设想一个返工场景 某团队验收单上写着「超标率 0.4」，计算口径是 P(0 < X < 2)——按例题 2 的阶梯，只盖住取值 1，0.4 无误；验收方却按「不超过 2」的口径读成 P(0 < X ≤ 2) = 0.7，两拨人对着同一份记录各执一词。两个数字都「算得对」，分歧全在端点归属。返工复盘后，该团队的记录单上加了一栏「区间口径」：闭、开、左闭右开三选一，谁签单谁注明。分布函数教给一线的，不只是计算，还有把口径写进单据的职业习惯。
🎯 本章学习目标
- 理解分布函数 F(x) = P(X ≤ x) 的定义和「累积概率」的含义。
- 掌握分布函数的四条基本性质，并能用它们判断一个函数能否作为分布函数。
- 会用分布函数算区间概率 P(a < X ≤ b) = F(b) − F(a)。
- 理解离散型分布函数是「阶梯」，连续型分布函数是「光滑曲线」。
- 掌握连续型下「分布函数与密度函数互为微积分逆运算」这一核心关系。
7.1分布函数的定义：累积概率
设 X 是一个随机变量（离散或连续都行），对任意实数 x，定义：
F(x) = P(X ≤ x)
称 F(x) 为 X 的分布函数（也叫累积分布函数）。
它到底在算什么？
F(x) 回答的是：「X 的取值不超过 x」的概率。它是一个「累积」的过程——随着 x 不断右移，你把越来越多的概率「扫」进来。
- 当 x 很小（比如 −∞），「X ≤ x」几乎不可能，F(x) 接近 0。
- 随着 x 增大，F(x) 单调上升，把概率一点点累积进来。
- 当 x → +∞，「X ≤ x」几乎必然发生，F(x) 趋近 1。
「累积」这个视角值得再往两个方向各推一步，它们都直接通向工程。
第一步：反过来看，得到「生存函数」。把 F(x) 从 1 里减出来，定义 S(x) = 1 − F(x) = P(X > x)，读作「X 超过 x 的概率」。寿命分析里它叫生存函数（survival function），可靠性工程里叫可靠度——「寿命超过 x 小时」的概率。人寿保险的存活曲线、质保期设定（「保 5 年」就是承诺 S(5) 足够高）、翻修间隔决策，全都在读这条 S(x) 曲线。F 与 S 是同一枚硬币的两面：一个向上累积「不超过」，一个向下衰减「仍超过」，工程文档里两套口径并行，看到 S 别慌——它就是 1 − F。
第二步：把定义里的「≤」掰开看。为什么用 P(X ≤ x)（含等号）而不用 P(X < x)？历史上有两派约定：概率论主流教材（以及我国教材）用「≤」，部分统计学与可靠性文献用「<」。两条约定对连续型随机变量毫无区别——恰在一点的概率为 0，等号写不写不改变数值；但对离散型是两套不同的函数：取「≤」时阶梯在取值点右连续、跳到「包含该点」的高度；取「<」时阶梯左连续、在取值点保持跳前的高度。本书沿用「≤」约定（右连续版），它与「跳跃高度 = 该点概率」的漂亮解读配套。读外文资料遇到分布函数时，先确认它的等号约定，再对照表格——这一步校对能省掉一类隐蔽的数值错误。
再预告一个 F(x) 的招牌应用——分位数（quantile）。把 F 当成「从概率找取值」的字典：给定概率 p，解方程 F(xp) = p 得到的 xp 叫 p 分位数。F 从 0 单调爬到 1，保证这方程「每个 p 都有解」。工程语言里分位数无处不在：载荷设计取「95% 概率不超过的载荷」（0.95 分位）、轴承寿命取「90% 批量能达到的寿命」（0.1 分位，行业里叫 L₁₀）、工资统计的中位数（0.5 分位）。F 正着读是概率，反着读是分位数——一张表两种用法，是分布函数被称为「全能工具」的原因。具体计算在 7.5 节例题里实练。
核心思想 分布函数把「随机变量」压缩成一条单调上升、从 0 到 1 的曲线。这条曲线完整地刻画了 X 的概率规律——它是离散、连续两种类型的统一语言。
🧠 一句话记忆 F(x) = P(X ≤ x) = 累积到 x 为止的概率。x 往右走，概率越攒越多，从 0 攒到 1。
再看一眼「累积」二字在工作现场的化身。质检班组的日报里常有一张「累积占比」表：缺陷数 0 那一行，是当天恰好 0 个缺陷批次的占比；把前两行加起来，是「不超过 1 个缺陷」的占比……把这一列累积占比对缺陷数画成折线，就是一张经验分布函数图——它是 F(x) 的「数据版」：理论分布函数刻画总体的累积规律，经验版刻画手头样本的累积事实。第 3 章的频率、第 5 章的事件概率，都还停留在「单点」层面；一旦把概率沿数轴累加成高度，一切关于「落在哪一段」的问题就都有了同一条曲线可查。这就是分布函数在整座概率大厦里的位置：向下承接概率公理，向上为「随机变量的函数、期望、极限定理」铺路。
