<dc:title> Teoria degli errori e fondamenti di statistica </dc:title><dc:creator opt:role="aut">Maurizio Loreti</dc:creator><dc:date>2006</dc:date><dc:subject></dc:subject><dc:rights>CC BY-SA 3.0</dc:rights><dc:rights>GFDL</dc:rights><dc:relation>Indice:Teoria_degli_errori_e_fondamenti_di_statistica.djvu</dc:relation><dc:identifier>//it.wikisource.org/w/index.php?title=Teoria_degli_errori_e_fondamenti_di_statistica/8.5.3&oldid=-</dc:identifier><dc:revisiondatestamp>20220830100615</dc:revisiondatestamp>//it.wikisource.org/w/index.php?title=Teoria_degli_errori_e_fondamenti_di_statistica/8.5.3&oldid=-20220830100615
Teoria degli errori e fondamenti di statistica - 8.5.3 La distribuzione esponenziale Maurizio LoretiTeoria degli errori e fondamenti di statistica.djvu
Alla distribuzione di Poisson ne è strettamente legata un’altra, quella esponenziale: sia infatti un fenomeno casuale qualsiasi che segua la distribuzione di Poisson, ovvero tale che la probabilità di osservare x eventi nell’intervallo finito di tempo t sia data dalla
8.13; definiamo una nuova variabile casuale,
, come l’intervallo di tempo che intercorre tra due
eventi successivi.
Visto che in un tempo nessun evento deve venire osservato, la probabilità che risulti maggiore di un valore predeterminato d coincide con la probabilità di osservare zero eventi nel tempo d:
e quindi la funzione di distribuzione di è la
Come conseguenza, la funzione di frequenza è esponenziale:
;
(8.19)
[p. 125modifica]e, volendo, da essa si può ricavare la funzione caratteristica — che vale
.
I momenti successivi della distribuzione esponenziale si possono ottenere o integrando direttamente la funzione densità di probabilità (moltiplicata per potenze opportune di ) o derivando successivamente la funzione caratteristica; troviamo i primi due momenti,
speranza matematica e varianza, usando questo secondo
metodo:
per cui la speranza matematica di vale
;
poi
,
ed infine la varianza è
.
Se una variabile casuale t rappresenta il tempo trascorso tra due eventi casuali successivi che seguono una distribuzione di Poisson, t necessariamente ha una distribuzione di probabilità di tipo esponenziale data dalla (8.19); vogliamo ora calcolare la probabilità che t sia maggiore di una quantità , condizionata però dal sapere in anticipo che t è sicuramente [p. 126modifica]maggiore di . Sfruttando la (3.3), abbiamo:
.
In conclusione, la distribuzione esponenziale (ovvero la cadenza temporale di eventi casuali che seguono la statistica di Poisson) non ricorda la storia precedente: il presentarsi o meno di uno di tali eventi in un tempo non dipende in alcun modo da quello che è accaduto nell’arbitrario intervallo di tempo precedente; così come ci dovevamo aspettare, vista l’ipotesi numero 2 formulata a pagina 117.