第二章 随机变量及其分布

2.1 一维随机变量分布函数公式 重要程度：四星

分布函数的定义和性质随机变量的定义

样本空间$\Omega$上的实值单值函数$X=X(\omega ),\omega \in \Omega$, 通常用$X,Y,Z$表示。

累积分布函数（英语：cumulative distribution function，CDF）或概率分布函数，简称分布函数，是概率密度函数的积分，能完整描述一个实随机变量 $X$ 的概率分布。

分布函数的定义

F ( x ) = P { X ≤ x } , x ∈ ( − ∞ , + ∞ ) \color{red}F (x) = P \left \{ X \leq x \right \} , x\in (-\infty, +\infty) F(x)=P{X≤x},x∈(−∞,+∞)

分布函数的性质

1. 非负性: $0\le F(x)\le 1.$
2. 规范性: $F(-\infty )={\lim }_{x\to -\infty }F(x)=0$, $F(+\infty )={\lim }_{x\to +\infty }F(x)=1.$
3. 单调不减性: 对于任意$x_1<x_2$, 有$F(x_1)\le F(x_2)$.
4. 右连续性: 对于任意实数$x_0$, 有$F(x_0)={\lim }_{x\to x_0^{+}}F(x)=F(x_0+0)$

例题
设$F(x)$与$G(x)$都是分布函数，则下列各个函数中可以作为随机变量的分布函数的是( )

A. $F(x)G(x)$

B. $2F(x)-G(x)$

C. $0.3F(x)+0.7G(x)$

D. $1-F(-x)$

解析

• 选项A，规范性不满足，$F(+\infty )+G(+\infty )={\lim }_{x\to +\infty }F(x)+{\lim }_{x\to +\infty }G(x)=1+1=2;$
• 选项B，单调不减性不满足；
• 选项D，右连续性不满足；
• 故选C.

利用分布函数求概率

已知随机变量X的分布函数为$F(x)$, 则有:
1. P { X ≤ a } = F ( a ) P\{X \leq a\} = F(a) P{X≤a}=F(a);
2. P { X > a } = 1 − P { X ≤ a } = 1 − F ( a ) P\{X > a\} = 1 - P\{X \leq a\} = 1 - F(a) P{X>a}=1−P{X≤a}=1−F(a);
3. P { X < a } = F ( a − 0 ) = lim ⁡ x → a − F ( x ) \color{red}P\{X < a\} = F(a-0) = \lim_{x \to a^-}F(x) P{X<a}=F(a−0)=limx→a−​F(x) 左极限;
4. P { X = a } = P { X ≤ a } − P { X < a } = F ( a ) − F ( a − 0 ) P\{X = a\} = P\{X \leq a\} - P\{X < a\} = F(a) - F(a-0) P{X=a}=P{X≤a}−P{X<a}=F(a)−F(a−0).

例题
设随机变量X的分布函数为
$$F(x)=\{\begin{array}{ll}0,& x\le 0,\\ A-e^{-2x},& 0<x<2,\\ 1,& 2\le x,\end{array}$$
求参数A，并求概率 P { X = 2 } P\{X = 2\} P{X=2}。

解析
$F(x)$ 是X的分布函数，则在任何一点均右连续，即
$$\underset{x\to 0^{+}}{\lim }F(x)=F(0),$$
即 ${\lim }_{x\to 0^{+}}(A-e^{-2x})=F(0)=0$, 所以 $A=1$。

则有 P { X = 2 } = P { X ≤ 2 } − P { X < 2 } = F ( 2 ) − lim ⁡ x → 2 − F ( x ) = 1 − ( 1 − e − 2 × 2 ) = e − 4 P\{X = 2\} = P\{X \leq 2\} - P\{X < 2\} = F(2) - \lim_{x \to 2^-} F(x) = 1 - (1 - e^{-2 \times 2}) = e^{-4} P{X=2}=P{X≤2}−P{X<2}=F(2)−limx→2−​F(x)=1−(1−e−2×2)=e−4.

