概率分布的性质是什么？

你指的是概率分布函数F(x)么

其基本性质就是

首先F(x)为右连续

而且是单调非降函数

F(x)是有界函数

x趋于负无穷时，F(x)趋于0

而x趋于正无穷时，F(x)趋于1

标准正态分布函数公式如下图：

标准正态分布函数的性质：

1、密度函数关于平均值对称。

2、函数曲线下68268949%的面积在平均数左右的一个标准差范围内。

3、函数曲线的反曲点为离平均数一个标准差距离的位置。

4、平均值与它的众数以及中位数同一数值。5、95449974%的面积在平均数左右两个标准差的范围内。

标准正态分布是以0为均数，以1为标准差的正态分布，记为N（0，1）。标准正态分布在数学、物理及工程等领域都非常重要，在统计学的许多方面也有着重大的影响力。

正态分布也称为高斯分布。客观世界中很多变量都服从或近似服从正态分布，且正态分布具有很好的数学性质，所以正态分布也是人们研究最多的分布之一。

正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。

（1）定义不同：

1，概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。

2，分布函数是随机变量最重要的概率特征，分布函数可以完整地描述随机变量的统计规律，并且决定随机变量的一切其他概率特征。

（2）表示含义不同：

1，单纯的讲概率密度没有实际的意义，它必须有确定的有界区间为前提。可以把概率密度看成是纵坐标，区间看成是横坐标，概率密度对区间的积分就是面积，而这个面积就是事件在这个区间发生的概率，所有面积的和为1。

2，设X是一个随机变量，x是任意实数，函数 F(x)=P{X≤x} 物质的双体分布函数示意图称为X的分布函数。

3，分布律就是具体分布在某范围内的概率。

（3）求值方法不同：

1，概率密度：把概率密度看成是纵坐标，区间看成是横坐标，概率密度对区间的积分就是面积，也就是说，求概率密度就是求概率密度所对应的面积就行了。

2，分布函数：直接利用公式计算即可，例如函数 F(x)=P{X≤x} ，将x的值代入题中所给定的公式直接可以计算出结果。

扩展资料

（1）概率密度性质

1，非负性

2，规范性

这两条基本性质可以用来判断一个函数是否为某一连续型随机变量的概率密度函数。

（2）概率密度函数

对于随机变量X的分布函数F（x），如果存在非负可积函数f(x)，使得对任意实数x,有

则X为连续型随机变量，称f(x)为X的概率密度函数，简称为概率密度。

参考资料来源

-概率密度

-分布函数

分布函数是一个普遍的函数,正是通过它,我们将能用数学分析的方法来研究随机变量

分布函数的性质

(1)非负有界性 0≤F(X)≤1

(2)单调不减性

证明：即对任意的X1

正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）在求二项分布的渐近公式中得到。CF高斯在研究测量误差时从另一个角度导出了它。PS拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。

正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。

若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。

中文名

正态分布

外文名

normal distribution

别名

高斯分布

发现者

棣莫弗（Abraham de Moivre）

所属学科

概率论

快速

导航

定理定义性质分布曲线研究过程曲线应用

历史发展

正态分布概念是由德国的数学家和天文学家棣莫弗（Abraham de Moivre）于1733年首次提出的，但由于德国数学家Gauss率先将其应用于天文学研究，故正态分布又叫高斯分布，高斯这项工作对后世的影响极大，他使正态分布同时有了“高斯分布”的名称，后世之所以多将最小二乘法的发明权归之于他，也是出于这一工作。但现今德国10马克的印有高斯头像的钞票，其上还印有正态分布的密度曲线。这传达了一种想法：在高斯的一切科学贡献中，其对人类文明影响最大者，就是这一项。在高斯刚作出这个发现之初，也许人们还只能从其理论的简化上来评价其优越性，其全部影响还不能充分看出来。这要到20世纪正态小样本理论充分发展起来以后。拉普拉斯很快得知高斯的工作，并马上将其与他发现的中心极限定理联系起来，为此，他在即将发表的一篇文章（发表于1810年）上加上了一点补充，指出如若误差可看成许多量的叠加，根据他的中心极限定理，误差理应有高斯分布。这是历史上第一次提到所谓“元误差学说”——误差是由大量的、由种种原因产生的元误差叠加而成。后来到1837年，海根（GHagen）在一篇论文中正式提出了这个学说。

