{
  "id": "probability-distribution",
  "title": "概率分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "概率分布描述概率如何分配给随机变量的可能取值或结果的可测集合。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "分布律"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/probability-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/probability-distribution/",
      "json": "https://aiwiki.page/en/probability-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "概率分布是对概率如何分配给随机变量各个可能取值的数学描述。它规定了各种事件的概率，例如计数结果等于三，或测量值落在某个区间内。概率分布是统计学的基础，用于描述变异性、支持根据观测结果进行推断，并为模拟提供模型。分布与从该分布中抽取的某个具体观测值并不相同。(online.stat.psu.edu)"
    },
    {
      "heading": "数学定义",
      "text": "对于定义在概率空间 \\((\\Omega,\\mathcal F,P)\\) 上的随机变量 \\(X\\)，其分布是在取值空间上的概率测度：\n\n\\[P_X(A)=P(X\\in A).\\]\n\n这里，\\(A\\) 属于由可测集合组成的σ代数。该分布为各个可测集合赋予非负概率，将整个取值空间的概率设为一，并对互不相交的可测集合满足可列可加性。不同的随机变量即使定义在不同的底层空间上，也可以具有相同的分布。(ocw.mit.edu)\n\n对于实值随机变量，累积分布函数（CDF）\n\n\\[F_X(x)=P(X\\leq x)\\]\n\n唯一确定其分布。累积分布函数单调不减且右连续；当 \\(x\\) 趋于负无穷和正无穷时，其极限分别为零和一。对于 \\(a<b\\)，\n\n\\[P(a<X\\leq b)=F_X(b)-F_X(a).\\]\n\n无论分布是否具有密度，这种表示都适用。(ocw.mit.edu)"
    },
    {
      "heading": "离散分布、连续分布与混合分布",
      "text": "离散分布将概率集中在有限个或可列无穷个取值上。其概率质量函数（PMF）为\n\n\\[p_X(x)=P(X=x),\\qquad \\sum_x p_X(x)=1.\\]\n\n集合的概率通过对其中各个取值的概率质量求和得到。例如，一枚均匀的六面骰子，为一到六中的每个整数赋予 \\(1/6\\) 的概率。其累积分布函数呈阶梯状递增，每次跳跃的幅度等于相应取值的概率。(online.stat.psu.edu)\n\n绝对连续分布具有概率密度函数（PDF）\\(f_X\\)，满足\n\n\\[f_X(x)\\geq0,\\qquad \\int_{-\\infty}^{\\infty}f_X(x)\\,dx=1.\\]\n\n区间的概率通过积分得到：\n\n\\[P(a<X\\leq b)=\\int_a^b f_X(x)\\,dx.\\]\n\n密度函数的高度本身不是概率，可以大于一。每个单独的点的概率都为零，但一个区间的概率可以大于零。(ocw.mit.edu)\n\n并非所有分布都是离散分布或绝对连续分布。混合分布可以同时包含点上的概率质量和密度；例如，一个模型可以为零赋予正概率，并将剩余概率分布在正值范围内。奇异连续分布具有连续的累积分布函数，但相对于通常的长度测度并不存在密度。这些区别可通过测度论加以严格表述。(ocw.mit.edu)"
    },
    {
      "heading": "常见分布族与参数",
      "text": "有名称的分布族刻画了特定的随机性模式。伯努利分布描述只有两种可能结果的情形，而二项分布描述在成功概率相同、次数固定的一系列独立试验中成功的次数。泊松分布描述取非负整数值的计数结果。连续分布族包括密度曲线对称且呈钟形的正态分布，以及取值范围为零到一区间的贝塔分布。(online.stat.psu.edu)\n\n指定参数后，一个分布族便确定为某个具体分布。参数可以控制位置、尺度或形状。位置参数使分布平移，而正的尺度参数使分布拉伸或压缩。对于正态分布，位置和尺度分别对应均值和标准差；但这种对应关系并非对所有分布族都成立。(itl.nist.gov)"
    },
    {
      "heading": "数字特征",
      "text": "期望值描述以概率为权重的平均值。当相应的和或积分存在时，对于离散随机变量，\n\n\\[E[X]=\\sum_x xp_X(x),\\]\n\n对于具有密度的随机变量，\n\n\\[E[X]=\\int_{-\\infty}^{\\infty}xf_X(x)\\,dx.\\]\n\n方差衡量取值围绕均值的离散程度：\n\n\\[\\operatorname{Var}(X)=E[(X-E[X])^2].\\]\n\n方差的平方根称为标准差。(ocw.mit.edu)\n\n其他特征包括中位数、分位数、对称性、偏度和众数的个数。这些特征从不同方面描述分布的位置、离散程度和形状。少数几个数值概括通常不足以确定完整的分布：不同分布可以具有相同的均值和方差，却为极端取值赋予截然不同的概率。(itl.nist.gov)"
    },
    {
      "heading": "多个变量与相依性",
      "text": "联合概率分布描述多个变量的整体分布。边缘分布分别描述各个变量，可通过对其他变量求和或积分、将其消去而得到。条件分布则描述在已知另一个变量的相关信息后，某个变量的分布。(ocw.mit.edu)\n\n统计独立性意味着联合概率可以分解为边缘概率的乘积。对于离散随机变量，有\n\n\\[p_{X,Y}(x,y)=p_X(x)p_Y(y).\\]\n\n协方差衡量一种特定形式的相依性，但协方差为零通常并不意味着相互独立。因此，仅凭边缘分布无法确定变量之间如何共同变化。(ocw.mit.edu)"
    },
    {
      "heading": "统计建模与推断",
