Академический Документы
Профессиональный Документы
Культура Документы
La distribución binomial
Es la distribución fundamental gobernando eventos aleatorios. Las otras
distribuciones de frecuencia pueden deducirse de está.
Fue la primera distribución de probabilidades enunciada teoricamente.
Bernoulli, siglo XVIII :
La distribución binomial
Es la distribución fundamental gobernando eventos aleatorios. Las otras
distribuciones de frecuencia pueden deducirse de está.
Fue la primera distribución de probabilidades enunciada teoricamente.
Bernoulli, siglo XVIII :
z −1 z −1
( p + q ) = p + zp
z z
q + ... + zpq + q =1
z
z! x z−x z!
Px = p q = p x (1 − p ) z − x
( z − x)! x! ( z − x)! x!
z −1 z −1
( p + q ) = p + zp
z z
q + ... + zpq + q =1
z
z! x z−x z!
Px = p q = p x (1 − p ) z − x
( z − x)! x! ( z − x)! x!
0 3 z= 3
3! ⎛ 1 ⎞ ⎛ 5 ⎞ 125
P0 = ⎜ ⎟ ⎜ ⎟ = = 0.58 x=0
(3 − 0)!0! ⎝ 6 ⎠ ⎝ 6 ⎠ 216
p= 1/6
p= probabilidad
Probabilidad que el 6 salga cero
que salga el seis
veces (que no salga)
en un exp.
Distribución de Poisson
La distribución Normal
Es la aproximación analítica a la distribución binomial , cuando z es muy
grande y la variable observada no es un entero.
La distribución normal se aplica al caso donde la variable observada puede
variar continuamente, por ejemplo, distancia entre dos líneas espectrales.
La distribución de Poisson se aplica al caso de variables discontinuas, como el
conteo de partículas.
( x−m)2
1 −
dP x = e 2σ 2
dx σ es la desviación standard
σ 2π
Distribución de Poisson
La distribución de Poisson,
Describe todo proceso aleatorio cuya probabilidad de ocurrencia es pequeña y
constante y cuando la variable es discreta.
Esta distribución se aplica esencialmente todas las observaciones hechas en
Física Nuclear experimental.
La deduciremos a partir de la distribución binomial:
m = numero de eventos
p << 1 z >> 1 pz = m promedio
z= número de
m << z x << z experimentos
p= probabilidad que el
z!
Px = p x (1 − p ) z − x evento ocurra en un
( z − x)! x! experimento
Distribución de Poisson
z! Fórmula de Stirling
z−x
Px = p (1 − p )
x
ln n!= n ln n − n
( z − x)! x!
z!
y= ≈?
( z − x)!
ln y = z ln z − z − ( z − x) ln( z − x) + ( z − x)
ln y ≈ x ln z y≈z x
Distribución de Poisson
z! z−x
Px = p (1 − p )
x
( z − x)! x!
z−x
y = (1 − p ) ≈?
ln y = ( z − x) ln(1 − p )
ln y ≈ − zp − zp
y≈e
Distribución de Poisson
x x − zp
z! z−x z p e
Px = p (1 − p ) ≈
x
( z − x)! x! x!
m x e −m
Px =
x!
Distribución de Poisson
Características:
• Se aplica en casos donde los eventos son aleatorios e independientes
de otros eventos.
• y cuando la probabilidad de ocurrencia es pequeña (p pequeño) y el
número de “muestras” u observaciones es grande (z grande).
•Es asimétrica (no hay eventos negativos)
• Es discreta (la variable puede tomar valores discretos), no tenemos
un continuo de valores como puede suceder cuando hacemos una
medida.
• Describe resultados de experimentos donde se “cuenta”
Se tiene que cumplir que:
p < 0.10
p * z < 10
Distribución de Poisson
x − at ∞
(at ) e σ= ∑ x − 2
= m
Px = P
x =1
( x m )
x!
Un detector cuenta 25.456 impactos en una hora. Suponiendo que los
procesos involucrados satisfacen las condiciones enunciadas al
establecer las expresiones encontradas.
Multiple Choice!
En medidas de 1 hora, Cuál
es la media de cuentas por
segundo y con que error ?
HV
Detector
Detector Amplificador SCA MS
Multi-escalímetro:
Pulsos de
tensión entre Emite un pulso Cuanta pulsos lógicos
0 y 10 V lógico cada vez durante un intervalo de
que llega del tiempo Δt y los almacena
ampl. Un puso en un canal, vuelve a
con tensión contar y el resultado lo
entre V y V+ΔV vuelca en el canal
siguiente, y así siguiendo
Distribución de Poisson
14
11
7
Cuentas
0 0
1000
Experimental
Roja: Distribución de Poisson
800
600
Repeticiones
400
200
0
0 2 4 6 8 10 12
Cuentas
x −m
m e
Px =
x!