样本均值抽样分布计算器

样本均值的抽样分布描述的是：当从同一总体中反复抽取相同样本量的随机样本时，样本均值会如何在不同样本之间波动。它是推断统计中最重要的概念之一，因为几乎所有科学与工业领域中的置信区间、假设检验和质量控制图都建立在这一理论基础之上。 中心极限定理（CLT）让这种分布变得实用。CLT 指出，无论总体分布的形状如何，随着样本量 n 增大，样本均值的抽样分布都会趋近于正态分布。实际上，当样本量达到 30 或更大时，这种近似通常已经非常好。若总体本身就服从正态分布，那么无论样本量多小，这一结论都成立。 均值的标准误（SE）用于衡量抽样分布的离散程度。它等于总体标准差 σ 除以样本量 n 的平方根：SE = σ / √n。样本量越大，SE 越小，这意味着更大的样本能更精确地估计总体均值。这也解释了为什么样本量翻倍会使标准误按 √2 的比例缩小，以及为什么研究者会投入更多数据来减少不确定性。 一旦知道标准误，任何样本均值 x̄ 都可以通过 z = (x̄ − μ) / SE 转换为 z 分数。z 分数表示 x̄ 距离真实总体均值 μ 有多少个标准误。由于抽样分布（近似）服从正态分布，标准正态表——或其数学形式 Φ(z)——就能给出样本均值低于、高于或介于指定值之间的精确概率。 本计算器支持三种概率类型。第一种，P(X̄ < x)，给出样本量为 n 的随机样本其均值低于 x 的左尾概率。第二种，P(X̄ > x)，给出右尾（上尾）概率。第三种，P(x₁ < X̄ < x₂)，给出样本均值介于两个指定值之间的概率，计算方式是两个累积正态概率之差。 它的实际用途遍及各个领域。质量工程师会监控一批零件的平均尺寸是否超出公差；营养师会检查抽样人群的平均热量摄入是否与已知总体均值相符；金融分析师会估计某个季度的平均日收益是否超过阈值；临床研究者会判断样本中的平均降压效果是否反映了真实的人群效应。在这些场景中，这个计算器都能一次计算给出所需概率。