Con el fin de mejorar la precisión del cálculo de la distribución de probabilidad de lluvia en aplicaciones relacionadas, este estudio tuvo como objetivo seleccionar una función teórica de las funciones aplicables para tres clases de la función de densidad de probabilidad condicional por clase (CCPD) de series de lluvia horaria. Las tres funciones aplicables son la distribución gamma generalizada (GD), la distribución normal generalizada (GND) y la distribución de Weibull. Debido a que es difícil distinguir las ventajas y desventajas de las tres funciones mediante el gráfico de probabilidad y el análisis de errores de los valores ajustados, se proponen criterios de optimización, que son el criterio de información bayesiana (BIC) y la precisión estimada tanto de la lluvia promedio anual (AAR) como de la lluvia continua promedio anual (AACR). Los resultados muestran que al utilizar tres funciones aplicables en 15 regiones, las desviaciones de ajuste relativas para CCPD1 fueron inferiores al 2.3% y menos del 3.3% para ln(CCPD1). Los valores de bondad de ajuste fueron todos superiores a 0.98 para CCPD1 y mayores a 0.94 para ln(CCPD1). El efecto de ajuste de la distribución de Weibull fue relativamente pobre desde la perspectiva del gráfico de probabilidad y el análisis de errores de los valores ajustados, mientras que las tres funciones aplicables podrían utilizarse para ajustar CCPD. GD tuvo la mayor precisión de ajuste para las tres clases de CCPDs, pero existe preocupación por el sobreajuste debido a su amplio espectro. GND, con menos parámetros, tuvo un rendimiento comparable al de GD, y al ajustar CCPD1 utilizando GND, la desviación relativa de ajuste media fue del 0.6%, el coeficiente de determinación fue 0.999, y para ln(CCPD1), fueron 1.45% y 0.989. Al mismo tiempo, GND tuvo un buen desempeño en la estimación de las AARs, con un error relativo del 8.6% y un coeficiente de correlación de 0.92 en las quince regiones, lo que indica que GND puede reflejar bien las características de variación espacial de la AAR. Además, la forma funcional de GND es simple. GND sigue el principio de parsimonia y es adecuada para todo el dominio. Por lo tanto, se recomienda GND como la función de densidad teórica basada en los criterios de optimización. Se adoptó el algoritmo genético para obtener la solución aproximada de los parámetros a través de la optimización, lo que puede simplificar los pasos de derivación y cálculo. Se utilizaron tanto los errores de ajuste multiplicativos como aditivos en las funciones objetivo, lo que dio una consideración integral a ambos extremos de la curva de ajuste.