Skillnader mellan PDF och PMF Skillnad mellan
PDF vs PMF
Detta ämne är ganska komplicerat eftersom det skulle kräva ytterligare förståelse för mer än en begränsad kunskap om fysiken. I den här artikeln kommer vi att differentiera PDF, sannolikhetsdensitetsfunktion, mot PMF, sannolikhetsmassfunktion. Båda termerna är relaterade till fysik eller kalkyl, eller till och med högre matte; och för dem som tar upp kurser eller som kan vara en grundutbildning i matematik relaterade kurser, är det att kunna korrekt definiera och skilja mellan båda termerna så att det skulle bli bättre förstått.
Slumpmässiga variabler är inte helt fullständigt förståeligt, men i en mening när man talar om att använda formlerna som leder PMF eller PDF till din slutliga lösning handlar det om att differentiera det diskreta och kontinuerliga slumpmässiga variabler som gör skillnaden.
Termen sannolikhetsmassefunktion, PMF, handlar om hur funktionen i den diskreta inställningen skulle relateras till funktionen när man talar om kontinuerlig inställning, vad gäller massa och densitet. En annan definition skulle vara att för PMF är det en funktion som skulle ge ett resultat av en sannolikhet för en diskret slumpmässig variabel som exakt är lika med ett visst värde. Säg till exempel hur många huvuden i 10 kastar ett mynt.
Nu, låt oss prata om sannolikhetsdensitetsfunktionen, PDF. Den definieras endast för kontinuerliga slumpvariabler. Det som är viktigare att veta är att de värden som ges är en rad möjliga värden som ger sannolikheten för den slumpmässiga variabeln som faller inom detta intervall. Säg till exempel, vad är kvinnornas vikt i Kalifornien från 18 till 25 år.
Med det som grund är det lättare att inse när man ska använda PDF-formeln och när man ska använda PMF-formeln.
Sammanfattning:
Sammanfattningsvis används PMF när lösningen som du behöver komma över skulle kunna röra sig inom antal diskreta slumpvariabler. PDF, å andra sidan, används när du behöver komma över en rad kontinuerliga slumpvariabler.
PMF använder diskreta slumpvariabler.
PDF använder kontinuerliga slumpmässiga variabler.
PDF är derivat av CDF, vilket är den kumulativa fördelningsfunktionen. CDF används för att bestämma sannolikheten där en kontinuerlig slumpmässig variabel skulle inträffa inom varje mätbar delmängd av ett visst intervall. Här är ett exempel:
Vi ska beräkna sannolikheten för en poäng mellan 90 och 110.
P (90 = P (X <110) - p (X <90) = 0. 84 -0. 16 = 0. 68 = 68% I en nötskal är skillnaden mer på föreningen med kontinuerliga snarare än diskreta slumpvariabler. Båda termerna har ofta använts i den här artikeln.Så det vore bäst att inkludera att dessa termer verkligen betyder. Diskret slumpmässig variabel = brukar räkna tal. Det tar bara ett talbart antal tydliga värden, som 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 osv. Andra exempel på diskreta slumpvariabler kan vara: Antalet barn i familjen. Antalet personer som tittar på matintävlingen på fredagen sena kvällen. Antalet patienter på nyårsafton. Om du talar om sannolikhetsfördelning av en diskret slumpmässig variabel, skulle det vara en lista över sannolikheter som skulle associeras med de möjliga värdena. Kontinuerlig slumpmässig variabel = är en slumpmässig variabel som faktiskt täcker oändliga värden. Alternativt är därför termen kontinuerlig tillämpad på slumpmässig variabel eftersom den kan anta alla möjliga värden inom det angivna intervallet av sannolikheten. Exempel på kontinuerliga slumpmässiga variabler kan vara: Temperaturen i Florida för december månad. Mängden nederbörd i Minnesota. Datorn går i sekunder för att bearbeta ett visst program. Förhoppningsvis, med den här definitionen av termer som ingår i denna artikel kommer det inte bara vara lättare för någon att läsa den här artikeln för att förstå skillnaderna mellan sannolikhetsdensitetsfunktionen och sannolikhetsmassan.
