Różnice między plikami PDF i PMF

PDF vs PMF

Temat ten jest dość skomplikowany, ponieważ wymagałby dalszego zrozumienia ponad ograniczonej wiedzy z zakresu fizyki. W tym artykule rozróżnimy PDF, funkcję gęstości prawdopodobieństwa, a 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, musi być w stanie poprawnie zdefiniować i rozróżnić oba terminy, aby lepiej zrozumieć.

Zmienne losowe nie są w pełni zrozumiałe, ale w pewnym sensie, gdy mówimy o stosowaniu wzorów, które wyprowadzają PMF lub PDF ostatecznego rozwiązania, chodzi o rozróżnienie dyskretnych i ciągłych zmiennych losowych, które wyróżniają.

Termin funkcja masy prawdopodobieństwa, PMF, dotyczy tego, w jaki sposób funkcja w ustawieniu dyskretnym byłaby powiązana z funkcją, mówiąc 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 na przykład, ile głów przypada na 10 rzutów monety.

Porozmawiajmy teraz o funkcji gęstości prawdopodobieństwa, PDF. Jest zdefiniowany tylko dla ciągłych zmiennych losowych. Co ważniejsze, należy wiedzieć, że podane wartości są zakresem możliwych wartości, które dają prawdopodobieństwo zmiennej losowej, która mieści się w tym zakresie. Powiedz na przykład, jaka jest waga kobiet w Kalifornii w wieku od osiemnastu do dwudziestu pięciu lat.

Dzięki temu łatwiej jest zrozumieć, kiedy należy użyć formuły PDF, a kiedy należy używać formuły PMF.

Streszczenie:

Podsumowując, PMF jest używany, gdy rozwiązanie, które należy wymyślić, mieści się w zakresie liczb dyskretnych zmiennych losowych. Z drugiej strony PDF jest używany, gdy trzeba wymyślić szereg ciągłych zmiennych losowych.
PMF używa dyskretnych zmiennych losowych.

PDF używa ciągłych zmiennych losowych.

Na podstawie badań PDF jest pochodną CDF, która jest funkcją rozkładu skumulowanego. CDF służy do określenia prawdopodobieństwa, w którym ciągła zmienna losowa wystąpiłaby w dowolnym mierzalnym podzbiorze określonego zakresu. Oto przykład:

Obliczymy prawdopodobieństwo wyniku między 90 a 110.
P (90 < X < 110)
= P (X < 110) - P (X < 90)
= 0,84 -0,16
= 0,68
= 68%

Krótko mówiąc, różnica polega raczej na powiązaniu z ciągłymi, a nie dyskretnymi zmiennymi losowymi. Oba terminy były często używane w tym artykule. Najlepiej byłoby więc dodać, że te terminy naprawdę oznaczają.

Dyskretna zmienna losowa = zwykle jest liczbą. Wymaga tylko policzalnej liczby odrębnych wartości, takich jak 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 wieczorny poranek.
Liczba pacjentów w sylwestra.

Wystarczy powiedzieć, że jeśli mówimy o rozkładzie prawdopodobieństwa dyskretnej zmiennej losowej, byłaby to lista prawdopodobieństw związanych z możliwymi wartościami.

Ciągła zmienna losowa = to zmienna losowa, która faktycznie obejmuje nieskończone wartości. Alternatywnie dlatego pojęcie ciągłe stosuje się do zmiennej losowej, ponieważ może ona przyjąć wszystkie możliwe wartości w danym 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 tym definicjom terminów zawartym w tym artykule nie tylko łatwiej będzie każdemu czytającemu ten artykuł zrozumieć różnice między funkcją gęstości prawdopodobieństwa a funkcją masy prawdopodobieństwa.