2.2 离散型随机变量的概率分布公式 重要程度：四星

离散型随机变量的概率分布函数

X x 1 x 2 … x n … p i p 1 p 2 … p n … 则 X 的分布函数为 F ( x ) = P { X ≤ x } = ∑ x i ≤ x P { X = x i } = ∑ x i ≤ x p i \begin{gathered} \begin{array}{c|cccccc}X&x_1&x_2&\ldots&x_n&\ldots\\\hline p_i&p_1&p_2&\ldots&p_n&\ldots\end{array} \\ \text{则 X 的分布函数为} \\ F(x)=P\{X\leq x\}=\sum_{x_i\leq x}P\{X=x_i\}=\sum_{x_i\leq x}p_i \end{gathered} Xpi​​x1​p1​​x2​p2​​……​xn​pn​​……​​则 X 的分布函数为F(x)=P{X≤x}=xi​≤x∑​P{X=xi​}=xi​≤x∑​pi​​

$\begin{array}{rl}& \text{即,当}x<x_1\text{时,}F(x)=0,\\ & \text{当 }{x}_1\le x<x_2\text{ 时},F(x)=p_1,\\ & \text{当 }{x}_2\le x<x_3\text{ 时,}F(x)=p_1+p_2,\\ & \text{当}{x}_{n-1}\le x<x_n\text{时,}F(x)=p_1+p_2+\cdots +p_{n-1},\cdots \end{array}$

定义：如果一个随机变量仅可能取得有限个或可数无穷多个数值，并且所有的数可按一定的顺序排列，则称该随机变量为离散型随机变量．
离散型随机变量X的概率分布，即随机变量X的所有可能取值以及取得该值的概率。性质如下：
1. $p_k\ge 0$ ($k=1,2,\cdots$) (概率分布的非负性);
2. ${\sum }_{k=1}^{\infty }{p}_k=1$ (概率分布的规范性)。

例题
设随机变量X的概率分布为 P { X = k } = a λ k k ! P\{X= k\} = a\frac{\lambda^k}{k!} P{X=k}=ak!λk​, 其中 $k=0,1,2,\cdots$, $\lambda >0$ 为常数，求常数a.

【解析】
$$1=\sum _{k=0}^{\infty }P(X=k)=a\sum _{k=0}^{\infty }\frac{{\lambda }^k}{k!}=a{e}^{\lambda },$$
解得 $a=e^{-\lambda }$.

常见离散型随机变量的分布

0-1分布

$X$	0	1
$P$	$1-p$	$p$

其中 $0<p<1$.

0-1 分布 可看为特殊的二项分布，只进行一次实验或不考虑次数，即 $n=1$; 所以 期望为 $p$ , 方差为$1-p$;

二项分布

$X\sim B(n,p)$ 设事件A在任意一次试验中出现的概率都是p $(0<p<1)$. $\mathbb{X}$ 表示n重伯努利试验中事件A发生的次数，则X的所有可能取值为 $0,1,2,\cdots ,n$，且相应的概率为
P { X = k } = C n k p k ( 1 − p ) n − k , k = 0 , 1 , ⋯   , n . P\{X = k\} = C_n^k p^k (1-p)^{n-k}, \quad k = 0, 1, \cdots, n. P{X=k}=Cnk​pk(1−p)n−k,k=0,1,⋯,n.

二项分布的图形特点

二项分布的图形特点：
对于固定 $n$ 及 $p$, 当 $k$ 增加时，概率 P { X = k } P\{X=k\} P{X=k} 先是随之增加直至达到最大，随后单调减少。

例题

一张考卷上有5道选择题，每道题列出4个可能答案，其中只有一个答案是正确的。某学生靠猜测至少能答对4道题的概率是多少？

解析

每答一道题相当于做一次伯努利试验，
设$X$:该学生靠猜测能答对的题数

P { P\{ P{至少能答对4道题 } = P { X ≥ 4 } \} = P\{ X\geq 4\} }=P{X≥4} = P { X = 4 } + P { X = 5 } = C 5 4 ( 1 4 ) 4 ⋅ 3 4 + ( 1 4 ) 5 = 1 64 =P\{X=4\}+P\{X=5\}=C_5^4\left(\frac14\right)^4\cdot\frac34+\left(\frac14\right)^5=\frac1{64} =P{X=4}+P{X=5}=C54​(41​)4⋅43​+(41​)5=641​

几何分布

$\mathrm{X}\sim \mathrm{G}(p)$ 若X的概率分布为 P { X = k } = ( 1 − p ) k − 1 p P\{X=k\} = (1-p)^{k-1}p P{X=k}=(1−p)k−1p, $(0<p<1)$, $k=1,2,\cdots$, 则称X服从参数为p的几何分布，记为 $X\sim G(p)$.

