PDF ve PMF Arasındaki Farklar

PDF-PMF

olacaktır. Bu konu, sınırlı bir fizik bilgisinin daha fazla anlaşılmasını gerektirdiği için oldukça karmaşıktır. Bu yazıda PDF, olasılık yoğunluk fonksiyonu, PMF'ye karşı olasılık kütlesi fonksiyonu ayırt edilecektir. Her iki terim de fizik ya da hesap ya da yüksek matematik ile ilgilidir; ve dersi alanlar ya da matematikle ilgili derslerden mezun olmuş bir öğrenci için, her iki terim arasında gerektiği gibi tanımlama ve ayrım yapabilme, böylece daha iyi anlaşılacaktır.

Rasgele değişkenler tam olarak anlaşılabilir değildir, ancak bir bakıma, son çözümünüzün PMF'sini veya PDF'sini türeten formülleri kullanma hakkında konuştuğunuzda, hepsi ayrık ve sürekli ayırımı yapan rasgele değişkenler.

Olasılık kütle fonksiyonu, PMF terimi, kütle ve yoğunluk bakımından sürekli ayar hakkında konuşurken, ayrı ayardaki fonksiyonun fonksiyonla nasıl ilişkili olduğu ile ilgilidir. Başka bir tanım da, PMF için belirli bir değere tam olarak eşit olan ayrı bir rastgele değişkenin olasılığını veren bir fonksiyondur. Örneğin, bir madalyonun 10 atışında kaç kafa var deyin.

Şimdi, olasılık yoğunluk fonksiyonu, PDF hakkında konuşalım. Sadece sürekli rasgele değişkenler için tanımlanmıştır. Bilinmesi gereken daha önemli olan şey, verilen değerlerin, o aralıktaki rastgele değişkenin olasılığını veren olası değerler aralığı olmasıdır. Örneğin, on sekiz yaşından yirmi beş yaşına kadar Kaliforniya'daki kadınların ağırlığı nedir diyelim.

Bunu bir temel olarak PDF formülünü ne zaman kullanacağınızı ve ne zaman PMF formülünü kullanmanız gerektiğini anlamanız daha kolaydır.

Özet:

Özetle, PMF, gelmek zorunda olduğunuz çözüm ayrık rasgele değişkenlerin sayıları aralığında olduğunda kullanılır. Öte yandan PDF, sürekli rastgele değişkenler dizisi bulmanız gerektiğinde kullanılır.

PMF, ayrık rassal değişkenleri kullanır.

PDF sürekli rassal değişkenleri kullanır.

Çalışmalara dayanarak, PDF, birikimli dağılım fonksiyonu olan CDF'nin türevidür. CDF, sürekli bir rasgele değişkenin belirli bir aralığın ölçülebilir herhangi bir alt kümesinde oluşma ihtimalini belirlemek için kullanılır. İşte bir örnek: <909> P (90

= P (X <110) - p (X <90) puanı 90 ile 110 arasında puan alma olasılığını hesaplayacağız.

= 0. 84-0. 16

= 0.68

=% 68

Kısaca, fark, sürekli rastgele değişken yerine sürekli rastgele değişkenlerle ilişkilendirilmektedir. Bu yazıda her iki terim de sıklıkla kullanılmıştır.Dolayısıyla, bu terimlerin gerçekten anlamını eklemek en iyisidir.

Ayrık rasgele değişken = genellikle sayım sayılarıdır. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 ve benzeri gibi yalnızca sayılabilir sayıda ayrı değer alır. Ayrık rasgele değişkenlerin diğer örnekleri şu şekildedir:

Ailenin çocuk sayısı.

Cuma gecesi matine gösterisini izleyen insan sayısı.

Yılbaşı gecesindeki hasta sayısı.

Ayrı bir rasgele değişkenin olasılık dağılımı hakkında konuşursanız, olası değerlerle ilişkili olabilecek olasılıkların bir listesi olacaktır diyerek yeterlidir.

Sürekli rasgele değişken = aslında sonsuz değerleri kapsayan rasgele bir değişkendir. Alternatif olarak, sürekli terimi rastgele değişkene uygulanır, çünkü olasılık dağılımı dahilinde olası tüm değerleri varsayabilir. Sürekli rassal değişkenlere örnekler şu şekildedir:

Aralık ayı Florida'daki sıcaklık.

Minnesota'daki yağış miktarı.

Belli bir programı işlemek için bilgisayarın saniye cinsinden süresi.

Umarım, bu makalede yer alan terimlerin bu tanımıyla bu makaleyi okuyanlar için Olasılık Yoğunluğu İşleviyle Olasılık Kitle İşlevi arasındaki farkları anlamak daha kolay olmayacaktır.