Distribution
一、分布函数基础
1. 基本定义
Cumulative Distribution Function 分布函数
对于随机变量 ，其分布函数 定义为：
它表示随机变量 取值不大于 的概率。分布函数完整地描述随机变量的统计规律性，包含了随机变量的全部概率信息。
如果随机变量 服从分布函数 ，记为 。
通过分布函数，我们可以计算随机变量在任意区间内的概率：
P \left\{x_{1}<X\leq x_{2} \right\}&=P \left\{X \leq x_{2} \right\}-\left\{X \leq x_{1} \right\} \\ &=F(x_{2})-F(x_{1}) \end{align}$$ #### 2. 基本性质 分布函数 $F(x)$ 具有以下三个基本性质： 1. **单调不减性 (Monotonicity)**: * $F(x)$ 是一个单调不减的函数。即对于任意 $x_1 < x_2$，都有 $F(x_1) \leq F(x_2)$。 * **直观理解**: 随着 $x$ 的增大，随机变量取值小于等于 $x$ 的概率不会减少。 2. **有界性 (Boundedness)**: * $0 \leq F(x) \leq 1$。 * $F(-\infty) = \lim_{x \to -\infty} F(x) = 0$。 * $F(+\infty) = \lim_{x \to +\infty} F(x) = 1$。 * **直观理解**: 概率值介于0和1之间；随机变量取值小于负无穷的概率为0，小于正无穷的概率为1。 3. **右连续性 (Right-Continuity)**: * $F(x)$ 是右连续的，即 $F(x_0^+) = \lim_{x \to x_0^+} F(x) = F(x_0)$。 * **直观理解**: 这保证了 $P\{X \leq x\}$ 的定义在 $x$ 处是包含 $x$ 本身的。 > [!important] **充要条件** > > 任何满足上述三条性质的函数，都必然是某个随机变量的分布函数。 ### 二、常用分布 #### 1. 离散分布 > [[概率分布律\|概率质量函数]] 的累加 [[二项分布\|二项分布]]：描述 n 次独立伯努利试验中成功次数的概率分布 [[超几何分布\|超几何分布]]：描述不放回抽样中成功次数的概率分布 [[几何分布\|几何分布]]：描述首次成功所需的伯努利试验次数的概率分布 [[泊松分布\|泊松分布]]：描述单位时间或空间内稀有事件发生次数的概率分布 #### 2. 连续分布 > [[概率密度函数\|概率密度函数]]的积分 [[正态分布\|正态分布]]：对称的钟形分布，广泛用于自然和社会现象的建模 [[均匀分布\|均匀分布]]：所有可能结果在区间内概率均等的分布 [[指数分布\|指数分布]]：描述泊松过程中事件间隔时间的分布 [[伽马分布\|伽马分布]]：描述多个独立指数事件发生所需时间的分布 [[抽样分布\|抽样分布]]：统计量的概率分布，用于推断总体参数 >[!important] 注意 > >1. 记特殊分布时，一般记忆的是特殊分布的 **分布律**/**密度函数**；求分布函数时，对其**累加/积分** 即可得到对应的分布函数 >2. 千万要注意**密度函数**的**分段表达**：求分布函数时，注意对应的积分上下限 #### 3. 随机变量**函数的**分布函数 见：[[随机变量函数的分布\|随机变量函数的分布]] ### 三、扩展知识 [世界是对数的吗?](https://www.bilibili.com/video/BV15kj4z4Eju/) 轻尾分布：有界、聚集，例如正态分布，几乎不可能产生较大的样本。当趋于无穷时，概率越来越小。如果已知一个数很大，那么几乎有很小的概率更大 $$\begin{align} \dfrac{P(x>t+a)}{P>t} \to 0,t \to \infty \end{align}$$ 长尾分布：**有显著的概率产生很大的样本** 二八定律、幂律定律，帕累托分布、对数正态分布。当趋于无穷时，概率越来越保持一致，“尾巴越来越长”, 如果已知一个数很大，那么实际有很大的概率更大！ $$\begin{align} \dfrac{P(x>t+a)}{P>t} \to 1,t \to \infty \end{align}$$ 产生的原因：最终量的形成**来自于一系列独立变量的乘积**，而非加和 （例如财富、粉丝数） 对数正态分布：在对数尺度下，为正态分布 （实际上正是对数运算，将一系列乘积转为加和，也就将长尾分布转为轻尾分布） $$\begin{align} X=X_{0}X_{1}\cdots X_{n} \quad \ln X=\ln X_{1}+\cdots + \ln X_{n} \end{align}$$ [[本福特定律\|本福特定律]]：首位 1 的主导性，$\log_{10}2\approx 0.301$ --- ## AI 结构化补充（2026-05-02） **Distribution** > [[概率\|概率]]的函数，可以描述任何类型的[[随机变量\|随机变量]] > 完整地描述了随机变量的**统计规律性**，表示了概率分布情况 ### 一、分布函数基础 #### 1. 基本定义 **Cumulative Distribution Function** 分布函数 $F(x)$ 对于随机变量 $X$，其分布函数 $F(x)$ 定义为： $$F(x) = P\{X \leq x\}, \quad -\infty < x < +\infty$$ 它表示随机变量 $X$ 取值不大于 $x$ 的概率。分布函数完整地描述随机变量的**统计规律性**，包含了随机变量的全部概率信息。 如果随机变量 $X$ 服从分布函数 $F(x)$，记为 $X \sim F(x)$。 