Erot PDF: n ja PMF: n välillä
PDF vs. PMF
Tämä aihe on melko monimutkainen, koska se edellyttäisi enemmän fysiikan rajoitettua tietämystä. Tässä artikkelissa erotetaan PDF, todennäköisyystiheysfunktio, PMF, todennäköisyysmassatoiminto. Molemmat termit liittyvät fysiikkaan tai laskimoon tai jopa suurempaan matematiikkaan; ja niille, jotka osallistuvat kursseihin tai jotka voivat olla matematiikkaan liittyvien kurssien perustutkintoa, on kyettävä määrittämään oikein ja erotettava toisistaan molemmat termit niin, että se olisi paremmin ymmärrettävissä.
Satunnaiset muuttujat eivät ole täysin ymmärrettäviä, mutta tietyssä mielessä puhuttaessa lopullisen ratkaisun PMF: stä tai PDF: stä saaduista kaavoista, kyse on erottamasta erillisiä ja jatkuvia satunnaismuuttujia.
Termi todennäköisyysmassatoiminto, PMF, kertoo siitä, miten funktionaalinen toiminta diskreettiin asetukseen liittyisi funktioon, kun puhutaan jatkuvasta asetelmasta massan ja tiheyden suhteen. Toinen määritelmä olisi se, että PMF: lle se on funktio, joka antaisi tuloksen todennäköisyydestä erilliselle satunnaismuuttujalle, joka on täsmälleen yhtä suuri kuin tietty arvo. Sano esimerkiksi, kuinka monta päätä kymmenessä heittokappaleessa.
Puhutaan nyt todennäköisyystiheysfunktiosta, PDF. Se määritellään vain jatkuvaan satunnaismuuttujiin. Tärkeämpää on tietää, että annetut arvot ovat erilaisia mahdollisia arvoja, jotka antavat satunnaismuuttujan todennäköisyyden, joka kuuluu kyseiseen alueeseen. Sano esimerkiksi, mikä on naispuolisten paino Kaliforniassa kahdeksantoista-kaksikymmentä-25-vuotiaista.
Tämän perustaksi on helpompi selvittää, milloin PDF-kaava on käytössä ja milloin sinun pitäisi käyttää PMF-kaavaa.
Yhteenveto:
Yhteenvetona, PMF: ää käytetään silloin, kun ratkaisu, jonka sinun on keksittävä, vaihtelee erillisten satunnaismuuttujien lukumäärän sisällä. PDF, toisaalta, käytetään, kun sinun on löydettävä joukko jatkuvia satunnaismuuttujia. PMF käyttää erillisiä satunnaismuuttujia.
PDF käyttää jatkuvia satunnaismuuttujia. Tutkimusten perusteella PDF on CDF: n johdannainen, joka on kumulatiivinen jakelufunktio. CDF: ää käytetään määrittämään todennäköisyys, jossa jatkuva satunnaismuuttuja esiintyy minkä tahansa mitattavan alijoukon sisällä tietyllä alueella. Tässä on esimerkki: Me laskemme pisteiden todennäköisyydestä 90 ja 110 välillä. P (90 <X <110) = P (X <110) - P (X <90) = 0.84 -0.16 = 0.68 = 68%
Pähkinänkuoressa ero on enemmän yhdistyneenä jatkuvien kuin erillisten satunnaismuuttujien kanssa. Molempia termejä on käytetty usein tässä artikkelissa. Joten olisi parasta sisällyttää siihen, että nämä termit todella tarkoittavat. Diskreetti satunnaismuuttuja = yleensä laskentamäärä. Se kestää vain lukuisen määrän erillistä arvoa, kuten 0,1,2,3,4,5,6,7,8,9 ja niin edelleen. Muita esimerkkejä erillisistä satunnaismuuttujista voivat olla: Lasten määrä perheessä. Niiden ihmisten määrä, jotka katsovat perjantaina myöhäisillan matinee-showta. Uudenvuoden aikuisten potilaiden määrä.
Riittävät sanoa, jos puhutte erillisen satunnaismuuttujan todennäköisyysjakaumasta, se olisi luettelo mahdollisuuksista, jotka liitetään mahdollisiin arvoihin. Jatkuva satunnaismuuttuja = on satunnaismuuttuja, joka todellisuudessa kattaa ääretönarvot. Vaihtoehtoisesti siksi termi jatkuvaa sovelletaan satunnaismuuttujiin, koska se voi olettaa kaikki mahdolliset arvot todennäköisyydellä tietyllä alueella. Esimerkkejä jatkuvista satunnaismuuttujista voivat olla: Lämpötila Floridassa joulukuussa. Sateen määrä Minnesotassa. Tietokoneen aika sekunneissa tietyn ohjelman käsittelyyn.
Toivottavasti tämän artikkelin sisältämien termien määrittelyn avulla ei ole helpompaa, jos jokainen lukemassa tätä artikkelia ymmärtää todennäköisyysominaisuuden funktion ja todennäköisyysmassatoiminnon väliset erot.
