{
  "id": "probability-density-function",
  "title": "概率密度函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "概率密度函数描述绝对连续的概率分布，对可能取值的集合积分即可得到相应概率。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "概率密度",
    "密度函数",
    "PDF"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/probability-density-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/probability-density-function/",
      "json": "https://aiwiki.page/en/probability-density-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "概率密度函数（PDF）是一个非负的函数，用于表示绝对连续随机变量的概率分布。它在某一区域上的积分，给出该变量落在这一区域内的概率。与赋予单个结果的概率不同，密度描述的是概率相对于长度、面积或更一般的参考测度如何分布。对于实值变量，概率对应于密度曲线下的面积，而不是曲线在某个点的高度。(online.stat.psu.edu)"
    },
    {
      "heading": "定义与解释",
      "text": "对于取值为实数的变量 \\(X\\)，其概率密度函数 \\(f_X\\) 满足\n\n\\[f_X(x)\\geq 0,\\qquad \\int_{-\\infty}^{\\infty}f_X(x)\\,dx=1.\\]\n\n对于任意可测集 \\(A\\)，\n\n\\[P(X\\in A)=\\int_A f_X(x)\\,dx.\\]\n\n特别地，\n\n\\[P(a\\leq X\\leq b)=\\int_a^b f_X(x)\\,dx.\\]\n\n非负性保证事件的概率不会为负；归一化条件保证变量落在整个取值范围内的概率为一。(online.stat.psu.edu)\n\n密度值本身并不是概率，可以大于一。例如，区间 \\([0,\\tfrac12]\\) 上的均匀分布在该区间内的密度处处为 \\(2\\)，在其他位置为零，但其曲线下的总面积仍为一。如果 \\(X\\) 有概率密度函数，那么对于每个单独的 \\(x\\)，都有 \\(P(X=x)=0\\)，因此区间是否包含端点不会改变其概率。这一点将概率密度函数与概率质量函数区分开来，后者直接为离散结果赋予概率。(online.stat.psu.edu)\n\n在 \\(f_X\\) 连续的位置，一个短区间的概率近似为\n\n\\[P(x<X\\leq x+\\Delta x)\\approx f_X(x)\\Delta x.\\]\n\n因此，密度的单位是变量单位的倒数：如果 \\(X\\) 以米为单位，其密度就以每米为单位。改变计量单位会改变密度曲线的高度，但相应事件的概率保持不变。(live.ocw.mit.edu)"
    },
    {
      "heading": "与累积分布函数的关系",
      "text": "累积分布函数（CDF）定义为\n\n\\[F_X(x)=P(X\\leq x).\\]\n\n对于具有概率密度函数的变量，\n\n\\[F_X(x)=\\int_{-\\infty}^{x}f_X(t)\\,dt.\\]\n\n因此，\\(P(a<X\\leq b)=F_X(b)-F_X(a)\\)。累积分布函数记录累积概率，而概率密度函数记录概率的局部密度。每个实值概率分布都有累积分布函数，但并非每个分布都有通常意义上的概率密度函数。(online.stat.psu.edu)\n\n它与微积分的联系可以表示为\n\n\\[f_X(x)=F_X'(x),\\]\n\n该等式几乎处处成立。在密度连续的点上，这一关系可直接由微积分基本定理得出。概率密度函数本身不一定连续，而且改变它在长度为零的集合上的取值，并不会改变相应的分布。因此，逐点取值不同的函数可以表示同一个密度。(live.ocw.mit.edu)"
    },
    {
      "heading": "数学上的存在条件",
      "text": "在测度论中，一个分布具有关于勒贝格测度的概率密度函数，当且仅当它关于该测度绝对连续。这意味着每个勒贝格测度为零的集合，其概率也为零。此时，概率密度函数就是拉东—尼科迪姆导数\n\n\\[f_X=\\frac{dP_X}{d\\lambda},\\]\n\n其中 \\(P_X\\) 是 \\(X\\) 的分布，\\(\\lambda\\) 是勒贝格测度。除去在零测集上的取值差异，概率密度函数是唯一确定的。(live.ocw.mit.edu)\n\n仅有连续的累积分布函数，并不能保证存在概率密度函数：奇异分布可以没有任何点质量，却将全部概率集中在长度为零的集合上。同样，同时包含点质量和绝对连续成分的混合分布，也无法完全用通常的勒贝格密度表示。相对于其他参考测度定义的密度提供了更广泛的框架。(live.ocw.mit.edu)"
    },
    {
      "heading": "示例与数字特征",
      "text": "正态分布的密度为\n\n\\[f_X(x)=\\frac{1}{\\sigma\\sqrt{2\\pi}} \\exp\\!\\left(-\\frac{(x-\\mu)^2}{2\\sigma^2}\\right), \\qquad \\sigma>0.\\]\n\n其中，\\(\\mu\\) 是均值，\\(\\sigma\\) 是标准差。其密度曲线呈钟形，关于 \\(\\mu\\) 对称，并且在整个实数轴上均为正。(itl.nist.gov)\n\n密度也决定期望值。对于可测函数 \\(g\\)，当期望存在时，\n\n\\[E[g(X)]=\\int_{-\\infty}^{\\infty}g(x)f_X(x)\\,dx.\\]\n\n取 \\(g(x)=x\\) 即得到均值。如果二阶矩有限，则方差为\n\n\\[\\operatorname{Var}(X)=\\int_{-\\infty}^{\\infty} (x-E[X])^2f_X(x)\\,dx.\\]\n\n这些公式以概率密度而非离散的概率质量对各个取值进行加权。(online.stat.psu.edu)"
