當累積分布函數為連續函數時候, 概率質量函數 PMF 不再适用, 因此就需要用積分(概率密度函數PDF)來計算概率. 在概率中， PDF 是 CDF 的微分， CDF 是 PDF 的積分， 觀察下面以标準正态分布為例的 PDF 與 CDF 關系動畫:
與PMF不同, 概率密度函數(Probability Density Function, PDF) f(x)與 dx的乘積約等于概率, 即 f(x) dx ≈ P(x<X<=x dx), 觀察下圖中的淺紅色陰影部分, 如果将該範圍内的PDF積分, 就會得到該範圍的概率.
連續型随機變量 X 具有如下的概率密度函數，則稱 X 服從[a,b]上的均勻分布（uniform distribution）,記作 X ~ U(a, b)
均勻分布的 PDF 和 CDF 如下:
正态分布是在統計以及許多統計測試中最廣泛應用的一類分布, 很多自然現象都服從正态分布. 若随機變量 X 服從一個位置參數為 μ 、尺度參數為 σ 的正态分布，記為：X ~ N(μ, σ²)
正态分布的數學期望值或期望值 μ 等于位置參數，決定了分布的位置；其方差 σ²的開平方或标準差 σ 等于尺度參數，決定了分布的幅度。觀察下面動圖:
μ=0 時, 繪制不同 σ 值的概率密度函數，同時顯示 CDF 等高線：
指數分布可以用來表示獨立随機事件發生的時間間隔, 比如旅客進入機場的時間間隔、打進客服中心電話的時間間隔等等. 若随機變量 X 服從參數為 λ 的指數分布，則記為 X~Exp(λ) . 其中 λ > 0 是分布的一個參數, 即每單位時間發生該事件的次數. 指數分布的區間是 [0,∞). 觀察下面指數分布的 PDF 與 CDF 動圖:
繪制不同 λ 值(0.1~5)的概率密度函數，同時顯示 CDF 等高線, 觀察下面動畫:
伽瑪分布有兩個: 參數 α 稱為形狀參數，β 稱為尺度參數, α>0, β>0.
在 CDF 等高線下，當 α=2 時, 不同 β 值的概率密度函數, 觀察下面動畫:
更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!
zpostcode 
Recruit 
weather 
mreligion 
Yellowpages 
sport 
constellation 
shopping 
name 
game 
directory 
literature 
Word 
tour 
furnish 
Lottery 
tftnews 
lyrics 
News 
digital 
car 
dir 
Edu 
Finance 
