标准正态分布函数的性质有哪些
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68.268949%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、95.449974%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。
正态分布的一些主要特征：1、集中性：正态曲线的高峰位于正中央，即均数所在的位置。2、对称性：正态曲线以均数为中心，左右对称，曲线两端永远不与横轴相交。3、均匀变动性：正态曲线由均数所在处开始，分别向左右两侧逐渐均匀下降。4、正态分布有两个参数，即均数μ和标准差σ，可记作N（μ，σ）。
标准正态分布性质是什么?
标准正态分布函数的性质：密度函数关于平均值对称。
函数曲线下68.268949%的面积在平均数左右的一个标准差范围内。函数曲线的反曲点为离平均数一个标准差距离的位置。平均值与它的众数以及中位数同一数值。95.449974%的面积在平均数左右两个标准差的范围内。
基本介绍
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。
正态分布的性质有哪些
正态分布的性质：如果X1，…，Xn为独立标准常态随机变量,那么X1²+…+Xn²服从自由度为n的卡方分布。
正态分布的性质
正态分布相关问题
如X、Y都服从正态分布，Z=X/2+Y/3Z还服从正态分布吗？
只有相互独立的正态分布加减之后，才是正态分布。如果两个相互独立的正态分布X~N(u1,m²)，Y~N(u2，n²)，那么Z=X±Y仍然服从正太分布，Z~N(u1±u2，m²+n²)。
正态分布又名高斯分布，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。若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，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。因其曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是μ=0,σ=1的正态分布。
正态分布函数的性质
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。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.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（n）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。
