二项分布正态近似计算器

Q: 为什么要连续性校正？

正态分布是连续的，单个点概率为 0；二项分布是离散的，P(X=55) 是真实概率。把整数值 k 看作区间 [k−0.5, k+0.5]，连续分布才能「接住」离散概率——0.5 校正就是这座桥。

Q: np≥5 这个标准从哪来的？

经验法则。p=0.5 时二项分布对称，np≥5 已足够接近正态；p 越极端需要的 n 越大（np≥10 更稳）。统计教材标准不一，5 与 10 是两种主流口径。

Q: 什么时候用泊松近似更好？

n 大且 p 小（n≥20, p≤0.05，或 λ=np≤10 左右）时泊松近似更准：P(X=k) ≈ λ^k·e^(−λ)/k!。正态近似适合 p 不太极端的中部情形。

Q: 为什么大 n 的二项分布会长得像正态？

这是中心极限定理的特例：二项变量是 n 个独立伯努利变量之和，大量独立同分布小随机因素叠加后，和的标准化分布必然趋向标准正态，与每个小因素本身的形态无关。

Q: 连续性修正为什么恰好是 0.5？

因为离散整数点之间的间距是 1，把整数 k 映射为区间 [k−0.5, k+0.5] 正好补齐柱状图中每根柱子的完整宽度，是对「离散→连续」最自然的面积对齐。

Q: np≥5 的规则是谁定的？严格吗？

是统计教材的经验门槛（更早版本用 npq≥3），并非定理。p 越接近 0.5 要求越宽松，p 越极端要求越苛刻；严肃研究建议直接用精确计算或 Bootstrap 验证。

Q: 正态近似和泊松近似怎么选？

看 np 的规模：np 适中（1~20）且 p 小 → 泊松近似更准；np 与 n(1−p) 都大 → 正态近似更准。泊松适合「稀有事件计数」，正态适合「比例类问题」。

Q: 历史上谁先发现这个近似？

棣莫弗 1733 年为解决赌金分配中的大 n 二项求和而发现 p=0.5 的情形，拉普拉斯 1812 年推广到任意 p 并给出误差估计，比高斯系统研究正态分布还早。

Q: 现代计算机时代还需要这个近似吗？

需要。理解它是通往中心极限定理直觉的桥梁；抽样调查、质量控制、A/B 测试的显著性检验至今仍在用「均值 ± 1.96σ」的正态近似口径做快速判断。

Q: 民意调查的误差范围就是这么算的吗？

正是。1500 人样本、支持率 50% 时 σ=√(0.25/1500)≈1.29%，95% 误差范围 ≈ ±2.53%——媒体常说的「±3 个百分点」即源于此正态近似。

什么是二项分布正态近似计算器？

n 足够大（np 与 nq 都 ≥ 5~10）时，二项分布 B(n,p) 的形状逼近正态分布 N(np, np(1−p))。计算 P(X≤55) 这类求和不用再加 56 项组合数，一个 z 分数查表搞定。

连续性校正不可省：离散变量 P(X≤55) 对应连续变量 P(X<55.5)。抛 100 次硬币求正面 ≤55 的概率：z = (55.5−50)/5 = 1.1，查表得 0.8643——精确值 0.8644，误差仅万分之一。

二项分布的正态近似是统计学历史上第一个中心极限定理：1733 年棣莫弗为计算硬币抛掷的大量试验概率，发现当 n 很大时二项分布的柱状图越来越贴近一条钟形曲线，后来拉普拉斯将其推广为棣莫弗-拉普拉斯定理。它把「计算 C(100,45)·0.5¹⁰⁰ 再逐项求和」这种天文数字运算，变成一次查表。

连续性修正是近似精度的灵魂：二项分布是离散的（X 只取整数），正态分布是连续的（任何实数都有可能），直接用 P(X≤45) 会丢掉半个柱子的面积。把边界从 45 平移到 45.5（≥ 型用 k−0.5），相当于给每个整数点补上左右各半个单位的宽度，误差通常能从百分之几压到千分之几。

何时近似可信取决于 np 与 n(1−p) 是否都足够大——p 接近 0.5 时 n=30 就已相当平滑，p=0.01 时分布严重右偏，n 要到几百才压得住。稀有事件（p 极小、np 适中）的正确工具是泊松近似而非正态。本工具与二项分布计算器互补：精确值用后者，大批量快速估算用前者，正态分布与 z 分数是它的查表后端。

μ = np，σ = √(np(1−p))；z = (k + 0.5 − μ)/σ（≤ 时用 k+0.5，≥ 时用 k−0.5）；P ≈ Φ(z)。

以 n=100, p=0.5, 求 P(X≤45) 为例：μ = np = 50，σ = √(np(1−p)) = √25 = 5；连续性修正取 k+0.5 = 45.5，z = (45.5−50)/5 = −0.9，查正态表 Φ(−0.9) ≈ 0.1841——与精确二项概率 0.1841 几乎一致。

正态近似适用性经验规则
规则	判据	说明
经典 5 规则	np ≥ 5 且 n(1−p) ≥ 5	教材最常用门槛
严格 10 规则	np ≥ 10 且 n(1−p) ≥ 10	要求较高的统计软件默认
p 远离 0.5 时	n 需更大	p=0.01 时 n≥500 才勉强可用
p 极小且 n 大	改用泊松近似 λ=np	稀有事件场景

如何使用二项分布正态近似计算器

1
输入试验次数 n 与成功概率 p。
2
输入目标次数 k 与概率方向（≤ 或 ≥）。
3
点击「计算」，查看 z 分数、近似概率与校正说明。

计算示例

例 1n=100, p=0.5, P(X≤55)

μ=50，σ=5；z = (55.5−50)/5 = 1.1；P ≈ Φ(1.1) = 0.8643。

例 2n=400, p=0.1, P(X≥50)

μ=40，σ=6；z = (49.5−40)/6 = 1.583；P ≈ 1−Φ(1.583) ≈ 0.0567。

例 3≤ 型：修正取 k+0.5

n=100, p=0.5, P(X≤45)：z=(45.5−50)/5=−0.9，Φ(−0.9)≈0.1841。精确值 0.1841，误差 <0.001。

例 4区间型：两端都修正

硬币 100 次正面 40~60 次：P(39.5<X<60.5)=P(−2.1<Z<2.1)≈0.9643，即约 96.4%。

例 5≥ 型：修正取 k−0.5

n=200, p=0.3, P(X≥70)：μ=60, σ=√42≈6.48，z=(69.5−60)/6.48≈1.47，P≈1−Φ(1.47)≈0.0708。

注意事项

适用条件：np ≥ 5 且 n(1−p) ≥ 5（保守口径 ≥ 10）。
p 接近 0 或 1 时二项分布偏斜，应改用泊松近似或精确计算。
「恰好等于 k」的近似：P(X=k) ≈ φ((k−μ)/σ)/σ（密度法）或校正的区间法。
连续性校正 ±0.5 在 n 大时影响微小，n 小时显著改善精度。
连续性修正方向：P(X≤k) 用 k+0.5；P(X≥k) 用 k−0.5；P(X=k) 用区间 (k−0.5, k+0.5)。方向记反会把误差放大一倍。
np 或 n(1−p) 小于 5 时正态近似失真明显：分布偏斜、尾部概率被系统性低估，应回到精确二项计算或改用泊松近似。
近似给出的是概率的估计值，报告时保留 3~4 位有效数字即可——写 8 位小数反而制造虚假的精确感。

常见问题