sia molto piccolo, al limite tendente a zero
( , )
P k p
N= Prob k successi in N prove
la distribuzione binomiale (o Bernulliana) fornisce la probabilita’ di successo in ripetuti esperimenti indipendenti in ciascuno dei quali di base vi siano solo due possibili risultati ( esperimenti binari ), quale ad es. il lancio ripetuto di una moneta
Distribuzione di Poisson
ma, contemporaneamente, operiamo al limite di un grande numero N di prove di modo che il valor medio Np rimanga finito
=
=
→
→ 0 N con Np costante p
)
,
( k N k
N p q
k p N
k
P −
=
)!
(
!
! k N
k
N k
N
= −
1
dove q ( = − p)
( e p →0 implica che si e’ in presenza di eventi rari )
k Np
= Var k ( ) = Npq r m s . . . = Npq
cio’ significa valutare l’andamento della distribuzione binomiale nelle condizioni limiti di consideriamo l’andamento della distribuzione binomiale nel caso la probabilita’ di successo
N N
e N
N
N ! 2
− approssimazionedi Sterling
si parla di eventi rari, ma dato che N diventa molto grande usare una approssimazione nel calcolo del fattoriale
( , ) ! (1 )
! ( )!
k N k
N
P k p N p p
k N k
= −
−utilizzando questa approssimazione
−
( )
( ) ( )
1 2
( ) (1 )
! 2 ( ) ( )
N N
k N k
N k N k
N N e
k N k N k e N N
− −
− − −
−
− −
( )
( )
1 ( ) (1 )
! ( ) ( )
N
k N k
N k k
N N
k N k N k e N N
−=
−−
− −
2
ma e−(N k− ) = e(− +N k) = e−N ek
quindi si puo’ eliminare il fattore e−N
inoltre anche
( N → ) e’ conveniente
si semplifica
( )k kN k N
= −
ma
1 (1 )
! (1 )
k
N N k
k k e N
N
−
−
eliminando il fattore N N−k
( )
( )
1 (1 )
! ( ) ( )
N
k k N k
N k k
N N N
k N k N k e N
− −
= − −
− −
( )
( )
( ) (1 )
! ( ) ( )
k N k
N k N k k
N N
k N k N k e N
− −
= − −
− −
( )
( )
( )
(1 )
! ( ) [ 1 )]
k N k
N k N k k
N N
k N k N( k e N
N
− −
= − −
− −
( )
N k N k
N N− = N −
( ) ( )
( ) N k [ 1 k )] N k
N k N(
N
− −
− = −
ma
( ) ( ) ( )
[ (1 k )] N k N k [(1 k )] N k
N N
N N
− − −
− = −
( )
( )
(1 )
! ( ) [(1 )]
k
N k N k k
N
k N k k e N
N
−
= − −
− −
trascurare k
N →
dato che e’possibile
N − k N per N k a kfisso
rispetto ad N, a kfissato vale a dire che :
1 1
( , )
! !
k k
N k k
P k p e e
k e e k
− −− →
quindi in presenza di esperimenti binomiali, se la probabilita’ di successo diviene molto piccola, ossia se siamo in presenza di eventi rari, la distribuzione binomiale tende ad una distribuzione poissoniana
( )
!
k
P k, e
k
=
− distribuzione di Poisson .1 (1 )
! (1 )
k
N N k
k k N
N e
−
−
(1 k )N k N e
− → −
(1 )N e N
−
− →
per N →
per N →
( , ) ( ) P k p
N P k,
per N →
1 (1 )
! (1 )
k
N N k
k k e N
N
−
−
• Verifica che la distribuzione sia correttamente normalizzata :
la condizione di normalizzazione ( secondo assioma di Kolmogorov) impone che
k 0
P( ) 1
01
!
k
k,
ke
k
−=
=
==
ovvero
e’ facile verificare che questa condizione e’ rispettata.
1
!
!
00
=
− ==
−=
=
−
k e
e
k k e
e
kk
k
infatti :
0
!
k
e
kk
k
−
=
=
k e
k
k
!
