正态分布的分布函数是什么?
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。
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。
扩展知识：
正态分布概念是由法国数学家棣莫弗（Abraham de Moivre）于1733年首次提出的，后由德国数学家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。
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。
以上内容参考百度百科：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。
绛旓細鏍囧噯姝ｆ佸垎甯冪殑鍒嗗竷鍑芥暟桅锛坸)锛毼︼紙x)=P(X⩽x)=1鈭2蟺鈭玿−鈭瀍−t22dt銆傛鎬佸垎甯冨叿浣撲粙缁嶏細姝ｆ佸垎甯冩鐜囪绠楀叕寮忥細F(x)=桅锛伙紙x-渭锛夛紡蟽锛斤紝姝ｆ佸垎甯冧篃绉扳滃父鎬佸垎甯冣濓紝鍙堝悕楂樻柉鍒嗗竷锛屾鎬佹洸绾垮憟閽熷瀷锛屼袱澶翠綆锛屼腑闂撮珮锛屽乏鍙冲绉板洜鍏舵洸绾垮憟閽熷舰锛屽洜姝や汉浠張缁忓父绉颁箣...
绛旓細姝ｆ佸垎甯冨嚱鏁板叕寮忔槸P(x)=(2蟺)^(-1/2)*蟽^(-1)*exp{[-(x-渭)^2]/(2蟽^2)}銆 鍏朵腑 F(y)涓篩鐨勫垎甯冨嚱鏁帮紝F(x)涓篨鐨勫垎甯冨嚱鏁般傚叾涓间负鍧囨暟锛屜冧负鏍囧噯宸偽煎喅瀹氫簡姝ｆ佸垎甯冪殑浣嶇疆锛屼笌渭瓒婅繎锛岃鍙栧埌鐨勬鐜囧氨瓒婂ぇ锛屽弽涔嬭秺灏忋傁冩弿杩扮殑鏄鎬佸垎甯冪殑绂绘暎绋嬪害锛屜冭秺...
绛旓細姝ｆ佸垎甯冪殑鍒嗗竷鍑芥暟鏄疮绉垎甯冨嚱鏁銆傝缁嗚В閲婂涓嬶細姝ｆ佸垎甯冩槸涓绉嶆鐜囧垎甯冿紝鎻忚堪浜嗚澶氳嚜鐒剁幇璞″拰绀句細鐜拌薄鐨勭粺璁¤寰嬨備笌涔嬬浉鍏崇殑绱Н鍒嗗竷鍑芥暟锛屾弿杩颁簡姝ｆ佸垎甯冮殢鏈哄彉閲忓皬浜庢垨绛変簬鏌愪竴鐗瑰畾鍊肩殑姒傜巼銆傚叿浣撴潵璇达紝瀵逛簬姝ｆ佸垎甯冮殢鏈哄彉閲廥锛屽叾绱Н鍒嗗竷鍑芥暟F琛ㄧず鐨勬槸P锛屽嵆闅忔満鍙橀噺X鍙栧煎皬浜庢垨绛変簬x鐨勬鐜囥傝繖涓...
绛旓細鍒嗗竷鍑芥暟鍏紡锛欶锛坸锛=P锛圶鈮锛銆傚垎甯冨嚱鏁帮紝鏄鐜囩粺璁′腑閲嶈鐨勫嚱鏁帮紝姝ｆ槸閫氳繃瀹冿紝鍙敤鏁板鍒嗘瀽鐨勬柟娉曟潵鐮旂┒闅忔満鍙橀噺銆傚嚱鏁帮紙function锛夌殑瀹氫箟閫氬父鍒嗕负浼犵粺瀹氫箟鍜岃繎浠ｅ畾涔夛紝鍑芥暟鐨勪袱涓畾涔夋湰璐ㄦ槸鐩稿悓鐨勶紝鍙槸鍙欒堪姒傚康鐨勫嚭鍙戠偣涓嶅悓锛屼紶缁熷畾涔夋槸浠庤繍鍔ㄥ彉瑁傜ゥ鍖栫殑瑙傜偣鍑哄彂锛岃岃繎浠ｅ畾涔夋槸浠庨泦鍚堛佹槧灏勭殑瑙傜偣...
绛旓細鏍囧噯姝ｆ佸垎甯冨嚱鏁帮紝涔熺О涓烘爣鍑嗘鎬佸垎甯绱Н鍒嗗竷鍑芥暟锛圕umulative Distribution Function锛孋DF锛夛紝鏄寚婊¤冻鍧囧间负0銆佹爣鍑嗗樊涓1鐨勬鎬佸垎甯銆傚畠鏄竴涓叧浜庨殢鏈哄彉閲忕殑鍑芥暟锛岃〃绀洪殢鏈哄彉閲廥鏈嶄粠鏍囧噯姝ｆ佸垎甯冪殑绱Н姒傜巼銆傛爣鍑嗘鎬佸垎甯冨嚱鏁伴氬父鐢ㄧ鍙肺(x)琛ㄧず锛屽叾瀹氫箟涓猴細桅(x) = 鈭(-鈭, x) (1/鈭(2蟺)...
