概率密度函数英文解释翻译、概率密度函数的近义词、反义词、例句

英语翻译：

【化】 frequency function; probability density function

probability
【化】 probability
【医】 probability
【经】 probability

【计】 density function
【化】 density function; frequency function
【经】 density function

概率密度函数（Probability Density Function，简称PDF）是概率论与统计学中的核心概念，用于描述连续型随机变量在不同取值处的概率分布强度。其定义为：若随机变量(X)的累积分布函数（CDF）(F(x))可导，则其概率密度函数满足

f(x) = frac{d}{dx}F(x),

且满足非负性（(f(x) geq 0)）和全域积分为1（(int_{-infty}^{infty} f(x)dx = 1)）。

CDF描述随机变量小于等于某值的概率，而PDF通过微分CDF得到，反映概率的“密度”而非直接概率值。例如，CDF在(x)处的值为(P(X leq x))，而PDF的峰值对应概率密度最高的区域。

权威参考资料：

概率密度函数（Probability Density Function，简称PDF）是描述连续型随机变量概率分布的核心工具。以下是详细解释：

基本定义概率密度函数是一个非负可积函数$f(x)$，满足： $$ int_{-infty}^{+infty} f(x)dx = 1 $$ 其核心作用是描述随机变量在某个取值点附近的概率密集程度。
核心特性

与概率的关系注意概率密度函数值本身不是概率，只有对区间积分后才得到概率。例如身高在170-175cm的概率需要积分计算，而单点（如身高=170cm）的概率为0。
典型应用场景

与累积分布函数（CDF）的关系 CDF是PDF的积分：$F(x) = P(X leq x) = int_{-infty}^{x} f(t)dt$，而PDF是CDF的导数：$f(x) = frac{d}{dx}F(x)$。

例如正态分布的PDF为： $$ f(x) = frac{1}{sigmasqrt{2pi}} e^{-frac{(x-mu)}{2sigma}} $$ 其中$mu$为均值，$sigma$为标准差。