ပုံမှန်ဖြန့်ဖြူးမှုဂဏန်းတွက်စက်
ပုံမှန်တန်ဖိုးအတွက်ဖြစ်နိုင်ခြေသိပ်သည်းဆနှင့်စုစုပေါင်းဖြစ်နိုင်ခြေကိုရှာပါ။
သင်ရိုက်ထည့်သလိုရလဒ်များကို update လုပ်ပါ
ဤဂဏန်းတွက်စက်အကြောင်း
The normal (Gaussian) distribution is the classic symmetric bell curve that describes heights, measurement errors, test scores and countless other natural quantities. Given a value x, a mean μ and a standard deviation σ, this calculator returns the probability density at x, the cumulative probability P(X ≤ x) (the area under the curve to the left), the right-tail probability P(X ≥ x) and the equivalent z-score, and plots the curve.
Internally it converts x to a z-score, z = (x − μ) / σ, then evaluates the standard-normal cumulative distribution with an accurate error-function approximation. Enter an optional upper bound x₂ to get the range probability P(x ≤ X ≤ x₂), computed as the difference of the two cumulative values.
Worked example: for a distribution with μ = 100 and σ = 15, a value of x = 120 has a z-score of (120 − 100) ÷ 15 ≈ 1.33, so P(X ≤ 120) is about 90.9% and the right tail P(X ≥ 120) about 9.1%. This is the tool behind IQ scores, control charts and the empirical 68–95–99.7 rule.
မေးလေ့ရှိသောမေးခွန်းများ
pdf ကိုနှင့် cdf အကြားခြားနားချက်ကဘာလဲ?
အဆိုပါဖြစ်နိုင်ခြေသိပ်သည်းဆ (pdf) x မှာ bell curve ၏အမြင့်ဖြစ်ပါသည်; ဒါဟာသူ့ဟာသူအားဖြင့်ဖြစ်နိုင်ခြေမဟုတ်ပါဘူး။ အဆိုပါစုဆောင်းဖြန့်ဖြူး (CDF) x ကိုအထိ curve အောက်တွင်ဧရိယာဖြစ်ပါသည်, တစ်ခုသို့မဟုတ်အောက်တွင် x မှာတန်ဖိုးတစ်ခု၏ဖြစ်နိုင်ခြေပေး.
ဘာကြောင့်တိကျတဲ့တန်ဖိုးကို zero ၏ဖြစ်နိုင်ခြေဖြစ်ပါသည်?
ပုံမှန်လိုပဲဆက်လက်ဖြန့်ဝေဖို့, မည်သည့်တစ်ဦးတည်းတိကျတဲ့အချက်ကို zero ဖြစ်နိုင်ခြေရှိပါတယ် - တစ်ခုတည်း ranges များသာ non-zero ဖြစ်နိုင်ခြေရှိပါတယ်. ဒါကြောင့်ကျွန်တော်တို့ဟာ x မှာ density ကိုသတင်းပို့နှင့် P (X ကို = x) ထက် accumulative ဧရိယာ (X ကို = x) ။
68-95-99.7 စည်းမျဉ်းကဘာလဲ?
အကြောင်းကိုတစ်ဦးပုံမှန်ဖြန့်ဝေမှုအတွက် 68% တန်ဖိုးများ၏တစ်ဦးစံပြ deviation အတွင်းလိမ်လည်နေသည်, နှစ်ခုအတွင်း 95% နှင့်သုံးအတွင်း 99.7% ။ ဒါဟာတိကျတဲ့ဧရိယာကိုမပါဘဲတန်ဖိုးကိုဘယ်လိုထူးဆန်းတဲ့ဆုံးဖြတ်ရန်အမြန်နည်းလမ်းတစ်ခုဖြစ်ပါသည်.
ငါနှစ်ခုတန်ဖိုးများအကြားဖြစ်နိုင်ခြေကိုရှာတွေ့ဖို့ဘယ်လိုလဲ?
x အဖြစ်အောက်ခြေတန်ဖိုးကို x နှင့် x2အဖြစ်အထက်တန်ဖိုးကိုအဖြစ်အထက်တန်ဖိုးကိုထည့်သွင်းပါ; ကဂဏန်းတွက်စက်အပေါ်ပိုင်းအဆင့်မှာတစ်ဦးကနေအောက်ခြေအဆင့်မှာစုဆောင်းဖြစ်နိုင်ခြေကိုလျှော့ချခြင်းအားဖြင့် P (x ≤ X ≤ x2) ပြန်လာ.
ယေဘုယျဖြန့်ဖြူးခြင်းနှင့်စံပြပုံမှန်အကြားခြားနားချက်ကဘာလဲ?
အဆိုပါစံပုံမှန်0၏တစ်ဦးပျမ်းမျှနှင့်အတူသာပုံမှန်ဖြန့်ဝေမှုဖြစ်ပါသည်နှင့် 1 ၏စံပြ deviation. ၎င်း၏ Z-ဂိုးသွင်းဖို့မည်သည့်တန်ဖိုးကိုပြောင်းရွှေ့ခြင်းကပုံမှန်စံပေါ်သို့၎င်းကိုမြေပုံ, ဤ tool ကိုမည်သည့် μ နှင့် σ အတွက်ဖြစ်နိုင်ခြေကို computes နည်းလမ်းဖြစ်ပါသည်.
ကျွန်ုပ်၏ဒေတာသည် လုံးဝပုံမှန်ဖြစ်ရန်လိုအပ်ပါသလား။
မည်သည့်အစစ်အမှန်ဒေတာမှန်ကန်စွာပုံမှန်ဖြစ်ပါသည်, ဒါပေမဲ့ရလဒ်များကိုဒေတာအကြမ်းဖျင်း bell-shaped နှင့် symmetrical အခါယုံကြည်စိတ်ချရသောဖြစ်ကြသည်။ ခိုင်မာစွာ skewed သို့မဟုတ်အလေးချိန်-tailed data ကိုများအတွက်ဖြစ်နိုင်ခြေသာအနီးဆုံးဖြစ်ကြသည်။
API ကို — code ကိုမှဤဂဏန်းတွက်စက်ကိုအသုံးပြု
အခမဲ့ JSON endpoint အဖြစ်ဤဂဏန်းတွက်စက်ကိုခေါ် - လိုအပ်သော key ကိုမရှိ. query parameters တွေကိုသို့မဟုတ် JSON အဖြစ်အောက်ပါ Field Values ကိုပို့. သင်ပယ်ချဘာမှတူညီသော default ကိုအသုံးပြုသည်ဤစာမျက်နှာနှင့်အတူ pre-filled ဖြစ်ပါတယ်။ အမည်မသိ parameter ကိုတစ်ခုဖြစ်ပါသည် 400, တစ်ဦးတိတ်ဆိတ်သော Zero ကိုမဆို. ပြည့်စုံသော API ကိုစာရွက်စာတမ်းများကိုဖတ်ပါ →
အဆုံးသတ်ချက်
GET https://calculator.free/api/v1/normal-distribution/curl
curl "https://calculator.free/api/v1/normal-distribution/?x=120&mean=100&sd=15"JavaScript fetch()
const r = await fetch(
"https://calculator.free/api/v1/normal-distribution/?" + new URLSearchParams({
"x": "120",
"mean": "100",
"sd": "15"
}));
const data = await r.json();
console.log(data.results);ရလဒ်များသာယေဘုယျလမ်းညွှန်မှုများအတွက်ခန့်မှန်းချက်ဖြစ်ကြသည်, မငွေကြေး, ဆေးဘက်ဆိုင်ရာသို့မဟုတ်အခွန်အကြံပေးချက်.