在统计学中概率分布中的概率密度函数PDF，概率质量PMF，累积分布CDF

学到老

发布于 2019-01-25 06:40:39

1.8K0

文章被收录于专栏：深度学习之tensorflow实战篇深度学习之tensorflow实战篇

一. 概念解释

PDF：概率密度函数（probability density function）, 在数学中，连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。

PMF : 概率质量函数（probability mass function), 在概率论中，概率质量函数是离散随机变量在各特定取值上的概率。

CDF : 累积分布函数 (cumulative distribution function)，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。

二. 数学表示

PDF：如果XX是连续型随机变量，定义概率密度函数为fX(x)fX(x)f_X(x)，用PDF在某一区间上的积分来刻画随机变量落在这个区间中的概率，即

Pr(a≤X≤b)=∫bafX(x)dxPr(a≤X≤b)=∫abfX(x)dx\Pr\left(a \leq X \leq b\right) =\int_{a}^{b} f_X(x) dx PMF：如果XX离散型随机变量，定义概率质量函数为fX(x)fX(x)f_X(x),PMF其实就是高中所学的离散型随机变量的分布律,即 fX(x)=Pr(X=x)fX(x)=Pr(X=x)f_X(x)=\Pr\left( X=x \right) 比如对于掷一枚均匀硬币，如果正面令X=1X=1\text{$X$}=1，如果反面令X=0X=0X=0，那么它的PMF就是 fX(x)={12 if x∈{0,1}0 if x∉{0,1}fX(x)={12 if x∈{0,1}0 if x∉{0,1}f_X\left( x \right) =\begin{cases} &\frac{1}{2} \text{ if } x\in\left \{ 0,1 \right \} \\ & 0\text{ if } x\notin\left \{ 0,1 \right \}\end{cases} CDF：不管是什么类型（连续/离散/其他）的随机变量，都可以定义它的累积分布函数，有时简称为分布函数。

对于连续型随机变量，显然有 FX(x)=Pr(X≤x)=∫x−∞fX(t)dtFX(x)=Pr(X≤x)=∫−∞xfX(t)dtF_X\left( x \right) =\Pr\left( X\leq x \right) =\int_{-\infty}^{x}f_X(t)dt 那么CDF就是PDF的积分，PDF就是CDF的导数。对于离散型随机变量，其CDF是分段函数，比如举例中的掷硬币随机变量，它的CDF为 FX(x)=Pr(X≤x)=⎧⎩⎨⎪⎪0 if x<012 if 0≤x<11 if x≥1FX(x)=Pr(X≤x)={0 if x<012 if 0≤x<11 if x≥1F_X\left( x \right) =\Pr\left ( X\leq x \right )=\begin{cases}& 0\text{ if } x<0 \\ & \frac{1}{2}\text{ if } 0\leq x< 1 \\& 1\text{ if }x\geq 1\end{cases}

三.概念分析

　根据上述，我们能得到一下结论：

　１）PDF是连续变量特有的，PMF是离散随机变量特有的；　２）PDF的取值本身不是概率，它是一种趋势（密度）只有对连续随机变量的取值进行积分后才是概率，也就是说对于连续值确定它在某一点的概率是没有意义的；　３）PMF的取值本身代表该值的概率。

四.分布函数的意义

　　我们从两点来分析分布函数的意义：　　1.为什么需要分布函数？

　　对于离散型随机变量，可以直接用分布律来描述其统计规律性，而对于非离散型的随机变量，如连续型随机变量，因为我们无法一一列举出随机变量的所有可能取值，所以它的概率分布不能像随机变量那样进行描述，于是引入PDF，用积分来求随机变量落入某个区间的概率。分布律不能描述连续型随机变量，密度函数不能描述离散随机变量，因此需要找到一个统一方式描述随机变量统计规律，这就有了分布函数。另外，在现实生活中，有时候人们感兴趣的是随机变量落入某个范围内的概率是多少，如掷骰子的数小于3点的获胜，那么考虑随机变量落入某个区间的概率就变得有现实意义了，因此引入分布函数很有必要。　　2. 分布函数的意义

　　分布函数F(x)F(x)在点xx处的函数值表示XX落在区间(−∞,x](−∞,x]内的概率，所以分布函数就是定义域为RR的一个普通函数，因此我们可以把概率问题转化为函数问题，从而可以利用普通的函数知识来研究概率问题，增大了概率的研究范围。