      "text": "在实际应用中，分布往往是一种假定的模型，而不是观测数据的已知属性。建模包括选择合适的分布族并估计其参数，例如采用最大似然估计。分布假设是构建置信区间、进行统计假设检验和模拟实验的基础；这些假设是否适用，取决于数据和拟进行的计算。(itl.nist.gov)\n\n在贝叶斯推断中，先验分布表示纳入指定观测信息之前，对未知量的不确定性。将先验分布与观测模型相结合，便得到后验分布。这里，分布描述的是对参数的不确定性，而不仅仅是重复测量结果之间的变异性。(ocw.mit.edu)"
    }
  ],
  "links": [
    "probability",
    "random-variable",
    "statistics",
    "probability-space",
    "sigma-algebra",
    "cumulative-distribution-function",
    "probability-mass-function",
    "probability-density-function",
    "integral",
    "measure-theory",
    "bernoulli-distribution",
    "binomial-distribution",
    "poisson-distribution",
    "normal-distribution",
    "beta-distribution",
    "expected-value",
    "variance",
    "standard-deviation",
    "joint-probability-distribution",
    "statistical-independence",
    "covariance",
    "maximum-likelihood-estimation",
    "confidence-interval",
    "statistical-hypothesis-testing",
    "bayesian-inference",
    "prior-distribution",
    "posterior-distribution"
  ],
  "sources": [
    {
      "title": "online.stat.psu.edu/stat500/Lesson03",
      "url": "https://online.stat.psu.edu/stat500/Lesson03"
    },
    {
      "title": "ocw.mit.edu/courses/18-175-theory-of-probability-spring-2014/827332a721e47b09cb…",
      "url": "https://ocw.mit.edu/courses/18-175-theory-of-probability-spring-2014/827332a721e47b09cb0cbcfb4b60ecf6_MIT18_175S14_Lecture3.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson07",
      "url": "https://online.stat.psu.edu/stat414/Lesson07"
    },
    {
      "title": "ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/resources/mit6…",
      "url": "https://ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/resources/mit6_436jf18_lec10/"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda364.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda364.htm"
    },
    {
      "title": "ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/resources…",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/resources/lecture-videos/"
    },
    {
      "title": "itl.nist.gov/div898/handbook/ppc/section1/ppc131.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/ppc/section1/ppc131.htm"
    },
    {
      "title": "ocw.mit.edu/courses/18-05-introduction-to-probability-and-statistics-spring-202…",
      "url": "https://ocw.mit.edu/courses/18-05-introduction-to-probability-and-statistics-spring-2022/mit18_05_s22_lec07.pdf"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda365.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda365.htm"
    },
    {
      "title": "ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/e926c7b7f…",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/e926c7b7ff184dec8f275046f6f14662_MITRES_6_012S18_L20AS.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}