几何分布（Geometric Distribution）是离散概率分布的一种，主要用于描述在一系列伯努利试验（Bernoulli trials）中，获取首次成功所需要的试验次数。伯努利试验是指那些只有两种可能结果（通常为“成功”和“失败”）的随机试验。

几何分布的概率质量函数（Probability Mass Function, PMF）

对于几何分布，其概率质量函数（PMF）定义为：

$$P(X=k)=(1-p{)}^{k-1}\cdot p$$

其中：

• $P(X=k)$ 是第 $k$ 次试验首次获得成功的概率。
• $p$ 是每次试验中成功的概率。
• $k$ 是试验的次数，$k=1,2,3,\dots$

几何分布的期望和方差

几何分布的期望（Expected Value）和方差（Variance）如下：

• 期望（Expected Value）：
  $$E(X)=\frac{1}{p}$$

• 方差（Variance）：
  $$Var(X)=\frac{1-p}{p^2}$$

几何分布的图像

图像如下：黄色曲线为PDF, 橙色为CDF。p = 0.6

几何分布的图像展示了试验次数与首次成功概率之间的关系。以下是几何分布图像的一些关键特征：

1. 单调递减（Monotonically Decreasing）：

   • 图像随着试验次数增加而递减。
   • 每次成功概率 $p$ 保持不变，但连续失败的概率随试验次数增加。

2. 离散分布（Discrete Distribution）：

   • 由于几何分布是离散概率分布，图像由一系列分离的点表示，每个点对应一个特定的试验次数。

3. 依赖于成功概率 $p$：

   • 成功概率 $p$ 越高，图像的递减速度越快。
   • 当 $p$ 较低时，图像在较高的试验次数下依然有相对较大的概率值。

4. 无负值（No Negative Values）：

   • 几何分布的概率值始终是非负的。

泊松分布

X $\sim P(\lambda )$ 设随机变量X的概率分布为 P { X = k } = λ k e − λ k ! P\{X=k\} = \frac{\lambda^k e^{-\lambda}}{k!} P{X=k}=k!λke−λ​ $(\lambda >0)$, $k=0,1,2,\cdots$, 则称X服从参数为 $\lambda$ 的泊松分布，记为 $X\sim P(\lambda )$

在一定条件下，泊松分布可以看作为二项分布的极限形式，泊松分布适用于事件发生次数的计数，特别是在观测时间或区域较大，事件发生的概率较小的情况。

定义

随机变量X所有可能取值为 $0,1,2,\dots$, 取各个值的概率
P { X = k } = λ k e − λ k ! P\{X=k\} = \frac{\lambda^k e^{-\lambda}}{k!} P{X=k}=k!λke−λ​ $(\lambda >0)$, $k=0,1,2,\cdots$, 其中$\lambda >0$ 是常数,则称X服从参数为入的泊松分布，记为 $X\sim P(\lambda )$.

性质

( 1 ) P { X = k } ≥ 0. (1)P\{X=k\}\geq0. (1)P{X=k}≥0.

( 2 ) ∑ k = 0 ∞ P { X = k } = ∑ k = 0 ∞ λ k e − λ k ! = e − λ ∑ k = 0 ∞ λ k k ! = e − λ e λ = 1 (2)\sum_{k=0}^{\infty}P\{X=k\}=\sum_{k=0}^{\infty}\frac{\lambda^ke^{-\lambda}}{k!}=e^{-\lambda}\sum_{k=0}^{\infty}\frac{\lambda^k}{k!}=e^{-\lambda}e^{\lambda}=1 (2)k=0∑∞​P{X=k}=k=0∑∞​k!λke−λ​=e−λk=0∑∞​k!λk​=e−λeλ=1

