Skillnaden mellan Poisson Distribution och Normal Distribution Poisson Distribution vs Normal Distribution Poisson och Normal distribution kommer från två fördelar mellan Poisson Distribution och Normal Distribution

Poisson Distribution vs Normal Distribution

Poisson och Normal fördelning kommer från två olika principer. Poisson är ett exempel på distribution av diskret sannolikhet, medan normalt hör till kontinuerlig sannolikhetsfördelning.

Normal distribution är allmänt känd som "Gaussian Distribution" och används mest effektivt för att modellera problem som uppstår i naturvetenskap och samhällsvetenskap. Många strikta problem uppstår med hjälp av denna distribution. Mest vanliga exempel skulle vara "Observationsfel" i ett visst experiment. Normal fördelning följer en speciell form som kallas "Bell curve" som gör livet enklare för modellering av stor mängd variabler. Under tiden kom normal distribution ut från "Central Limit Theorem", där det stora antalet slumpmässiga variabler distribueras "normalt". Denna fördelning har symmetrisk fördelning om dess medelvärde. Vilket innebär jämnt fördelat från dess x-värde av "Peak Graph Value".

pdf: 1 / √ (2πσ ^ 2) e ^ (〖(x-μ)〗 ^ 2 / (2σ ^ 2))

Ovan nämnda ekvation är sannolikhetsdensitetsfunktionen hos 'Normal' och förstoras, μ och σ2 avser 'mean' respektive 'variance'. Det vanligaste fallet med normal distribution är "Normal Normal Distribution" där μ = 0 och σ2 = 1. Detta innebär att den normala distributionsnormen i pdf-format beskriver att x-värdet, där toppen har skiftats rätt och bredden på klockformen har multiplicerats med faktorn σ, som senare omformas som standardavvikelse eller kvadratroten av "Varians" (σ ^ 2).

Å andra sidan är Poisson ett perfekt exempel för diskret statistiskt fenomen. Det kommer som det begränsande fallet med binomialfördelning - den gemensamma fördelningen mellan "Discrete Probability Variables". Poisson förväntas användas när ett problem uppstår med detaljer om "rate". Ännu viktigare är denna fördelning ett kontinuum utan paus under ett tidsintervall med känd förekomstfrekvens. För "oberoende" händelser påverkar resultatet inte nästa händelse blir det bästa tillfället, där Poisson kommer in i spel.

Såsom en helhet måste man se att båda fördelningarna är från två helt olika perspektiv, som bryter mot de oftaste likheterna mellan dem.