Razlike između PDF-a i PMF-a

PDF u odnosu na PMF

Ova je tema prilično složena jer će zahtijevati dalja razumijevanja više od ograničenog znanja fizike. U ovom ćemo članku razlikovati PDF, funkciju gustoće vjerojatnosti naspram PMF-a, funkciju mase vjerojatnosti. Oba su termina povezana s fizikom ili računima ili čak višom matematikom; a za one koji pohađaju tečajeve ili koji su možda studenti tečaja matematike, moći će pravilno definirati i razlikovati oba termina kako bi bilo bolje razumjeti.

Slučajne varijable nisu sasvim razumljive, ali, u određenom smislu, kada govorite o korištenju formula koje dobivaju PMF ili PDF vašeg konačnog rješenja, radi se o razlikovanju diskretnih i kontinuiranih slučajnih varijabli koje čine razliku.

Izraz funkcija vjerojatnosti mase, PMF, govori o tome kako bi se funkcija u diskretnom okruženju odnosila na funkciju kada govorimo o kontinuiranom podešavanju, u smislu mase i gustoće. Druga bi definicija bila da je za PMF to funkcija koja bi dala ishod vjerojatnosti diskretne slučajne varijable koja je točno jednaka određenoj vrijednosti. Recite, na primjer, koliko glava u 10 bacanja novčića.

Sada, razgovarajmo o funkciji gustoće vjerojatnosti, PDF. Definiran je samo za kontinuirane slučajne varijable. Ono što je važnije znati je da su dane vrijednosti raspon mogućih vrijednosti koji daje vjerojatnost slučajnoj varijabli koja padne unutar tog raspona. Recite, na primjer, kolika je težina ženki u Kaliforniji u dobi od osamnaest do dvadeset i pet godina.

S tim je osnovama lakše shvatiti kada koristiti PDF formulu i kada trebate koristiti PMF formulu.

Sažetak:

Ukratko, PMF se koristi kada bi se rješenje koje trebate smisliti kretalo unutar broja diskretnih slučajnih varijabli. PDF se, s druge strane, koristi kada trebate smisliti niz kontinuiranih slučajnih varijabli.
PMF koristi diskretne slučajne varijable.

PDF koristi kontinuirane slučajne varijable.

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

Izračunat ćemo za vjerojatnost rezultata 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 u povezanosti s kontinuiranim, a ne diskretnim slučajnim varijablama. U ovom se članku često koriste oba termina. Stoga bi bilo najbolje da uključite da ti pojmovi zaista znače.

Diskretna slučajna varijabla = obično su brojevi. Potrebna je samo brojna posebna vrijednost, poput, 0,1,2,3,4,5,6,7,8,9 i tako dalje. Ostali primjeri diskretnih slučajnih varijabli mogu biti:
Broj djece u obitelji.
Broj ljudi koji gledaju matinejsku predstavu u petak navečer.
Broj pacijenata u novogodišnjoj noći.

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

Kontinuirana slučajna varijabla = slučajna je varijabla koja zapravo pokriva beskonačne vrijednosti. Alternativno, zbog toga se termin kontinuirano primjenjuje na slučajnu varijablu, jer ona može pretpostaviti sve moguće vrijednosti unutar danog raspona vjerojatnosti. Primjeri kontinuiranih slučajnih varijabli mogu biti:

Temperatura na Floridi za mjesec prosinac.
Količina padavina u Minnesoti.
Vrijeme računala u sekundi za obradu određenog programa.

Nadamo se da s ovom definicijom pojmova koja je uključena u ovaj članak neće samo biti lakše svima koji čitaju ovaj članak da shvate razlike između funkcije gustoće vjerojatnosti naspram funkcije vjerojatnosti mase..