Да бисте разумели разлику између ПДФ-а и ПМФ-а, неопходно је разумети шта су случајне варијабле. Случајна променљива је променљива чија вредност није позната задатку; другим речима, вредност зависи од резултата експеримента.
На пример, док бацате новчић, вредност, тј. глава или реп, зависи од исхода.
Кључне Такеаваис
- ПДФ (Пробабилити Денсити Фунцтион) је статистичка функција која се користи за описивање вероватноћа континуираних случајних променљивих унутар датог опсега.
- ПМФ (Пробабилити Масс Фунцтион) је статистичка функција која описује вероватноће дискретних случајних променљивих, додељујући вероватноћу сваком могућем исходу.
- ПДФ и ПМФ представљају дистрибуцију вероватноће случајних променљивих, али се разликују по примени, при чему се ПДФ користи за континуалне променљиве, а ПМФ за дискретне варијабле.
ПДФ вс ПМФ
ПДФ, такође познат као вероватноћа Густина функција, је математичка функција која се користи када постоји решење које се може наћи унутар опсега континуираних случајних променљивих. ПМФ, такође позната као функција масе вероватноће, је функција која користи дискретне случајне променљиве да пронађе решење.
ПДФ и ПМФ се односе на физику, статистику, рачуница, или виша математика. ПДФ (Пробабилити Денсити Фунцтион) је вероватноћа случајне променљиве у опсегу дискретних вредности.
С друге стране, ПМФ (Пробабилити Масс Фунцтион) је вероватноћа случајне променљиве у опсегу континуираних вредности.
Упоредна табела
Параметар поређења | пдф | ПМФ |
---|---|---|
Пуни облик | Функција густине вероватноће | Функција масе вероватноће |
употреба | ПДФ се користи када постоји потреба да се пронађе решење у низу континуираних случајних варијабли. | ПМФ се користи када је потребно пронаћи решење у низу дискретних случајних варијабли. |
Случајне променљиве | ПДФ користи континуиране случајне променљиве. | ПМФ користи дискретне случајне променљиве. |
Формула | Ф(к)= П(а < к 0 | п(к)= П(Кс=к) |
Решење | Решење спада у опсег радијуса континуираних случајних променљивих | Решења падају у радијусу између бројева дискретних случајних променљивих |
Шта је ПДФ?
Функција густине вероватноће (ПДФ) приказује функције вероватноће у смислу континуираних насумичних променљивих вредности између прецизног опсега вредности.
Такође је позната као функција расподеле вероватноће или функција вероватноће. Означава се са ф(к).
ПДФ је у суштини променљива густина у датом опсегу. Она је позитивна/ненегативна у било којој тачки графикона, а пун ПДФ је увек једнак један.
У случају када је вероватноћа Кс на некој датој вредности к (континуирана случајна променљива) увек 0. П(Кс = к) у таквом случају не функционише.
У таквој ситуацији, морамо израчунати вероватноћу да Кс мирује у интервалу (а, б) заједно са П(а< Кс< б) што се може десити помоћу ПДФ-а.
Формула функције расподеле вероватноће је дефинисана као, Ф(к)= П(а < к < б)= ∫ba ф(к)дк>0
Неки примери у којима функција дистрибуције вероватноће може да функционише су:
- Температура, падавине и укупно време
- Време које је рачунару потребно да обради улаз и даје излаз
И још много тога.
Различите примене функције густине вероватноће (ПДФ) су:
- ПДФ се користи за обликовање података о временској концентрацији НОк у атмосфери годишње.
- Третира се да обликује сагоревање дизел мотора.
- Ради на вероватноћама које су везане за случајне променљиве у статистици.
Шта је ПМФ?
Функција Маса вероватноће зависи од вредности било ког реалног броја. Не иде на вредност Кс, која је једнака нули; у случају к, вредност ПМФ је позитивна.
ПМФ игра важну улогу у дефинисању дискретне дистрибуције вероватноће и производи различите резултате. Формула ПМФ-а је п(к)= П(Кс=к), тј. вероватноћа (к)= вероватноћа (Кс=једно одређено к)
Пошто даје различите вредности, ПМФ је веома користан у компјутерском програмирању и обликовању статистике.
Једноставније речено, функција масе вероватноће или ПМС је функција која је повезана са дискретним догађајима, односно вероватноћама у вези са тим догађајима.
Реч „маса“ објашњава вероватноће усмерене на дискретне догађаје.
Неке од примена функције масе вероватноће (ПМФ) су:
- Функција масе вероватноће (ПМФ) је централна у статистици јер помаже да се дефинишу вероватноће за дискретне случајне променљиве.
