Там, где проводится различие между функцией вероятности и плотностью *, pmf применяется только к дискретным случайным переменным, а pdf применяется к непрерывным случайным переменным.
* формальные подходы могут включать оба и использовать один термин для них
Cdf применяется ко всем случайным переменным, включая те, которые не имеют ни pdf, ни pmf.
( Смешанное распределение - это не единственный случай, когда дистрибутив не имеет pdf или pmf, но это довольно распространенная ситуация - например, рассмотрите количество осадков в день или сумму денег, выплаченную в претензиях по полис страхования имущества, любой из которых может быть смоделирован непрерывным распределением с нулевым раздуванием)
Cdf для случайной величины дает P ( X ≤ x )XP(X≤x)
PMF для дискретной случайной величины дает P ( X = x ) .XP(X=x)
PDF сам по себе не дает вероятности , но относительные вероятности; непрерывные распределения не имеют точечных вероятностей. Чтобы получить вероятности из PDF-файлов, вам нужно интегрировать через некоторый интервал - или взять разницу двух значений PDF.
Трудно ответить на вопрос «содержат ли они одинаковую информацию», потому что это зависит от того, что вы имеете в виду. Вы можете перейти от pdf к cdf (через интеграцию) и из pmf в cdf (посредством суммирования), а также из cdf в pdf (через дифференцирование) и из cdf в pmf (через дифференцирование), поэтому, если существует pmf или pdf, он содержит ту же информацию, что и cdf.