Дискретные значения. Дискретные и непрерывные данные: ключевые различия и примеры использования

Числовые данные, также известные как количественные, представляют собой тип данных, выражаемый числами, а не естественным языком. Числовые данные отличаются от других типов данных числовых форм своей способностью выполнять арифметические операции с этими числами.

Количественные данные делятся на два типа данных: дискретные, которые представляют собой исчисляемые элементы. И непрерывные данные, которые описывают измерение данных. Непрерывные числовые данные далее подразделяются на интервальные и относительные данные, известные для измерения определенных элементов.

Дискретные данные — это счет, который включает целые числа — возможно только ограниченное количество значений. Этот тип данных не может быть разделен на разные части. Дискретные данные включают дискретные переменные, которые являются конечными, числовыми, счетными и неотрицательными целыми числами. Во многих случаях перед дискретными данными может стоять префикс «количество». Например:

• Количество учащихся, посетивших занятие;
• Количество клиентов, купивших разные товары;
• Количество продуктов, которые люди покупают каждый день;

Этот тип данных в основном используется для простого статистического анализа, поскольку его легко суммировать и вычислять. В большинстве случаев дискретные данные отображаются в виде столбчатых диаграмм, диаграмм «стебли и листья» и круговых диаграмм.

Непрерывные данные считаются полной противоположностью дискретных данных. Это тип числовых данных, который относится к неопределенному количеству возможных измерений между двумя предполагаемыми точками.

Числа непрерывных данных не всегда являются чистыми и целыми числами, поскольку они обычно собираются из очень точных измерений. Измерение конкретного субъекта позволяет создать определенный диапазон для сбора большего количества данных.

Переменные в непрерывных наборах данных часто содержат десятичные точки, при этом число растягивается настолько, насколько это возможно. Как правило, она меняется со временем. Он может иметь совершенно разные значения в разные промежутки времени, которые не всегда могут быть целыми числами. Вот несколько примеров:

• Погодная температура;
• Скорость ветра;
• Вес детей;

Непрерывные данные можно измерять с помощью специальных инструментов и отображать в виде линейных графиков, наклонов и гистограмм.

Оба типа данных важны для статистического анализа. Тем не менее, прежде чем делать какие-либо выводы или принимать решения, необходимо отметить некоторые основные различия. Основные отличия:

• Дискретные данные — это тип данных, между значениями которых есть пустые промежутки. Непрерывные данные — это данные, которые попадают в постоянную последовательность.
• Дискретные данные счетны, а непрерывные — измеримы.
• Для точного представления дискретных данных используется гистограмма. Гистограммы или линейные графики используются для графического представления непрерывных данных. Диаграмма дискретной функции показывает отдельную точку, которая остается несвязанной. В то время как на графике непрерывной функции точки соединяются непрерывной линией.
• Дискретные данные содержат различные или отдельные значения. Непрерывные данные включают любое значение в пределах предпочтительного диапазона.

Как дискретные, так и непрерывные данные полезны для всех видов решений, основанных на данных. Ценные исследования и идеи получаются путем объединения обоих наборов данных. Вот несколько примеров использования дискретных и непрерывных данных:

• Маркетинг и реклама. Прежде чем участвовать в какой-либо маркетинговой или рекламной кампании, компаниям необходимо проанализировать внутренние и внешние факторы, которые могут повлиять на маркетинговые кампании. В большинстве случаев специалисты по маркетингу используют SWOT-анализ. SWOT-анализ — это совокупность сильных и слабых сторон бизнеса, возможностей и угроз. Основная цель этого анализа — помочь компаниям полностью осознать все факторы, связанные с принятием решений на основе данных.
• Исследования. Числовые типы данных популярны среди исследователей из-за их совместимости с большинством статистических методов. Дискретные и непрерывные данные помогают облегчить процесс исследования.
• Популяционный анализ. Используя анализ тенденций, исследователи собирают данные о различных показателях в стране или регионе за определенный период и предсказывают будущее население. Это может включать рождаемость, смертность, популярность языков и так далее. Прогнозирование демографии страны играет жизненно важную роль в экономике.
• Разработка продукта. Исследователи продуктов используют общий недублированный анализ охвата и частоты (TURF), чтобы выяснить, будет ли новый продукт или услуга иметь спрос и будет ли он хорошо воспринят на целевом рынке на этапе разработки продукта.