- ПМФ се користи за проналажење средње вредности и варијација посебног груписања.
- ПМФ се користи у биномним и Поасоновим дистрибуцијама где се користе дискретне вредности.
Неки примери у којима функција масе вероватноће може да функционише су:
- Број ученика у одељењу
- Бројеви на коцки
- Стране новчића
- И још много тога.
Главне разлике између ПДФ и ПМФ
- Потпуни облик ПДФ-а је функција густине вероватноће, док је потпуни облик ПМФ-а функција масе вероватноће.
- ПМФ се користи када постоји потреба да се пронађе решење у низу дискретних случајних варијабли, док се ПДФ користи када постоји потреба да се пронађе решење у низу континуираних случајних варијабли.
- ПДФ користи континуиране случајне променљиве, док ПМФ користи дискретне случајне променљиве.
- Пдф формула је Ф(к)= П(а < к < б)= ∫ba ф(к)дк>0 док је пмф формула п(к)= П(Кс=к)
- Решења ПДФ падају у радијусу континуираних случајних променљивих, док решења ПМФ падају у полупречник између бројева дискретних случајних променљивих
- https://amstat.tandfonline.com/doi/abs/10.1080/10485250701733747
- https://www.mitpressjournals.org/doi/abs/10.1162/0899766053723078
Последње ажурирање: 11. јуна 2023
Ема Смит је магистрирала енглески језик на Ирвине Валлеи Цоллеге-у. Новинарка је од 2002. године, пишући чланке о енглеском језику, спорту и праву. Прочитајте више о мени на њој био паге.
Овај чланак пружа јасно и детаљно објашњење разлике између ПДФ-а и ПМФ-а. Веома је информативан и од помоћи свима који покушавају да разумеју ове концепте.
Потпуно се слажем! Наведени примери такође олакшавају разумевање концепата.
Практичне примене ПДФ-а и ПМФ-а представљене у овом чланку чине га заиста просветљујућим читањем. Коришћени примери су веома проницљиви.
Апсолутно, апликације из стварног света додају велику вредност овом чланку.
Договорено! Корисно је видети како се ПДФ и ПМФ користе у сценаријима из стварног света.
Информације о ПДФ-у и ПМФ-у су представљене на веома организован и систематичан начин. Лако је пратити и разумети.
Апсолутно, табела поређења чини још једноставнијим разумевање разлика између ПДФ-а и ПМФ-а.
Детаљна објашњења функције густине вероватноће и функције масе вероватноће су веома темељна и проницљива. Одличан чланак!
Не бих се могао више сложити! Овај чланак је драгоцен извор за разумевање ових статистичких концепата.
Табела поређења је заиста ефикасан начин да се илуструју разлике између ПДФ-а и ПМФ-а. То је писање за сваку похвалу.
Дефинитивно! Овај чланак је драгоцен извор за све који желе да разумеју нијансе ПДФ-а и ПМФ-а.
Не бих се могао више сложити. Јасноћа и сажетост упоредне табеле олакшавају разумевање разлика између ПДФ-а и ПМФ-а.
Ценим начин на који чланак разлаже примене ПДФ-а и ПМФ-а у различитим областима. То показује практичну релевантност ових концепата.
Дефинитивно! Помаже да се виде примери из стварног света где се користе ПДФ и ПМФ.
Информације наведене у овом чланку о ПДФ-у и ПМФ-у су непроцењиве. Очигледно је да је много истраживања и стручности уложено у стварање овог садржаја.
Апсолутно, овај чланак је сведочанство о знању и способности аутора да пренесу сложене концепте на јасан и приступачан начин.
Аутори овог чланка су урадили фантастичан посао пружања свеобухватног разумевања ПДФ-а и ПМФ-а. Добро је истражено и јасно објашњено.
Слажем се, дубина анализе и коришћени примери чине овај чланак истакнутим у објашњавању ПДФ-а и ПМФ-а.
Чланак ефикасно саопштава кључне разлике између ПДФ-а и ПМФ-а. То је одличан ресурс за студенте и професионалце.
Апсолутно, ово је веома информативан и добро написан чланак о ПДФ-у и ПМФ-у.
Објашњења ПДФ-а и ПМФ-а су представљена на веома занимљив и убедљив начин. Одлично је читање за све који су заинтересовани за статистику.
Апсолутно! Овај чланак је обавезно читање за све који желе да схвате концепте ПДФ-а и ПМФ-а.
потпуно се слажем. Чланак пружа свеобухватно разумевање ПДФ-а и ПМФ-а на приступачан начин.