正态分布可加性和可减性
两正态分布相加减公式？
两正态分布相加减公式？
两个正态分布的任意线性组合仍服从正态分布（可通过求两个正态分布的函数的分布证明），此结论可推广到n个正态分布 。
例如：
设两个变量分别为X,Y，那么E（X Y）EX EYE(X-Y)EX-EY
D(X Y)DX DYD(X-Y)DX DY。
一般正态分布与标准正态分布的区别与联系是怎样的？
(1)区别：正态分布的平均数为μ，标准差为σ；不同的正态分布可能有不同的μ值和σ值，正态分布曲线形态因此不同。标准正态分布平均数μ0，标准差σ1，μ和σ都是固定值；标准正态分布曲线形态固定。 (2)联系：正态分布可以通过标准化处理，转化为标准正态分布。具体方法是使用z(X-μ)/σ将原始数据转化为标准分数。
标准正态分布可加性？
正态分布可加性公式是：X Y~N(3，8)。
相互立的正态变量之线性组合服从正态分布。
即X~N(，(q1)^2)，Y~N(，(q2)^)
则ZaX bY~N(a* b*，(a^2)*(q1)^2 (b^2)*(q2)^2)
扩展资料：
集中性：正态曲线的高峰位于正中央，即均数所在的位置。
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。
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。
曲线与横轴间的面积总等于1，相当于概率密度函数的函数从正无穷到负无穷积分的概率为1。即频率的总和为100%。
正态分布公式中有几个参数？
正态分布有两个参数，即均数μ和标准差σ，可记作N（μ，σ）。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。
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
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。
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。）