биномиальное распределение это тот, чье возможное количество результатов равно двум, то есть успех или неудача. С другой стороны, нет предела возможных результатов в распределение Пуассона
Теоретическое распределение вероятностей определяется как функция, которая присваивает вероятность каждому из возможных результатов статистического эксперимента. Распределение вероятностей может быть дискретным или непрерывным, где в дискретной случайной переменной полная вероятность распределяется по различным точкам массы, тогда как в непрерывной случайной переменной вероятность распределяется по различным интервалам классов.
Биномиальное распределение и распределение Пуассона являются двумя дискретными распределениями вероятности. Нормальное распределение, распределение ученика, распределение хи-квадрат и F-распределение - это типы непрерывной случайной величины. Итак, здесь мы поговорим о разнице между биномиальным и пуассоновским распределением. Взглянуть.
Основа для сравнения | Биномиальное распределение | Распределение Пуассона |
---|---|---|
Смысл | Биномиальное распределение - это такое, в котором изучается вероятность повторного числа испытаний.. | Распределение Пуассона дает количество независимых событий, происходящих случайным образом с заданным периодом времени. |
Природа | Biparametric | Uniparametric |
Количество испытаний | Исправлена | бесконечность |
успех | Постоянная вероятность | Бесконечно малый шанс на успех |
Результаты | Только два возможных результата, то есть успех или неудача. | Неограниченное количество возможных результатов. |
Среднее и дисперсия | Среднее> Разница | Среднее = дисперсия |
пример | Эксперимент с подбрасыванием монет. | Печать ошибок / страницы большой книги. |
Биномиальное распределение - широко используемое распределение вероятностей, полученное из процесса Бернулли (случайный эксперимент, названный в честь известного математика Бернулли). Это также известно как бипараметрическое распределение, поскольку оно характеризуется двумя параметрами n и p. Здесь n - повторные испытания, а p - вероятность успеха. Если значение этих двух параметров известно, то это означает, что распределение полностью известно. Среднее значение и дисперсия биномиального распределения обозначаются через µ = np и σ2 = npq.
P (X = x) = NСИкс пИкс Qн-х, х = 0,1,2,3… n
= 0, иначе
Попытка получить конкретный результат, который вовсе не является определенным и невозможным, называется испытанием. Испытания являются независимыми и фиксированным положительным целым числом. Это связано с двумя взаимоисключающими и исчерпывающими событиями; где вхождение называется успехом, а не вхождение - неудачей. p представляет вероятность успеха, в то время как q = 1 - p представляет вероятность отказа, которая не изменяется в течение всего процесса.
В конце 30-х годов известный французский математик Симон Дени Пуассон представил это распределение. Он описывает вероятность определенного количества событий, происходящих за фиксированный интервал времени. Это однопараметрическое распределение, поскольку оно характеризуется только одним параметром λ или m. В распределении Пуассона среднее обозначается как m, то есть µ = m или λ, а дисперсия обозначается как σ2 = м или λ. Массовая функция вероятности x представлена как:
где е = трансцендентное количество, приблизительное значение которого составляет 2,71828
Когда число событий велико, но вероятность его возникновения довольно мала, применяется распределение Пуассона. Как, например, Количество страховых возмещений / день на страховую компанию.
Различия между биномиальным распределением и распределением Пуассона могут быть четко показаны на следующих основаниях:
Помимо вышеуказанных различий, между этими двумя распределениями существует ряд сходных аспектов, то есть оба являются дискретным теоретическим распределением вероятности. Далее, исходя из значений параметров, оба могут быть унимодальными или бимодальными. Кроме того, биномиальное распределение может быть аппроксимировано распределением Пуассона, если число попыток (n) стремится к бесконечности, а вероятность успеха (p) стремится к 0, так что m = np.