הבדלים בין PDF ו- PMF ההבדל בין

PDF לעומת PMF

נושא זה הוא די מסובך כפי שהוא ידרוש הבנה נוספת של יותר מ ידע מוגבל של הפיזיקה. במאמר זה, אנו נבדל PDF, צפיפות ההסתברות פונקציה, לעומת PMF, ההסתברות מסה פונקציה. שני המונחים קשורים לפיסיקה או לחישוב, או אפילו למתמטיקה גבוהה יותר; ולמי לוקח קורסים או מי עשוי להיות סטודנט לתואר ראשון של קורסים במתמטיקה בנושא, זה יהיה מסוגל להגדיר כראוי ולשים הבחנה בין שני המונחים כך שזה יהיה מובן יותר.

-> ->

משתנים אקראיים אינם מובנים לחלוטין, אך במובן מסוים, כאשר אתה מדבר על שימוש נוסחאות שמקורן PMF או PDF של הפתרון הסופי שלך, זה הכל על הבדל את בדידים רציף משתנים אקראיים שעושים את ההבחנה.

פונקציית המסת ההסתברות של המונח, PMF, היא על האופן שבו הפונקציה בקטע הדיפרנציאלי תהיה קשורה לפונקציה כאשר מדובר על הגדרה מתמשכת, במונחים של מסה וצפיפות. הגדרה נוספת תהיה כי עבור PMF, זה פונקציה כי היה נותן תוצאה של הסתברות של משתנה אקראי בדידים כי הוא בדיוק שווה ערך מסוים. תגיד למשל, כמה ראשים ב 10 זורק של מטבע.

עכשיו, בוא נדבר על פונקציית צפיפות ההסתברות, PDF. הוא מוגדר רק עבור משתנים אקראיים מתמשכים. מה שחשוב יותר לדעת הוא שהערכים שניתנו הם טווח של ערכים אפשריים המעניקים את ההסתברות למשתנה האקראי הנמצא בטווח זה. למשל, מה משקלם של הנקבות בקליפורניה מגיל שמונה-עשרה עד עשרים וחמש.

עם זאת כקרן, קל יותר להבין מתי להשתמש בנוסחת PDF וכאשר אתה צריך להשתמש בנוסחת PMF.

- <->

סיכום:

לסיכום, PMF משמש כאשר הפתרון שאתה צריך לבוא עם טווח בטווח של משתנים אקראיים בדידים. PDF, לעומת זאת, משמש כאשר אתה צריך לבוא עם מגוון של משתנים אקראיים מתמשכים.

PMF משתמש במשתנים אקראיים נפרדים.

PDF משתמש במשתנים אקראיים מתמשכים.

בהתבסס על מחקרים, PDF הוא נגזרת של CDF, שהיא פונקציית ההפצה המצטברת. CDF משמש כדי לקבוע את ההסתברות שבה משתנה אקראי מתמשך תתרחש בתוך כל תת קבוצה ניתנת למדידה של טווח מסוים. הנה דוגמה:

אנו מחשבים את ההסתברות של ציון בין 90 ל 110.

P (90

= P (X <110) - p (X <90)

= 0. 84 -0. 16

= 0. 68

= 68%

בקיצור, ההבדל הוא יותר על הקשר עם משתנים אקראיים מתמשכים ולא בדידים. שני המונחים שימשו לעתים קרובות במאמר זה.אז זה יהיה הכי טוב לכלול את המונחים האלה באמת מתכוון.

משתנה אקראי בדידים = בדרך כלל מספרים מספרים. זה לוקח רק מספר ספור של ערך מובהק, כמו, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, וכן הלאה. דוגמאות אחרות של משתנים אקראיים נפרדים יכולות להיות:

מספר הילדים במשפחה.

מספר האנשים שצפו בתצוגת יום שישי בלילה.

מספר החולים בערב השנה החדשה.

די לומר, אם אתה מדבר על התפלגות ההסתברות של משתנה אקראי בדידים, זה יהיה רשימה של הסתברויות כי יהיה קשור לערכים האפשריים.

משתנה אקראי רציף = משתנה אקראי המכסה למעשה ערכים אינסופיים. לחלופין, זו הסיבה המונח רציף מוחל על משתנה אקראי, כי הוא יכול להניח את כל הערכים האפשריים בטווח נתון של ההסתברות. דוגמאות למשתנים אקראיים מתמשכים יכולות להיות:

הטמפרטורה בפלורידה לחודש דצמבר.

כמות המשקעים במינסוטה.

זמן המחשב בשניות כדי לעבד תוכנית מסוימת.

אני מקווה, עם הגדרה זו של המונחים הכלולים במאמר זה, זה לא יהיה קל יותר לאף אחד לקרוא מאמר זה כדי להבין את ההבדלים בין פונקציית צפיפות ההסתברות לעומת פונקציית המסת ההסתברות.