Różnice między PDF i PMF

PDF vs PMF

Ten temat jest dość skomplikowany, ponieważ wymagałby dalszego zrozumienia więcej niż ograniczonej wiedzy na temat fizyki. W tym artykule będziemy różnicować PDF, funkcję gęstości prawdopodobieństwa, w porównaniu z PMF, funkcją masy prawdopodobieństwa. Oba terminy są powiązane z fizyką lub rachunkiem, a nawet wyższą matematyką; A dla osób zajmujących się kursami lub którzy mogą być studentem kursów związanych z matematyką, jest to w stanie właściwie zdefiniować i rozróżnić oba warunki, aby lepiej zrozumieć.

Zmienne losowe nie są do końca w pełni zrozumiałe, ale w pewnym sensie, gdy mówisz o użyciu formuł, które pochodzą PMF lub PDF ostatecznego rozwiązania, chodzi o różnicowanie dyskretnych i ciągłych zmiennych losowych, które sprawiają, że rozróżnienie powodują rozróżnienie.

Termin Funkcja masy prawdopodobieństwa, PMF, dotyczy tego, w jaki sposób funkcja w dyskretnym ustawieniu byłaby powiązana z funkcją podczas mówienia o ustawieniu ciągłym, pod względem masy i gęstości. Inną definicją byłoby to, że dla PMF jest to funkcja, która dałaby wynik prawdopodobieństwa dyskretnej zmiennej losowej, która jest dokładnie równa określonej wartości. Powiedzmy na przykład, ile głów w 10 rzutów monety.

Porozmawiajmy teraz o funkcji gęstości prawdopodobieństwa, PDF. Jest zdefiniowany tylko dla ciągłych zmiennych losowych. Ważniejsze jest to, że podane wartości są zakresem możliwych wartości, które dają prawdopodobieństwo losowej zmiennej, która mieszka w tym zakresie. Powiedzmy na przykład, jaki jest waga kobiet w Kalifornii w wieku od osiemnastu do dwudziestu pięciu lat.

Dzięki temu jako fundamentowi łatwiej jest zrozumieć, kiedy użyć formuły PDF i kiedy powinieneś korzystać z formuły PMF.

Streszczenie:

Podsumowując, PMF jest używany, gdy rozwiązanie, które należy wymyślić. Z drugiej strony PDF jest używany, gdy trzeba wymyślić szereg ciągłych zmiennych losowych.
PMF używa dyskretnych zmiennych losowych.

PDF używa ciągłych zmiennych losowych.

Na podstawie badań PDF jest pochodną CDF, która jest skumulowaną funkcją rozkładu. CDF służy do określenia prawdopodobieństwa, w którym ciągła zmienna losowa wystąpiłaby w dowolnym mierzalnym podgrupie określonego zakresu. Oto przykład:

Obliczymy prawdopodobieństwo wyniku między 90 a 110.
P (90 < X < 110)
= P (x < 110) - P (X < 90)
= 0.84 -0.16
= 0.68
= 68%

Krótko mówiąc, różnica jest bardziej związana z ciągłą niż dyskretnymi zmiennymi losowymi. Oba terminy były często używane w tym artykule. Najlepiej byłoby dołączyć, że te terminy naprawdę oznaczają.

Dyskretna zmienna losowa = zwykle liczba liczby. Wymaga tylko policzalnej liczby odrębnej wartości, na przykład 0,1,2,3,4,5,6,7,8,9 i tak dalej. Inne przykłady dyskretnych zmiennych losowych mogą być:
Liczba dzieci w rodzinie.
Liczba osób oglądających piątkową późną nocą poranną.
Liczba pacjentów w sylwestra.

Wystarczy powiedzieć, że jeśli mówisz o rozkładowi prawdopodobieństwa dyskretnej zmiennej losowej, byłaby to lista prawdopodobieństw, które byłyby powiązane z możliwymi wartościami.

Ciągła zmienna losowa = jest zmienną losową, która faktycznie obejmuje nieskończone wartości. Alternatywnie, dlatego termin ciągły jest stosowany do zmiennej losowej, ponieważ może założyć wszystkie możliwe wartości w danym zakresie prawdopodobieństwa. Przykładami ciągłych zmiennych losowych mogą być:

Temperatura na Florydzie w grudniu.
Ilość opadów w Minnesocie.
Czas komputera w sekundach na przetworzenie określonego programu.

Mamy nadzieję, że dzięki tej definicji terminów zawartych w tym artykule łatwiej będzie nie tylko czytać ten artykuł zrozumieć różnice między funkcją gęstości prawdopodobieństwa w porównaniu z funkcją masy prawdopodobieństwa.