设随机变量 具有密度函数
其中 为常数，且 ，则称 服从参数为 的拉普拉斯分布。
易见， ,且 ，
（令 ） = .
可见
确定了一个密度函数，
此外
如图1给出了拉普拉斯分布的密度曲线（ ）。[1] 图1 拉普拉斯分布的密度曲线
. (1)
则称X服从参数为 （位置参数）和 （尺度参数）的拉普拉斯（Laplace）分布，记作 .
1.拉普拉斯分布的密度函数如式（1）关于 对称，且在该点达到极大值 ，即是它的众数。 越小曲线越陡， 越大曲线越平坦。它有两个拐点 。
2.设 ，则它的分布函数为 .
3.设 ，则 .
4..设 ，则它的r阶中心矩为 当r为奇数是其值为0，为偶数时其值为 。
5.设 ，则
6.设 ，则它的矩母函数和特征函数为 , .[2]
在近代统计中，稳健性占有重要的地位，例如在古典回归分析中，用偏差平方和的大小作标准，来选择回归系数使它达到极小，这种回归不具有稳健性，然而，如改为用偏差的绝对值和作为标准，却具有稳健性.。于是研究随机变量绝对值的分布是很有意义的. 设 ，可以证明 ，其中 这是一个很有意思的结果。若X与Y独立同分布于 ，则 ，上述两个事实表明，若在回归分析中假定服从拉普拉斯分布，并用绝对偏差和作为标准，可以导出很多良好的性质。
拉普拉斯分布与正态分布有一定的联系。 设 X , Y , Z ,W 独立同分布于N（0，1），则
拉普拉斯分布和柯西分布之间有着非常有趣的联系。C (0,1) 的分布密度和特征函数 分别为
而 的分布密度和持征函数分别是
我们看到，C(0,1)的分布密度与 的特征函数有相同的形式 (仅差一个常数) ，而C (0,1)的特征函数与 的分布密度也有相同的性质(仅差一个常数) 。
设 是总体 的样本，欲通过它们来估计 和 ，将 重排得 ,若n为奇数，用 作为 的估计；若n为偶数，则可用 至 之间的任何一个数来作为 的估计，通常用
而 的估计是：
若 已知，则
若 未知，则