1. 分布函数的核心性质解析概率论中分布函数Cumulative Distribution Function, CDF是描述随机变量统计规律的基础工具。定义上对于任意实数x分布函数F(x)表示随机变量X取值小于等于x的概率即F(x) P(X ≤ x)。这个看似简单的定义背后蕴含着四个关键性质1.1 单调不减性任何分布函数都满足单调不减特性。从概率角度理解当x₁ x₂时事件{X ≤ x₁}必然包含于{X ≤ x₂}中根据概率的单调性有P(X ≤ x₁) ≤ P(X ≤ x₂)。这在连续型随机变量中表现为平滑上升曲线在离散型中呈现阶梯状增长。注意考试中常要求证明这一性质关键要运用概率测度的单调性和事件包含关系。1.2 右连续性分布函数在任意点x₀处满足右连续即lim(x→x₀⁺) F(x) F(x₀)。这一性质在离散型分布中表现尤为明显——在跳跃点处函数值突然增加。例如二项分布在k处的跃变高度正好等于P(Xk)。1.3 极限行为当x趋近于负无穷时F(x)趋近于0正无穷时趋近于1。这两个极限对应着随机变量几乎不可能和几乎必然的事件概率。在参数估计中这两个边界条件常作为约束方程使用。1.4 跳跃与连续分布函数的连续部分对应连续型随机变量的概率密度积分而跳跃点导数不存在处对应离散型随机变量的概率质量。混合型分布则同时包含这两种特征。考试中常要求计算特定点的跃变高度这实际上就是该点的概率质量。2. 常见分布函数的参数确定方法2.1 离散型分布的参数识别以二项分布B(n,p)为例其分布函数为阶梯函数跳跃点位于k0,1,...,n。通过观察跳跃点数量可确定n值相邻跳跃高度比满足P(Xk1)/P(Xk) (n-k)p/[(k1)(1-p)] 通过建立方程组可解出p值。在考试中常会给出部分概率值要求反推参数。2.2 连续型分布的矩估计法对于正态分布N(μ,σ²)利用样本矩与理论矩相等的原理一阶样本矩均值估计μ二阶中心矩方差估计σ² 更复杂的如Gamma分布需要通过对数矩或高阶矩建立方程组求解形状参数和尺度参数。2.3 最大似然估计的实操技巧以指数分布为例其似然函数为 L(λ) ∏λe^(-λx_i) λ^n e^(-λ∑x_i) 取对数后求导得 d[lnL(λ)]/dλ n/λ - ∑x_i 令导数为零解得λ的MLE为1/(x̄)。考试中常设置censored data截断数据情形此时似然函数需要分段处理。3. 分布函数在假设检验中的应用3.1 Kolmogorov-Smirnov检验K-S检验通过比较经验分布函数与理论分布函数的supremum距离 D_n sup|F_n(x) - F(x)| 考试重点包括临界值的查表方法当参数未知时如检验正态性但μ,σ²未知需要特别处理与卡方检验的适用场景对比3.2 概率图(PP/QQ图)的解读概率图是直观检验分布假设的工具PP图横纵轴均为概率理想情况下呈直线QQ图比较分位数特别适合尾部检验 常考斜率与截距的含义正态QQ图中直线斜率对应σ截距对应μ4. 混合分布的参数确定策略4.1 EM算法的分步实现对于混合比例π和组分分布参数θ的估计 E步计算隐变量γ_ik π_k f_k(x_i|θ_k)/∑π_j f_j(x_i|θ_j) M步更新π_k ∑γ_ik /n, 各组分参数通过加权MLE估计 考试中可能要求推导特定分布如混合正态的M步更新公式4.2 矩匹配的实用案例假设混合分布由两个正态组成πN(μ₁,σ₁²)(1-π)N(μ₂,σ₂²) 利用前六阶矩可建立方程组 E(X) πμ₁ (1-π)μ₂ E(X²) π(μ₁²σ₁²) (1-π)(μ₂²σ₂²) ... 实际操作中常采用矩的样本估计量替代理论矩5. 考试常见题型深度剖析5.1 分布函数与密度函数的互化关键点在于连续型f(x) dF(x)/dx几乎处处成立离散型p(x_i) F(x_i) - F(x_i⁻) 混合型需要分段处理典型考题如 设F(x) 0.5Φ(x) 0.5I(x≥0)求P(X0)5.2 条件分布函数的计算给定条件事件A条件分布函数定义为 F(x|A) P(X≤x|A) P({X≤x}∩A)/P(A) 经典题型如截断分布的处理需注意归一化因子5.3 随机变量变换后的分布设Yg(X)求F_Y(y)的基本步骤解不等式g(X)≤y得到X的范围用F_X表示该范围的概率对非单调函数需分段处理 例如YX²时F_Y(y) F_X(√y) - F_X(-√y) (y≥0)6. 参数估计的数值实现6.1 Newton-Raphson迭代法当似然方程无解析解时采用迭代 θ^(k1) θ^(k) - [l(θ^(k))]^(-1)l(θ^(k)) 实际应用中需注意初值选取影响收敛性可能出现Hessian矩阵奇异的情况对于边界参数需投影处理6.2 分位数匹配的优化实现通过最小化理论分位数与样本分位数差异 min∑[F^(-1)(p_i) - q_i]² 其中p_i可取等间距点如i/(n1)q_i为样本分位数 适用于有显式分位数函数的分布如Cauchy7. 多维分布的边缘与条件分布7.1 联合分布函数的分解对于(X,Y)的联合分布F(x,y)有边缘分布F_X(x) F(x,∞)条件分布F_{X|Y}(x|y)可通过极限定义 常考二维正态分布的情形涉及Schur补等矩阵知识7.2 Copula函数的应用Sklar定理指出任何联合分布可表示为 F(x,y) C(F_X(x), F_Y(y)) 其中C为copula函数。参数估计时通常先估计边缘分布再基于均匀变量估计copula参数在实际考试中我建议特别关注分布函数与密度函数的转换关系这是许多综合题的解题基础。对于参数估计问题要清楚区分矩估计、MLE和贝叶斯估计的不同前提假设。遇到混合模型时先明确组分分布类型再选择估计策略往往能事半功倍。