Poisson-distribution vs normaldistribution
Poisson och normalfördelning kommer från två olika principer. Poisson är ett exempel på diskret sannolikhetsfördelning medan Normal hör till kontinuerlig sannolikhetsfördelning.
Normal distribution är allmänt känd som "Gaussian Distribution" och används mest effektivt för att modellera problem som uppstår inom naturvetenskap och samhällsvetenskap. Många rigorösa problem uppstår med denna distribution. Det vanligaste exemplet skulle vara "Observationsfel" i ett visst experiment. Normalfördelning följer en speciell form som kallas "Bell curve" som gör livet lättare för att modellera stora mängder variabler. Under tiden härrörde normalfördelningen från "Central Limit Theorem" under vilken det stora antalet slumpvariabler är fördelade "norm alt". Denna fördelning har symmetrisk fördelning kring sitt medelvärde. Vilket betyder jämnt fördelat från dess x-värde på 'Peak Graph Value'.
pdf: 1/√(2πσ^2) e^(〖(x-µ)〗^2/(2σ^2))
Ovannämnda ekvation är sannolikhetstäthetsfunktionen för 'Normal' och i förstoring hänvisar µ och σ2 till 'medelvärde' respektive 'varians'. Det mest allmänna fallet med normalfördelning är "Standard normalfördelning" där µ=0 och σ2=1. Detta innebär att pdf-filen för icke-standardiserad normalfördelning beskriver att x-värdet, där toppen har förskjutits åt höger och bredden på klockformen har multiplicerats med faktorn σ, som senare reformeras som 'Standardavvikelse' eller kvadratroten ur 'Varians' (σ^2).
Å andra sidan är Poisson ett perfekt exempel på diskreta statistiska fenomen. Det kommer som det begränsande fallet för binomialfördelning - den vanliga fördelningen bland "Diskreta sannolikhetsvariabler". Poisson förväntas användas när det uppstår problem med information om "hastighet". Ännu viktigare är att denna fördelning är ett kontinuum utan avbrott under ett tidsintervall med den kända förekomstfrekvensen. För "oberoende" händelser påverkar ens utfall inte nästa händelse kommer att vara det bästa tillfället, där Poisson kommer in i spelet.
Så som helhet måste man se att båda fördelningarna är från två helt olika perspektiv, vilket bryter mot de vanligaste likheterna mellan dem.