Однако реализация дискретных или непрерывных данных может не всегда давать точные результаты, поскольку существуют проблемы, связанные только с анализом числовых данных. Например:

• Дискретные или непрерывные исследования данных могут быть ограничены в поиске статистических взаимосвязей. Это может привести к тому, что исследователи упустят ценные сведения. Сосредоточившись исключительно на цифрах, аналитик рискует упустить общую картину, которая может принести пользу бизнесу.
• При проведении исследований аналитикам необходимо разработать гипотезу и настроить модель сбора и анализа данных. Любые ошибки в настройке, предвзятость со стороны аналитиков или ошибки исполнения могут исказить результаты. Иногда даже выдвижение гипотезы может быть субъективным, особенно если есть конкретный вопрос, на который нужно ответить и доказать не только числовыми данными.

Какими бы сложными ни были дискретные и непрерывные данные, они наиболее полезны в статистическом анализе. Числовые данные позволяют компаниям принимать решения на основе данных и искать информацию, которая помогает ускорить рост бизнеса. Информация, полученная из дискретных и непрерывных данных, также позволяет маркетологам измерять эффективность своих маркетинговых усилий и внедрять более эффективные стратегии в будущем.

Whatagraph может пригодиться и облегчить трудоемкий процесс сбора и агрегирования данных. Инструмент отчетности автоматически собирает данные из разных источников и представляет их в визуальном отчете. Собранные данные могут отображаться в различных диаграммах и графиках, включая круговые диаграммы для дискретных данных и линейные графики для непрерывных данных.

Отсюда совершенно ясно, что два типа данных различаются в пояснениях и примерах. Дискретные данные представляют собой определенное количество изолированных значений. Напротив, непрерывные данные показывают любое значение из заданного диапазона.

Понимание числовых данных и различий между дискретными и непрерывными данными может быть затруднено на начальном этапе. Однако после обработки данных специалисты по маркетингу смогут подкрепить свои выводы об эффективности фактическими и точными данными.

В чем разница между дискретными данными и непрерывными данными?

Спросил 12 лет, 2 месяца назад

Изменено 2 года, 7 месяцев назад

Просмотрено 1,1 м раз

$\begingroup$

В чем разница между дискретными данными и непрерывными данными?

• непрерывные данные
• дискретные данные

$\endgroup$

6

$\begingroup$

Дискретные данные могут принимать только определенные значения. Потенциально может быть бесконечное количество этих значений, но каждое из них отличается, и между ними нет серой области. Дискретные данные могут быть числовыми — например, количество яблок — но также могут быть и категориальными — например, красное или синее, мужское или женское, хорошее или плохое.

Непрерывные данные не ограничиваются определенными отдельными значениями, но могут занимать любое значение в непрерывном диапазоне. Между любыми двумя непрерывными значениями данных может быть бесконечное количество других. Непрерывные данные всегда по существу являются числовыми.

Иногда имеет смысл рассматривать дискретные данные как непрерывные и наоборот :

• Например, что-то вроде высота является непрерывным, но часто мы на самом деле не слишком заботьтесь о крошечных различиях и вместо этого группируйте высоты в число дискретных бинов — т.е. только измерение сантиметры —.

• И наоборот, если мы подсчитываем большое количество какой-то дискретной сущности
  — т. е. рисовых зерен, термитов или пенни в экономике — мы можем не думать о 2 000 006 и 2 000 008 как о принципиально разных значениях, а вместо этого как близкие точки на приблизительном континууме
  .

Иногда может быть полезно, чтобы рассматривал числовые данные как категориальные , например: недостаточный вес, нормальный вес, ожирение. Обычно это просто еще один вид биннинга.

Редко имеет смысл рассматривать категориальные данные как непрерывные.

$\endgroup$

5

$\begingroup$

Данные всегда дискретны. Учитывая выборку из n значений переменной, максимальное количество различных значений, которые может принимать переменная, равно n . Смотрите эту цитату

Все фактические выборочные пространства дискретны, и все наблюдаемые случайные переменные имеют дискретное распределение. Непрерывное распределение математическая конструкция, пригодная для математической обработки, но практически не наблюдается. Э.Дж.Г. Питман (1979, с. 1).

Обычно предполагается, что данные о переменной берутся из случайной величины. Случайная величина является непрерывной в диапазоне, если существует бесконечное число возможных значений, которые переменная может принимать между любыми двумя разными точками в диапазоне. Например, рост, вес и время обычно считаются непрерывными. Конечно, любое измерение этих переменных будет конечно точным и в некоторых случаях смысл дискретный.

Полезно различать упорядоченные (т. е. порядковые), неупорядоченные (т. е. номинальные),
и двоичные дискретные переменные.

Некоторые вводные учебники путают непрерывную переменную с числовой переменной. Например, счет в компьютерной игре является дискретным, хотя и числовым.

Некоторые вводные учебники путают переменную отношения с непрерывными переменными. Переменная count — это переменная отношения, но она не является непрерывной.

На практике переменная часто считается непрерывной, если она может принимать достаточно большое количество различных значений.

