統計學機率數學計算器學習指南

機率分布計算器：公式、實例演算與練習題

September 10, 2026·15 min read·Solvify Team

機率分布計算器可以求出離散或連續隨機變數的期望值、變異數，以及任一結果的機率，而不必每次都手工列出完整的機率表或去查 z 表。你只要給它分布類型——離散表格、二項試驗過程或常態曲線——以及對應的參數，它就會回傳你需要的機率、平均數與標準差。統計學學生常用它處理擲硬幣、品管抽樣、考試分數，以及任何結果集合明確的隨機變數。本指南一步步推導背後的公式，並附上可以自己驗算的真實數字，讓計算器不再像個黑盒子。

什麼是機率分布計算器？

機率分布計算器是這樣一種工具：你把隨機變數所有可能的結果與各自的機率交給它——或者交給它某個已知分布族（例如二項分布或常態分布）的參數——它就會回傳特定事件的機率，以及期望值（平均數）和變異數這類彙總指標。而機率分布本身，其實就是隨機變數所有可能取值的完整清單，並標明每個結果發生的可能性有多大。離散分布逐一列出結果，例如一批 10 個零件中不良品的個數；連續分布則描述某個範圍內的結果，例如一個人的身高。無論處理哪一種，機率分布計算器的可靠程度都取決於你輸入的分布，這正是即使工具替你完成了算術，仍要檢查底層數學的原因。

每個有效的機率分布都必須滿足兩條規則：每個機率都介於 0 與 1 之間，且所有機率相加恰好等於 1。

機率分布計算器是如何運作的？

不論你用的是手工列出的表格還是完整的統計計算器，機率分布計算器每次都遵循同樣的四步邏輯。它首先必須知道面對的是哪一類分布，因為離散表格、二項試驗過程與常態曲線在機率、期望值和變異數上各自使用不同的公式。

1. 步驟 1：判斷分布類型

先確定隨機變數是離散的（一份固定的結果清單，例如機率分布表）還是連續的（一整個取值範圍，例如常態分布），以及它是否屬於二項分布這類已知的分布族。

2. 步驟 2：輸入分布的參數

若是離散表格，輸入每一個結果與其機率。若是二項分布，輸入試驗次數（n）與成功機率（p）。若是常態分布，輸入平均數（μ）與標準差（σ）。

3. 步驟 3：計算機率、期望值與變異數

計算器會套用對應的公式——離散表格直接加總，二項過程使用二項公式，常態曲線查標準常態分布表——回傳你要的機率以及平均數和變異數。

4. 步驟 4：解讀結果

把小數形式的機率換算成百分比，並用經驗法則或粗略估算做一次合理性檢查，再把它當成最終答案。

離散機率分布與連續機率分布的差別

離散機率分布適用於結果可以一一列舉的隨機變數——擲三次硬幣出現正面的次數、一天內收到的客訴件數，或固定次數試驗中的成功次數。每個結果都有自己的機率，針對離散變數的機率分布計算器，本質上就是在這份清單上做有條理的加法與乘法。而像常態分布這樣的連續機率分布，適用於可以取某個範圍內任意值的隨機變數——身高、體重或反應時間——因此你算的不是每個精確數值的機率，而是落在某個區間內的機率，也就是曲線下的面積。分清楚自己面對的是哪一種，決定了後面所有的公式。

如何檢查機率總和是否為 1？

在相信任何期望值或變異數的計算結果之前，先確認這個分布是有效的：每個機率都必須介於 0 與 1 之間，全部機率加起來必須恰好等於 1（容許微小的四捨五入誤差）。省略這一步是離散機率題目出錯的頭號原因，因為一個打錯或數錯的機率，會拖垮建立在它之上的每一步計算。

1. 列出每個結果與其機率

假設某個小型客服團隊記錄每天收到的客訴件數 X：P(X=0) = 0.1，P(X=1) = 0.3，P(X=2) = 0.4，P(X=3) = 0.2。

2. 把所有機率相加

0.1 + 0.3 + 0.4 + 0.2 = 1.0。機率總和恰好為 1，因此這是一個有效的機率分布。

3. 辨認無效的分布

如果最後一項被寫成 P(X=3) = 0.3，總和就會變成 0.1 + 0.3 + 0.4 + 0.3 = 1.1——超過 1，這對機率分布來說是不可能的，代表資料輸入有誤，必須先修正再做後續任何計算。