其实，他提出的形式有相当大的局限性：海根把误差设想成个数很多的、独立同分布的“元误差” 之和，每只取两值，其概率都是1/2，由此出发，按棣莫弗的中心极限定理，立即就得出误差（近似地）服从正态分布。拉普拉斯所指出的这一点有重大的意义，在于他给误差的正态理论一个更自然合理、更令人信服的解释。因为，高斯的说法有一点循环论证的气味：由于算术平均是优良的，推出误差必须服从正态分布；反过来，由后一结论又推出算术平均及最小二乘估计的优良性，故必须认定这二者之一（算术平均的优良性，误差的正态性） 为出发点。但算术平均到底并没有自行成立的理由，以它作为理论中一个预设的出发点，终觉有其不足之处。拉普拉斯的理论把这断裂的一环连接起来，使之成为一个和谐的整体，实有着极重大的意义。

定理

由于一般的正态总体其图像不一定关于y轴对称，对于任一正态总体，其取值小于x的概率。只要会用它求正态总体在某个特定区间的概率即可。

为了便于描述和应用，常将正态变量作数据转换。将一般正态分布转化成标准正态分布。[1]

若

服从标准正态分布,通过查标准正态分布表就可以直接计算出原正态分布的概率值。故该变换被称为标准化变换。（标准正态分布表：标准正态分布表中列出了标准正态曲线下从-∞到X（当前值）范围内的面积比例。）

定义

一维正态分布

若随机变量

服从一个位置参数为

、尺度参数为

的概率分布，且其概率密度函数为[2]

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作

，读作

服从

，或

服从正态分布。

μ维随机向量具有类似的概率规律时，称此随机向量遵从多维正态分布。多元正态分布有很好的性质，例如，多元正态分布的边缘分布仍为正态分布，它经任何线性变换得到的随机向量仍为多维正态分布，特别它的线性组合为一元正态分布。

本词条的正态分布是一维正态分布，此外多维正态分布参见“二维正态分布”。

标准正态分布

当

时，正态分布就成为标准正态分布

性质

正态分布的一些性质：[2]

（1）如果

且a与b是实数，那么

（参见期望值和方差）。

（2）如果

与

是统计独立的正态随机变量，那么：

它们的和也满足正态分布

它们的差也满足正态分布

U与V两者是相互独立的。（要求X与Y的方差相等）。

（3）如果

和

是独立常态随机变量，那么：

它们的积XY服从概率密度函数为p的分布

其中

是修正贝塞尔函数（modified Bessel function）

它们的比符合柯西分布，满足

（4）如果

为独立标准常态随机变量，那么

服从自由度为n的卡方分布。

FX（x）指的是X的分布函数，FY（y）指的是Y的分布函数，fx(x)指的是X的概率密度，fy(y)指的是y的概率密度。

题目中的例子：因为Y=2X+8，Y是一个关于X的单调函数，所以我们可以反解出X，所以X=（Y-8）/2。所以可以将X带入FX（x）=FX（（y-8）/2）=FY（y）。

求概率密度只需要对分布函数求导即可得到概率密度，Fy(y)关于y求导：

fy(y)=fx((y-8)/2)[((y-8)/2)的导数]

=fx((y-8)/2)（-4），最后的出fy(y)=fx((y-8)/2)（-4），又因为Fy(y)=Fx((y-8)/2)，两边分别求导最后整理出fy(y)==1/8(y-8)/21/2。

扩展资料：

概率密度的性质：

非负性：

规范性：

这两条基本性质可以用来判断一个函数是否为某一连续型随机变量的概率密度函数。

概率指事件随机发生的机率，对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。

分布函数的性质：

非降性

1、F(x)是一个不减函数，对于任意实数：

2、有界性

f为密度函数，F＝intf为分布函数。

f为偶函数

<==> f(x) = f(-x)

<==> int_{- infty}^y f(x) dx = int_{- y}^infty f(x) dx

<==> F(y) = 1 - F(-y)

<==> F过(0, 05)，并且沿着这个点旋转对称。

例：

设X的密度函数f（x）为偶函数，且X2服从参数为λ的指数分布，求f（x）：

解：

∵P（X＾20

∴Fx＾2（y＾2）＝Fx（y）－Fx（－y）

∵f（x）为偶函数

∴Fx（y）＋Fx（－y）＝1

∴Fx＾2（y＾2）＝2Fx（y）－1

Fx（y）＝1／2［1＋（1－e＾（－λy＾2））］＝1－1／2e＾（－λy＾2）

f（y）＝λye＾（－λy＾2）。

扩展资料

分布函数的性质：

对于分布函数来讲，左边端点有没有都无所谓。因为积分的时候，会把左端点带上的（注意，积分区间是闭区间，除非出现∞）。

分布函数求的是一段的积分，根据定积分的定义，间个点的定积分为0的，因此概率密度f（x）在个别点的函数值为什么不影响分布函数F（X）的取值，