一维概率密度函数是用来描述随机变量在一维空间中的分布情况的函数。

它通常表示为 f(x)，其中 x 是随机变量的取值。概率密度函数必须满足以下两个条件：

1. 非负性：对于所有的 x，f(x) ≥ 0。

2. 归一性：整个定义域上的积分等于1，即 ∫f(x)dx = 1，其中积分范围是概率密度函数的定义域。具体的一维概率密度函数表达式取决于随机变量的分布。以下是一些常见的一维概率密度函数示例：

1. 连续均匀分布（Continuous Uniform Distribution）： f(x) = 1 / (b - a)，其中 a ≤ x ≤ b。

2. 正态分布（Normal Distribution）： f(x) = (1 / (σ√(2π))) * e^(-(x - μ)² / (2σ²))，其中 μ 是均值，σ² 是方差。

3. 指数分布（Exponential Distribution）： f(x) = λ * e^(-λx)，其中 λ 是正参数。

4. 伽玛分布（Gamma Distribution）： f(x) = (x^(k-1) * e^(-x/θ)) / (θ^k * Γ(k))，其中 k 和 θ 是正参数，Γ(k) 表示伽玛函数。

5. 柯西分布（Cauchy Distribution）： f(x) = (1 / π) * (γ / (γ² + (x - x₀)²))，其中 x₀ 是位置参数，γ 是尺度参数。这些是一些常见的概率密度函数表达式，每种分布都用于描述不同类型的随机变量。根据具体问题和随机变量的特性，可以选择适当的概率密度函数。