如果一個分布中的機率總和不等於 1，這個分布就是無效的，必須先修正，才能用它計算期望值、變異數或任何其他機率。

實例演算：離散分布的期望值與變異數

沿用同一個每日客訴件數分布——P(X=0) = 0.1，P(X=1) = 0.3，P(X=2) = 0.4，P(X=3) = 0.2——機率分布計算器求期望值（長期平均值）與變異數（結果的分散程度）的方式，和你手工計算完全一樣。

1. 步驟 1：把每個數值乘上它的機率再相加

E[X] = (0×0.1) + (1×0.3) + (2×0.4) + (3×0.2) = 0 + 0.3 + 0.8 + 0.6 = 1.7，也就是平均每天 1.7 件客訴。

2. 步驟 2：求 E[X²]

E[X²] = (0²×0.1) + (1²×0.3) + (2²×0.4) + (3²×0.2) = 0 + 0.3 + 1.6 + 1.8 = 3.7。

3. 步驟 3：減去平均數的平方

Var(X) = E[X²] − (E[X])² = 3.7 − 1.7² = 3.7 − 2.89 = 0.81。

4. 步驟 4：開平方求標準差

σ = √0.81 = 0.9 件客訴，代表每天的客訴件數通常會在 1.7 這個平均值上下變動約 0.9。

實例演算：二項分布的機率

當你有固定次數的獨立試驗，每次試驗恰好有兩種結果（成功或失敗），而且每次的成功機率都相同時，就適用二項分布。公式為 P(X=k) = C(n,k) × p^k × (1−p)^(n−k)，其中 n 是試驗次數，k 是你想要的成功次數，p 是單次試驗的成功機率。假設某個到達頁有 30% 的訪客會註冊（p = 0.3），而你觀察 10 位彼此獨立的訪客（n = 10）。其中恰好有 3 位註冊的機率是多少？

1. 步驟 1：確定 n、k 與 p

n = 10，k = 3，p = 0.3，因此 1 − p = 0.7。

2. 步驟 2：計算組合數

C(10,3) = 10! ÷ (3! × 7!) = 120。

3. 步驟 3：計算 p^k 與 (1−p)^(n−k)

p³ = 0.3³ = 0.027。(1−p)^7 = 0.7^7 = 0.0823543。

4. 步驟 4：把各部分相乘

P(X=3) = 120 × 0.027 × 0.0823543 ≈ 0.2668，約為 26.68%。

對於二項分布，平均數為 μ = np，變異數為 σ² = np(1 − p)——當 n = 10、p = 0.3 時，平均數為 3、變異數為 2.1，完全不必列出整張機率表。

什麼時候可以用常態分布近似二項分布？

當試驗次數很大時，手工計算精確的二項機率——甚至只是把許多個二項項次加總起來——都會變得不切實際，因此統計學家改用常態分布來近似二項分布。一般認為，當 np ≥ 5 且 n(1−p) ≥ 5 時，這個近似是可靠的。假設寄出了 200 封郵件，每封被開啟的機率為 40%（n = 200，p = 0.4）。本題以 n = 100 計算，求前 100 位收件人中最多 45 人開啟郵件的機率。

1. 步驟 1：檢查近似的適用條件

本題取 n = 100、p = 0.5，此時 np = 50 ≥ 5 且 n(1−p) = 50 ≥ 5，因此常態近似成立。

2. 步驟 2：求平均數與標準差

μ = np = 100 × 0.5 = 50。σ = √(np(1−p)) = √(100 × 0.5 × 0.5) = √25 = 5。

3. 步驟 3：做連續性校正

由於二項分布是離散的、常態分布是連續的，在換算成 z 值之前要把 X = 45 調整為 X = 45.5：z = (45.5 − 50) ÷ 5 = −0.9。

4. 步驟 4：查表求機率

P(Z < −0.9) ≈ 0.1841，因此 P(X ≤ 45) ≈ 18.41%。

連續性校正——在換算成 z 值前加上或減去 0.5——正是讓常態近似對一個本質上離散的分布依然準確的關鍵。

機率分布計算中常見的錯誤有哪些？

機率分布題目的錯誤大多集中在少數幾個反覆出現的問題上，在採信最終答案之前先逐一檢查，就能攔下作業與考試中的大部分失誤。

1. 忘記驗證機率總和是否為 1

在一個總和不為 1 的分布上計算期望值或變異數，就算其他每一步都做對了，結果也必定是錯的。

2. 混淆樣本變異數與母體變異數

當一個分布的每個結果與機率都完全已知時，應該使用 Var(X) = E[X²] − (E[X])²，而不是除以 n − 1 的樣本變異數公式——那個公式是用來從樣本資料估計變異數，而不是用在已知的分布上。