泊松定理：设 $\lambda >0$ 是一个常数，n是任意正整数，设 $65ytttttttttttttttttt"""""""""""""""""""""""""""""""""""""""""""""""""""""n{p}_n=\lambda$，则对于任一固定的非负整数k，有
$$\underset{n\to \infty }{\lim }{C}_n^k{p}_n^k(1-p_n{)}^{n-k}=\frac{{\lambda }^k}{k!}{e}^{-\lambda }.$$

当试验次数 n 非常大，而每次试验成功的概率 p 非常小，且 np 保持为一个固定的值 λ 时，二项分布可以近似为泊松分布。在这种情况下，λ=np，二项分布的概率质量函数可以近似为泊松分布的概率质量函数。

例题

保险公司为了估计企业的利润，需要计算投保尺程二年内死亡若干人的概率。设某保险公司的某人寿保险险种有1000人投保，每个人一年内死亡的概率为0.005, 试求在未来一年中在这些投保人中死亡人数不超过10人的概率.

解析

解 对每个人而言，在未来一年是否死亡相当于做一
次伯努利试验，1000人就是做1000重伯努利试验， 因此 X~B(1000,0.005), 由泊松定理

$X\dot{\sim }P(5)$ P { X ≤ 10 } ≈ ∑ k = 0 10 e − 5 5 k k ! = 0.9862 P\{X\leq10\}\approx\sum_{k=0}^{10}\frac{e^{-5}5^k}{k!}=0.9862 P{X≤10}≈∑k=010​k!e−55k​=0.9862

超几何分布 H(N, M, n)

设随机变量X的概率分布为 P { X = k } = C M k C N − M n − k C N n P\{X = k\} = \frac{C_M^k C_{N-M}^{n-k}}{C_N^n} P{X=k}=CNn​CMk​CN−Mn−k​​, $k=0,1,2,\cdots ,\min (M,n)$, 其中 M, N, n 都是正整数，则称X服从参数为 N, M, n 的超几何分布，记为 $X\sim H(N,M,n)$.

2.3 连续性随机变量的概率密度公式 重要程度：五星

概率密度的定义和性质

概率密度的定义：

设随机变量X分布函数为$F(x)$, 存在非负可积函数$f(x)\ge 0$ ($-\infty <x<+\infty$), 使得对于任意实数 $x$ 有
F ( x ) = P { X ≤ x } = ∫ − ∞ x f ( t )   d t , \color{red}F(x) = P\{X \leq x\} = \int_{-\infty}^{x} f(t) \, dt, F(x)=P{X≤x}=∫−∞x​f(t)dt,
则称X为连续型随机变量，函数$f(x)$称为X的概率密度函数(简称概率密度)。

概率密度的性质：

1. 非负性: $f(x)\ge 0.$
2. 规范性: ${\int }_{-\infty }^{+\infty }f(x)dx=1.$

分布函数与概率密度的关系

分布函数: F ( x ) = P { X ≤ x } = ∫ − ∞ x f ( t )   d t . F(x) = P\{X \leq x\} = \int_{-\infty}^{x} f(t) \, dt. F(x)=P{X≤x}=∫−∞x​f(t)dt.

几何意义

1. 连续型随机变量X的分布函数$F(x)$是连续函数，因此对于任何实数a，有 P { X = a } = 0. P\{X = a\} = 0. P{X=a}=0.
2. 对于任意实数a和b ($a<b$), 有 P { a < X ≤ b } = ∫ a b f ( x )   d x . P\{a < X \leq b\} = \int_{a}^{b} f(x) \, dx. P{a<X≤b}=∫ab​f(x)dx.
3. 在$f(x)$的连续点处，有$F^{\prime }(x)=f(x).$

例题

设随机变量X的概率密度为
$$f(x)=c{e}^{-x^2},-\infty <x<+\infty ,$$
求常数c.