读 F(x) 的两问习惯 拿到任何一个分布函数，先问两个问题：① 它在哪里跳？每处跳跃就是一个带概率的单点，跳多高、那点的概率就有多大。② 它在哪里爬？爬得陡的区段密度大、取值密集。带着这两问去读图 7-2、图 7-3、图 7-4：纯楼梯只跳不爬、纯斜坡只爬不跳、混合型又跳又爬，三副面孔一眼可辨——这个习惯会贯穿第 8、9 章的所有具体分布。取值点上千的密集离散场景（如掷十枚硬币的点数和），跳跃多到画不全，就改为只读平台位置与两端极限，跳高逐级验证交给表格。
7.2分布函数的四条性质
任何一个分布函数 F(x)，都必然满足下面四条性质。反过来，满足这四条的函数，一定能作为某个随机变量的分布函数——所以这四条既是「必要条件」，也是「充分条件」，是判断分布函数的「验尸报告」。
- 单调不减：若 x₁ < x₂，则 F(x₁) ≤ F(x₂)。（x 越大，累积概率只会多不会少。）
- 有界性：0 ≤ F(x) ≤ 1，且 F(−∞) = 0，F(+∞) = 1。（从无到有，累积到满。）
- 右连续：F(x) 在每一点右侧连续（离散型跳变点取「右端点」的值）。
- 区间概率公式：P(a < X ≤ b) = F(b) − F(a)。（用两个累积值相减，得到中间一段的概率。）
这四条性质不是「规定」，每一条都能从定义与概率公理推导出来。逐条走一遍，你会看到「累积曲线」的每一笔都有出处。
性质一的单调不减：来自事件包含
设 x₁ < x₂。事件「X ≤ x₁」发生时，「X ≤ x₂」必然发生——不超过较小者的数，当然也不超过较大者。用集合语言：{X ≤ x₁} ⊂ {X ≤ x₂}。而概率对包含关系单调（大事件至少装着小事件那么多的概率）：P(A) ≤ P(B) 当 A ⊂ B。于是 F(x₁) ≤ F(x₂)。注意结论是「不减」而非「严格增」：平台是允许的——若 (a, b] 内 X 没有任何取值概率，F 在这段就平着走。离散型分布函数大片平台、只跳台阶，正是这一条性质的画像。
性质二的两头极限：来自事件序列的收敛
「F(−∞) = 0」的严格版：考虑事件列 An = {X ≤ −n}。随着 n 增大，An 一个套一个地缩小（n 越大门槛越苛刻），最终缩成空集——任何实数都不小于一切 −n。概率对这种「单调收缩到空」的序列是连续的：P(An) → 0。所以 F(−n) → 0。同理 Bn = {X ≤ n} 单调膨胀到全空间，P(Bn) → 1，故 F(+∞) = 1。两头极限不是「曲线长得像」，而是事件序列跑到尽头时概率跟到底。这也顺便解释了「0 ≤ F ≤ 1」：F 是概率，天然落在 [0,1]。
性质三的右连续：跳跃点「向上取整」
看任意一点 x₀。让 h > 0 且一路减小：事件 {X ≤ x₀+h} 随 h 减小单调收缩，极限恰好是 {X ≤ x₀}（任何满足 X ≤ x₀ + 一切正数的样本点，必然满足 X ≤ x₀）。概率跟到底：F(x₀+h) → F(x₀)。这就是右连续。几何上，跳跃点处曲线「两值取高」：左极限 F(x₀−) = P(X < x₀)（跳前的高度，不含 x₀ 这一点），右端值 F(x₀) = P(X ≤ x₀)（含 x₀）。两者之差恰好是 P(X = x₀) ——单点概率。连续型无跳跃（F(x₀−) = F(x₀)，即 P(X=x₀)=0），离散型在取值点跳（7.5 节图 7-4 的实心点与空心点，画的就是这个约定）。
性质四：互斥拆分一步到位
「X ≤ b」可以无遗漏、不重复地拆成两块：「X ≤ a」和「a < X ≤ b」。两块互斥（一个数不能既 ≤ a 又 > a），概率相加：P(X≤b) = P(X≤a) + P(a<X≤b)，移项即 F(b) − F(a) = P(a < X ≤ b)。这条性质是 7.3 节的主角，推导留到那里展开。
为什么这四条还是「充分条件」？ 满足四条的函数，确实存在某个随机变量以它为分布函数——严格的构造属于测度论，工程学习者记住结论即可。它带来的实用价值是：拿到一个陌生函数想验证「是不是分布函数」，不必真的去找对应的随机变量，拿四条 checklist 逐条过就是完整的裁决。下面例题 1 就是一场完整的「体检」演示。
📐 例题 1 函数体检：四个候选，谁有资格当分布函数
判断下列函数能否作为某个随机变量的分布函数，说明每条判据的运用：
① F₁(x) = 1/(1+e−x)（x ∈ ℝ，sigmoid 函数）；
② F₂(x) = 0（x < 0）；sin x（0 ≤ x < π/2）；1（x ≥ π/2）；
③ F₃(x) = e−x（x ∈ ℝ）；
④ F₄(x) = x²（0 ≤ x < 2）；2（x ≥ 2）；0（x < 0）。
