分布函式（英文cumulative distribution function, 簡稱cdf），是概率統計中重要的函式，正是通過它，可用數學分析的方法來研究隨機變數。分布函式是隨機變數最重要的概率特徵，分布函式可以完整地描述隨機變數的統計規律，並且決定隨機變數的一切其他概率特徵。
我們已經很清楚函式的概念，g = g(x)是乙個典型的函式，輸入資料經過g(x)的處理後得到了乙個新的輸出g。在概率當中，也存在類似的定義。
例如乙個樣本空間有一系列隨機事件ω = ，那麼將存在乙個函式，這個函式把事件對映為乙個實數：
這樣做是為了用數學去表達事件——函式最終將轉換為數，有了數，我們就能利用很多已知的工具去處理概率問題。如果ω表示球隊的比賽事件，那麼ω = ，乙個典型的x轉換就是：勝→1，負→-1，平→0。二進位制的0和1也能表達很多諸如開/關、公升/降等事件。
有了函式x，就可以進而將事件的概率轉換為普通的函式，於是有了分布函式的定義：
f(x)就是分布函式，它表示x ≤ x的概率。舉例來說，如果乙個人的身高是1.75m，這個人的身高在全國的分布就是所有小於等於1.75m的人在全國的比例。看起來英文cumulative distribution function更容易理解，f(x)就是概率的積累。
需要注意的是，此處的大x和小x都是乙個具體的實數，小x的取值範圍是 -∞ ≤ x ≤ +∞，這是乙個什麼梗？
這要從座標系說起了。
上圖中的曲線是f(x)，-∞ < x < +∞，對於任意的x，都有乙個y能夠對應。同樣，對於概率分布函式f(x)來說，我們也希望對任意的x都能找到對應的y，也就是p(x≤x)。別忘了，我們的目的是將事件轉換為數，從而將概率轉換為函式。從概率的角度來講，-∞ < x < +∞表示了概率的全部事件。
離散型事件指事件可能的取值是有限個或可列無窮個。
有限個好理解，比如骰子的結果。可列無窮個有意思了，它指值能夠例舉出來，但是永遠無法全部列舉，自然數和整數就是這樣的例子。
這裡有個好玩的事，整數是無窮的，自然數也是無窮的，那麼整數和自然數的數量哪個更多呢？
第一感覺是整數更多，多了一倍。但真相是，二者的數量一樣多。這就要了解數學中是怎樣定義「一樣多」的。在數學中，如果兩個集合能夠產生一一對應的關係，我們就可以說這兩個集合的資料一樣多。這個對應關係可以用乙個函式表示，比如整數和自然數的對應可以是這樣：
無論哪乙個整數，都能在自然數中找到唯一的對應。
整數和實數呢？實數的個數要遠遠大於整數，它們無法產生一一對應，因為每兩個實數間都有無窮多個數。這就又引出乙個問題，實數的個數與[-1, 1]區間內的實數個數哪個多呢？第一感覺又是實數多，但實際上二者的個數相等。這個匪夷所思的問題可以用下圖表示，說明二者一一對應：
上圖是乙個數軸，數軸上的每乙個點都代表乙個實數；現在把-1到1之間的線段的向上彎折，得到乙個與0點相切，弧長是2的紅色圓弧。現在，把數軸上的任意點與弧連線，都可以在弧上找到唯一點：
由此可見，二者的數量相等，準確的說是「勢」相等。
離散事件的每個取值都對應乙個概率，它的分布率大概長成這個樣子：
它的分布函式：
在所有的分布函式中，x的取值範圍都是關鍵，它強調了「事件」到「函式」的轉換。
在射擊比賽中，有大、中、小三類目標供選擇，各類目標的得分和命中率如下：
其中score對應了x的取值，rate對應分布值f(x)，f(x)的分布曲線如下：
這裡又一次強調了分布函式f(x)中x的取值是從-∞到+∞。當x<1時，表示沒有任何目標可供射擊，命中率是0； x ≤ 2時，命中中型和中型以下目標的概率是f(2) = p(middle) + p(small) = 1/3 + 1/2 = 5/6；x ≥ 5時，變成了必然事件，f(x) = 1。
我們看到f(x)的取值是[0, 1]，這也是概率的取值範圍；這種階梯式的函式就是離散型隨機事件的分布函式。
相對於離散事件，連續事件就是隨機事件是連續型的事件。這是通俗解釋，看起來沒錯，但並不精確。
在精確定義之前先來看乙個好玩的例子：乙個人會在9:00~10:00到達某地，他恰巧在9:30抵達的概率是多少？
似乎很簡單，但實際上不是那麼回事，問題出在時間的度量上。前面說過，0~1之間的實數有無窮多個，同樣，由於我們並沒有指定時間的最小刻度，所以9:00~10:00之間的也有無窮多個，這相當於樣本空間的事件有無窮個。如果用幾何概型思考——將概率轉換為長度的比例——我們會發現，9:30是時間軸上的一點，點的長度是0，所以p = 0。過去一直認為0概率是不肯能發生的事件，而現在看來並不是，因為確實存在9:30抵達的可能，這有點像極限問題了，極限是0，說明無限接近0，但始終不是0。
似乎出現悖論了，無數個點加在一起變成了線，點的概率又是0，那麼連續事件的分布豈不是無數個0相加最終還是0？
解釋前先寫出連續事件的精確定義：對於某一x，如果存在非負可積函式f(x)，使得
則稱x是連續型隨機事件。
答案就是使用積分。使用f(t)dt就可以計算微小的面積：
關於微分和積分的相關知識可參考：《單變數微積分》中的相關章節。
現在概率終於和積分聯絡在一起了，前方的視野也更加廣闊起來。
以正態分佈為例：
f(t)被稱為概率密度，或概率密度函式；f(x)表示f(t)與x軸圍成的面積：
由此可以看出，連續型隨機事件的分布函式也一定是連續的。
出處：
條件概率分布 聯合概率分布和邊緣概率分布
一.聯合概率分布 小明玩扔飛鏢，飛鏢偏離靶心是不確定的，所以適合用概率模型來描述。先已知飛鏢偏離靶心與標靶距離和風速都有關。假定標靶距離可以是10 20公尺，風速可以是1 10公尺 秒，現統計每個標靶距離 每個風速下，小明所扔飛鏢小於1厘公尺的概率。距離 公尺 風速 公尺 秒 偏離小於1厘公尺的概率...
條件概率分布與邊緣概率分布
1.條件概率分布 這是理解馬爾科夫鏈的重要概念，單獨成文 設x和y分別是概率分布 如正態分佈那種直觀的 那麼 x,y 就是聯合概率分布，又稱為二維隨機變數。這種聯合概率分布就不那麼直觀了。但用條件概率分布這個概念定義，可以把抽象變為形象。具體這樣做，假設x是均勻分布，1 10這個數字出現的可能性都是...
uniform分布 概率分布
概率密度函式表示 表示乙個特定範圍的值的發生概率import numpy as np 正態分佈概率密度函式 均勻分布的概率分布函式是什麼形狀呢?在某這個範圍之外，沒有任何值，在這個範圍之內，則是一條水平直線，因為所有值出現的概率都是相同的 均勻分布圖 指數概率分布函式，其函式值以指數方式下降。指數下...