【解析】

由规范性条件，
$$1={\int }_{-\infty }^{+\infty }f(x)dx={\int }_{-\infty }^{+\infty }c{e}^{-x^2}dx=c\sqrt{\pi },$$
得 $c=\frac{1}{\sqrt{\pi }}.$

有关事件的概率

1. 若 $f(x)$为连续型随机变量 $x$的密度函数，则对任意
   两个实数$a$、$b(a<b)$,有
   P { a < X ≤ b } = P { X ≤ b } − P { X ≤ a } = F ( b ) − F ( a ) = ∫ − ∞ b f ( x ) d x − ∫ − ∞ a f ( x ) d x = ∫ a b f ( x ) d x P\{a<X\leq b\}=P\{X\leq b\}-P\{X\leq a\}=F(b)-F(a)\\ =\int_{-\infty}^bf(x)dx-\int_{-\infty}^af(x)dx=\int_a^bf(x)dx P{a<X≤b}=P{X≤b}−P{X≤a}=F(b)−F(a)=∫−∞b​f(x)dx−∫−∞a​f(x)dx=∫ab​f(x)dx

2. 连续型随机变量 $X$取某一点值的概率为零 , 即
   P { X = a } = 0 , a ∈ R P\{X=a\}=0,a\in R P{X=a}=0,a∈R

事实上
P { X = a } = P { X ≤ a } − lim ⁡ x → a − P { X ≤ x } = F ( a ) − lim ⁡ x → a − F ( x ) = 0 \begin{aligned} P\{X=a\}& =P\{X\leq a\}-\lim_{x\to a^-}P\{X\leq x\} \\ &=F(a)-\lim_{x\to a^-}F(x)=0 \end{aligned} P{X=a}​=P{X≤a}−x→a−lim​P{X≤x}=F(a)−x→a−lim​F(x)=0​

3. P { X < x } = P { X ≤ x } = F ( x ) P\{X<x\}=P\{X\leq x\}=F(x) P{X<x}=P{X≤x}=F(x)
4. P { X > x } = P { X ≥ x } = 1 − F ( x ) = 1 − ∫ − ∞ x f ( t ) d t = ∫ x + ∞ f ( t ) d t P\{X>x\}=P\{X\geq x\}=1-F(x) \\ =1-\int_{-\infty}^{x}f(t)dt=\int_{x}^{+\infty}f(t)dt P{X>x}=P{X≥x}=1−F(x)=1−∫−∞x​f(t)dt=∫x+∞​f(t)dt
5. P { a < X ≤ b } = P { a < X < b } = P { a ≤ X ≤ b } = P { a ≤ X < b } = ∫ a b f ( x ) d x P\{a<X\leq b\}{=}P\{a<X<b\}{=}P\{a\leq X\leq b\} \\ =P\{a\leq X<b\}=\int_a^bf(x)dx P{a<X≤b}=P{a<X<b}=P{a≤X≤b}=P{a≤X<b}=∫ab​f(x)dx
6. $\text{对任意}x\in \mathbb{R},\text{有}$ P { x − Δ x < X ≤ x } = ∫ x − Δ x x f ( t ) d t = f ( ξ ) Δ x ( x − Δ x ≤ ξ ≤ x ) P\{x-\Delta x<X\leq x\}=\int_{x-\Delta x}^xf(t)dt=f(\xi)\Delta x\left(x-\Delta x\leq\xi\leq x\right) P{x−Δx<X≤x}=∫x−Δxx​f(t)dt=f(ξ)Δx(x−Δx≤ξ≤x) 积分中值定理

常见连续型随机变量的分布

均匀分布

$$X\sim U(a,b),f(x)=\{\begin{array}{cc}\frac{1}{b-a},& a<x<b,\\ 0,& \text{其他}\end{array}$$

$\begin{array}{rl}& \text{均匀分布的分布函数为}\\ & F(x)=\{\begin{array}{ll}\begin{array}{rl}0& x<a\\ \frac{x-a}{b-a}& a\le x\le b\\ 1& x>b\end{array}& \end{array}\end{array}$

均匀分布的图像

图像如下：黄色曲线为PDF, 橙色为CDF。 a=-5, b=5

例题

例2 某公共汽车站从上午7时起，每15分钟来一班车，即7：0$0,7:15,7:30,7:45$ 等时刻有汽车到达此站,如果乘客到达此站时间 $X$ 是7:00到7:30之间的均匀随机变量,试求他候车时间少于5分钟的概率。