Ссылки

• Pitman, EJG 1979. Некоторые основы теории статистического вывода. Лондон: Чепмен и Холл. Примечание: Я нашел эту цитату во введении к главе 2 книги Мюррея Эйткина Статистический вывод: комплексный байесовский подход/подход правдоподобия

$\endgroup$

3

$\begingroup$

Температуры непрерывны. Это может быть 23 градуса, 23,1 градуса, 23,100004 градуса.

Пол дискретен. Вы можете быть только мужчиной или женщиной (во всяком случае, в классическом мышлении). Что-то, что вы можете представить целым числом, например 1, 2 и т. д.

Разница важна, поскольку многие статистические алгоритмы и алгоритмы интеллектуального анализа данных могут работать с одним типом, но не с другим. Например, в обычной регрессии Y должен быть непрерывным. В логистической регрессии Y является дискретным.

$\endgroup$

1

$\begingroup$

Дискретные данные могут принимать только определенные значения.

Пример: количество учеников в классе (не может быть половина ученика).

Непрерывные данные — это данные, которые могут принимать любое значение (в пределах диапазона)

Примеры:

• Рост человека: может быть любым значением (в пределах диапазона человеческого роста), а не только определенным фиксированным ростом,
• Время в гонке: его можно измерить даже до долей секунды,
• Вес собаки, 9 г.0008
• Длина листа,
• Вес человека,

$\endgroup$

2

$\begingroup$

В случае базы данных мы всегда будем хранить данные в дискретном виде, даже если природа данных непрерывна. Почему я должен подчеркивать природу данных? Мы должны взять распределение данных, которое могло бы помочь нам проанализировать данные. ЕСЛИ природа данных непрерывна, я предлагаю вам использовать их путем непрерывного анализа.

Возьмем пример непрерывного и дискретного: MP3. Даже тип «звука» аналогичен, если сохранен в цифровом формате. Мы всегда должны анализировать это по аналогии.

$\endgroup$

$\begingroup$

С одной стороны, с практической точки зрения я согласен с ответом Джероми Энглима. В конце концов, большую часть времени мы имеем дело с дискретными переменными — хотя с теоретической точки зрения они непрерывны — и это оказывает реальное влияние, например, на классификацию. Вспомните статью Стробла, в которой указывалось, что Random Forests предвзято относятся к переменным с несколькими точками отсечения (более высокая точность, но потенциально схожая природа). По моему личному опыту, вероятностные нейронные сети могут давать смещение, когда переменные представляют разную точность, если только они не одного типа (т. е. непрерывные). С другой стороны, с теоретической точки зрения классическая классификация (например, непрерывная, дискретная, номинальная и т. д.) ИМХО верна. В соответствии с этим я думаю, что исходное название статьи Куинлана, описывающей алгоритм M5, который является «регрессором», является отличным выбором. Таким образом, определение и последствия непрерывного или дискретного измерения актуальны в зависимости от «окружающей среды».

Ссылки:

Куинлан Дж. Р. (1992). Обучение с непрерывными классами. В: 5-я Австралийская совместная конференция по ИИ. Сидней (Австралия), 343–348.

Стробл К., Булестейкс А.-Л., Зейлейс А. и Хотхорн Т. (2007). Систематическая ошибка в показателях важности переменных случайного леса: иллюстрации, источники и решение. BMC Bioinformatics, 8, 25. doi: 10.1186/1471-2105-8-25

$\endgroup$

$\begingroup$

Дискретные данные принимают определенные значения, в то время как непрерывные данные не ограничиваются отдельными значениями.

Дискретные данные различны, и между ними нет серой области, в то время как непрерывные данные занимают любое значение, превышающее значение непрерывных данных.

$\endgroup$

$\begingroup$

Дискретные данные Они могут принимать определенные значения. Они числовые.

$\endgroup$

1

$\begingroup$

Дискретные данные могут принимать только целочисленные значения, тогда как непрерывные данные могут принимать любые значения. Например, количество больных раком, ежегодно лечащихся в больнице, дискретно, а ваш вес непрерывен. Некоторые данные являются непрерывными, но измеряются дискретно, например. ваш возраст. Обычно ваш возраст указывается, скажем, 31 год.

$\endgroup$

1

$\begingroup$

Дискретные данные конкретно говорят о конечных значениях, а непрерывные данные говорят о бесконечных значениях. ….

$\endgroup$

1

Дискретные и непрерывные данные – определения, примеры, вопросы и ответы

В целях анализа данные представлены в виде фактов и цифр, собранных вместе. Он подразделяется на две широкие категории: качественные данные и количественные данные. Качественные данные невозможно измерить с точки зрения чисел, и они подразделяются на номинальные и порядковые данные. С другой стороны, количественные данные содержат числовые значения и используют область действия. Далее они подразделяются на дискретные данные и непрерывные данные.