0 =
=ricordiamo che :
per ottenere il valor medio <
k
> di una variabile aleatoriak
che abbia unadistribuzione di probabilita’
P(k)
propriamente normalizzata occorre calcolare :k 0
( ) k =
=kP k
• Verifica che sia effettivamente il valor medio della variabile
k
:1
!
k
k e
kk
k
−
= =
raccogliendo e− a fattor comune
0
!
k
k
k e
k
−
=
=se la distribuzione di probabilita’
( ( )
!
k
P k)= P k, = e k
−
e’ la distribuzione di Poisson
0 0 1
! !
k k
k k k k
k k
= = + =
ma
quindi 0 1
! !
k k
k k k k
k k
= =
1
1
!
k
k
k e
k
=
=
0 0
( ) ( )
! !
k k
k k
d d
d k d k
= = =
→ derivando membro a membro rispetto a la
=
=
1
0 !
1
! 1
k
k k
k
k k
k k
e e
d
d ( ) =
derivata del secondo membro
k e
k
k
!
0 =
=otterremo:
derivata del primo membro
1
0 !
k
k k
k
−
=
= 0 1!
k
k k
k
−
=
= =0
1
!
k
k
k
k
=
=ma
eseguendo la stessa operazione ad ambo i membri di una identita’ riotterremo un identita’
1
!
k
k
k e
k
=
=
quindi :
in conclusione:
= =
=
k e
−
k=k k e
−e
k!
1
k =
==
1!
1
k
k
k k
e
partendo da
e derivando membro a membro , con un calcolo simile al precedente si ottiene :
! ) ( !
1
1 1
2
2
=−
==
kk k
k
k k k k
e
2 2 2 2
k 0
( )
0!
k
k k P k, k
kk e
k
−= =
=
ovvero=
per calcolare il valor medio dei quadrati della v.a.
k
di Poisson• Calcolo della varianza della poissoniana:
per definizione la varianza di una variabile aleatoria che distribuzione di probabilita’
P
(k,) distribuzione e’ data dalla relazione:2 2
)
2( )
( k k k k k
Var = − = −
ne consegue :
= = 1
ricordando che
= Np
N 1
=
caratteristica peculiare della distribuzione di Poisson e’
che ha varianza uguale al valor medio
quindi :
k
2=
2+
e dato che :Var ( k ) = k
2− k
2
=
=
2)
(k
Var
• Comportamento asintotico della variabile aleatoria poissoniana:
la distribuzione poissoniana e’ fortemente asimmetrica attorno al suo valor medio .
tuttavia al crescere di la distribuzione diviene via via piu’ simmetrica attorno al valor medio.
al limite per grandi valori di l’andamento e’ ben riprodotto da una gaussiana.
Attenzione: la gaussiana e’ una variabile aleatoria continua, mentre la poissoniana e’ una variabile aleatoria discreta !
percio’ si dice che la poisssoniana tende asintoticamente ad una gaussiana.
i postulati sono che:
• la probabilita’ che avvenga un evento in un intervallo piccolo temporale Dt ( o spaziale Ds ),
sia proporzionale all’intervallo stesso, ossia:
Prob{ 1 evento nell’intervallo Dt ( o Ds ) } = l Dt ( o l Ds ) con l costante
• la probabilita’ di due o piu’ eventi nell’intervallo sia molto piccola ( sia un infinitesimo di ordine superiore) rispetto alla probabilita’ che ne avvenga uno solo
• eventi che avvengono in intervalli disgiunti siano indipendenti.
• la struttura del fenomeno sia invariante nel tempo ( o nello spazio )
la distribuzione di Poisson ha in realta’ una origine piu’ profonda :
si presenta ogni volta che ci si trova a dover descrivere situazioni in cui occorre prevedere quanti “accadimenti rari” avvengono in intervalli di tempo o di spazio Si dimostra che se sono validi i cosiddetti ”postulati di Poisson”, il processo in corso e’ descrivibile in termini di variabile di Poisson.
tipici esempi di eventi di questo tipo sono :
- il numero di disintegrazioni di una sostanza radioattiva in un determinato
intervallo di tempo ( l’intervallo di tempo deve essere molto minore della vita media di modo che la quantita’ di preparato radioattivo non vari
apprezzabilmente durante le misure ( postulato di stazionarieta’ )
- il numero di guasti che avvengono in un dispositivo composito, a patto che ogni volta che avviene un guasto il sistema venga riparato e ripristinato nella condizione iniziale ( postulato di stazionarieta’ )
- il numero di nascite ( o morti ) in un dato intervallo di tempo in una
popolazione stazionaria nel tempo ( es. statistica dei morti da calcio di cavallo nell’esercito Prussiano, situazione da cui e’ partito Poisson per determinare la distribuzione probabilistica