【解析】

$\begin{array}{c}\text{以7:00为起点 0, 以分为单位,依题意}\\ X\sim U(0,30),\\ f(x)=\{\begin{array}{ll}\frac{1}{30},& 0<x<30\\ 0,& \text{其它}\end{array}\end{array}$
为使候车时间少于 5 分钟，乘客必须在 7:10 到7:15 之间，或在 7:25 到 7:30 之间到达车站，故所

P { 10 < X < 15 } + P { 25 < X < 30 } P\{10<X<15\}+P\{25<X<30\} P{10<X<15}+P{25<X<30}

$$={\int }_{10}^{15}\frac{1}{30}dx+{\int }_{25}^{30}\frac{1}{30}dx=\frac{1}{3}$$
即乘客候车时间少于5分钟的概率是 1/3.

指数分布

$$X\sim E(\lambda ),f(x)=\{\begin{array}{cc}\lambda e^{-\lambda x},& x>0,\\ 0,& x\le 0.\end{array}$$
易求得X的分布函数

$F(x)={\int }_{-\infty }^{x}f(t)dt=\{\begin{array}{llc}1-e^{-\lambda x}& x>0& \\ 0& x\le 0& \end{array}$

设 a > 0 , X ∼ E ( λ ) P { X > α } = 1 − F ( a ) = e − λ a \color{red}{\text{设}a>0,X\sim E(\lambda)}\quad P\{X>\alpha\}=1-F(a)=e^{-\lambda a} 设a>0,X∼E(λ)P{X>α}=1−F(a)=e−λa

指数分布的图像

图像如下：黄色曲线为PDF, 橙色为CDF。$\lambda =3$

例题

某保险公司想开展一种新的寿险业务，被保险人需一次性缴纳保费1000元，若被保险人在10年内死亡，保险公司将赔负5000元，假设人的寿命服从参数为1/65的指数分布.试帮保险公司做出决策

【解析】

假设某人的寿命为$X$ 则 $X\sim E(\lambda ),\lambda =1/65$ 假设某人投保时年龄为S岁
则此人再活10年以上的概率为

P { X > s + 10 ∣ X > s } = P { X > s + 10 ⋂ X > s } P { X > s } P\{X>s+10\mid X>s\}=\frac{P\{X>s+10\bigcap X>s\}}{P\{X>s\}} P{X>s+10∣X>s}=P{X>s}P{X>s+10⋂X>s}​
= P { X > s + 10 } P { X > s } = e − λ ( s + 10 ) e − λ s = e − 10 λ = 0.8574 =\frac{P\{X>s+10\}}{P\{X>s\}}=\frac{e^{-\lambda(s+10)}}{e^{-\lambda s}}=e^{-10\lambda}=0.8574 =P{X>s}P{X>s+10}​=e−λse−λ(s+10)​=e−10λ=0.8574
因此，被保险人在10年内死亡的概率为 1 − P { X > s + 10 ∣ X > s } = 1 − 0.8574 = 0.1426 1-P\{X>s+10\mid X>s\}=1-0.8574=0.1426 1−P{X>s+10∣X>s}=1−0.8574=0.1426

所以保险公司对该被保险人的预期收益为$1000-0.1426÷5000=287$(元）

结论：保险公司可以开展这种保险业务。

一般化
P { X > s + 10 ∣ X > s } = e − 10 λ = P { X > 10 } P\{X>s+10\mid X>s\}=e^{-10\lambda}=P\{X>10\} P{X>s+10∣X>s}=e−10λ=P{X>10} P { X > s + t ∣ X > s } = e − t λ = P { X > t } P\{X>s+t\mid X>s\}=e^{-t\lambda}=P\{X>t\} P{X>s+t∣X>s}=e−tλ=P{X>t}
在已活s年的基础上，再活$t$年的概率等于寿命大于$t$年的概率。

正态分布

正态分布的公式

$$X\sim N(\mu ,{\sigma }^2),f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},(-\infty <x<+\infty ).$$
特别地，$X\sim N(0,1),\phi (x)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}$.