绛旓細姝ｆ佸垎甯冪殑鍒嗗竷鍑芥暟鍏紡涓猴細銆傚叾涓紝涓哄潎鍊硷紝涓烘爣鍑嗗樊銆傛鎬佸垎甯冨張鍚嶉珮鏂垎甯冿紝姝ｆ佹洸绾垮憟閽熷瀷锛屼袱澶翠綆锛屼腑闂撮珮锛屽乏鍙冲绉般偽煎喅瀹氫簡姝ｆ佸垎甯冪殑浣嶇疆锛屼笌渭瓒婅繎锛岃鍙栧埌鐨勬鐜囧氨瓒婂ぇ锛屽弽涔嬭秺灏忋傁冩弿杩扮殑鏄鎬佸垎甯冪殑绂绘暎绋嬪害銆傁冭秺澶э紝鏁版嵁鍒嗗竷瓒婂垎鏁ｏ紝鏇茬嚎瓒婃墎骞筹紱...
绛旓細鏍囧噯姝ｆ佸垎甯冩槸鎸囧叿鏈夊潎鍊间负0銆佹爣鍑嗗樊涓1鐨勬鎬佸垎甯冦傚叾姒傜巼瀵嗗害鍑芥暟涓猴細f(x) = (1/鈭(2蟺)) * e^(-x^2/2)鍏朵腑锛寈琛ㄧず闅忔満鍙橀噺鐨勫彇鍊硷紝e鏄嚜鐒跺鏁扮殑搴曪紝蟺鏄渾鍛ㄧ巼銆傛爣鍑嗘鎬佸垎甯冪殑姒傜巼瀵嗗害鍑芥暟鏇茬嚎鍛堥挓褰紝涓斿绉颁簬鍧囧间负0鐨勭洿绾裤傛爣鍑姝ｆ佸垎甯冪殑鍒嗗竷鍑芥暟桅(x)瀹氫箟濡備笅锛毼(x) = ...
绛旓細姝ｆ佸垎甯鍑芥暟锛屽叾鏍稿績鍏紡鍙互琛ㄧず涓猴細P(x) = (2蟺)^(-1/2) * 蟽^(-1) * e^[-(x-渭)^2/(2蟽^2)]锛岃繖閲孎(y)鍜孎(x)鍒嗗埆浠ｈ〃Y鍜孹鐨勫垎甯冨嚱鏁锛屛兼槸鍧囧硷紝浠ｈ〃鍒嗗竷涓績锛岀鏁ｇ▼搴︾敱蟽锛屽嵆鏍囧噯宸喅瀹氥傁冭秺澶э紝鏁版嵁鍒嗘暎绋嬪害瓒婇珮锛屾洸绾胯秺鎵佸钩锛涘弽涔嬶紝蟽灏忓垯鏁版嵁闆嗕腑锛屾洸绾挎洿闄″抄銆傝繖...
绛旓細姝ｆ佸垎甯冿紙涔熺О涓洪珮鏂垎甯冿級鐨勬鐜囧瘑搴鍑芥暟锛坧robability density function锛孭DF锛夊涓嬫墍绀猴細f(x) = (1 / (蟽 * 鈭(2蟺))) * e^(-(x - 渭)^2 / (2蟽^2))鍦ㄨ繖涓叕寮忎腑锛- x 鏄殢鏈哄彉閲忕殑鍙栧硷紱- 渭 鏄姝ｆ佸垎甯冪殑鍧囧硷紙鏈熸湜鍊硷級锛屽喅瀹氫簡鍒嗗竷鐨勪腑蹇冧綅缃紱- 蟽 鏄鎬佸垎甯冪殑鏍囧噯宸...
绛旓細X,Y~N(渭1,u2,蟽1,蟽2,蟻)锛屼簲涓弬鏁颁緷娆¤〃绀篨鐨勬湡鏈涳紝Y鐨勬湡鏈涳紝X鐨勫潎鏂瑰樊锛孻鐨勫潎鏂瑰樊锛孹鍜孻鐨勭浉鍏崇郴鏁般備簩缁姝ｆ佸垎甯冩槸涓涓湪鏁板銆佺墿鐞嗗強宸ョ▼绛夐鍩熼兘闈炲父閲嶈鐨勬鐜囧垎甯冿紝鐢变簬杩欎釜鍒嗗竷鍑芥暟鍏锋湁寰堝闈炲父婕備寒鐨勬ц川锛屼娇寰楀叾鍦ㄨ澶氭秹鍙婄粺璁＄瀛︾鏁ｇ瀛︾瓑棰嗗煙鐨勮澶氭柟闈㈤兘鏈夌潃閲嶅ぇ鐨勫奖鍝嶅姏銆
