统计学基础：5分钟搞懂累积分布函数(CDF)与概率密度函数(PDF)的区别

统计学基础：5分钟搞懂累积分布函数(CDF)与概率密度函数(PDF)的区别

想象你站在一条蜿蜒的山路上，CDF就像你脚下的海拔高度计，告诉你已经爬过了多少路程；而PDF则是你此刻的坡度感受器，反映脚下每一步的陡峭程度。这两种函数构成了概率世界的"地形图"，让我们能精确导航随机变量的行为轨迹。

1. 核心概念拆解：从生活场景到数学语言

1.1 CDF：概率的累计账簿

累积分布函数(Cumulative Distribution Function)是随机变量X小于等于某值x的概率，记作F(x)=P(X≤x)。就像超市收银台的流水记录：

• 当x趋近于-∞时，F(x)=0（还没开始营业）
• 当x趋近于+∞时，F(x)=1（当日营业结束）
• 函数值永远单调不减（营业额不会倒扣）

典型特征：

import numpy as np
from scipy.stats import norm

x = np.linspace(-3, 3, 100)
cdf = norm.cdf(x)  # 标准正态分布CDF

这段代码生成的曲线会从0平稳上升至1，如同缓坡登山。

1.2 PDF：概率的瞬时速率

概率密度函数(Probability Density Function)是CDF的导数，描述概率分布的"浓度"。以体温分布为例：

• 36.5℃附近PDF值较高（多数人集中在此）
• 40℃以上PDF值极低（发烧人群稀少）
• 曲线下总面积恒为1（所有人都在统计范围内）

关键性质：

注意：PDF在某点的值不是概率，只有区间积分才有概率意义。就像车速表显示瞬时速率，只有乘以时间才能得到行驶距离。

2. 可视化对比：雨量统计的启示