思路 对每个候选依次过四条判据：单调不减？夹在 0 与 1 之间、两头极限对？右连续？区间公式（此条由前三条自动保障）。任何一条爆掉即出局。
解 ① sigmoid：单调性最省事的证法是求导，F₁′(x) = e−x/(1+e−x)² > 0，严格递增 ✓；也可直观论证——e−x 随 x 增大而减小，分母变小、整个分数变大；x → −∞ 时 F₁ → 0，x → +∞ 时 F₁ → 1 ✓；初等函数处处连续，右连续自动成立 ✓。合格（这就是统计学里的逻辑斯谛分布）。② 分段拼接：每段都连续且递增；拼接点 x=0 处左值 0 = 右值 sin 0 = 0，x=π/2 处左极限 sin(π/2) = 1 = 右值 1，无跳无降 ✓；全程夹在 [0,1]、两头极限正确 ✓。合格——惊讶吗？正弦函数在有限区间上「裁剪拼接」后完全可以当分布函数，四条性质只看「累积曲线」的骨架，不挑函数出身。③ e−x：x → +∞ 时极限为 0 而非 1——累积半天把概率「越攒越少」，荒谬 ✓✗。出局（有界性爆掉；它其实更像一个生存函数 S(x)）。④ x² 在 (0,2) 上单调、连续都好，但 x ≥ 2 后恒为 2——超过 1，概率大于 1 直接违反公理。出局（同一个函数若把定义域压到 (0,1) 就转正——0.99 的差距全在边界）。
答：①②合格，③④非法。 ⚠ 易错点：判定最常翻车在「边界」——③ 死在极限、④ 死在上界，函数「主体形状好看」救不了边界。机械对策：任何候选函数，先算 F(−∞)、F(+∞)、最大值三样，再谈其他。② 还提醒一个细节：分段函数必须逐段检查拼接点，跳跃方向必须向上、且跳后取右端值。
核心思想 这四条性质是分布函数的「体检标准」。前三条保证它长得像「从 0 到 1 的累积曲线」，第四条给了它最实用的用法——算区间概率。
🧠 一句话记忆 单调不减、两头 0 和 1、右连续、区间相减。四条全满足，才是合格分布函数。
把四条性质当「验算器」用 四条性质不只是考题清单，更是日常工作流：每拿到一个候选 F（来自推导、拟合或文献查表），先跑三步体检——① 抽两个点验证单调不减；② 查两端极限 0 与 1；③ 在每个拼接点验证右连续（离散型平台交界尤其要查）。三步都过，才允许进入概率计算。例题 1 里两个候选被当场淘汰，用的正是这套流程：性质检查的花费以秒计，而带着非法 F 算出的「概率」——超 1、为负、自相矛盾——返工代价以小时计。先验身份，再用它算账，是概率计算与工程计算共有的纪律。
再品一层对称性：性质二管两端的行为（−∞ 压到 0，+∞ 顶到 1），性质三管每一点的微观行为（右侧贴住、左侧允许断开），性质一、四管局部与整体的关系（任意两点间不减、任意区间可减出概率）。四条合起来，把一条曲线「从头到尾、从宏观到微观」约束得严严实实；反过来，凡满足这四条的曲线，数学上必存在一个随机变量恰以它为分布函数——例题 1 之后那条「充分性」注记的分量就在这里：四条性质不是「必要条件的罗列」，而是一张完整的身份证，验真即可录用。
7.3用分布函数算区间概率
分布函数最大的实际用途，就是快速算「X 落在某区间」的概率。核心公式：
P(a < X ≤ b) = F(b) − F(a)
为什么成立？因为事件「X ≤ b」可以拆成「X ≤ a」和「a < X ≤ b」两个互斥部分的并。于是 P(X ≤ b) = P(X ≤ a) + P(a < X ≤ b)，移项即得 F(b) − F(a) = P(a < X ≤ b)。
由此还能推出几个常用变体：
- P(X > a) = 1 − F(a) （「超过 a」= 1 减去「不超过 a」）
- P(X = c) = F(c) − F(c−) （恰好在 c 点的概率 = 分布函数在 c 处的「跳跃高度」）
最后一条很有意思：分布函数在某点的跳跃，就等于该点的概率。离散型分布函数在取值点会「跳」，跳多高，就是那个值被取到的概率多大；连续型分布函数连续不跳，所以单点概率为 0——和第 6 章完美呼应。
把端点管到底：变体公式与「左极限」
F(a) 用的是「≤」，遇到含 < 或 ≥ 的区间就得请出左极限：F(a−) = P(X < a)，即 a 处「跳之前」的高度。四个常用变体一次备齐（推导全是「互斥拆分+移项」）：
- P(X > a) = 1 − F(a) （超过 a 的全体，是不超过 a 的对立面）
- P(X ≥ a) = 1 − F(a−) （注意！「≥ a」要把 a 本身也算上，减掉「< a」才对——直接写 1 − F(a) 会把 P(X=a) 误伤掉）
- P(a ≤ X ≤ b) = F(b) − F(a−) （左端取闭，就从「a 之前」减起）
