两者不在同一个“尺度”上（离散的概率是 p(x)，连续的概率是 f(x)dx，所以 p 和 f 是非常不同的东西）；严格来说，绘制混合变量分布的方法是绘制cdf。

您也可以按照您的建议分别绘制离散和连续部分。我认为这样的图纸没有任何标准名称。

有些人将这两个部分画在同一个图上，但函数值的含义完全不同，当您尝试处理时，您会得到人们通常不期望的行为（尽管考虑到这一点并不奇怪）离散和连续的部分在一起。

例如，考虑做一个直方图，当你获得更多数据时，你会采用更多的 bin - 然后直方图的表观形状会随着样本大小而变化。由于判断形状是人们使用直方图的目的，它有点违背了目的。试图将它们绘制在同一个图上会失去的一件事是让直方图“收敛”到你想看到的东西（有限的连续部分消失到零）。

来自 0-1 膨胀 beta 的大样本的三个直方图，具有不同数量的 bin。

如果您绘制连续部分的密度，然后尝试使用 y 轴上的比例标记概率（这在任何情况下都不太合适），那么这些图看起来都不像您得到的那样。

虽然我通常建议不要尝试在同一个情节上绘制两者，但如果你这样做，你真的必须非常仔细地解释正在发生的事情，以便人们正确解释绘图。

在这个答案中绘制最后一个情节时，我打破了我通常的规则：

具有许多零的非负数据模型：Tweedie GLM 的优缺点

但我至少在那里解释了问题。请注意，0 处的概率峰值在每个子图中的高度大致相同，尽管它在某些地方看起来很大而在另一些地方看起来很小 - 虽然有时打破不将两者放在同一个图上的规则很方便，但必须仔细考虑你这样做误导人们的程度。[你经常看到 Tweedie 以某种方式完成了这一点（我至少在四篇论文中看到过）。一个例子是 Dunn & Smyth (2001) “Tweedie Family Densities: Methods of Evaluation” 的图 1，第 16 届国际统计建模研讨会论文集，丹麦欧登塞，7 月 2 日至 6 日。（pdf预印本）。如果每个人都清楚他们在看什么，这不是问题]

在对他的回答的评论中与@Glen_b 反复讨论后，我创建了一个混合离散连续分布的“混合”直方图。变量mixednorm有 20% 的机会从平均值为 2 且标准差为 0.8 的正态分布生成数据，并且有 80% 的机会生成的伯努利值。$p=.75$

离散分量和连续分量有单独的尺度，概率最高的离散值被缩放到等于连续直方图的峰值。另外：离散值箱的宽度设置为与连续箱的宽度相同。

我将不胜感激意见和建议。

第二种方法使用垂直线而不是条形来表示离散值，这在离散值非常接近时可能特别有用：