Forskelle mellem PDF og PMF Forskel mellem
PDF vs PMF
Dette emne er ret kompliceret, da det ville kræve yderligere forståelse for mere end en begrænset viden om fysik. I denne artikel vil vi differentiere PDF, sandsynlighedsdensitetsfunktion, mod PMF, sandsynlighedsmassefunktion. Begge udtryk er relateret til fysik eller calculus, eller endda højere matematik; og for dem, der optager kurser eller som kan være en bachelor i matematik beslægtede kurser, skal det være i stand til korrekt at definere og skelne mellem begge termer, så det ville blive bedre forstået.
Tilfældige variabler er ikke helt fuldt forståelige, men på en måde, når du taler om at bruge formlerne, der udleder PMF eller PDF til din endelige løsning, drejer det sig om at differentiere det diskrete og kontinuerte tilfældige variabler, der gør sondringen.
Begrebet sandsynlighedsmassefunktion, PMF, handler om, hvordan funktionen i den diskrete indstilling ville være relateret til funktionen, når man taler om kontinuerlig indstilling, hvad angår masse og densitet. En anden definition ville være, at for PMF er det en funktion, der ville give et resultat af en sandsynlighed for en diskret tilfældig variabel, der er nøjagtigt ens med en bestemt værdi. Sig for eksempel, hvor mange hoveder i 10 kasser af en mønt.
Lad os nu tale om sandsynlighedsdensitetsfunktionen, PDF. Det er kun defineret for kontinuerlige tilfældige variabler. Hvad der er mere vigtigt at vide er, at de værdier, der gives, er en række mulige værdier, der giver sandsynligheden for den tilfældige variabel, der falder inden for dette interval. Sig for eksempel, hvad er vægten af kvinder i Californien fra 18 til 25 år.
Med det som fundament er det nemmere at indse, hvornår man skal bruge PDF-formlen og når man skal bruge PMF-formlen.
Sammendrag:
Sammenfattende bruges PMF'en, når den løsning, du skal komme op med, vil variere inden for antallet af diskrete tilfældige variabler. PDF bruges derimod, når du skal komme op på en række kontinuerlige tilfældige variabler.
PMF bruger diskrete tilfældige variabler.
PDF bruger løbende tilfældige variabler.
PDF er derivatet af CDF, hvilket er den kumulative fordelingsfunktion. CDF anvendes til at bestemme sandsynligheden, hvor en kontinuerlig tilfældig variabel vil forekomme inden for en hvilken som helst målbar delmængde af et bestemt interval. Her er et eksempel:
Vi beregner sandsynligheden for en score mellem 90 og 110.
P (90 = P (X <110) - p (X <90) = 0,84 -0. 16 = 0. 68 = 68% I en nøddeskal er forskellen mere forbundet med kontinuerlige snarere end diskrete tilfældige variabler. Begge udtryk er ofte brugt i denne artikel.Så det ville være bedst at medtage, at disse udtryk virkelig betyder. Diskret tilfældig variabel = er normalt tæller tal. Det kræver kun et talbart antal forskellige værdier, f.eks. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 osv. Andre eksempler på diskrete tilfældige variabler kan være: Antallet af børn i familien. Antallet af personer, der ser på fredag sene nat matinee show. Antallet af patienter på nytårsaften. Det er tilstrækkeligt at sige, at hvis du taler om sandsynlighedsfordeling af en diskret tilfældig variabel, ville det være en liste over sandsynligheder, som ville være forbundet med de mulige værdier. Kontinuerlig tilfældig variabel = er en tilfældig variabel, der faktisk dækker uendelige værdier. Alternativt er det derfor, at udtrykket kontinuerligt anvendes til den tilfældige variabel, fordi det kan antage alle mulige værdier inden for det givne område af sandsynligheden. Eksempler på kontinuerlige tilfældige variabler kan være: Temperaturen i Florida i december måned. Mængden af nedbør i Minnesota. Computeren går i sekunder for at behandle et bestemt program. Forhåbentlig vil denne definition af begreber i denne artikel ikke kun være lettere for alle, der læser denne artikel, for at forstå forskellene mellem sandsynlighedstæthedsfunktionen og sandsynlighedsmassefunktionen.