- P(a < X < b) = F(b−) − F(a) （右端取开，就只减到「b 之前」）
对连续型，F 处处无跳跃，F(a−) = F(a)，四个变体全部坍缩成「F(大) − F(小)」，怎么写都不会错；对离散型，跳跃点就是雷区，端点差一个符号就差出一整截概率——第 6 章「端点无所谓」只对连续型成立的账，这里正式结清。
📐 例题 2 阶梯分布函数上的四连问
设随机变量 X 的分布函数为 F(x) = 0（x < 0）；0.3（0 ≤ x < 1）；0.7（1 ≤ x < 2）；1（x ≥ 2）。求：(1) P(0.5 < X ≤ 1.5)；(2) P(X = 1)；(3) P(X > 1)；(4) P(0 ≤ X < 2)。
思路 先画阶梯图：x=1 处从 0.3 跳到 0.7，x=2 处从 0.7 跳到 1，其余平台。(1) 直接套 F(b)−F(a)；(2) 套跳跃公式 F(1)−F(1−)；(3) 套 1−F(1)；(4) 注意右端是开区间，必须用左极限 F(2−)。
解 (1) P(0.5 < X ≤ 1.5) = F(1.5) − F(0.5) = 0.7 − 0.3 = 0.4。(2) P(X = 1) = F(1) − F(1−) = 0.7 − 0.3 = 0.4——1 处的跳高恰是「X 恰为 1」的概率。(3) P(X > 1) = 1 − F(1) = 1 − 0.7 = 0.3（「> 1」不含 1 本身，直接减 F(1) 正确）。(4) P(0 ≤ X < 2) = F(2−) − F(0−) = 0.7 − 0 = 0.7——右端开区间，只能减到「2 之前」的高度 0.7；若误写成 F(2) − F(0) = 1 − 0.3 = 0.7，数值碰巧相同，但逻辑上把 P(X=2)=0.3 错误计入——把端点换成 [0, 2) 对比 (2, 3] 就会暴露。反向拆解验证：由跳跃读出分布律 P(X=0)=0.3、P(X=1)=0.4、P(X=2)=0.3，逐题直接数概率：(1) 只能取 1 → 0.4 ✓；(2) 0.4 ✓；(3) 只能取 2 → 0.3 ✓；(4) 取 0 或 1 → 0.7 ✓。两套算法四个答案全对上。
答：0.4；0.4；0.3；0.7。 ⚠ 易错点：(4) 的开区间必须动用左极限，这一步是「F(b)−F(a) 万能化」失败的典型现场。阶梯题的保底手段是「由跳跃反推分布律、再用分布律直接数」——两法互检，任何端点纠纷立刻现形。
辨析：P(X = c) 在两个世界的待遇 同一条公式 P(X = c) = F(c) − F(c−)，在连续型恒为 0、在离散型可以很大——分歧不在公式，而在 F 有没有跳跃。连续型 F 是光滑斜坡，左极限等于函数值，差为零；离散型 F 是楼梯，取值点两级台阶高差恰是概率。所以「单点概率为 0」不是连续型的额外假设，而是「F 无跳跃」这一几何事实的代数读数。反过来，只要你在某个分布函数上看到一处跳跃，就立刻知道：那里埋着一个「有分量的单点」——7.5 节末尾的混合型分布将把这两副面孔合在一条曲线上。
🧠 一句话记忆 区间概率 = 大累积减小累积；单点概率 = 分布函数的「跳跃高度」。
这组变体公式最大的实战价值，是把所有口径统一到一种写法：不论区间端点是开是闭、方向朝左朝右，先机械地换算成「F 的大减小」再动笔。推荐的双保险动作是：公式算一遍、再看区间盖住了哪些离散取值点数一遍——例题 2 四连问里，两套方法各自独立给出了相同答案；离散型题目加上这道复核，几乎没有失手的余地。连续型虽然端点「无所谓」，但书写口径仍要保持严谨：P(a < X ≤ b) 与 P(a ≤ X ≤ b) 数值相同、含义不同，报告里写清楚，比数值本身更能体现专业。还有个小技巧值得带走：凡拿不准的端点，把目标概率改写成 F 语言再对照分布律数一遍——两步之后，端点争议都汇拢到「< 与 ≤ 之差」这一个小口子里，对错一目了然。
7.4离散型的分布函数：阶梯
离散型随机变量的分布函数，长得像一段阶梯——每到一个可能取值，就向上跳一次，跳的高度等于该值的概率 pk，然后保持水平，直到下一个取值。
以「掷骰子」为例，X 取 1 到 6 各概率 1/6。那么 F(x) 在 x=1 处跳到 1/6，x=2 处跳到 2/6，……直到 x=6 处跳到 1。中间任何「不是取值点」的地方，F(x) 都保持上一个水平——因为在两个取值之间，「X ≤ x」并没有新增任何概率。
📐 例题 3 从分布律到分布函数：把楼梯一层层砌出来
