分布函数的定义与基本性质
引言
在概率论与数理统计中，分布函数是刻画随机变量概率行为的核心工具。它不仅是概率论的基础概念，更是后续统计推断、随机过程分析等领域的基石。通过分布函数，我们可以系统地描述随机变量的取值范围及其对应的概率分布特征。本文将从定义出发，深入探讨其核心性质，并结合典型例子阐明其在实际问题中的应用价值。
定义
设随机变量 $ X $ 的取值范围为 $ \mathbb{R} $，则其分布函数定义为：
$$
F(x) = P(X \leq x)
$$
该函数满足以下关键性质：
- 非减性：对于任意 $ x_1 < x_2 $，有 $ F(x_1) \leq F(x_2) $；
- 右连续性：对于任意 $ x $，有 $ \lim_{h \to 0^-} F(x + h) = F(x) $；
- 极限值：
- 当 $ x \to -\infty $ 时，$ \lim_{x \to -\infty} F(x) = 0 $；
- 当 $ x \to +\infty $ 时，$ \lim_{x \to +\infty} F(x) = 1 $。
基本性质
分布函数的性质是其理论基础，具体包括：
- 单调性：函数 $ F(x) $ 在实数域上单调递增，因此其图像为非减阶梯函数；
- 右连续性：在连续点处，函数值与右极限一致，确保函数在取值时的连续性；
- 概率密度与导数的关系：对于连续随机变量，分布函数的导数为概率密度函数 $ f(x) $，即 $ f(x) = \frac{d}{dx} F(x) $；
- 极限值的约束：分布函数的极限值严格受随机变量的取值范围限制，例如在有限支持的离散分布中，$ F(x) $ 会以跳跃形式突变。
应用实例
连续分布：
- 正态分布：设 $ X \sim N(\mu, \sigma^2) $，其分布函数为
$$ F(x) = \frac{1}{\sqrt{2\pi}\sigma} \int_{-\infty}^{x} e^{-\frac{(t - \mu)^2}{2\sigma^2}} dt $$
该函数在 $ x = \mu $ 处达到最大值 $ \frac{1}{2} $，且在 $ \pm\infty $ 处趋近于 0 和 1。 - 均匀分布：若 $ X \sim U(a, b) $，则分布函数为
$$ F(x) = \begin{cases} \frac{x - a}{b - a}, & x \in [a, b) \ 1, & x \geq b \end{cases} $$
其图像为直线，体现均匀分布的对称性。
- 正态分布：设 $ X \sim N(\mu, \sigma^2) $，其分布函数为
离散分布：
- 伯努利分布：设 $ X $ 为二项式试验的结果，其分布函数为
$$ F(x) = \sum_{k=0}^{\lfloor x \rfloor} P(X = k) $$
在 $ x $ 为整数时，函数值以跳跃形式突变，反映离散事件的“点概率”特性。
- 伯努利分布：设 $ X $ 为二项式试验的结果，其分布函数为
总结
分布函数作为概率论的核心概念，通过其非减性、右连续性和极限值约束，全面刻画了随机变量的分布特性。无论是连续分布（如正态分布）还是离散分布（如伯努利分布），其分布函数的数学表达均体现了概率的累积规律。在实际应用中，分布函数的导数（概率密度函数）与极限性质为统计推断提供了理论支撑，而其右连续性则确保了随机变量取值的连续性与稳定性。进一步研究分布函数的性质，有助于深入理解随机过程、极限定理（如中心极限定理）及概率模型的构建。