Что такое дискретные данные?

Данные, которые могут принимать только определенные значения, являются дискретными данными. Эти значения не обязательно должны быть полными числами, но они являются фиксированными значениями. Он содержит только конечные значения, подразделение которых невозможно. Он включает только те значения, которые являются отдельными и могут быть подсчитаны только целыми числами или целыми числами, что означает, что данные не могут быть разбиты на дроби или десятичные дроби.

Примеры дискретных данных: количество учеников в классе, количество конфет в пакете, количество струн на гитаре, количество рыб в аквариуме и т. д.

Что такое непрерывные данные?

Непрерывные данные — это данные, которые могут иметь любое значение. Со временем некоторые непрерывные данные могут измениться. Он может принимать любое числовое значение в потенциальном диапазоне значений конечного или бесконечного. Непрерывные данные могут быть разбиты на дроби и десятичные знаки, т. е. по точности измерения могут быть значительно подразделены на более мелкие участки.

Непрерывные данные Примеры: Измерение роста и веса учащегося, Ежедневное измерение температуры в помещении, Ежедневное измерение скорости ветра и т. д.

Дискретные и непрерывные примеры

Высота непрерывна, но иногда мы не слишком беспокоимся о незначительных вариациях и высотах клюшки в виде набора дискретных данных.

С другой стороны, если мы посчитаем большое количество любого дискретного объекта. Мы можем предпочесть не думать о 10,00,100 и 10,00,102 как о принципиально разных значениях, а о ближайших точках на приблизительном континууме.

Разница между непрерывными и дискретными данными

Вопросы по дискретным данным Непрерывные данные

Вопрос: Классифицируйте следующее как дискретные и непрерывные данные

1. Утки в пруду.

2. Рост учащегося от 5 до 15 лет.

3. Количество животных в зоопарке.

4. Результат броска игральной кости.

5. Количество книг в стеллаже.

Ответ: Утки в пруду — это дискретные данные, потому что количество уток — конечное число.

1. Рост учащегося в возрасте от 5 до 15 лет представляет собой непрерывные данные, поскольку рост постоянно меняется в возрасте от 5 до 15 лет, что не является постоянным в течение 10 лет.

2. Количество животных в зоопарке является постоянными данными, поскольку количество животных ежегодно меняется в зависимости от размножения новых животных или прибытия новых животных.

3. Результатом броска кубика является 1, 2, 3, 4, 5, 6, 7 и 8. Следовательно, это дискретные данные.

4. Количество книг на полке — конечное счетное число. Следовательно, это дискретные данные.

5. Количество книг на полке — конечное счетное число. Следовательно, это дискретные данные.

Советы и рекомендации по изучению дискретных и непрерывных данных

Статистика — довольно сложный предмет, но для тех, кто знает, как использовать свой разум, это лучший предмет для них, поскольку он требует больше практических знаний и концептуального обучения. И именно по этой причине большинство студентов находят этот предмет интересным.

Известно, что в сегодняшние переменчивые времена карьера в этой области предоставляет одни из самых востребованных профессиональных возможностей. Однако студенты должны понимать, что для них важно осознавать свои интересы и, исходя из этого, выбирать наилучший карьерный путь. Статистика включает в себя организацию, анализ, интерпретацию и представление данных.

Некоторым учащимся это может показаться трудным, так как требует логического мышления и математики, но это отличный вариант для тех, кто любит решать и направлять свои мысли на логику.

Вот несколько шагов, чтобы хорошо подготовиться к экзамену, в рамках курса которого есть статистика.

Давайте разберемся с ними.

Было бы здорово, если бы у вас уже было немного знаний о курсе, прежде чем выбрать его. Например, в случае со статистикой алгебра — хороший вариант для изучения перед началом курса статистики. Это поможет вам сэкономить время позже, поскольку у вас уже есть некоторые знания об алгебре. Многие другие курсы доступны онлайн, чтобы овладеть базовыми знаниями, которые могут помочь вам позже. Другой пример — научиться пользоваться калькуляторами. Существуют специальные калькуляторы для различных экзаменов по статистике, и было бы здорово иметь хорошие знания об их использовании и реализации.

Больше работайте над основами, так как они формируют основу для многих других концепций. Как только вы поймете основную концепцию, вы сможете легко понять дополнительные концепции. Превосходство ваших базовых знаний по предмету способствует концептуальному обучению, и, следовательно, вы также можете легко ознакомиться с новыми концепциями.

Все мы знаем, что время очень важно, оно никого не ждет. Так обстоит дело и со статистикой. Вы должны знать, как управлять своим временем и использовать его наилучшим образом. Прокрастинация — не последний вариант, если вы готовитесь к экзамену по статистике. Вы должны быть посвящены. Составление расписания или совместное обучение со сверстниками может помочь вам сосредоточиться и оставаться активным.

