Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
f(t) (1/s)<br />
5<br />
4.5<br />
4<br />
3.5<br />
f(t) (1/s)<br />
1<br />
3<br />
2.5<br />
2<br />
10 -1<br />
1.5<br />
1<br />
0.5<br />
10 -2<br />
0<br />
0 0.5 1 1.5 2 2.5<br />
t (s)<br />
0 0.5 1 1.5 2 2.5<br />
t (s)<br />
Fig.2.10 Esempi di densità di probabilità esponenziali negative di tempi d’attesa di Poissoniane in scala lineare (a<br />
sinistra) e semilogaritmica (a destra). Le 3 curve si riferiscono a valori di τ pari a 1 s , 0.5 s e 0.2 s. Individuare le 3<br />
curve.<br />
(2.6.5) La distribuzione di Gauss<br />
Possiamo costruire ed inventare tutte le variabili casuali che vogliamo ciascuna con la sua funzione<br />
di distribuzione per descrivere un certo fenomeno. Esiste tuttavia una distribuzione che assume un<br />
ruolo particolare nelle applicazioni scientifiche in genere tanto da essere chiamata la distribuzione<br />
normale. Essa fu introdotta per primo da Karl Frederich Gauss ed é pertanto nota come<br />
distribuzione di Gauss e una qualsiasi variabile che segue una tale distribuzione é detta variabile<br />
gaussiana.<br />
Tale distribuzione fu introdotta da Gauss quando questi, a partire da osservazioni astronomiche,<br />
vide che le modalità con cui le misure “fluttuavano”, erano ben descritte da un andamento del tipo:<br />
~ e<br />
−(<br />
x−μ ) 2<br />
in cui x é appunto il valore della misura che fluttua rispetto al “valore medio” μ.Tale funzione<br />
presenta il ben noto andamento a “campana” illustrato in figura Fig.2.11. Si tratta cioè di una<br />
funzione simmetrica intorno a μ e caratterizzata da un picco ben definito che si trova in<br />
corrispondenza del valore di μ e da delle code che si estendono fino a – e a + ∞. La coincidenza di<br />
picco e media indica che moda mediana e media sono coincidenti per questo tipo di distribuzione e<br />
pari a μ.<br />
71