Unterschiede zwischen PDF und PMF

PDF gegen PMF

Dieses Thema ist ziemlich kompliziert, da es mehr als nur ein begrenztes Wissen über die Physik zu verstehen erfordert. In diesem Artikel differenzieren wir PDF, Wahrscheinlichkeitsdichtefunktion gegenüber PMF, Wahrscheinlichkeitsmassenfunktion. Beide Begriffe beziehen sich auf Physik oder Kalkül oder sogar höhere Mathematik. Und für diejenigen, die Kurse belegen oder die Mathematikkurse im Studium der Kurse sein können, muss es in der Lage sein, die beiden Begriffe richtig zu definieren und zu unterscheiden, damit es besser verstanden wird.

Zufällige Variablen sind nicht ganz verständlich, aber in gewissem Sinne, wenn Sie über die Verwendung der Formeln sprechen, die den PMF oder PDF Ihrer endgültigen Lösung ableiten, geht es darum, die diskreten und kontinuierlichen Zufallsvariablen zu unterscheiden, die die Unterscheidung machen.

Bei der Massenfunktion des Begriffs Wahrscheinlichkeit, PMF. Eine andere Definition wäre, dass es für den PMF eine Funktion ist, die ein Ergebnis einer Wahrscheinlichkeit einer diskreten Zufallsvariablen ergibt, die genau einem bestimmten Wert entspricht. Sagen Sie zum Beispiel, wie viele Köpfe in 10 Münze Würfel.

Lassen Sie uns nun über die Funktion der Wahrscheinlichkeitsdichte, PDF, sprechen. Es ist nur für kontinuierliche Zufallsvariablen definiert. Wichtiger ist zu wissen, dass die angegebenen Werte ein Bereich möglicher Werte sind, die die Wahrscheinlichkeit der Zufallsvariablen geben, die in diesen Bereich fällt. Sagen Sie zum Beispiel, was ist das Gewicht von Frauen in Kalifornien aus dem Alter von achtzehn bis fünfundzwanzig Jahren.

Mit diesem Fundament ist es einfacher zu erkennen, wann die PDF -Formel verwendet werden soll und wann Sie die PMF -Formel verwenden sollten.

Zusammenfassung:

Zusammenfassend wird der PMF verwendet, wenn die Lösung, die Sie benötigen, innerhalb der Anzahl diskreter Zufallsvariablen reichen würde. PDF hingegen wird verwendet, wenn Sie eine Reihe kontinuierlicher Zufallsvariablen entwickeln müssen.
PMF verwendet diskrete Zufallsvariablen.

PDF verwendet kontinuierliche Zufallsvariablen.

Basierend auf Studien ist PDF die Ableitung von CDF, die kumulative Verteilungsfunktion ist. CDF wird verwendet, um die Wahrscheinlichkeit zu bestimmen, wobei eine kontinuierliche Zufallsvariable innerhalb einer messbaren Teilmenge eines bestimmten Bereichs auftreten würde. Hier ist ein Beispiel:

Wir werden für die Wahrscheinlichkeit einer Punktzahl zwischen 90 und 110 berechnen.
P (90 < X < 110)
= P (x < 110) - P (X < 90)
= 0.84 -0.16
= 0.68
= 68%

Kurz gesagt, der Unterschied liegt mehr auf der Assoziation mit kontinuierlichen als mit diskreten Zufallsvariablen. Beide Begriffe wurden in diesem Artikel häufig verwendet. Es ist also am besten, dass diese Begriffe wirklich bedeuten.

Diskrete Zufallsvariable = sind normalerweise Zählzahlen. Es dauert nur eine zählbare Anzahl von unterschiedlichen Wert, wie 0,1,2,3,4,5,6,7,8,9 usw. Andere Beispiele für diskrete Zufallsvariablen könnten sein:
Die Anzahl der Kinder in der Familie.
Die Anzahl der Leute, die die Freitag -Matinee -Show am Freitag sehen.
Die Anzahl der Patienten am Silvesterabend.

Es genügt zu sagen, wenn Sie über die Wahrscheinlichkeitsverteilung einer diskreten Zufallsvariablen sprechen, wäre dies eine Liste von Wahrscheinlichkeiten, die den möglichen Werten zugeordnet wären.

Kontinuierliche Zufallsvariable = ist eine zufällige Variable, die tatsächlich unendliche Werte abdeckt. Alternativ wird deshalb der Begriff kontinuierlich auf die Zufallsvariable angewendet, da er alle möglichen Werte innerhalb des angegebenen Bereichs der Wahrscheinlichkeit annehmen kann. Beispiele für kontinuierliche Zufallsvariablen könnten sein:

Die Temperatur in Florida für den Monat Dezember.
Die Menge an Niederschlägen in Minnesota.
Die Computerzeit in Sekunden Zeit, um ein bestimmtes Programm zu verarbeiten.

Hoffentlich ist es mit dieser Definition der in diesem Artikel enthaltenen Begriffe nicht nur für alle, die diesen Artikel liest.