Различия между PDF и PMF
PDF против PMF
Эта тема довольно сложная, так как это потребует дальнейшего понимания более чем ограниченного знания физики. В этой статье мы будем дифференцировать PDF, функцию плотности вероятности, по сравнению с PMF, функцию массы вероятности. Оба термина связаны с физикой или исчислением или даже с более высокой математикой; и для тех, кто занимается курсами или может быть студентом курсов, связанных с математикой, он должен иметь возможность правильно определять и проводить различие между обоими терминами, чтобы было лучше понято.
Случайные переменные не совсем понятны, но в некотором смысле, когда вы говорите об использовании формул, которые выводят PMF или PDF вашего окончательного решения, все дело в дифференциации дискретных и непрерывных случайных величин, которые делают различие.
Термин функция массы вероятности PMF - это то, как функция в дискретной настройке будет связана с функцией при разговоре о непрерывной настройке с точки зрения массы и плотности. Другое определение будет заключаться в том, что для PMF это функция, которая даст результат вероятности дискретной случайной величины, которая точно равна определенному значению. Скажем, например, сколько голов в 10 бросках монеты.
Теперь давайте поговорим о функции плотности вероятности, PDF. Он определяется только для непрерывных случайных величин. Более важно знать, что заданные значения представляют собой диапазон возможных значений, который дает вероятность случайной величины, попадающей в этот диапазон. Скажем, например, какой вес женщин в Калифорнии в возрасте от восемнадцати до двадцати пяти лет.
С этим в качестве основы легче понять, когда использовать формулу PDF и когда вы должны использовать формулу PMF.
Резюме:
Таким образом, PMF используется, когда решение, которое вам нужно придумать, будет варьироваться в пределах числа дискретных случайных величин. PDF, с другой стороны, используется, когда вам нужно придумать диапазон непрерывных случайных величин. PMF использует дискретные случайные величины.
PDF использует непрерывные случайные величины. Основываясь на исследованиях, PDF является производной CDF, которая является кумулятивной функцией распределения. CDF используется для определения вероятности, в которой непрерывная случайная величина будет возникать в пределах любого измеримого подмножества определенного диапазона. Вот пример: Мы вычислим вероятность оценки от 90 до 110. P (90 <X <110) = P (X <110) - P (X <90) = 0.84 -0.16 = 0.68 = 68%
В двух словах, разница больше связана с непрерывными, а не дискретными случайными величинами. Оба термина часто использовались в этой статье. Поэтому было бы лучше включить, что эти термины действительно означают. Дискретная случайная величина = обычно является числом счетчиков. Он принимает только счетное число различного значения, например, 0,1,2,3,4,5,6,7,8,9 и т. Д. Другими примерами дискретных случайных величин могут быть: Число детей в семье. Количество людей, которые смотрят вечернюю утреннюю вечеринку в пятницу. Число пациентов в канун Нового года.
Достаточно сказать, если вы говорите о распределении вероятностей дискретной случайной величины, это будет список вероятностей, которые будут связаны с возможными значениями. Непрерывная случайная величина = - случайная величина, которая фактически охватывает бесконечные значения. Альтернативно, поэтому термин «непрерывный» применяется к случайной величине, потому что он может принимать все возможные значения в заданном диапазоне вероятности. Примерами непрерывных случайных величин могут быть: Температура во Флориде в декабре месяце. Количество осадков в Миннесоте. Компьютерное время в секундах для обработки определенной программы.
Надеемся, что с этим определением терминов, включенных в эту статью, для всех, кто прочитает эту статью, будет не только легче понять различия между функцией вероятности вероятности и функцией вероятности.