某检验流程中随机变量 X 的分布律为 P(X=1)=0.1，P(X=2)=0.3，P(X=3)=0.4，P(X=4)=0.2。(1) 写出 F(x) 的分段表达式；(2) 求 P(1.5 < X ≤ 3.5) 与 P(X ≥ 3)；(3) 验证 F 在 x=3 处的跳跃高度恰为 P(X=3)。
思路 楼梯从 0 地平线起步：每到下一个取值点，把累积和「顶」到当前高度。分段区间一律「左闭右开」[xk, xk+1)。
解 逐点累积：F 在 [1,2) 上 = 0.1；[2,3) 上 = 0.1+0.3 = 0.4；[3,4) 上 = 0.4+0.4 = 0.8；[4, ∞) 上 = 0.8+0.2 = 1。完整表达：F(x) = 0（x < 1）；0.1（1 ≤ x < 2）；0.4（2 ≤ x < 3）；0.8（3 ≤ x < 4）；1（x ≥ 4）。(2) P(1.5 < X ≤ 3.5) = F(3.5) − F(1.5) = 0.8 − 0.1 = 0.7（覆盖取值 2 和 3：0.3+0.4=0.7 ✓）；P(X ≥ 3) = 1 − F(3−) = 1 − 0.4 = 0.6（取值 3 与 4：0.4+0.2=0.6 ✓——「≥」含 3 本身，动用左极限）。（3）F(3) − F(3−) = 0.8 − 0.4 = 0.4 = P(X=3) ✓——跳高即概率，楼梯不会说谎。
答：分段如解；P(1.5 < X ≤ 3.5) = 0.7，P(X ≥ 3) = 0.6；跳跃验证 0.4 = P(X=3)。 ⚠ 易错点：写分段时最常见的两个坑——分段区间误写成「左开右闭」（会让跳跃位置错一格，F(3) 变成 0.4 而非 0.8，所有含端点的计算连错）；以及最后一段忘并到 1。防错动作：写完立刻自查「每个取值点 k 上，F(k) 是否等于前 k 个概率之和」。
注意到一个双向的事实：分布律与分布函数互相唯一确定。由分布律按「累积和」砌出 F；反过来由 F 的「跳跃差」逐层减出分布律（例题 2 反向拆解正是这套操作）。两套档案一字不差地翻译互换，谁也不比谁多一分信息——但读法各有主场：算「恰好某值」查分布律最快，算「不超过某值/落在某段」查分布函数最快。工程报告里常见的「累计不合格率曲线」，就是离散分布函数的化身：横轴缺陷数、纵轴「不超过该缺陷数的概率」，一张图读尽批次质量。生产周报里它常与「本批合格率」并列——前者是 F 型的累积语言，后者是单点概率语言，两列对照着读，「存量」与「流量」就都齐了。
核心思想 离散型的阶梯形状，是「概率只能在离散点上存在」的直接体现：有取值点的地方才累积，没取值点的地方概率为 0，曲线自然平着走。阶梯的跳跃高度之和 = 1，正好对应 Σpₖ = 1。
🧠 一句话记忆 离散分布函数 = 上楼梯：到取值点就上一级，级高 = 该点概率。
砌楼梯的三个要点 由分布律写 F，背熟三个要点基本不会错：① 地平线起步：第一个取值点之前 F = 0；② 左闭右开：平台写成 [xk, xk+1)，跳跃「踩在」取值点上——F(xk) 必须等于「含 xk 在内的前 k 项概率和」；③ 天台收尾：自最后一个取值点起 F = 1，平着贴 1，绝不把最后一段表达式延伸出去。写完自查「每个取值点的高度 = 前缀概率和」，例题 3 的三问即自动全对。
顺带把「档案语言」的地图补全。至此你手里已有两套专业档案——分布律（离散型专用）与密度（连续型专用），外加一套双方通用的总档案 F(x)。第 6 章说过「密度是连续型的分布律」，本章补上另一半：F 是两者的公共上层——离散型从 F 减出跳跃就是分布律（例题 2 的反向拆解），连续型对 F 求导就是密度（例题 5）。一套 F，两个方言区各自转译；第 8 章的伯努利分布、几何分布，第 9 章的指数分布、正态分布，都只是往这套框架里填入具体形状而已。
7.5连续型的分布函数：与密度的关系
连续型随机变量 X 有密度函数 f(x)，它的分布函数是「密度从 −∞ 到 x 的累积积分」：
F(x) = ∫−∞x f(t) dt
反过来，在 f 连续的点上，对 F 求导就得到密度：
F′(x) = f(x)
📐 例题 4 由密度砌分布函数：从 f(x) = x/2 出发
连续型随机变量 X 的密度为 f(x) = x/2（0 < x < 2），其余处为 0。(1) 写出 F(x) 的分段表达式；(2) 求 P(0.5 < X ≤ 1)；(3) 检查 F 的三条「体检指标」：单调不减、两头极限、右连续。
思路 F(x) = 从 −∞ 到 x 的积分。密度在三个区域不同（0 前、(0,2) 内、2 后），分段积分后拼接。
