fromWikey正态分布的一些性质.docVIP

正态分布的一些性质: 如果 X?N(μ,σ2) 且 a 与 b 是 实数, 那么 (参见 期望值 和 方差). 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. 如果 和 是独立正态随机变量，那么: 它们的积 XY 服从概率密度函数为p的分布 其中K0 是贝塞尔函数(modified Bessel function) 它们的比符合柯西分布，满足. 如果 为独立标准正态随机变量，那么 服从自由度为n的 卡方分布. [编辑] 标准化正态随机变量 [编辑] 矩(英文:moment) 一些正态分布的一阶动差如下： 阶数 原点矩 中心矩 Cumulant 0 1 0 1 μ 0 μ 2 μ2 + σ2 σ2 σ2 3 μ3 + 3μσ2 0 0 4 μ4 + 6μ2σ2 + 3σ4 3σ4 0 累积量为零. [编辑] 生成正态随机变量 [编辑] 中心极限定理 主条目：中心极限定理 正态分布的概率密度函数，参数为μ = 12，σ = 3，趋近于n = 48、p = 1/4的二项分布的概率质量函数。 正态分布有一个非常重要的性质：在特定条件下，大量统计独立的随机变量的和的分布趋于正态分布，这就是中心极限定理。中心极限定理的重要意义在于，根据这一定理的结论，其他概率分布可以用正态分布作为近似。 参数为n和p的二项分布，在n相当大而且p不接近1或者0时近似于正态分布（有的参考书建议仅在np与n(1 ? p)至少为5时才能使用这一近似）。 近似正态分布平均数为 μ = np 且方差为σ2 = np(1 ? p). 一泊松分布带有参数λ 当取样样本数很大时将近似正态分布 λ. 近似正态分布平均数为μ = λ 且方差为σ2 = λ. 这些近似值是否完全充分正确取决于是用者的使用需求 [编辑] 无限可分性 正态分布是无限可分的概率分布. [编辑] 稳定性 正态分布是严格稳定的概率分布. [编辑] 标准偏差 深蓝色区域是距平均值小于一个标准差之内的数值范围。在正态分布中，此范围所占比率为全部数值之 68%。根据正态分布，两个标准差之内（蓝，棕）的比率合起来为 95%。根据正态分布，三个标准差之内（深蓝，橙，黄）的比率合起来为 99% 。 在实际应用上，常考虑一组数据具有近似于正态分布的概率分布。若其假设正确，则约 68% 数值分布在距离平均值有 1 个标准差之内的范围，约 95% 数值分布在距离平均值有 2 个标准差之内的范围，以及约 99.7% 数值分布在距离平均值有 3 个标准差之内的范围。称为 68-95-99.7法则或经验法则. [编辑] 正态测试 [编辑] 相关分布 R?Rayleigh(σ)是瑞利分布，如果 ,这里 X?N(0,σ2) 和Y?N(0,σ2) 是两个独立正态分布。 是卡方分布 具有ν自由度,如果 这里 Xk?N(0,1) 其中 是独立的. Y?Cauchy(μ = 0,θ = 1) 是 柯西分布,如果Y = X1 / X2,其中 X1?N(0,1) 并且 X2?N(0,1) 是两个独立的正态分布。 Y?Log-N(μ,σ2) 是对数正态分布 如果Y = eX 并且 X?N(μ,σ2). 与Lévy skew alpha-stable分布相关: 如果 因而 . 截断正态分布. 如果 ， 在A以下和B以上截取 X 将产生一个平均值 这里， 是一个标准正态随机变量的密度函数 如果X是一个正态分布的随机变量, Y = | X | , 那么Y 具有折叠正态分布.