Всякий раз, когда вы сталкиваетесь с какой-либо проблемой, лучшим решением является консультация с заинтересованным учителем, вы никогда не должны стесняться спрашивать сомнения. Если вы чувствуете, что ваши сомнения глупы, и вы пропускаете их, а не задаете, это неправильный подход. Вы должны задавать сомнения там, а затем очищать их, анализировать и работать над ними.

Это нормально, если вы волнуетесь перед экзаменом, особенно когда речь идет о статистике. Просто знайте, что вы готовились и много работали для этого. Значит, и у вас будет результат! Результаты — это результат наших усилий, и если вы считаете, что приложили все усилия, то наверняка сможете получить хорошие оценки. Понятно, что это, должно быть, заставляет вас нервничать прямо сейчас, но ваши эмоции действительны! Все, что вы можете сделать прямо сейчас, это просто сделать глубокий вдох и поверить в себя! Если вы чувствуете усталость в данный момент, даже это тоже нормально. Выспитесь, это важно. Вы не можете ожидать, что ваш мозг будет хорошо работать с сотнями мыслей, это только создаст беспорядок. Лишение сна бесполезно, вместо этого вы должны вздремнуть, чтобы расслабить нервы своего мозга, чтобы учиться и учиться позже. Это может показаться немного странным, но не обременяйте себя новыми темами перед экзаменом. Вместо этого просто повторите то, что вы уже сделали.

Знаете ли вы?

Возраст — это дискретные данные, потому что мы можем быть бесконечно точными и использовать бесконечное число знаков после запятой, в результате делая возраст непрерывным. Однако обычно мы используем возраст как дискретную переменную.

Мои данные непрерывны или дискретны? | Блоги

Просмотреть все блоги

Типы данных

При анализе данных часто нам нужно знать, является ли наш набор данных непрерывным или дискретным. Основная причина этого заключается в том, чтобы определить, какой статистический инструмент или методологию нам нужно использовать для анализа данных. Если набор данных является непрерывным, нам нужно использовать один набор аналитических инструментов или методов, а если данные дискретны, нам придется использовать другой набор инструментов или методов. Я видел несколько мест в литературе, где это определение типа данных сделано неправильно, и в результате к данным был проведен неправильный анализ, что привело к ошибке в анализе и выводах. В этом блоге мы будем различать разные типы данных и, надеюсь, проясним, как вы можете определить тип данных, которые у вас есть.

Что такое данные?

Данные — это любая фактическая информация или измерения, которые собираются и используются для принятия решения, рассуждений или любых расчетов. Нам необходимо обработать данные, чтобы извлечь и понять информацию, которую они нам сообщают. Данные — это язык процесса, который говорит нам, что происходит с процессом.

Различные типы данных

Существуют различные способы классификации данных, но мы будем использовать следующую простую классификацию, показанную на рисунке ниже.

Качественные данные

Данные могут быть как качественными (выраженными в виде текста — пример цвета продукта, описание характеристик продукта), так и количественными (выраженными в виде чисел — количество элементов, выделенных зеленым цветом, равно 4). Например, если мы описываем чашку кофе, качественными данными может быть «кофе имеет прекрасный вкус», а количественными данными могут быть «температура кофе 76 градусов по Цельсию» или «кофе стоит 12,50 долларов».

Большую часть времени, когда мы собираем данные, мы пытаемся собрать количественные данные, чтобы мы могли сделать более точные выводы из данных. Однако в ходе опросов и из других источников мы также собираем качественные данные. Когда мы собираем количественные данные, мы можем дополнительно классифицировать их на два типа: дискретные и непрерывные.

Дискретные данные

Дискретные данные — это данные, для которых невозможны все значения на действительной числовой прямой — возможны только определенные значения. Например, оценка, которую вы получаете на школьном экзамене (A, B, C, D или E), является примером дискретных данных, поскольку ваша оценка может принимать только одно из этих 5 возможных значений и никакое другое. Дискретные данные можно разделить на три категории: двоичные, номинальные и порядковые.

Двоичные данные: Двоичные данные принимают только два возможных значения. Например, лампа горит или не горит, ответ верный или неверный, 0 или 1, да или нет и т. д. Если вы соберете данные о количестве отчетов с ошибкой, это будет пример двоичных данных.
Номинальные данные: Номинальный набор данных может принимать более 2 значений, но эти значения не упорядочены – нет естественного упорядочения или сравнения этих значений. Например, национальность, род занятий, регион, категория дефекта и т. д. Если вы собираете данные о различных типах ошибок, допущенных отделом, это будет пример номинальных данных.
Порядковые данные: Порядковые данные также принимают несколько значений, но они естественным образом упорядочены — можно сделать вывод, что одно лучше другого. Например, оценки на экзамене, результаты забега, результаты опроса клиентов и т. д. Например, если вы проводите опрос и на вопрос опроса есть пять ответов «Плохо», «Ниже среднего», «Средне», « Выше среднего», «Отлично». Эти пять ответов упорядочены, поэтому это будет пример порядковых данных.