解 (1) x < 0 时密度为 0，积不出东西，F = 0；0 ≤ x < 2 时 F(x) = ∫₀ˣ (t/2) dt = x²/4；x ≥ 2 时把全部概率攒满，F = 1。完整答案：F(x) = 0（x < 0）；x²/4（0 ≤ x < 2）；1（x ≥ 2）。(2) P(0.5 < X ≤ 1) = F(1) − F(0.5) = 1/4 − (0.5²)/4 = 0.25 − 0.0625 = 0.1875；用密度直接积分复核：∫₀.₅¹ (x/2) dx = (1/4)(1² − 0.5²) = 0.1875 ✓。(3) x²/4 在 [0,2] 上递增 ✓；F(0)=0、F(2)=1，两头极限正确 ✓；初等函数处处连续（含拼接点：x=0 处两侧值同为 0，x=2 处两侧值同为 1）✓——三项全过，这份 F 合格。
答：F(x) = x²/4（0 ≤ x < 2），两端各接 0 与 1；P(0.5 < X ≤ 1) = 0.1875。 ⚠ 易错点：分段区间最容易写错的是「x ≥ 2 时 F = 1」——有人写成 x²/4 一路算到 4/4，虽在 x=2 处恰好为 1，但 x=3 时会给出 9/4 这种「概率大于 1」的灾难。记住：密度为零的右半轴上，F 只能平着贴 1，不是把表达式无限延伸。
📐 例题 5 由分布函数反求密度：指数型的寿命账本
某型设备的寿命 X（单位：小时）的分布函数为 F(x) = 1 − e−x/100（x ≥ 0），F(x) = 0（x < 0）。(1) 求密度 f(x)；(2) 求 P(X ≤ 50)、P(X > 200)、P(50 < X ≤ 100)；(3) 用生存函数读出「存活过 200 小时」的概率。
思路 (1) 在 F 可导的区间上 f = F′；(2) 区间概率全走 F(b) − F(a)；(3) 生存函数 S(x) = 1 − F(x)。
解 (1) x > 0 时 F′(x) = (1/100)e−x/100（对 e 的复合函数求导，链式系数 1/100 与负号抵消后恰留正号），x < 0 时 F 恒为 0、密度为 0；f(x) = (1/100)e−x/100（x > 0）。归一校验：∫₀^∞ (1/100)e−x/100dx = 1 ✓。(2) P(X ≤ 50) = F(50) = 1 − e−0.5 ≈ 0.3935；P(X > 200) = 1 − F(200) = e−2 ≈ 0.1353；P(50 < X ≤ 100) = F(100) − F(50) = (1 − e−1) − (1 − e−0.5) = e−0.5 − e−1 ≈ 0.6065 − 0.3679 = 0.2387。(3) S(200) = 1 − F(200) = e−2 ≈ 0.1353——与 (2) 中「超过 200」同一个数，一次计算两种口径。这个「e 的负指数」形状就是第 9 章的指数分布，它是寿命类现象的头号模型，尺度参数 100 小时刻画了概率衰减的快慢。
答：f(x) = (1/100)e−x/100（x > 0）；三个概率依次 ≈ 0.3935、0.1353、0.2387。 ⚠ 易错点：链式求导时漏掉内层系数会得到 e−x/100（积分为 100，归一爆表）——密度与分布函数的换算，务必用「积回去等于 1」做一票否决校验。另外 e−0.5 ≈ 0.6065、e−1 ≈ 0.3679、e−2 ≈ 0.1353 这三个值在寿命计算里出场率极高，值得记住量级。
📐 例题 6 分位数实战：中位数与 L₁₀ 型指标
承例题 4 的 F(x) = x²/4（0 ≤ x < 2）。(1) 求中位数 x0.5；(2) 求 0.9 分位数 x0.9；(3) 工程角度：这个量在「90% 的产品寿命不低于 L」式的指标里扮演什么角色？
思路 分位数 = 解方程 F(xp) = p；本例 F 在 (0,2) 内连续且严格增，方程有唯一解。
解 (1) 令 x²/4 = 0.5，得 x² = 2，x0.5 = √2 ≈ 1.414。(2) 令 x²/4 = 0.9，得 x² = 3.6，x0.9 = √3.6 ≈ 1.897。(3) 「90% 的个体不低于 L」说的是 P(X ≥ L) = 0.9，即 F(L) = 0.1，L 就是 0.1 分位数。轴承行业的「基本额定寿命 L₁₀」、结构件的「B 基准强度」，本质上都是在分布函数曲线上反向查这个低分位点。F 正查是概率、反查是分位数，一个方程两个方向；设计选材时说的「以 95% 置信保证 90% 分位」，就是先有分布函数、再反查关键点这条流水线。
答：x0.5 = √2 ≈ 1.414；x0.9 = √3.6 ≈ 1.897；低分位数（如 L₁₀）对应「批量保底指标」。 ⚠ 易错点：分位数方程必须先确认 F 在目标区间内连续且严格增（离散型会在平台上「无解或一堆解」，届时分位数按惯例取平台左端）；另外「90% 不低于」对应 0.1 分位而非 0.9 分位——「不低于」把概率堆在右侧，左边只剩 0.1，方向反了会差出一个分布。
