Różnice między PDF i PMF

PDF a PMF

Ten temat jest dość skomplikowany, ponieważ wymagałoby dalszego zrozumienia więcej niż ograniczonej znajomości fizyki. W tym artykule będziemy różnicować PDF, funkcję gęstości prawdopodobieństwa, PMF, funkcję masy prawdopodobieństwa. Oba terminy są związane z fizyką lub rachunkiem, a nawet wyższą matematyką; a dla tych, którzy podejmują kursy lub którzy mogą być studentami kursów związanych z matematyką, należy właściwie zdefiniować i rozróżnić oba terminy, aby był lepiej zrozumiany.

Zmienne losowe nie są w pełni zrozumiałe, ale w pewnym sensie, kiedy mówimy o używaniu formuł, które wyprowadzają PMF lub PDF ostatecznego rozwiązania, chodzi o różnicowanie dyskretnych i ciągłych zmiennych losowych, które rozróżniają.

Określenie masa prawdopodobieństwa, PMF, dotyczy tego, w jaki sposób funkcja w ustawieniu dyskretnym byłaby powiązana z funkcją, gdy mówimy o ustawieniu ciągłym, pod względem masy i gęstości. Inną definicją byłoby, że dla PMF jest to funkcja, która dałaby wynik prawdopodobieństwa dyskretnej zmiennej losowej, która jest dokładnie równa pewnej wartości. Powiedz np. Ile głowic w 10 rzutach monety.

Teraz porozmawiajmy o funkcji gęstości prawdopodobieństwa, PDF. Jest on zdefiniowany tylko dla ciągłych zmiennych losowych. Ważniejsze jest, aby wiedzieć, że podane wartości są zakresem możliwych wartości, które dają prawdopodobieństwo zmiennej losowej, która mieści się w tym zakresie. Powiedzmy na przykład, jaka jest waga kobiet w Kalifornii w wieku od osiemnastu do dwudziestu pięciu lat.

Dzięki temu łatwiej zrozumieć, kiedy stosować formułę PDF i kiedy należy stosować formułę PMF.

Streszczenie:

Podsumowując, PMF jest używany, gdy rozwiązanie, które musisz wymyślić, będzie zawierało się w liczbie dyskretnych zmiennych losowych. Z drugiej strony plik PDF jest używany, gdy trzeba wymyślić cały szereg ciągłych zmiennych losowych. PMF wykorzystuje dyskretne zmienne losowe.

PDF wykorzystuje ciągłe zmienne losowe.

W oparciu o badania, PDF jest pochodną CDF, która jest funkcją dystrybuanty skumulowanej. CDF stosuje się do określenia prawdopodobieństwa, w którym wystąpiłaby ciągła zmienna losowa w dowolnym mierzalnym podzbiorze pewnego zakresu. Oto przykład:

Obliczymy dla prawdopodobieństwa wyniku od 90 do 110. P (90 <X <110) = P (X <110) - P (X <90) = 0.84 -0.16 = 0.68 = 68%

W dużym skrócie różnica polega raczej na skojarzeniu z ciągłymi, a nie dyskretnymi zmiennymi losowymi. Oba terminy były często używane w tym artykule. Najlepiej byłoby więc uwzględnić, że te terminy naprawdę znaczą.

Dyskretna zmienna losowa = są zwykle liczbami zliczanymi. Zajmuje tylko policzalną liczbę różnych wartości, np. 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 poranny pokaz w piątek wieczorem. Liczba pacjentów w sylwestra.

Wystarczy powiedzieć, że jeśli mówimy o rozkładzie 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 ona przyjąć wszystkie możliwe wartości w podanym 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, zrozumienie różnic między funkcją gęstości prawdopodobieństwa a funkcją masy prawdopodobieństwa nie będzie łatwiejsze dla wszystkich czytających ten artykuł.