    },
    {
      "heading": "联合密度与变量变换",
      "text": "\\(X\\) 和 \\(Y\\) 的联合概率分布可能具有密度 \\(f_{X,Y}(x,y)\\)。此时，概率由相应区域上的二重积分给出。对 \\(Y\\) 积分消去该变量，即可得到边缘密度\n\n\\[f_X(x)=\\int_{-\\infty}^{\\infty}f_{X,Y}(x,y)\\,dy.\\]\n\n在 \\(f_X(x)>0\\) 时，条件密度为\n\n\\[f_{Y\\mid X}(y\\mid x)=\\frac{f_{X,Y}(x,y)}{f_X(x)}.\\]\n\n当且仅当联合密度几乎处处等于各边缘密度的乘积时，统计独立性成立。(online.stat.psu.edu)\n\n密度会随变量变换而改变。如果 \\(Y=g(X)\\)，且 \\(g\\) 可逆、其反函数可微，则\n\n\\[f_Y(y)=f_X(g^{-1}(y)) \\left|\\frac{d}{dy}g^{-1}(y)\\right|.\\]\n\n导数的绝对值用于补偿区间的拉伸或压缩。对于具有多个反函数分支的变换，在换元公式适用的位置，需要将各分支的贡献相加。(online.stat.psu.edu)"
    },
    {
      "heading": "在统计推断中的作用",
      "text": "在统计学中，参数化密度 \\(f(x;\\theta)\\) 描述一个由参数 \\(\\theta\\) 索引的模型。对于独立观测值 \\(x_1,\\ldots,x_n\\)，似然函数为\n\n\\[L(\\theta)=\\prod_{i=1}^{n}f(x_i;\\theta).\\]\n\n最大似然估计选择使这一表达式达到最大值的参数值。同一个公式有不同的解释：作为密度时，参数固定，公式随可能的观测值变化；作为似然时，观测值固定，公式随参数变化。它并不是观测到某个确切的连续样本的概率。(itl.nist.gov)"
    }
  ],
  "links": [
    "mathematical-function",
    "random-variable",
    "probability-distribution",
    "integral",
    "probability",
    "real-number",
    "uniform-distribution",
    "probability-mass-function",
    "cumulative-distribution-function",
    "calculus",
    "fundamental-theorem-of-calculus",
    "measure-theory",
    "lebesgue-measure",
    "absolute-continuity",
    "normal-distribution",
    "standard-deviation",
    "expected-value",
    "variance",
    "joint-probability-distribution",
    "statistical-independence",
    "derivative",
    "statistics",
    "likelihood-function",
    "maximum-likelihood-estimation"
  ],
  "sources": [
    {
      "title": "online.stat.psu.edu/stat414/Lesson14",
      "url": "https://online.stat.psu.edu/stat414/Lesson14"
    },
    {
      "title": "live.ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/12b27e563…",
      "url": "https://live.ocw.mit.edu/courses/6-436j-fundamentals-of-probability-fall-2018/12b27e5630be533e1385ac142df8a70a_MIT6_436JF18_lec10.pdf"
    },
    {
      "title": "online.stat.psu.edu/stat500/Lesson03",
      "url": "https://online.stat.psu.edu/stat500/Lesson03"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda3661.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda3661.htm"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson20",
      "url": "https://online.stat.psu.edu/stat414/Lesson20"
    },
    {
      "title": "online.stat.psu.edu/stat414/Lesson22",
      "url": "https://online.stat.psu.edu/stat414/Lesson22"
    },
    {
      "title": "itl.nist.gov/div898/handbook/apr/section4/apr412.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/apr/section4/apr412.htm"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}