为什么寿命指标偏爱分位数而不是平均值 寿命类分布往往「右偏」——少数长寿个体把平均值拉高，平均值常常落在六七成个体都活不到的位置，拿它当「典型寿命」会系统性高估。分位数不受极端值拉扯：中位数是「一半个体能达到」的寿命，L₁₀ 是「九成保底」，各自回答一句明确的管理问题。工程指标的本质，是把分布函数曲线上的一个点，翻译成一句可执行的话——这正是 F「反查」（分位数）功能的日常用法。
更一般的分布函数：斜坡与跳跃同台
至此你见过了纯斜坡（连续型）与纯楼梯（离散型），但分布函数的一般形态是两者混合。举一个工程味十足的模型：某检修服务的响应时间 X——两成请求派单即响应（响应时间恰为 0，一个跳跃）；三成先排队、在一两分钟内密集到达（一段斜坡）；两成恰好在第 3 分钟被批处理截住（又一次跳跃）；三成在三四分钟之间陆续到达（又一段斜坡）。它的分布函数一段平、一段爬、再一段跳、再一段爬，「楼梯」和「斜坡」在同一条曲线上交替出现。
数学上有个漂亮的总结论：任何分布函数都能唯一分解为「连续爬升 + 至多可数个台阶」——纯粹的斜坡与纯粹的楼梯是它的两个特例，例题 5 的光滑曲线与图 7-2 的楼梯各占一端。现实数据里混合形态相当常见：检测仪器有检出下限时，低于下限的样本统统记成「未检出」，分布函数就在下限处堆出一个跳跃；审批流程有固定时限时，超时件被统一截断，右端又是一个台阶。看到现实数据，脑中先画 F(x)——有跳跃想「那里聚着什么」，有斜坡想「这段密度什么样」，这一步习惯，是从「会算分布」到「会读分布」的分水岭。
核心思想 连续型下，分布函数和密度函数是「微积分基本定理」的一对搭档：积分把密度变成分布函数（累积），求导把分布函数变回密度（还原）。这和「速度积分得路程、路程求导得速度」是同一个逻辑——分布函数是「累积量」，密度是「瞬时速率」。
🧠 一句话记忆 F = ∫f（积上去），f = F′（导下来）。分布函数是累积，密度是速率。
数据侧还有一层呼应。把 n 个样本从小到大排成 x(1) ≤ x(2) ≤ … ≤ x(n)，把「不超过 x 的样本占比」记作 Fn(x)——它恰是一条混合型的经验阶梯：每个样本点处跳 1/n，其余平走。样本量一大，Fn 就贴着真实 F 越来越紧（数学上的格利文科–坎泰利定理保证了这种贴合的一致性，第 11 章大数定律还会回头照应它）。于是「从数据估分布」的路线图清晰可见：画经验阶梯 → 看形状（跳多还是爬多）→ 选模型（离散、连续还是混合）→ 定参数 → 用数据回头校验。图 7-4 的读图训练，正是为这条路线图的第一步准备的。
截尾数据的两次踩坑 工程数据常带「左截尾」：仪表检出下限以下的样本只报「未检出」，真值不明。第一次踩坑是把这些样本当 0 算——均值被拉低、F 在下限处被人为堆高；第二次踩坑是直接扔掉——剩下的样本悄悄换成了「已知超过下限」条件下的分布。正解是把「未检出」当作一个带概率的跳跃放进 F：下限处的跳高等于未检出占比，超出下限的样本照常拟合斜坡——图 7-4 的混合型形态，恰好就是这类数据的标准画像。拿到数据先问「有没有被截断」，这一问能挡掉可靠性统计里一半的错误结论。
分位数表的读法 统计手册里的「分位数表」（正态表、t 表、χ² 表）就是分布函数表的另一副排版：正查给概率查分位，反查给分位查概率。读表时先确认表是「累积向下」还是「累积向上」排版——手册的「右侧面积 0.1」就是「P(X > x0.9) = 0.1」，换算成 F 语言即 x0.9 分位点。把查表这道工序翻译成 F(x) 语言之后，无论换哪本手册、哪种排版，都只是「换个方向读同一条曲线」，不会再有查错行、读错列的事故。
F(x) 在工具链里的存法 工程软件从不存「整条曲线」，存的是它的生成方式：离散型存一张「取值—概率」表（恰是分布律）；连续型存参数（如例题 5 的指数型只存尺度 100 小时）；混合型两样都存——一张表加一段参数。算区间概率时，再按需现算 F。这也解释了为什么例题 3、例题 5 那样「来回转译」是基本功：表、参数、F 三种形态自由换算，才能既读得懂手册、也写得出代码。顺带留意例题 5 的 F = 1 − e−x/100：它有个著名的性质「已经活了 t 小时，再活 s 小时的概率与 t 无关」（第 9 章的无记忆性），指数形状正是从这条性质「长」出来的。
本章小结
- 分布函数 F(x) = P(X ≤ x)，是「累积概率」，从 0 单调升到 1。
- 四条性质：单调不减、有界（0≤F≤1，两头 0 和 1）、右连续、区间概率 F(b)−F(a)。