Непрерывные данные

В непрерывном наборе данных теоретически возможно любое значение. Например, вы можете получить такое значение, как 2,37983. Все значения в строке действительных чисел могут быть возможными значениями данных. Например, длина таблицы может принимать любое значение. Только инструментальное измерение может ограничить количество знаков после запятой, которые мы можем сообщить. Если бы у нас был лучший измерительный прибор, теоретически возможно любое значение. Примерами непрерывных данных являются те, которые обычно измеряются, такие как температура, давление, влажность, длина, время и т. д. Непрерывные данные могут быть дополнительно классифицированы как измеренные на шкале интервалов или шкале отношений.

Интервальная шкала: Интервальная шкала – это те значения, которые не имеют натурального нуля. Вы не можете взять отношение этих чисел — например, температуру в помещении, измеренную в градусах Цельсия.

Шкала отношений: Шкала отношений — это те значения, которые имеют натуральный нуль. Например, температура в помещении измеряется в Кельвинах. Ни одна температура не может опускаться ниже 0 К. Например, среднее время, необходимое для ответа на анкету опроса клиентов, показанное ниже, является примером непрерывных данных.

Вопросы

Давайте рассмотрим несколько примеров, чтобы увидеть, можем ли мы классифицировать различные типы данных. Классифицируйте следующие данные как непрерывные или дискретные.

• Количество дорожно-транспортных происшествий за месяц в Чикаго
• Результаты опроса об удовлетворенности клиентов (оценка по шкале от 1 до 5)
• Время доставки товара покупателю в днях
• Процент людей, отсутствующих в классе
• Доход от продажи продукта за каждый квартал (измеряется в долларах США)

Ответы на приведенные выше вопросы: а) дискретный, б) дискретный, в) непрерывный, г) дискретный и д) непрерывный. Для количества дорожно-транспортных происшествий оно дискретно, потому что у нас может быть только целое число дорожно-транспортных происшествий. Например, у вас может быть 2 или 3 аварии, но не может быть 2,3 аварии в месяц. Для опроса удовлетворенности клиентов он является дискретным, поскольку вы можете иметь значения только от 1, 2, 3, 4 или 5, но не любое число между ними. Для времени, необходимого для доставки продукта, у вас теоретически может быть 2,3 дня доставки, или возможно любое значение, поэтому оно является непрерывным. Для процента людей, отсутствующих в классе, это отношение двух дискретных чисел, и поэтому его следует рассматривать как дискретное. Все значения невозможны — например, если в классе 10 человек и 1 отсутствует, вы получите 0,1 (10% отсутствующих) или если 2 человека отсутствуют, вы получите 0,2 (20% отсутствующих), вы не можете получить никаких значений. между. Следовательно, это следует строго рассматривать как дискретное. Наконец, для дохода от продаж он измеряется в долларах и, следовательно, должен рассматриваться как непрерывный, любое значение теоретически возможно.

Всегда смотрите на основную природу данных, чтобы определить, является ли набор данных непрерывным или дискретным. Если базовые данные являются дискретными, то данные следует рассматривать как дискретные. Таким образом, отношение двух дискретных чисел следует рассматривать как дискретное, например, % элементов, исправленных с первого раза. Соотношение дискретных и непрерывных значений следует рассматривать как непрерывное, например, среднее время ремонта телевизора.

Подпишитесь на нас в LinkedIn, чтобы получать последние сообщения и обновления.

Дискретные и непрерывные данные — ArcMap | Документация

Доступно с лицензией 3D Analyst.

• Дискретные и непрерывные функции
• Постепенно изменяющиеся непрерывные данные
• Дискретные или непрерывные?

Значения, присвоенные ячейкам поверхности, могут быть представлены либо как дискретные, либо как непрерывные данные. Объекты и поверхности в ArcGIS могут быть представлены либо как дискретные, либо как непрерывные данные.

Дискретные данные, также известные как категориальные или прерывистые данные, в основном представляют объекты как в пространственных, так и в растровых системах хранения данных. Дискретный объект имеет известные и определяемые границы. Легко точно определить, где объект начинается и заканчивается. Озеро – это отдельный объект в окружающем ландшафте. Где край воды встречается с землей, можно окончательно установить. Другими примерами дискретных объектов являются здания, дороги и земельные участки. Дискретные объекты обычно являются существительными.

