Razlike između PDF-a i PMF-a

PDF vs PMF

Ova je tema prilično složena jer bi trebalo daljnje razumijevanje više od ograničenog znanja fizike. U ovom članku ćemo razlikovati PDF, funkciju gustoće vjerojatnosti, u odnosu na PMF, vjerojatnu masu funkcije. Oba se pojma odnose na fiziku ili račun, ili čak na veću matematiku; i za one koji pohađaju tečajeve ili koji mogu biti preddiplomski tečajevi povezani s matematikom, moći će ispravno definirati i staviti razliku između oba pojma kako bi se bolje razumjeli.

Slučajne varijable nisu sasvim razumljive, ali u određenom smislu, kada govorite o korištenju formula koje izvode PMF ili PDF svog konačnog rješenja, riječ je o razlikovanju diskretnih i kontinuiranih slučajnih varijabli koje čine razliku.

Pojam funkcije mase vjerojatnosti, PMF, govori o tome kako bi funkcija u diskretnoj postavci bila povezana s funkcijom kada se govori o kontinuiranom postavljanju, u smislu mase i gustoće. Još jedna definicija bila bi da za PMF funkcija koja bi dala ishod vjerojatnosti diskretne slučajne varijable koja je točno jednaka određenoj vrijednosti. Recimo, na primjer, koliko glava u 10 bacanja novčića.

Sada, razgovarajmo o funkciji gustoće vjerojatnosti, PDF. Definiran je samo za neprekinute slučajne varijable. Ono što je važno znati jest da su vrijednosti koje se daju su raspon mogućih vrijednosti koje daju vjerojatnost slučajne varijable koja pada unutar tog raspona. Recimo, na primjer, koja je težina ženki u Kaliforniji od dobi od osamnaest do dvadeset pet godina.

Uz to, kao temelj, lakše je shvatiti kada koristiti PDF formulu i kada biste trebali koristiti PMF formulu.

Sažetak:

Ukratko, PMF se koristi kada se rješenje koje trebate izraditi u rasponu u broju diskretnih slučajnih varijabli. PDF se, s druge strane, koristi kada trebate doći do niza neprekinutih slučajnih varijabli. PMF koristi diskretne slučajne varijable.

PDF koristi neprekinute slučajne varijable.

Na temelju studija, PDF je derivat CDF-a, koji je kumulativna funkcija distribucije. CDF se koristi za određivanje vjerojatnosti gdje će se kontinuirana slučajna varijabla pojaviti unutar bilo kojeg mjerljivog podskupa određenog raspona. Evo primjera:

Izračunat ćemo vjerojatnost postizanja između 90 i 110. P (90 <X <110) = P (X <110) - P (X <90) = 0.84 -0.16 = 0.68 = 68%

Ukratko, razlika je više o povezanosti s kontinuiranim, a ne diskretnim slučajnim varijablama. Oba izraza često su korišteni u ovom članku. Zato bi bilo najbolje ukljuciti da ovi uvjeti doista znače.

Diskretna slučajna varijabla = obično brojevi brojeva. Potrebno je samo prebrojiv broj različitih vrijednosti, poput, 0,1,2,3,4,5,6,7,8,9 i tako dalje. Drugi primjeri diskretnih slučajnih varijabli mogu biti: Broj djece u obitelji. Broj ljudi koji gledaju petak kasno navečer u emisiji matineje. Broj pacijenata na Silvestrovo.

Dovoljno je reći, ako govorite o raspodjeli vjerojatnosti diskretne slučajne varijable, to bi bio popis vjerojatnosti koje bi bile povezane s mogućim vrijednostima.

Kontinuirana slučajna varijabla = slučajna varijabla koja zapravo pokriva beskonačne vrijednosti. Alternativno, to je razlog zašto se pojam kontinuirano primjenjuje na slučajnu varijablu jer može preuzeti sve moguće vrijednosti unutar danog raspona vjerojatnosti. Primjeri neprekinutih slučajnih varijabli mogu biti:

Temperatura u Floridi za mjesec prosinac. Količina kiše u Minnesoti. Vrijeme računala u sekundama za obradu određenog programa.

Nadamo se, s tim definicijom pojmova uključenih u ovaj članak, ne samo da će svatko tko čita ovaj članak lakše razumjeti razlike između funkcije gustoće vjerojatnosti i funkcije masovnosti vjerojatnosti.