Julia中Normal分布CDF计算结果不稳定（偶现报错）的原因咨询

你的代码出现随机结果/错误的核心原因是极端小概率值计算时的浮点运算不确定性，以及Distributions.jl处理边界数值时的行为差异：

具体原因 #

1. 极端z-score导致数值下溢：你计算的是某个Normal分布在远小于均值处的CDF，对应的z-score约为-33.7，这个值的CDF已经接近双精度浮点数的下溢极限（≈1e-308）。在某些计算路径下，浮点运算会直接返回极小值（比如你得到的4.4e-239），但在其他情况下可能产生NaN。
2. 误触发的参数检查：当CDF计算出现NaN时，Distributions.jl内部的参数验证逻辑会错误地将NaN关联到标准差σ的检查，抛出DomainError（实际上你的σ始终是合法的0.0051）。
3. JIT编译的差异：Julia的即时编译在首次运行和后续运行时可能生成不同优化代码，导致极端数值下的计算路径不一致，这就是为什么结果时好时坏。

解决办法 #

1. 手动处理极端数值 #

提前判断z-score是否超出合理范围，直接返回0或1，避免触发极端计算：

function safe_cdf(d::Normal, x)
    z_score = (x - d.μ) / d.σ
    z_score < -37 && return 0.0  # 双精度下Φ(-37)已下溢为0
    z_score > 37 && return 1.0
    cdf(d, x)
end

minimum(safe_cdf.(d, (z[3]+z[2])/2))

2. 使用更高精度浮点数 #

切换到Float128类型，提升数值稳定性，减少下溢导致的NaN：

using Quadmath  # 需要先安装Quadmath包

z = LinRange(Float128(-0.09025000000000001), Float128(0.19025000000000003), 5)
μ_vals = Float128(0.05)*(1-Float128(0.95)) .+ Float128(0.95).*z .- Float128(0.0051)^2/2
σ_vals = fill(Float128(0.0051), length(z))
d = Normal.(μ_vals, σ_vals)
minimum(cdf.(d, (z[3]+z[2])/2))

3. 更新Distributions.jl #

新版本的Distributions.jl可能修复了极端数值下的参数检查逻辑，尝试升级包：

using Pkg
Pkg.update("Distributions")

内容的提问来源于stack exchange，提问作者jgr