分布函数(英文Cumulative Distribution Function, 简称CDF),是概率统计中重要的函数,正是通过它,可用数学分析的方法来研究随机变量。分布函数是随机变量最重要的概率特征,分布函数可以完整地描述随机变量的统计规律,并且决定随机变量的一切其他概率特征。
从事件到函数
我们已经很清楚函数的概念,g = g(x)是一个典型的函数,输入数据经过g(x)的处理后得到了一个新的输出g。在概率当中,也存在类似的定义。
例如一个样本空间有一系列随机事件Ω = {ω1, ω1, ω1 …ωn},那么将存在一个函数,这个函数把事件映射为一个实数:
这样做是为了用数学去表达事件——函数最终将转换为数,有了数,我们就能利用很多已知的工具去处理概率问题。如果Ω表示球队的比赛事件,那么Ω = {胜,负,平},一个典型的X转换就是:胜→1,负→-1,平→0。二进制的0和1也能表达很多诸如开/关、升/降等事件。
分布函数
有了函数X,就可以进而将事件的概率转换为普通的函数,于是有了分布函数的定义:
F(x)就是分布函数,它表示X ≤ x的概率。举例来说,如果一个人的身高是1.75m,这个人的身高在全国的分布就是所有小于等于1.75m的人在全国的比例。看起来英文Cumulative Distribution Function更容易理解,F(x)就是概率的积累。
需要注意的是,此处的大X和小x都是一个具体的实数,小x的取值范围是 -∞ ≤ x ≤ +∞,这是一个什么梗?
这要从坐标系说起了。
上图中的曲线是f(x),-∞ < x < +∞,对于任意的x,都有一个y能够对应。同样,对于概率分布函数F(x)来说,我们也希望对任意的x都能找到对应的y,也就是P(X≤x)。别忘了,我们的目的是将事件转换为数,从而将概率转换为函数。从概率的角度来讲,-∞ < x < +∞表示了概率的全部事件。
离散型分布
离散事件
离散型事件指事件可能的取值是有限个或可列无穷个。
有限个好理解,比如骰子的结果。可列无穷个有意思了,它指值能够例举出来,但是永远无法全部列举,自然数和整数就是这样的例子。
这里有个好玩的事,整数是无穷的,自然数也是无穷的,那么整数和自然数的数量哪个更多呢?
第一感觉是整数更多,多了一倍。但真相是,二者的数量一样多。这就要了解数学中是怎样定义“一样多”的。在数学中,如果两个集合能够产生一一对应的关系,我们就可以说这两个集合的数据一样多。这个对应关系可以用一个函数表示,比如整数和自然数的对应可以是这样:
无论哪一个整数,都能在自然数中找到唯一的对应。
整数和实数呢?实数的个数要远远大于整数,它们无法产生一一对应,因为每两个实数间都有无穷多个数。这就又引出一个问题,实数的个数与[-1, 1]区间内的实数个数哪个多呢?第一感觉又是实数多,但实际上二者的个数相等。这个匪夷所思的问题可以用下图表示,说明二者一一对应:
上图是一个数轴,数轴上的每一个点都代表一个实数;现在把-1到1之间的线段的向上弯折,得到一个与0点相切,弧长是2的红色圆弧。现在,把数轴上的任意点与弧连线,都可以在弧上找到唯一点:
由此可见,二者的数量相等,准确的说是“势”相等。
分布函数
离散事件的每个取值都对应一个概率,它的分布率大概长成这个样子:
它的分布函数:
在所有的分布函数中,x的取值范围都是关键,它强调了“事件”到“函数”的转换。
在射击比赛中,有大、中、小三类目标供选择,各类目标的得分和命中率如下:
其中score对应了x的取值,rate对应分布值F(x),F(x)的分布曲线如下:
这里又一次强调了分布函数F(x)中x的取值是从-∞到+∞。当x<1时,表示没有任何目标可供射击,命中率是0; x ≤ 2时,命中中型和中型以下目标的概率是F(2) = P(middle) + P(small) = 1/3 + 1/2 = 5/6;x ≥ 5时,变成了必然事件,F(x) = 1。
我们看到F(x)的取值是[0, 1],这也是概率的取值范围;这种阶梯式的函数就是离散型随机事件的分布函数。
连续型分布
连续事件
相对于离散事件,连续事件就是随机事件是连续型的事件。这是通俗解释,看起来没错,但并不精确。
在精确定义之前先来看一个好玩的例子:一个人会在9:00~10:00到达某地,他恰巧在9:30抵达的概率是多少?
似乎很简单,但实际上不是那么回事,问题出在时间的度量上。前面说过,0~1之间的实数有无穷多个,同样,由于我们并没有指定时间的最小刻度,所以9:00~10:00之间的也有无穷多个,这相当于样本空间的事件有无穷个。如果用几何概型思考——将概率转换为长度的比例——我们会发现,9:30是时间轴上的一点,点的长度是0,所以P{9:30抵达} = 0。过去一直认为0概率是不肯能发生的事件,而现在看来并不是,因为确实存在9:30抵达的可能,这有点像极限问题了,极限是0,说明无限接近0,但始终不是0。
似乎出现悖论了,无数个点加在一起变成了线,点的概率又是0,那么连续事件的分布岂不是无数个0相加最终还是0?
解释前先写出连续事件的精确定义:对于某一X,如果存在非负可积函数f(x),使得
则称X是连续型随机事件。
答案就是使用积分。使用f(t)dt就可以计算微小的面积:
关于微分和积分的相关知识可参考:《单变量微积分》中的相关章节。
现在概率终于和积分联系在一起了,前方的视野也更加广阔起来。
分布函数
以正态分布为例:
f(t)被称为概率密度,或概率密度函数;F(x)表示f(t)与x轴围成的面积:
由此可以看出,连续型随机事件的分布函数也一定是连续的。
作者:我是8位的
出处:http://www.cnblogs.com/bigmonkey
本文以学习、研究和分享为主,如需转载,请联系本人,标明作者和出处,非商业用途!
扫描二维码关注公众号“我是8位的”
原文地址:https://www.cnblogs.com/bigmonkey/p/9063214.html