Непрерывные данные или непрерывная поверхность представляют явления, где каждое место на поверхности является мерой уровня концентрации или его отношения к фиксированной точке в пространстве или от источника излучения. Непрерывные данные также называются полевыми, недискретными или поверхностными данными.

Один тип непрерывных данных о поверхности получается из тех характеристик, которые определяют поверхность, где каждое местоположение измеряется от фиксированной точки регистрации. К ним относятся высота (фиксированной точкой является уровень моря) и экспозиция (фиксированная точка является направлением: север, восток, юг и запад).

Дискретные и непрерывные объекты

Большинство приложений ArcGIS используют дискретную географическую информацию, такую ​​как землевладение, классификация почв, зонирование и землепользование. Эти типы данных представлены номинальными, порядковыми, интервальными и относительными значениями. Поверхности — это непрерывные данные, такие как высота над уровнем моря, осадки, концентрация загрязнения и уровень грунтовых вод. Эти данные могут быть представлены в виде непрерывной поверхности, как правило, без резких или скачкообразных изменений.

Отдельные функции

Дискретные объекты являются прерывистыми и имеют определенные границы. Например, дорога имеет ширину и длину и представлена ​​на карте в виде линии. Карта землевладения показывает границы между различными участками. Существуют определенные изменения в характеристиках (таких как имя владельца, номер участка и юридическая территория) между каждым объектом на карте.

Пример отдельных объектов можно увидеть на этой карте землевладения.

Дискретные объекты карты также можно рассматривать как тематические данные. Эти данные или объекты карты легко представляются на картах в виде точек, линий или областей. К настоящему моменту вы узнали, как структура данных ArcGIS представляет топологические отношения двухмерных объектов. Атрибуты могут быть назначены объектам карты и использованы для их описания, построения, обозначения и маркировки. Кроме того, дальнейший анализ может быть выполнен для определения или идентификации новых взаимосвязей между этими функциями.

Непрерывные объекты

Напротив, непрерывные объекты не являются пространственно дискретными. Как правило, переход между возможными значениями на непрерывной поверхности осуществляется без резких или четко определенных разрывов между значениями. Атрибут поверхности хранится как z-значение, единственная переменная в вертикальном измерении, связанная с данным местоположением x,y. Например, значения высот поверхности непрерывны по всей поверхности. Любое представление поверхности — это просто выборка (подмножество) значений всей поверхности.

Постепенно меняющиеся непрерывные данные

Второй тип непрерывных данных о поверхности включает явления, которые постепенно изменяются по мере их перемещения по поверхности от источника. Примерами постоянно меняющихся непрерывных данных о поверхности являются движение жидкости и воздуха. Эти поверхности характеризуются типом или способом движения явления.

Одним из видов движения является диффузия или любая другая локомоция, при которой явления перемещаются из областей с высокой концентрацией в области с меньшей концентрацией, пока уровень концентрации не выровняется. Поверхностные характеристики этого типа движения включают концентрацию соли, движущуюся через землю или воду, разлив нефти и тепло от лесного пожара. В этом типе непрерывной поверхности должен быть источник. Концентрация всегда больше вблизи источника и уменьшается в зависимости от расстояния и среды, в которой движется вещество.

На приведенной выше поверхности концентрации источника концентрация явления в любом месте зависит от способности события перемещаться в среде.

Другой тип движения определяется неотъемлемыми характеристиками движущегося объекта или способом передвижения. Например, движение шума от взрыва бомбы определяется неотъемлемыми характеристиками шума и среды, в которой он движется. Способ передвижения также может ограничивать и напрямую влиять на поверхностную концентрацию признака, как в случае распространения семян с растения. Средства передвижения, будь то пчелы, человек, ветер или вода, влияют на поверхностную концентрацию рассеивания семян растения.

Другие примеры передвижения включают рассредоточение популяций животных, потенциальных покупателей магазина (автомобиль является средством передвижения, а время является ограничивающим фактором) и распространение болезни.

Дискретный или непрерывный?

При представлении и моделировании многих объектов границы не являются четко непрерывными или дискретными. Континуум создается при представлении географических объектов, причем крайностями являются чисто дискретные и чисто непрерывные объекты. Большинство функций находятся где-то между крайностями.

Примерами объектов, попадающих в континуум, являются типы почв, окраины лесов, границы водно-болотных угодий и географические рынки, находящиеся под влиянием телевизионной рекламной кампании. Определяющим фактором того, где объект попадает в спектр от непрерывного к дискретному, является простота определения границ объекта. Независимо от того, где на континууме находится объект, растр может представить его с большей или меньшей точностью.

