Poisson Distribution vs Normal Distribution
Poissonova a normálna distribúcia vychádza z dvoch rôznych princípov. Poisson je jedným z príkladov diskrétneho rozdelenia pravdepodobnosti, zatiaľ čo normálne patrí k nepretržitému rozdeleniu pravdepodobnosti.
Normálna distribúcia sa všeobecne nazýva gaussovská distribúcia a najúčinnejšie sa používa na modelovanie problémov, ktoré sa vyskytujú v prírodných a spoločenských vedách. Pri tejto distribúcii sa vyskytuje veľa prísnych problémov. Najbežnejším príkladom by boli „chyby pozorovania“ v konkrétnom experimente. Normálne rozdelenie sa riadi špeciálnym tvarom zvaným „Bell krivka“, ktorý uľahčuje život modelovaním veľkého množstva premenných. Medzitým normálne rozdelenie pochádzalo z „centrálnej limitnej vety“, podľa ktorej sa veľký počet náhodných premenných distribuuje „normálne“. Toto rozdelenie má symetrické rozdelenie okolo jeho priemeru. Čo znamená, že jeho x-hodnota „Peak Graph Value“ je rovnomerne rozdelená.
pdf: 1 / √ (2πσ ^ 2) e ^ (〖(x-µ)〗 ^ 2 / (2σ ^ 2))
Vyššie uvedená rovnica je funkcia pravdepodobnosti hustoty „normálna“ a zväčšením, µ a σ2 označujú „stredný“ a „rozptyl“. Najbežnejším prípadom normálneho rozdelenia je „štandardné normálne rozdelenie“, kde µ = 0 a σ2 = 1. Z toho vyplýva, že pdf neštandardného normálneho rozdelenia opisuje, že hodnota x, kde bol pík posunutý doprava a šírka zvonovitého tvaru bola vynásobená faktorom σ, ktorý je neskôr reformovaný ako „štandardná odchýlka“ alebo druhá odmocnina 'Variance' (σ ^ 2).
Na druhej strane je Poisson dokonalým príkladom pre diskrétny štatistický fenomén. Toto je obmedzujúci prípad binomického rozdelenia - spoločné rozdelenie medzi „premenné diskrétnej pravdepodobnosti“. Očakáva sa, že Poisson sa použije, keď sa vyskytne problém s podrobnosťami o sadzbe. Čo je dôležitejšie, toto rozdelenie je kontinuum bez prerušenia na časový interval so známou mierou výskytu. Pri „nezávislých“ udalostiach nebude mať výsledok žiadny vplyv na to, čo sa bude diať ďalej, keď bude hrať Poisson.
Takže ako celok musíme vidieť, že obe distribúcie sú z dvoch úplne odlišných perspektív, čo porušuje najčastejšie podobnosti medzi nimi..