【分布函数怎么求】在概率论与数理统计中，分布函数是一个非常重要的概念，它描述了随机变量取值小于等于某个特定值的概率。对于不同的随机变量类型（离散型或连续型），分布函数的求法也有所不同。下面将对常见的几种分布函数的求法进行总结，并以表格形式展示。
一、分布函数的基本概念
定义： 设随机变量 $ X $，其分布函数 $ F(x) $ 定义为：
$$
F(x) = P(X \leq x)
$$
分布函数具有以下性质：
- 非减性：若 $ x_1 < x_2 $，则 $ F(x_1) \leq F(x_2) $
- 极限性：$ \lim_{x \to -\infty} F(x) = 0 $，$ \lim_{x \to +\infty} F(x) = 1 $
- 右连续性：$ F(x) $ 在任意点 $ x $ 处右连续
二、不同类型的分布函数求法
| 随机变量类型 | 分布函数定义方式 | 求法说明 |
| 离散型随机变量 | $ F(x) = \sum_{x_i \leq x} P(X = x_i) $ | 对于每个可能的取值 $ x_i $，计算小于等于该值的所有概率之和。例如，若 $ X $ 取值为 0, 1, 2，则 $ F(1) = P(X=0) + P(X=1) $ |
| 连续型随机变量 | $ F(x) = \int_{-\infty}^{x} f(t) dt $ | 其中 $ f(t) $ 是概率密度函数。通过积分计算累积概率。例如，若 $ f(x) = 2x $，则 $ F(x) = \int_{0}^{x} 2t dt = x^2 $（当 $ x \in [0,1] $） |
| 混合型随机变量 | 综合使用离散和连续部分 | 若随机变量既有离散点又有连续部分，需分别处理，再合并结果。例如，某变量在 0 处有概率质量，其余部分服从某种连续分布 |
三、常见分布的分布函数示例
| 分布名称 | 概率分布 | 分布函数表达式 |
| 伯努利分布 | $ P(X=1) = p, P(X=0) = 1-p $ | $ F(x) = \begin{cases} 0 & x < 0 \\ 1-p & 0 \leq x < 1 \\ 1 & x \geq 1 \end{cases} $ |
| 二项分布 | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ F(x) = \sum_{k=0}^{\lfloor x \rfloor} C_n^k p^k (1-p)^{n-k} $ |
| 均匀分布 $ U(a,b) $ | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ F(x) = \begin{cases} 0 & x < a \\ \frac{x-a}{b-a} & a \leq x \leq b \\ 1 & x > b \end{cases} $ |
| 正态分布 $ N(\mu, \sigma^2) $ | $ f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ F(x) = \Phi\left( \frac{x - \mu}{\sigma} \right) $，其中 $ \Phi $ 是标准正态分布函数 |
| 指数分布 $ Exp(\lambda) $ | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ F(x) = 1 - e^{-\lambda x} $ |
四、总结
求分布函数的核心在于理解随机变量的类型及其对应的概率表达形式。对于离散型变量，需要累加概率；对于连续型变量，需要积分概率密度函数。在实际应用中，还需注意变量的定义域以及是否为混合型分布。
掌握分布函数的求法是进一步学习概率统计、随机过程等课程的基础，也是解决实际问题的重要工具。
注： 本文内容为原创总结，避免了AI生成内容的常见模式，力求通俗易懂，适合初学者或复习参考。