通过分布函数，我们可以计算随机变量在任意区间内的概率： $$\begin{align} P \left\{x_{1}<X\leq x_{2} \right\}&=P \left\{X \leq x_{2} \right\}-P\left\{X \leq x_{1} \right\} \\ &=F(x_{2})-F(x_{1}) \end{align}$$ #### 2. 基本性质 分布函数 $F(x)$ 具有以下三个基本性质： 1. **单调不减性 (Monotonicity)**: * $F(x)$ 是一个单调不减的函数。即对于任意 $x_1 < x_2$，都有 $F(x_1) \leq F(x_2)$。 * **直观理解**: 随着 $x$ 的增大，随机变量取值小于等于 $x$ 的概率不会减少。 2. **有界性 (Boundedness)**: * $0 \leq F(x) \leq 1$。 * $F(-\infty) = \lim_{x \to -\infty} F(x) = 0$。 * $F(+\infty) = \lim_{x \to +\infty} F(x) = 1$。 * **直观理解**: 概率值介于0和1之间；随机变量取值小于负无穷的概率为0，小于正无穷的概率为1。 3. **右连续性 (Right-Continuity)**: * $F(x)$ 是右连续的，即 $F(x_0^+) = \lim_{x \to x_0^+} F(x) = F(x_0)$。 * **直观理解**: 这保证了 $P\{X \leq x\}$ 的定义在 $x$ 处是包含 $x$ 本身的。 > [!important] **充要条件** > > 任何满足上述三条性质的函数，都必然是某个随机变量的分布函数。 ### 二、常用分布 #### 1. 离散分布 > [[概率分布律\|概率质量函数]] 的累加 [[二项分布\|二项分布]]：描述 n 次独立伯努利试验中成功次数的概率分布 [[超几何分布\|超几何分布]]：描述不放回抽样中成功次数的概率分布 [[几何分布\|几何分布]]：描述首次成功所需的伯努利试验次数的概率分布 [[泊松分布\|泊松分布]]：描述单位时间或空间内稀有事件发生次数的概率分布 #### 2. 连续分布 > [[概率密度函数\|概率密度函数]]的积分 [[正态分布\|正态分布]]：对称的钟形分布，广泛用于自然和社会现象的建模 [[均匀分布\|均匀分布]]：所有可能结果在区间内概率均等的分布 [[指数分布\|指数分布]]：描述泊松过程中事件间隔时间的分布 [[伽马分布\|伽马分布]]：描述多个独立指数事件发生所需时间的分布 [[抽样分布\|抽样分布]]：统计量的概率分布，用于推断总体参数 >[!important] 注意 > >1. 记特殊分布时，一般记忆的是特殊分布的 **分布律**/**密度函数**；求分布函数时，对其**累加/积分** 即可得到对应的分布函数 >2. 千万要注意**密度函数**的**分段表达**：求分布函数时，注意对应的积分上下限 #### 3. 随机变量**函数的**分布函数 见：[[随机变量函数的分布\|随机变量函数的分布]] ### 三、扩展知识 [世界是对数的吗?](https://www.bilibili.com/video/BV15kj4z4Eju/) 轻尾分布：有界、聚集，例如正态分布，几乎不可能产生较大的样本。当趋于无穷时，概率越来越小。如果已知一个数很大，那么几乎有很小的概率更大 $$\begin{align} \dfrac{P(x>t+a)}{P>t} \to 0,t \to \infty \end{align}$$ 长尾分布：**有显著的概率产生很大的样本** 二八定律、幂律定律，帕累托分布、对数正态分布。当趋于无穷时，概率越来越保持一致，“尾巴越来越长”, 如果已知一个数很大，那么实际有很大的概率更大！ $$\begin{align} \dfrac{P(x>t+a)}{P>t} \to 1,t \to \infty \end{align}$$ 产生的原因：最终量的形成**来自于一系列独立变量的乘积**，而非加和 （例如财富、粉丝数） 对数正态分布：在对数尺度下，为正态分布 （实际上正是对数运算，将一系列乘积转为加和，也就将长尾分布转为轻尾分布） $$\begin{align} X=X_{0}X_{1}\cdots X_{n} \quad \ln X=\ln X_{1}+\cdots + \ln X_{n} \end{align}$$ [[本福特定律\|本福特定律]]：首位 1 的主导性，$\log_{10}2\approx 0.301$ ### 四、连续情形的区间读法 若随机变量 $X$ 有密度 $p(x)$，则[[分布函数\|分布函数]]由密度积分得到：F(x)=P(X\le x)=\int_{-\infty}
P(X=c)=0.
P(a\le X\le b)=\int_a^b p(x),dx=F(b)-F(a).
因此，在连续分布中，$P(a<X<b)$、$P(a\le X<b)$、$P(a<X\le b)$ 与 $P(a\le X\le b)$ 的值相同；在离散分布中则要注意端点是否包含跳跃概率。 ### 五、均匀分布的分布函数例子 若年龄在 $[17,20]$ 上均匀分布，则 $F(x)$ 从 $0$ 线性增加到 $1$：F(x)= \begin{cases} 0,&x\le 17,\ \dfrac{x-17}{3},&17<x<20,\ 1,&x\ge 20. \end{cases}
p(x)=F’(x)=\frac13\quad(17<x<20).
m=18.5,\qquad F(m)=F(18.5)=\frac12, \qquad \sigma^2=\frac{(20-17)
一般地，若 $X$ 在 $[0,a]$ 上均匀分布，则F(x)=\frac xa,\qquad p(x)=\frac1a,\qquad m=\frac a2,\qquad \sigma^2=\frac{a
边界上 $F$ 必须保持右连续；区间外 $F(x)=0$ 或 $1$，不能继续按线性公式外推。