正态、二项和泊松分布。可用于了解分布的形状、解释抽样方案或检验统计量,或读取概率。连续分布显示为曲线;二项和泊松分布显示为条形。
最后审阅
核心要点
概率分布图根据您输入的参数,绘制理论分布(如正态、威布尔或二项分布)的概率密度(或概率质量)曲线或累积分布曲线,无需任何数据。
用途
概率分布图根据您输入的参数绘制理论分布的曲线:其概率密度(对于计数则为概率质量)或累积分布。无需任何数据。可用于在使用某种分布之前了解它的形状,解释抽样方案或检验统计量,或在假定的模型下读取某个计数或测量值出现的可能性,例如在过程不合格率为 4% 时,50 个样本中不合格品的数量。
主要功能
- 十二种分布:Normal、Student's t、Chi-Square、F、Exponential、Weibull、Lognormal、Uniform、Gamma、Beta、Binomial 和 Poisson。
- 概率密度/质量函数或累积分布函数。
- 连续分布绘制为平滑曲线(密度区域着色);二项和泊松分布在每个整数处绘制为条形。
- 水平范围自动选择,以覆盖分布从第 0.05 个百分位数到第 99.95 个百分位数的区间。
- 标题根据分布和曲线自动生成,也可使用您自己的标题。
统计方法
工具根据参数构建所选分布,并用标准公式求值。参数如下:Normal — Parameter 1 = 均值,Parameter 2 = 标准差;Student's t 和 Chi-Square — 自由度;F — 分子和分母自由度;Exponential — 尺度(即均值);Weibull 和 Gamma — 形状和尺度;Lognormal — 位置和形状,即 ln(X) 的均值和标准差;Uniform — 下界和上界;Beta — 两个形状参数 α 和 β;Binomial — 试验次数 n 和事件概率 p;Poisson — 均值 λ。只有一个参数的分布仅使用 Parameter 1。
对于连续分布,曲线在第 0.05 个与第 99.95 个百分位数之间 500 个等间距的点上求值。对于二项和泊松分布,则在该范围内的每个整数处求值:概率质量 P(X = k) 给出每个条形的高度,累积函数 P(X ≤ k) 给出 CDF 图中每个条形的高度。对于密度,曲线下某区间的面积即落在该区间内的概率;CDF 则直接以两个高度之差给出该概率。
输入字段和选项
字段 | 说明 |
Distribution | 必填。Normal、Student's t、Chi-Square、F、Exponential、Weibull、Lognormal、Uniform、Gamma、Beta、Binomial 或 Poisson。 |
Parameter 1 | 含义取决于分布:例如 Normal 为均值,t 和 Chi-Square 为自由度,Weibull 和 Gamma 为形状,Binomial 为试验次数,Poisson 为均值。 |
Parameter 2 | 仅用于双参数分布:例如 Normal 为标准差,Weibull 和 Gamma 为尺度,Binomial 为事件概率。 |
Plot | Probability density/mass function(默认)或 Cumulative distribution function。 |
Title | 可选。默认为根据所选分布和曲线生成的标题。 |

图 1 — 示例的选项:试验次数为 50、事件概率为 0.04 的二项分布。
输出说明
- <Distribution> Distribution — Probability Density:密度曲线(坐标轴标为 Probability density);对于二项和泊松分布则为 <Distribution> Distribution — Probability Mass,以条形显示各计数的概率(坐标轴标为 Probability)。
- <Distribution> Distribution — Cumulative Distribution:累积概率 P(X ≤ x)。
- 通过 Download 导出 PDF。

图 2 — 当过程不合格率为 4% 时,50 个样本中出现 0 至 8 个不合格品的概率(Binomial,n = 50,p = 0.04)。

图 3 — 同一分布,Plot = Cumulative distribution function:k = 0 至 8 时的 P(X ≤ k)。
计算示例
某供应商的过程不合格率约为 4%。进货检验从每批中抽取 50 个零件作为样本,质量工程师想知道预期会有多少个不合格品,以及来自该过程的批次出现 3 个或更多不合格品的频率。Distribution = Binomial,Parameter 1 = 50(试验次数),Parameter 2 = 0.04(事件概率),Plot = Probability density/mass function。
条形范围为 0 至 8 个不合格品。最可能的计数是 1(概率 0.271)和 2(0.276),与均值 n·p = 2 相符。没有不合格品的样本出现的概率为 13.0%,因此一个全合格的样本几乎不能说明过程是否有所改善。将 Plot 切换为 Cumulative distribution function,得到 P(X ≤ 2) = 0.677,因此来自该过程的样本中有 32.3% 会含有 3 个或更多不合格品,13.9% 会含有 4 个或更多。
对检验方案而言,这意味着即使供应商按其正常的 4% 运行,接收数为 2 也会拒收约三分之一的批次。如果这样的批次通常应被接收,则必须提高接收数或重新设计抽样方案;验收抽样和 AQL 工具可依据约定的质量水平计算出结果。
常见问题
概率分布图有什么用途?
它在没有任何数据的情况下,显示理论分布在给定参数下的形状。可用于在使用某种分布之前了解它的形状,解释抽样方案或检验统计量,或在假定的模型下读取某个计数或测量值出现的可能性,例如在过程不合格率为 4% 时,50 个样本中不合格品的数量。
概率分布图可以显示哪些分布?
十二种:正态、Student's t、卡方、F、指数、威布尔、对数正态、均匀、Gamma、Beta、二项和泊松分布。Parameter 1 和 Parameter 2 取决于分布,例如正态分布为均值和标准差,威布尔和 Gamma 分布为形状和尺度,二项分布为试验次数和事件概率。单参数分布仅使用 Parameter 1。
PDF 图与 CDF 图有什么区别?
概率密度(或质量)函数显示分布在每个取值处的高度;对于密度,曲线下某区间的面积即落在其中的概率,而对于二项或泊松分布,每个条形即 P(X = k)。累积分布函数显示 P(X 小于或等于 x),因此概率是两个高度之差。
如何阅读二项概率分布图?
在试验次数为 50、事件概率为 0.04 的计算示例中,最可能的计数是 1(0.271)和 2(0.276),与均值 n 乘以 p = 2 相符,出现零个不合格品的概率为 13.0%。累积图给出 P(X 小于或等于 2) = 0.677,因此 32.3% 的样本会含有 3 个或更多不合格品。