Важно понимать тип данных, которые вы моделируете, независимо от того, являются ли они дискретными или непрерывными, при принятии решений на основе полученных значений. Точное место для строительства не должно основываться исключительно на карте почв. Площадь леса не может быть основным фактором при определении доступных мест обитания оленей. Кампания по продажам не должна основываться только на географическом влиянии телевизионной рекламы на рынок. Необходимо понимать достоверность и точность границ входных данных.

Похожие темы

В чем разница? – Циппия

Дискретный и непрерывный — оба термина используются при обработке данных для описания различных наборов данных и переменных. Оба являются количественными или числовыми данными, что означает, что они представлены числами и могут быть обработаны математически.

Статистика и обработка данных имеют тенденцию приобретать таинственный вид, но как только кто-то объяснит вам основную концепцию того, что делает набор данных дискретным или непрерывным, понять это несложно.

Непрерывные переменные данных обычно используются для измерений, таких как чей-то рост или вес. Это потому, что он включает в себя диапазон — чей-то рост может быть измерен все более и более точно, и, кроме того, он будет меняться со временем.

Для дискретных данных это отдельные числа. Это означает, что он используется для значений, которые можно подсчитать, например, количество автомобилей, которыми владеет домохозяйство. Он также не имеет тенденции меняться со временем — и не будет меняться в течение заданного интервала времени.

Ключевые выводы:

Дискретный	Непрерывный
Можно подсчитывать дискретные данные.	Можно измерять непрерывные данные.
Дискретные данные визуально представлены в виде диаграмм, таких как гистограммы, круговые диаграммы и точечные диаграммы. Все они показывают индивидуальные значения.	Непрерывные данные обычно представляются визуально в виде гистограмм или линейных диаграмм, которые лучше подходят для демонстрации того, как данные согласуются друг с другом в диапазоне.
Некоторыми распространенными примерами дискретных данных являются количество детей в семье, количество игр, выигранных спортивной командой за сезон, или количество участников гонки.	Типичными примерами непрерывных данных являются возраст человека, вес ребенка при рождении и количество времени, которое требуется спринтеру, чтобы пробежать четверть мили.
Дискретные данные остаются постоянными в течение определенного интервала времени.	Непрерывные данные будут меняться со временем и иметь разные значения в разное время.

Что такое дискретные данные?

Дискретные переменные данных всегда фиксированы. Этот тип данных обычно используется в таких ситуациях, как подсчет количества чего-либо, например переписи населения, или количества автомобилей, которыми владеет семья. Невозможно иметь 2,4 автомобиля, а также невозможно уточнить количество автомобилей, которые у них есть.

Это не означает, что в дискретной переменной не может быть десятичной точки. Измерение, такое как чей-то размер обуви, является дискретной переменной, поскольку существует ограниченное количество значений, которые она может содержать. Например, это может быть 10,5, но, поскольку размеры обуви бывают целыми и половинными, существует предел тому, каким он может быть. И это делает дискретные данные менее точными, чем непрерывные данные.

Хотя эти данные могут быть усреднены, откуда и исходит вся идея домохозяйств с 2,3 детьми, на самом деле домохозяйство не может иметь частичного ребенка. Именно это делает данные дискретными — существует конечное число значений, которые можно присвоить.

Дискретные данные чаще всего изображаются с помощью типичных типов графиков, которые вы видите: гистограммы, точечные диаграммы и круговые диаграммы.

Что такое непрерывные данные?

Непрерывные данные — это значение, которое можно найти в диапазоне. Это в значительной степени связано с округлением, поскольку измерения могут выполняться с постоянно возрастающей точностью, в зависимости от инструментов измерения и того, сколько времени вы хотите потратить на заполнение десятичных знаков.

Непрерывными данными будут такие значения, как температура, длина, возраст и вес. Все эти измерения могут быть более точными до бесконечности. Например, если вы хотите измерить вес собаки, вы можете сделать это в стоунах, фунтах или унциях. И тогда вы можете перейти к частичным унциям, приближаясь к истинной точности как к пределу.

Это делает непрерывные данные более точными, чем дискретные. В то время как непрерывные данные могут быть переданы с еще большей точностью, дискретные данные ограничены одним значением.

Непрерывные данные чаще всего визуально представляются в виде гистограммы или линейной диаграммы, которые показывают непрерывный характер данных. Это не просто одна точка, а диапазон значений, которые подходят друг другу.

Часто задаваемые вопросы о дискретных данных и непрерывных данных

1. Как узнать, является ли переменная дискретной или непрерывной?

   Переменная является дискретной, если ее можно посчитать, и непрерывной, если ее можно измерить. Это означает, что количество домашних животных в семье или количество подтягиваний на последней тренировке являются дискретными переменными, в то время как количество галлонов воды в водонапорной башне или ваш точный возраст являются непрерывными переменными.