【概率密度函数与分布函数的区别】在概率论与数理统计中，概率密度函数（PDF）和分布函数（CDF）是两个非常重要的概念，它们都用于描述随机变量的统计特性，但各自的作用和形式有所不同。理解两者的区别有助于更好地掌握随机变量的概率分析方法。
一、基本概念总结
| 概念 | 定义 | 表示方式 | 特点 |
| 概率密度函数（PDF） | 描述连续型随机变量在某一点附近的概率密度，不是直接的概率值 | $ f(x) $ | 非负，积分等于1；不能直接表示概率，需积分得到区间概率 |
| 分布函数（CDF） | 描述随机变量小于或等于某个值的概率 | $ F(x) = P(X \leq x) $ | 单调不减，右连续；定义域为全体实数 |
二、主要区别
| 区别点 | 概率密度函数（PDF） | 分布函数（CDF） |
| 适用对象 | 仅适用于连续型随机变量 | 适用于所有类型随机变量（连续或离散） |
| 数学表达 | $ f(x) $ | $ F(x) = P(X \leq x) $ |
| 是否可积 | 可以积分得到概率 | 直接给出概率值 |
| 图像形状 | 可能呈曲线，峰值代表高密度区域 | 通常为非递减曲线，可能有跳跃点（离散情况） |
| 导数关系 | 对CDF求导可得PDF（若存在） | PDF对x积分可得CDF |
三、实际应用中的对比
- 概率密度函数：常用于计算某一区间的概率，例如 $ P(a < X < b) = \int_a^b f(x) dx $。
- 分布函数：常用于求解随机变量小于等于某个值的概率，如 $ P(X \leq x) = F(x) $。
四、总结
虽然概率密度函数和分布函数都与随机变量的概率有关，但它们的侧重点不同：
- PDF 更关注“局部”概率密度的变化趋势；
- CDF 更关注“整体”概率的累积情况。
在实际问题中，根据需要选择合适的函数进行分析，能够更准确地理解和解释随机现象。