对于这里的人们来说，这可能是基本的。我只是计算机用户。
我愚弄了标准正态累积分布函数(CDF)的极值(0和1)，并且注意到对于较大的负值变量，我们可以获得非常小的概率值，但没有达到相同的范围另一方面，对于较大的正值，对于较小(绝对值)的变量值，已经出现了值“1”。
从理论上讲，标准正态分布的尾部概率在零附近对称，因此，例如X = -10左侧的概率质量与X = 10右侧的概率质量相同。因此，在X = -10时，CDF距零的距离与在X = 10时距CDF的距离相同。
但是复杂的计算机/软件并没有给我这些。
我们的计算机和软件(通常)在进行计算时会产生某种不对称现象，而实际关系是对称的吗？
用普通笔记本电脑在“r”中进行计算。
与此相关的文章Getting high precision values from qnorm in the tail
最佳答案
浮点格式将数字表示为符号s(+1或-1)，有效数f和指数e。每种格式都有一个固定的底数b，因此表示的数字为s•f•be，并且f被限制为在[1，b)中，并且可以表示为某个固定数字p的底数b。通过使e很小，这些格式可以表示非常接近零的数字。但是，它们最接近1(除了1本身)就是f尽可能接近1(除了1本身)且e为0或f尽可能接近b且e为- 1。
例如，在许多语言和实现中通常用于double的IEEE-754 binary64格式中，b为2，p为53，对于普通数，e可以低至−1022(可以存在较小)。这意味着最小的可表示标准数是2–1022。但是接近1时，e为0且f为1 + 2-52或e为-1且f为2-2-52。后者接近1；反之亦然。它是s•f•be = + 1•(2--2-52)•2-1 = 1-2-5。
因此，以这种格式，我们可以达到从零到2-1022的距离(更接近于具有次正规数的距离)，但是从1到只有2-2-3的距离。
关于r - 为什么我们渐渐接近值0 “more”比值1？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/57246342/