累积分布函数（英語：cumulative distribution function，CDF）或概率分布函数，简称分布函数，是概率密度函數的积分，能完整描述一個實随机变量${\displaystyle X}$的概率分佈。

在標量連續分佈的情況下，它給出了從負無窮到${\displaystyle x}$的概率密度函數下的面積。 累積分佈函數也用於指定多元隨機變量（英语：Multivariate random variable）的分佈。

定義

對於所有實數值的随机变量${\displaystyle X}$ ，累积分布函数定義如下^{[1]:p. 77}：

$${\displaystyle F_{X}(x)=\operatorname {P} (X\leq x)}$$

Eq.1

其中右侧表示随机变量${\displaystyle x}$取值小于或等于${\displaystyle x}$的概率。

對於${\displaystyle X}$位于半闭区间${\displaystyle (a,b]}$ 的概率，其中${\displaystyle a<b}$，因此定義是^{[1]:p. 84}:

$${\displaystyle \operatorname {P} (a<X\leq b)=F_{X}(b)-F_{X}(a)}$$

Eq.2

在上面的定義中，“小於或等於”符號“≤”是一種約定，不是普遍使用的（例如匈牙利文獻使用“<”），但這種區別對於離散分佈很重要。二項式分布和泊松分布的表格的正確使用取決於此約定。此外，像數學家保羅·皮埃爾·萊維(Paul Lévy)的特徵函數反演公式等重要公式也依賴於“小於或等於”公式。

性質

• 有界性^[2]
  • ${\displaystyle \lim _{x\to -\infty }F_{X}(x)=0}$
  • ${\displaystyle \lim _{x\to +\infty }F_{X}(x)=1}$
• 單調性：
  • ${\displaystyle F_{X}(x_{1})\leq F_{X}(x_{2}),\ {\mbox{if))\,x_{1}<x_{2))$
• 右連續性：
  • ${\displaystyle \lim _{x\rightarrow x_{0}^{+))F_{X}(x)=F_{X}(x_{0})}$

${\displaystyle X}$之值落在一區間${\displaystyle (a,b]}$之內的機率為

${\displaystyle \operatorname {P} (a<X\leq b)=F_{X}(b)-F_{X}(a)}$

一隨機變數${\displaystyle X}$的CDF與其PDF的關係為

${\displaystyle F_{X}(x)=\int _{-\infty }^{x}f_{X}(t)\,dt}$

反函数

若累积分布函数 ${\displaystyle F}$ 是连续的严格增函数，则存在其反函数${\displaystyle F^{-1}(y),y\in [0,1]}$。累积分布函数的反函数可以用来生成服从该随机分布的随机变量。设若${\displaystyle F_{X}(x)}$是概率分布${\displaystyle X}$的累积分布函数，并存在反函数${\displaystyle F_{X}^{-1))$。若${\displaystyle a}$是${\displaystyle [0,1)}$区间上均匀分布的随机变量，则${\displaystyle F_{X}^{-1}(a)}$服从${\displaystyle X}$分布。

互补累积分布函数

互补累積分布函数（complementary cumulative distribution function、CCDF），是对连续函数，所有大于${\displaystyle a}$的值，其出现概率的和。

${\displaystyle F(a)=P(x>a)}$

參見

• 機率密度函數
• 機率質量函數

參考

查 论 编 概率分布的理论 概率质量函数(pmf) 概率密度函数(pdf) 累积分布函数(cdf) 分位函数 矩 中心矩 期望值 方差 標準差 偏度 峰度 矩生成函數(mgf) 特征函数 概率生成函数(pgf) 累积量