¿Cuál es la diferencia entre datos continuos y discretos?

Esta pregunta puede conducir a respuestas ambiguas, que pueden resolverse entendiendo el contexto de aplicación.

Veamos los datos de series temporales con ejemplos del mundo real en los que el tiempo y el valor de cada punto de datos tienen importancia:

  1. hay datos valiosos continuos en tiempo discreto (p. ej., temperatura promedio diaria) y
  2. hay datos discretos de tiempo discreto (por ejemplo, número de personas que viajan en tren cada mes)
  3. datos de valor discreto de tiempo continuo (por ejemplo, número de personas que esperan ser atendidos en una sala de emergencias durante un período de tiempo, modelado como proceso de Markov de tiempo continuo)
  4. datos continuos de valor continuo en el tiempo (por ejemplo, la velocidad de un automóvil mientras atraviesa una ruta durante un intervalo de tiempo dado)

En otro contexto, todos los datos se clasifican como categóricos o cuantitativos basados ​​únicamente en el valor .

Los datos categóricos no tienen una medida de valor. Es decir, ninguna métrica de grande / pequeño o fuerte / débil es aplicable a un conjunto de datos cuyos datos individuales son nombres o etiquetas. Ejemplos: nombres de frutas {Mango, Naranja, Kiwi, Piña}, colores del arco iris {R, O, Y, G, B, V}, estado del interruptor de dos vías {0, 1}, etc.

Los datos cuantitativos tienen una medida de valor. Hay dos subcategorías en datos cuantitativos que son datos cuantitativos de valor discreto y continuo . En este contexto, 1. y 4. anteriores serían datos continuos, y 2. y 3. serían datos discretos.

En pocas palabras: ¡el contexto importa!

La diferencia entre datos discretos y continuos se puede establecer claramente con los siguientes hechos:

1. Los datos discretos son el tipo de datos que tienen espacios libres entre valores. Los datos continuos son datos que caen en una secuencia continua.

2. Los datos discretos son contables mientras que los datos continuos son medibles.

3. Los datos discretos contienen valores distintos o separados. Por otro lado, los datos continuos incluyen cualquier valor dentro del rango.

4. Los datos discretos se representan gráficamente mediante un gráfico de barras, mientras que se usa un histograma para representar datos continuos gráficamente.

5. La tabulación de datos discretos, realizada contra un único valor, se denomina distribución de frecuencia no agrupada. Por el contrario, la tabulación para datos continuos, realizada contra un grupo de valores, se denomina distribución de frecuencia agrupada.

6. Clasificación superpuesta o mutuamente excluyente, como 10-20, 20-30, …, etc., realizada para datos continuos. A diferencia de, la clasificación no superpuesta o mutuamente inclusiva como 10-19,20-29, …, etc. se realiza para datos discretos.

7. En un gráfico de la función discreta, muestra un punto distinto que permanece desconectado. A diferencia del gráfico de función continua, los puntos están conectados con una línea continua

C&P de mi respuesta a datos discretos en el aprendizaje automático:

Los datos discretos se limitan a tomar valores específicos . Estos pueden ser numéricos o categóricos, por ejemplo:
¿Cuántos dedos está sosteniendo alguien? ( un número específico de 0, 1, 2, […], 10 )
¿De qué color es la camisa de alguien? ( uno de [ azul, verde, rojo ])

Los datos continuos no se limitan a valores específicos, sino que pueden ser cualquier número de un rango. En el extremo, ese rango puede ser de infinito negativo a infinito positivo, aunque a menudo se limita a algún rango específico, por ejemplo [0,1].

Esta es una buena pregunta.

Los datos teóricamente discretos toman muchos valores, mientras que los datos continuos toman muchos. Pero en este universo nuestro todo es finito, por lo que la definición tiene poco sentido práctico. Prácticamente no hay un límite claro para distinguir entre discreto y continuo, pero hay pautas.

Es difícil argumentar que los datos binarios son discretos, pero un campo que contiene 20 valores distintos también puede considerarse, dependiendo de las circunstancias. En la práctica, cuando el objetivo contiene, digamos, 20 valores distintos, uno puede probar tanto la regresión como la clasificación y evaluar cuál “funciona” mejor. La razón por la que cito el rendimiento es que es un poco complicado: la clasificación se mide en tasa de error mientras que la regresión en error cuadrático medio y es difícil conciliar las dos mediciones.

Sin conocer detalles, como profesional tendré a usar la regresión para la clasificación con 20 clases.

Las redes de perceptrones de varias capas (es decir, redes profundas) están bien preparadas para liberarnos de la angustia de decidir si un campo es continuo o discreto: a medida que el anuncio dice “configúrelo y olvídalo”.

Discreto es (1,2,3,4, …) continuo es cada número real entre 1 y 10.

La cantidad de personas en una habitación es discreta, mientras que la cantidad de tiempo que pasa haciendo algo es continua

Básicamente, los datos discretos son lo que obtienes cuando cuentas cosas * como los estudiantes en un aula o las chispas de chocolate en una galleta con chispas de chocolate. Los datos continuos son lo que obtienes cuando mides cosas como la altura de una persona o la cantidad de combustible que queda en un automóvil.

Las matemáticas difieren para datos discretos y continuos, pero básicamente, los cálculos con datos discretos generalmente implican sumas, mientras que los cálculos para datos continuos generalmente involucran integrales.

* Aunque esta definición es suficiente para la mayoría de los casos, implica falsamente que los datos discretos son datos integrales. De hecho, lo que significa que los datos están en “pasos discretos”, lo que significa que la diferencia entre dos elementos sucesivos de datos discretos es una constante que puede ser algo más que un número entero.

More Interesting

¿Las matemáticas son muy difíciles en un programa BCA?

¿Qué abstracciones te parecen interesantes? ¿Por qué?

Soy muy malo en matemáticas, pero quiero ser programador. ¿Debo solicitar la programación?

¿Cuáles son algunos de los problemas NP-completos más difíciles?

¿Cómo se diseñan los CAS (sistemas de álgebra computacional)?

¿Por qué la mayoría de la gente trata de resolver problemas profundos en la complejidad computacional como P versus NP por combinatoria y no por lógica?

¿Ser bueno en matemáticas me ayudaría a ser un mejor programador?

X resuelve el problema de la Torre de Hanoi, primero con n discos en el tiempo t1 y luego con n + 2 discos en el tiempo t2. Suponiendo que él toma la misma cantidad de tiempo para cada movimiento de disco y resuelve el problema en los menores pasos posibles, ¿cuál será la relación entre t1 y t2?

Soy un estudiante de estadística que se especializa en informática. ¿Qué recursos en Python necesito para llevar a cabo pruebas de hipótesis, inferencia estadística y gráficos?

¿Cuál es la razón por la cual las instalaciones no cambian su esquema de cifrado, de modo que cuando se publique una prueba de P = NP no se verán afectados?

¿Cuáles son las ventajas de tener un título en matemáticas y trabajar como programador?

Si una solución correcta a la Hipótesis de Riemann, P = NP, o la Teoría de campo unificada se presentara de forma anónima, ¿cuántas personas podrían ser consideradas sospechosas?

Cómo probar o refutar [math] \ log (n!) \ In \ Theta (n ^ 2) [/ math] en notación asintótica

¿Cuáles son los principios básicos en trigonemetría que debo saber?

¿Qué hace que la oración 'Lucas no pueda afirmar esta oración constantemente', vulnerable o incluso incompleta?