- 算区间概率：P(a<X≤b)=F(b)−F(a)；P(X>a)=1−F(a)；单点概率 = 分布函数的跳跃。
- 离散型：分布函数是阶梯，跳跃高度 = 该点概率。
- 连续型：F(x)=∫₋∞ˣf(t)dt，且 F′(x)=f(x)——分布函数与密度函数互为微积分逆运算。
- 变体公式：含 <、≥ 的端点动用左极限 F(a−)=P(X<a)——P(X≥a)=1−F(a−)、P(a≤X≤b)=F(b)−F(a−)；连续型下 F(a−)=F(a)，全部坍缩为「F 的大减小」。
- 分位数与生存函数：xp 满足 F(xp)=p；中位数、L₁₀ 类「批量保底」指标都是分位数；S(x)=1−F(x) 读「存活」概率。
- 混合型：一般分布函数 = 连续爬升 + 至多可数个台阶；跳跃是单点概率，斜坡是密度累积，也是截尾数据的标准画像。
| 离散型 | 连续型 | 混合型 | |
|---|---|---|---|
| 专业档案 | 分布律 pk | 密度 f(x) | 部分点带概率 + 部分段带密度 |
| F 的形状 | 纯楼梯（只跳不爬） | 纯斜坡（只爬不跳） | 平段、跳跃、斜坡交替（图 7-4） |
| P(X = c) | 跳高，可为正数 | 恒为 0 | 跳跃点为正、其余为 0 |
| 由 F 反推档案 | 减出跳跃 = 分布律 | 求导得密度 | 减跳跃 + 求导，两样都做 |
| 区间概率 | 一律 F(b)−F(a)，端点开闭用左极限 F(a−)、F(b−) 校准 | ||
这张表是全章的浓缩：拿到任何随机现象，先问「单点概率立不立得住」（离散、连续还是混合），再选档案、写 F、算概率。第 8、9 章将带着这张表逐格填入具体分布，第 10 章的期望则对三种形态给出统一的求和与积分定义——分布函数搭好的骨架，后面几章都在上面长肉。
读完本章，你应该能……
- 写出分布函数的定义，并用「累积概率」解释它。
- 默写分布函数的四条性质，并判断一个给定函数能否作为分布函数。
- 用 F(b)−F(a) 计算区间概率，并解释它为什么成立。
- 说出离散型分布函数的阶梯形状，以及「跳跃高度=概率」的含义。
- 写连续型下 F 与 f 的积分/求导关系，并类比「路程与速度」。
- 用左极限 F(a−) 处理含 ≥、< 的端点，并说出它在连续型下为何「消失」。
- 由密度积分写出 F（例题 4），由 F 求导反出密度（例题 5），并各自完成归一校验。
- 解分位数方程 F(xp)=p，并解释 L₁₀ 与「90% 保底」为何对应低分位点。
思考题
1. 为什么说分布函数是离散型和连续型的「统一语言」？
提示：无论离散还是连续，F(x)=P(X≤x) 都有定义，且都满足同样的四条性质。它不区分「点概率」还是「密度」，用一条曲线统一刻画所有随机变量。
2. 已知 F(x)，如何求 P(X = 3)？这个量在离散型和连续型下分别等于什么？
提示：P(X=3)=F(3)−F(3−)（分布函数在 3 处的跳跃）。离散型可能是正数（跳跃高度），连续型恒为 0（无跳跃）。
3. 连续型随机变量 X 的密度 f(x)=2x（0<x<1），求分布函数 F(x) 和 P(0.5 < X ≤ 0.8)。
提示：F(x)=∫₀ˣ2t dt=x²（0<x<1）。P(0.5<X≤0.8)=F(0.8)−F(0.5)=0.64−0.25=0.39。
4. 分布函数「右连续」在离散型阶梯上体现在哪？为什么跳跃点取「右边的值」？
提示：因为定义是 F(x)=P(X≤x)，用的是「小于等于」。跳到 xₖ 后，x=xₖ 这一点的概率已经包含进来了，所以取跳后的高度（右端值）。
5. 已知 F(x)=x²（0<x<1，两端各接 0 与 1），求 P(X > 0.5)，并反求密度 f(x)。
提示：P(X>0.5)=1−F(0.5)=1−0.25=0.75。密度是 F 的导数：f(x)=2x（0<x<1）。正查 F 得概率、求导 F 得密度——一条曲线两张读取方式。
6. 阶梯分布函数上的「平台段」意味着什么？如果某段 F 一直等于 0.7 没动，这个区间里的概率是多少？
提示：平台=没有累积的概率=这段区间上概率为 0（X 几乎不落在开区间内）。区间概率=F(右)−F(左)=0.7−0.7=0。
7. 某型设备寿命 X（小时）的分布函数 F(x)=1−e−x/500（x≥0）。行业指标 L₁₀ 要求「90% 的设备寿命不低于 L」，求 L。
提示：P(X≥L)=0.9 即 F(L)=0.1，解 1−e−L/500=0.1 得 L=−500·ln0.9≈52.68 小时。低分位点撑起「批量保底」类指标。