概率分布函数（Probability Distribution Function，简称PDF）和概率密度函数（Probability Density Function，简称CDF）都是用来描述随机变量概率分布的工具，但它们适用于不同类型的随机变量，并且具有不同的特性和用途。
概率分布函数（CDF）
概率分布函数是描述离散型随机变量概率分布的函数。对于离散型随机变量，每个自变量的取值都对应一个概率，CDF是所有可能取值的概率的累加。具体来说，对于离散型随机变量X，其概率分布函数F（x）定义为：
\[ F（x） = P（X \leq x） = \sum_{i=1}^{n} P（X = x_i） \]
其中，\（ x_i \） 是随机变量X可能取的值，\（ P（X = x_i） \） 是X取值为 \（ x_i \） 的概率。
概率密度函数（PDF）
概率密度函数是描述连续型随机变量概率分布的函数。与离散型随机变量不同，连续型随机变量的取值是一个实数区间，PDF表示随机变量在某个确定取值点附近的可能性。具体来说，对于连续型随机变量X，其概率密度函数f（x）定义为：
\[ f（x） = P（X = x） \]
然而，对于连续型随机变量，我们不能直接通过f（x）来获取特定点的概率，而需要通过积分来计算某个区间内的概率：
\[ P（a \leq X \leq b） = \int_{a}^{b} f（x） \, dx \]
联系
定义域：
分布函数的定义域是全体实数，而概率密度函数的定义域也是全体实数。
积分关系：
对于连续型随机变量，概率分布函数F（x）可以表示为概率密度函数f（x）的积分：
\[ F（x） = \int_{-\infty}^{x} f（t） \, dt \]
概率计算：
无论是离散型还是连续型随机变量，我们都可以通过分布函数或概率密度函数来计算随机变量落在某个区间内的概率。
总结
概率分布函数和概率密度函数都是描述随机变量概率分布的重要工具，但它们分别适用于离散型和连续型随机变量。分布函数通过累加概率来描述随机变量在某个点或区间内的概率，而概率密度函数则通过积分来描述随机变量在某个点附近的可能性。理解这两种函数的区别和联系有助于我们更好地应用它们来解决实际问题。