Diferença entre Distribuição de Poisson e distribuição normal

Distribuição de Poisson versus Distribuição Normal

A distribuição de Poisson e Normal vem de dois princípios diferentes. Poisson é um exemplo para Distribuição de Probabilidade Discreta, enquanto Normal pertence à Distribuição de Probabilidade Contínua.

A Distribuição Normal é geralmente conhecida como "Distribuição Gaussiana" e mais efetivamente utilizada para modelar problemas que ocorrem nas Ciências Naturais e Ciências Sociais. Muitos problemas rigorosos são encontrados usando esta distribuição. O exemplo mais comum seria o 'Erros de observação' em uma experiência específica. A distribuição normal segue uma forma especial chamada "curva de Bell" que facilita a vida para modelar grande quantidade de variáveis. Entretanto, a distribuição normal originou-se do "Teorema do limite central", segundo o qual o grande número de variáveis ​​aleatórias são distribuídas normalmente. Esta distribuição tem distribuição simétrica sobre sua média. O que significa uniformemente distribuído a partir do seu valor x de 'Peak Graph Value'.

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

A equação acima mencionada é a função de densidade de probabilidade de 'Normal' e por aumentar, μ e σ2 referem 'significa' e 'variância', respectivamente. O caso mais geral de distribuição normal é a "Distribuição Normal Padrão" onde μ = 0 e σ2 = 1. Isso implica que o pdf de distribuição normal não padrão descreve que, o valor x, onde o pico foi deslocado para a direita e a largura da forma do sino foi multiplicada pelo fator σ, que depois é reformado como 'Desvio Padrão' ou raiz quadrada de 'Variance' (σ ^ 2).

Por outro lado, Poisson é um exemplo perfeito para o fenômeno estatístico discreto. Isso vem como o caso limitante da distribuição binomial - a distribuição comum entre 'Variáveis ​​de Probabilidade Discreta'. Espera-se que Poisson seja usado quando surgir um problema com detalhes da "taxa". Mais importante ainda, esta distribuição é um contínuo sem intervalo para um intervalo de tempo com a taxa de ocorrência conhecida. Para eventos "independentes", o resultado de uma pessoa não afetará o próximo evento será a melhor ocasião, onde Poisson entra em jogo.

Assim, como um todo, é preciso ver que ambas as distribuições são de duas perspectivas completamente diferentes, o que viola as semelhanças mais comuns entre elas.