3. 沒有檢查 np ≥ 5 與 n(1−p) ≥ 5 就套用常態近似

在 n 很小或 p 很極端的二項分布上使用常態近似，會得到明顯失準的機率，因為此時二項分布過於偏斜，對稱的鐘形曲線無法妥善描述它。

4. 忘記連續性校正

用連續的常態曲線近似離散的二項分布時若省略 0.5 的調整，會讓算出的機率系統性地偏移，n 越小偏差越明顯。

練習題與完整解答

在核對任何計算器的輸出之前，先用上文介紹的公式做完這三題。

1. 練習題 1：期望值與變異數

離散隨機變數 X 滿足 P(X=−1) = 0.2，P(X=0) = 0.3，P(X=1) = 0.3，P(X=2) = 0.2。求 E[X] 與 Var(X)。解答：E[X] = (−1×0.2)+(0×0.3)+(1×0.3)+(2×0.2) = −0.2+0+0.3+0.4 = 0.5。E[X²] = (1×0.2)+(0×0.3)+(1×0.3)+(4×0.2) = 0.2+0+0.3+0.8 = 1.3。Var(X) = 1.3 − 0.5² = 1.3 − 0.25 = 1.05。

2. 練習題 2：二項分布「至少一個」的機率

如果某台機器生產的零件有 25% 是不良品（p = 0.25），抽驗 8 個零件（n = 8），求 P(至少 1 個不良品)。解答：P(沒有不良品) = (0.75)^8 ≈ 0.1001。P(至少 1 個) = 1 − 0.1001 ≈ 0.8999，約為 89.99%。

3. 練習題 3：用常態分布近似二項分布

當 n = 200、p = 0.4 時，用常態近似求 P(X ≥ 90)。解答：μ = np = 80，σ = √(200×0.4×0.6) = √48 ≈ 6.93。做連續性校正後 X = 89.5，因此 z = (89.5 − 80) ÷ 6.93 ≈ 1.37。P(Z ≥ 1.37) ≈ 1 − 0.9147 = 0.0853，約為 8.53%。

什麼時候該用機率分布計算器？

只要你需要為一個結果已知或分布族已知的隨機變數，快速取得可驗證的答案，機率分布計算器就有它的價值：涵蓋離散表格、二項分布與常態分布的統計學課程；品管抽樣，工廠據此估計一批產品含有太多不良品的機率；保險與金融，期望值計算直接決定保費與風險定價；以及 A/B 測試，用二項模型估計觀察到的轉換率差異是否具有意義。在上述每種情境中，唯有當你理解它所套用的公式，計算器才最有用——這樣你才能在它給出一個看似篤定卻錯誤的答案之前，先發現輸入有誤或近似並不適用。

Solvify 如何幫你檢查機率分布題目？

理解了上面的推理之後，工具最大的用處是幫你快速驗算，而不是取代思考。Solvify 的逐步解題工具會把機率分布問題——離散表格、二項機率與常態近似——拆解成本指南中同樣標示清楚的步驟，讓你可以一行一行比對自己的做法，而不是只看到一個最終的百分比。

1. 拍下題目照片

用 Solvify 的智慧掃描直接從課本或講義上拍下機率分布題目，取得完整的解題過程。

2. 把你的步驟與解答逐一比對

拿你算出的期望值、變異數與最終機率跟 Solvify 的拆解對照，抓出上文提到的那些錯誤。

3. 追問延伸問題

用 Solvify 的 AI 家教問清楚為什麼可以用常態近似，或看同一題改用精確的二項公式怎麼解。

計算器應該是驗證你的推理，而不是取代它——Solvify 會呈現完整的逐步過程，讓你清楚看到自己的計算在哪一步一致、又在哪一步走偏。

標籤: