概率密度、密度函数、概率分布函数

定义

连续型随机变量

如果随机变量的所有可能取值不可以逐个列举出来 ，而是取数轴上某一区间内的任意点，
那么称之为连续型随机变量。 例如，一批电子元件的寿命，实际中常遇到的测量误差等都是连续型
随机变量。

概率密度

连续型随机变量 无法像离散型随机变量一样给出其取每一个点时的概率，那么换个思路，来研究随机变量落入 某个区间 [x1,x2]的概率 P(x1<X <=x2 ,) ,当区间[x1,x2] 接近无穷小时，使用概率密度来表示概率值

概率密度函数

给定已知随机变量区间（a,b），求对应f(x)区间面积

概率密度与概率密度函数

概率函数P(a <X b)看作曲线下的阴影面积，用数学公式描述就是一个积分形式

分布函数

已知概率密度f(x)的前提下，自变量为随机变量取值x

案例：python正态分布

def test_norm_pmf():
    mu = 0  # 均值
    sigma  = 1 # 标准差
    x = np.arange(-5,5,0.1)
    y = 1/(sigma * np.sqrt(2*np.pi))*np.exp((-(x-mu)**2)/(2*sigma*sigma))
    fig, (ax0,ax1) = plt.subplots(ncols =2,figsize = (10,5))
    # plt.Subplot(211  212)
    ax0.plot(x,y)
    ax1.plot(x,stats.norm.cdf(x))
    
    # 坐标轴细化
    ax0.set_title('N~(%.1f,%.1f)' % (mu,sigma))
    ax0.set_xlabel('x')
    ax0.set_ylabel('概率密度',fontsize=15)
    ax1.set_title('N~(%.1f,%.1f)' % (mu,sigma))
    ax1.set_xlabel('x')
    ax1.set_ylabel('概率分布',fontsize=15)

    fig.subplots_adjust(wspace= 0.4)
    plt.show()