正态分布随机变量的线性组合仍然是一个正态分布随机变量。

正态分布的图像

图像如下：黄色曲线为PDF, 橙色为CDF。$\mu =2$,$\sigma =1.5$

正态分布的特性

1. 钟形曲线：正态分布的图像是一个对称的钟形曲线，称为高斯曲线。

2. 对称性：曲线关于平均值（或期望值）$\mu$ 对称。这意味着分布的左半部分是分布右半部分的镜像。

3. 单峰性：曲线在平均值处达到最高点，即平均值同时也是分布的众数和中位数。

4. 均值和标准差：正态分布由两个参数完全确定：均值 $\mu$ 和标准差 $\sigma$。均值决定了分布的中心位置，标准差决定了分布的宽度。标准差越大，曲线越宽且不那么高；标准差越小，曲线越窄且更高。

5. 分布的面积：正态分布曲线下的总面积等于1，这代表了所有可能结果的概率之和。

6. 经验法则：

   • 约68%的数据落在均值的一个标准差范围内（$\mu$ - $\sigma$) 到 ($\mu$ +$\sigma$)）。
   • 约95%的数据落在均值的两个标准差范围内（$\mu$ - 2$\sigma$) 到 ($\mu$+ 2$\sigma$）。
   • 约99.7%的数据落在均值的三个标准差范围内（$\mu$ - 3$\sigma$) 到 ($\mu$ + 3$\sigma$）。

7. 尾部性质：正态分布的尾部无限延伸且永远不会触及水平轴，但是随着远离均值，曲线越来越靠近水平轴，表示极端值出现的概率非常小。

【例1】
设随机变量 $\xi$ 在区间 (1,6) 上服从均匀分布，则方程 $x^2+\xi x+1=0$ 有实根的概率是？
【解析】
设事件 A = { 方程有实根 } \mathcal{A} = \{\text{方程有实根}\} A={方程有实根}, 则
P ( A ) = P { ξ 2 ≥ 4 } = P { ξ ≥ 2 } + 6 − 2 6 − 1 = 0.8. P(\mathcal{A}) = P\{\xi^2 \geq 4\} = P\{\xi \geq 2\} + \frac{6-2}{6-1} = 0.8. P(A)=P{ξ2≥4}=P{ξ≥2}+6−16−2​=0.8.

【例2】
设随机变量 $\mathcal{Y}$ 服从参数为1的指数分布，a为常数且大于零，求 P { Y ≤ a + 1 ∣ Y > a } P\{Y \leq a+1 | Y > a\} P{Y≤a+1∣Y>a}.
【解析】
P { Y ≤ a + 1 ∣ Y > a } = P { Y > a , Y ≤ a + 1 } P { Y > a } = ∫ a a + 1 f ( y ) d y ∫ a + ∞ f ( y ) d y = 1 − 1 e . P\{Y \leq a + 1 | Y > a\} = \frac{P\{Y > a, Y \leq a + 1\}}{P\{Y > a\}} = \frac{\int_{a}^{a+1} f(y)dy}{\int_{a}^{+\infty} f(y)dy} = 1 - \frac{1}{e}. P{Y≤a+1∣Y>a}=P{Y>a}P{Y>a,Y≤a+1}​=∫a+∞​f(y)dy∫aa+1​f(y)dy​=1−e1​.

【例3】
设随机变量X的概率密度 $f(x)=A{e}^{-x^2+x}(-\infty <x<\infty )$, 求A.
【解析】
由于
$f(x)=A{e}^{-x^2+x}=A{e}^{-(x^2-x+\frac{1}{4})+\frac{1}{4}}=A{e}^{\frac{1}{4}}\cdot e^{-\frac{(x-\frac{1}{2}{)}^2}{2\cdot \frac{1}{2}}}.$

对比正态分布的概率密度 $f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$, 可以得到 $\mu =\frac{1}{2},{\sigma }^2=\frac{1}{2}$, 且
$$A{e}^{\frac{1}{4}}=\frac{1}{\sqrt{2\pi }\sigma }=\frac{1}{\sqrt{2\pi }\sqrt{\frac{1}{2}}}=\frac{1}{\sqrt{\pi }},$$
所以 $A=\frac{e^{-\frac{1}{4}}}{\sqrt{\pi }}.$