Poisson-distribusjon vs normaldistribusjon
Poisson og normalfordeling kommer fra to forskjellige prinsipper. Poisson er ett eksempel på diskret sannsynlighetsfordeling, mens normal tilhører kontinuerlig sannsynlighetsfordeling.
Normal distribusjon er generelt kjent som 'gaussisk distribusjon' og brukes mest effektivt til å modellere problemer som oppstår innen naturvitenskap og samfunnsvitenskap. Mange strenge problemer oppstår ved å bruke denne distribusjonen. Det vanligste eksemplet vil være "Observasjonsfeil" i et bestemt eksperiment. Normalfordeling følger en spesiell form k alt "Bell curve" som gjør livet enklere for modellering av store mengder variabler. I mellomtiden stammer normalfordelingen fra "Central Limit Theorem" der det store antallet tilfeldige variabler er fordelt "norm alt". Denne fordelingen har symmetrisk fordeling om gjennomsnittet. Noe som betyr jevnt fordelt fra x-verdien til 'Peak Graph Value'.
pdf: 1/√(2πσ^2) e^(〖(x-µ)〗^2/(2σ^2))
Ovennevnte ligning er sannsynlighetstetthetsfunksjonen til 'Normal', og ved forstørrelse refererer µ og σ2 til henholdsvis 'middelverdi' og 'varians'. Det mest generelle tilfellet av normalfordeling er 'Standard normalfordeling' der µ=0 og σ2=1. Dette innebærer at pdf-en til ikke-standard normalfordeling beskriver at x-verdien, der toppen er forskjøvet til høyre og bredden på klokkeformen er multiplisert med faktoren σ, som senere blir reformert som 'Standardavvik' eller kvadratroten av «Varians» (σ^2).
På den annen side er Poisson et perfekt eksempel på diskrete statistiske fenomener. Det kommer som det begrensende tilfellet av binomial distribusjon - den vanlige fordelingen blant 'Diskrete sannsynlighetsvariabler'. Poisson forventes å bli brukt når det oppstår et problem med detaljer om "rate". Enda viktigere er at denne fordelingen er et kontinuum uten pause i et tidsintervall med den kjente forekomstfrekvensen. For «uavhengige» arrangementer påvirker ikke ens utfall den neste hendelsen vil være den beste anledningen, der Poisson kommer inn i bildet.
Så som helhet må man se at begge distribusjonene er fra to helt forskjellige perspektiver, noe som bryter med de oftest likhetene mellom dem.
