Eroja PDF n ja PMF n välillä

PDF vs. PMF

Tämä aihe on melko monimutkainen, koska se vaatisi ymmärtämään enemmän kuin rajoitetun fysiikan tietämyksen. Tässä artikkelissa erotetaan PDF, todennäköisyystiheysfunktio vs. PMF, todennäköisyysmassifunktio. Molemmat termit liittyvät fysiikkaan tai laskentaan tai jopa korkeampaan matematiikkaan; ja niille, jotka osallistuvat kursseille tai jotka voivat olla matemaattisten kurssien perustutkintoja, on kyettävä määrittelemään ja erottamaan molemmat termit oikein, jotta se olisi paremmin ymmärrettävää.

Satunnaismuuttujat eivät ole aivan täysin ymmärrettäviä, mutta tietyssä mielessä, kun puhutaan kaavojen käyttämisestä, jotka johtavat lopullisesta ratkaisustasi PMF tai PDF, kyse on erottelusta erillisten ja jatkuvien satunnaismuuttujien avulla, jotka erottavat.

Termi todennäköisyysmassofunktio, PMF, on siitä, kuinka toiminto diskreetissä asetuksessa liittyisi funktioon, kun puhutaan jatkuvasta asettamisesta, massan ja tiheyden suhteen. Toinen määritelmä olisi, että PMF: lle se on funktio, joka antaa lopputuloksen diskreetin satunnaismuuttujan todennäköisyydestä, joka on tarkalleen yhtä suuri kuin tietty arvo. Sano esimerkiksi kuinka monta päätä kolikon 10 hevosessa.

Nyt puhutaan todennäköisyystiheysfunktiosta, PDF. Se on määritelty vain jatkuville satunnaismuuttujille. Vielä tärkeämpää on tietää, että annetut arvot ovat mahdollisten arvojen alue, joka antaa todennäköisyyden satunnaismuuttujalle, joka kuuluu tälle alueelle. Sano esimerkiksi, mikä on naisten paino Kaliforniassa 18–25-vuotiaita.

Kun se on perusta, on helpompi ymmärtää, milloin käytetään PDF-kaavaa ja milloin sinun pitäisi käyttää PMF-kaavaa.

Yhteenveto:

Yhteenvetona voidaan todeta, että PMF: ää käytetään, kun ratkaisu, jonka tarvitset, vaihtelisi erillisten satunnaismuuttujien lukumäärän sisällä. Toisaalta PDF: tä käytetään, kun joudut keksimään jatkuvien satunnaismuuttujien valikoiman.
PMF käyttää erillisiä satunnaismuuttujia.

PDF käyttää jatkuvia satunnaismuuttujia.

Tutkimuksiin perustuen PDF on CDF: n johdannainen, joka on kumulatiivinen jakelufunktio. CDF: ää käytetään määrittämään todennäköisyys, jossa jatkuva satunnaismuuttuja tapahtuisi minkä tahansa tietyn alueen mitattavissa olevien alajoukkojen sisällä. Tässä on esimerkki:

Lasketaan todennäköisyys pisteet välillä 90–110.
P (90 < X < 110)
= P (X < 110) - P (X < 90)
= 0,84 -0,16
= 0,68
= 68%

Lyhyesti sanottuna, ero on enemmän assosiaatiossa jatkuviin kuin erillisiin satunnaismuuttujiin. Molempia termejä on käytetty usein tässä artikkelissa. Joten olisi parasta sisällyttää, että nämä termit todella tarkoittavat.

Diskreetti satunnaismuuttuja = ovat yleensä laskurinumeroita. Se vie vain luettavissa olevan määrän erillisiä arvoja, kuten 0,1,2,3,4,5,6,7,8,9 ja niin edelleen. Muita esimerkkejä erillisistä satunnaismuuttujista voisi olla:
Perheen lasten lukumäärä.
Perjantai-myöhään illalla matinee-ohjelmaa katselevien ihmisten määrä.
Potilaiden lukumäärä uudenvuodenaattona.

Riittää, kun puhutaan erillisen satunnaismuuttujan todennäköisyysjakaumasta, se olisi luettelo todennäköisyyksistä, jotka liittyvät mahdollisiin arvoihin.

Jatkuva satunnaismuuttuja = on satunnaismuuttuja, joka todella kattaa rajattomat arvot. Vaihtoehtoisesti siksi termiä jatkuva käytetään satunnaismuuttujaan, koska se voi olettaa kaikki mahdolliset arvot annetulla todennäköisyysalueella. Esimerkkejä jatkuvista satunnaismuuttujista voisi olla:

Lämpötila Floridassa joulukuussa.
Minnesotan sademäärä.
Tietokoneen aika sekunneissa tietyn ohjelman käsittelyyn.

Toivottavasti näiden artikkeliin sisällytettyjen termimääritelmien avulla tämän artikkelin lukemisen jokaiselle ei ole vain helpompaa ymmärtää eroja todennäköisyystiheysfunktion ja todennäköisyysmassatoiminnon välillä..