PDF ve PMF Arasındaki Farklar
Share
PDF ve PMF karşılaştırması
Bu konu, oldukça sınırlı bir fizik bilgisinden daha fazla anlayış gerektireceği için oldukça karmaşıktır. Bu yazıda, PDF, olasılık yoğunluk fonksiyonu, PMF ve olasılık kütle fonksiyonu arasındaki farkı ayırt edeceğiz. Her iki terim de fizik, matematik ve hatta daha yüksek matematikle ilgilidir; ve dersi alan veya matematikle ilgili derslerden mezun olabilenler için, daha iyi anlaşılması için her iki terim arasında doğru bir şekilde tanım yapabilme ve ayırabilme.
Rastgele değişkenler tam olarak anlaşılabilir değildir, ancak bir anlamda, nihai çözümünüzün PMF veya PDF'sini türeyen formülleri kullanmaktan bahsettiğinizde, tamamen ayrımı yapan ayrık ve sürekli rastgele değişkenleri ayırt etmekle ilgilidir..
Olasılık kütle fonksiyonu, PMF terimi, ayrık ayardaki fonksiyonun kütle ve yoğunluk bakımından sürekli ayardan bahsederken fonksiyonla nasıl ilişkili olacağı ile ilgilidir. Başka bir tanım, PMF için, belirli bir değere tam olarak eşit olan ayrı bir rastgele değişken olasılığının sonucunu veren bir işlevdir. Örneğin, bir madalyonun 10 tokasında kaç kafa olduğunu söyle.
Şimdi olasılık yoğunluk fonksiyonu hakkında konuşalım, PDF. Sadece sürekli rasgele değişkenler için tanımlanır. Bilmek daha önemli olan, verilen değerlerin, o aralığa giren rastgele değişkenin olasılığını veren bir dizi olası değer olmasıdır. Örneğin, on sekiz ila yirmi beş yaşlarındaki Kaliforniya'daki kadınların ağırlığı nedir?.
Bununla temel olarak, PDF formülünü ne zaman kullanacağınızı ve PMF formülünü ne zaman kullanmanız gerektiğini anlamak daha kolaydır..
Özet:
Özetle, bulmanız gereken çözüm farklı rasgele değişkenlerin sayıları arasında değiştiğinde PMF kullanılır. Öte yandan PDF, bir dizi sürekli rasgele değişken bulmanız gerektiğinde kullanılır.
PMF ayrık rasgele değişkenler kullanır.
PDF sürekli rasgele değişkenler kullanıyor.
Çalışmalara dayanarak, PDF birikimli dağılım fonksiyonu olan CDF'nin bir türevidir. CDF, belirli bir aralığın herhangi bir ölçülebilir alt kümesinde sürekli rasgele bir değişkenin meydana gelme olasılığını belirlemek için kullanılır. İşte bir örnek:
90 ile 110 arasında bir puan alma olasılığı için hesaplayacağız.
P (90 < X < 110)
= P (X < 110) - P (X < 90)
= 0,84 -0,16
= 0,68
=% 68
Özetle, fark, ayrık rasgele değişkenlerden ziyade sürekli ile ilişki üzerindedir. Bu makalede her iki terim de sıkça kullanılmıştır. Bu yüzden, bu terimlerin gerçekten.
Kesikli rastgele değişken = genellikle sayım sayılarıdır. Yalnızca sayılabilir sayıdaki farklı değer, örneğin 0,1,2,3,4,5,6,7,8,9 vb. Kesikli rastgele değişkenlerin diğer örnekleri şunlar olabilir:
Ailedeki çocuk sayısı.
Cuma gecesi matine şovunu izleyen kişi sayısı.
Yılbaşı gecesi hasta sayısı.
Kesin bir rasgele değişkenin olasılık dağılımı hakkında konuşursanız, bu olası değerlerle ilişkilendirilecek olasılıkların bir listesi olacaktır..
Sürekli rastgele değişken = aslında sonsuz değerleri kapsayan rastgele bir değişkendir. Alternatif olarak, sürekli terim rasgele değişkene uygulanır, çünkü verilen olasılık aralığındaki tüm olası değerleri alabilir. Sürekli rasgele değişkenlerin örnekleri şunlar olabilir:
Aralık ayı için Florida sıcaklık.
Minnesota yağış miktarı.
Belirli bir programı işlemek için bilgisayarın saniye cinsinden süresi.
Umarım, bu makalede yer alan terimlerin bu tanımı ile, bu makaleyi okuyan herkesin Olasılık Yoğunluk Fonksiyonu ile Olasılık Kütle Fonksiyonu arasındaki farkları anlaması daha kolay olmayacaktır..
