Rozdíly mezi PDF a PMF
PDF vs PMF
Toto téma je poměrně komplikované, protože by vyžadovalo další porozumění víc než jen omezené znalosti fyziky. V tomto článku budeme diferencovat formát PDF, pravděpodobnost hustoty, versus PMF, pravděpodobnostní hmotnostní funkce. Oba pojmy se vztahují k fyzice nebo kalkulu, nebo dokonce k vyšší matematice; a pro ty, kteří začínají studovat nebo kteří mohou být vysokoškoláci v matematických oborech, musí být schopni správně definovat a rozlišovat mezi oběma termíny, aby bylo lépe pochopitelné.
Náhodné proměnné nejsou zcela zcela srozumitelné, ale v jistém smyslu, když mluvíte o použití vzorců, které odvodí PMF nebo PDF z vašeho konečného řešení, je to všechno o rozlišování diskrétních a spojitých náhodných proměnných, které dělají rozdíl.
Pojem pravděpodobnostní hmotnostní funkce, PMF, je o tom, jak by se funkce v diskrétním nastavení vztahovala k funkci, pokud jde o kontinuální nastavení, co se týče hmotnosti a hustoty. Další definicí by bylo, že pro PMF je to funkce, která by dala výsledek pravděpodobnosti diskrétní náhodné proměnné, která se přesně rovná určité hodnotě. Řekněme například, kolik hlav v 10 hodinách mince.
Nyní mluvte o funkci hustoty pravděpodobnosti, PDF. Je definována pouze pro kontinuální náhodné proměnné. Důležité je vědět, že hodnoty, které jsou uvedeny, představují rozsah možných hodnot, které dávají pravděpodobnost náhodné proměnné, která spadá do tohoto rozsahu. Řekněme například, jaká je váha žen v Kalifornii od osmnácti do dvaceti pěti let.
S tím jako základem je jednodušší zjistit, kdy použít vzorec PDF a kdy byste měli používat vzorec PMF.
Souhrn:
Stručně řečeno, PMF se používá, když řešení, které je třeba přijít, by se pohybovalo v rámci počtu diskrétních náhodných proměnných. PDF, na druhé straně, se používá, když potřebujete přijít s řadou spojitých náhodných proměnných. PMF používá diskrétní náhodné proměnné.
PDF používá kontinuální náhodné proměnné. Na základě studií je PDF derivát CDF, což je kumulativní distribuční funkce. CDF se používá k určení pravděpodobnosti, kdy by se v jakékoliv měřitelné podskupině určitého rozsahu vyskytla spojitá náhodná proměnná. Zde je příklad: Budeme vypočítávat pravděpodobnost skóre mezi 90 a 110. P (90 <X <110) = P (X <110) - P (X <90) = 0.84 -0.16 = 0.68 = 68%
Stručně řečeno, rozdíl spočívá spíše ve spojení s kontinuálními, nikoliv diskrétními náhodnými proměnnými. Obě termíny byly často používány v tomto článku. Takže by bylo nejlepší zahrnout, že tyto pojmy skutečně znamenají. Diskrétní náhodná proměnná = obvykle jsou počítaná čísla. Trvá pouze počitatelné množství různých hodnot, jako například 0,1,2,3,4,5,6,7,8,9 a tak dále. Další příklady diskrétních náhodných proměnných by mohly být: Počet dětí v rodině. Počet lidí, kteří sledují páteční večerní show matinee. Počet pacientů na Silvestra.
Stačí říci, že pokud hovoříte o pravděpodobnosti rozdělení diskrétní náhodné proměnné, byl by to seznam pravděpodobností, které by byly spojeny s možnými hodnotami. Kontinuální náhodná proměnná = náhodná proměnná, která skutečně pokrývá nekonečné hodnoty. Následně se pro náhodnou proměnnou používá termín kontinuální, protože může převzít všechny možné hodnoty v daném rozsahu pravděpodobnosti. Příklady souvislých náhodných proměnných by mohly být: Teplota na Floridě pro měsíc prosinec. Množství srážek v Minnesotě. Počítačový čas během několika sekund zpracovává určitý program.
Doufejme, že s touto definicí pojmů obsažených v tomto článku bude pro každého, kdo čte tento článek, jednodušší pochopit rozdíly mezi pravidly pravděpodobnosti a funkčností pravděpodobnosti.
