Supongamos que tengo una muestra radiactiva compuesta de átomos de algún tipo A. Sé que si mido en el tiempo t el número de átomos que aún no se han desintegrado, este número estará dado por
dónde es el tiempo medio de decaimiento y es el número inicial de átomos A en la muestra. Sin embargo, decir que tengo un detector que me permite detectar cada emisión radiactiva de la muestra y también medir el tiempo exacto en el que ocurre esta emisión. Continuaré con este experimento hasta que tenga suficientes datos para trazar un histograma. Sobre el eje pongo el número de emisión detectada y en el eje el tiempo en el que se ha detectado la emisión. ¿Cuál es la forma que espero para este histograma?
Pensé que encontraría una distribución uniforme ya que el tiempo exacto en el que cada átomo de la muestra decae es completamente aleatorio.
Otra pregunta es: ¿qué distribución encontraré si grafico las distancias temporales entre los tiempos de detección? por ejemplo en He medido una emisión y en otro. La distancia temporal es . Repito este proceso para cada de la medida para que va de 1 a , dónde es el número de emisiones detectadas. Una vez que tengo las distancias temporales resultantes, trazo el histograma.
Gracias.
La función de densidad de probabilidad del número de átomos después del tiempo. viene dado por la distribución de Poisson, como ya lo dijo Jon Custer en su comentario. Este es un resultado estándar en física y encontrará muchas referencias. Sin embargo, la distribución de los tiempos entre dos decaimientos está dada por la distribución exponencial . La distribución exponencial es la distribución, que no tiene memoria .
¿Qué significa esta propiedad sin memoria? Suponga que la probabilidad de observar al menos un decaimiento durante el intervalo de tiempo es dado por . Además supongamos que ya esperamos el tiempo y durante ese tiempo no ocurrió ninguna descomposición. La propiedad sin memoria significa que la probabilidad de que observemos un decaimiento durante el intervalo de tiempo es también . Por lo tanto, no importa cuánto tiempo esperemos, mientras no haya decaimiento, la probabilidad de observar un decaimiento no cambia. Esto es exactamente lo que esperaríamos de un proceso aleatorio, como una desintegración radiactiva. por ejemplo en un - descomposición no hay "acumulación" de la descomposición. En cambio, el neutrón se descompone repentinamente en sus constituyentes.
Poissoniano vs. proceso de muerte puro
Contrariamente a la intuición inmediata (reflejada en los comentarios y en la versión anterior de mi propia respuesta), no estamos tratando aquí con un proceso de Poisson , sino con un proceso de muerte puro (llamado así como un caso particular de más proceso general de nacimiento y muerte ). Ambos son procesos markovianos, donde la probabilidad del próximo evento depende solo de los parámetros del evento anterior. Sin embargo, en un proceso de Poisson esta probabilidad no depende del número total de eventos anteriores, mientras que en el proceso de muerte pura sí lo es.
La probabilidad de tener átomos no decaídos se describe mediante las siguientes ecuaciones:
Las ecuaciones anteriores se pueden convertir fácilmente a la ecuación para el número promedio de átomos,
Probabilidad de supervivencia y probabilidad de transición
Por lo tanto, la probabilidad de supervivencia , es decir, la probabilidad de que después de un evento de decaimiento en el tiempo
no observamos otro evento de descomposición hasta el momento
es
Densidad de probabilidad conjunta de múltiples eventos
La densidad de probabilidad conjunta de eventos que ocurren a veces
, tendido en el intervalo
, condicionado a tener
átomos en
, entonces viene dada por
Referencias
Como texto matemático general (aunque un poco avanzado) sobre procesos puntuales y análisis de supervivencia sugiero Aalen et al., Survival and event history analysis
Actualizar
agrego para completar la solución para
:
Si su tiempo de muestreo es comparable a la vida útil de su emisor, entonces la distribución de conteos no será uniforme sino exponencial: en dos pequeños contenedores separados por , el contenedor anterior tendrá más conteos por un factor de .
Si muestrea por un tiempo eso es corto en comparación con la vida útil del emisor, , todavía hay una pendiente en la tasa de conteo. Si ignora las derivadas más altas, esperaría que cada intervalo de tiempo contuviera menos conteos que su predecesor por un factor de . Sin embargo, si puede distinguir entre las tasas de conteo en contenedores adyacentes depende del número absoluto de conteos que incluya. Gracias a las estadísticas de Poisson, dos intervalos de tiempo que se predice que recibirán los conteos realmente recibirán . Entonces, si quisiera distinguir dos intervalos de tiempo adyacentes que tienen ancho , el número de conteos en cada contenedor necesarios para hacerlo con confianza estadística es algo así como . Si el número de decaimientos detectados en cada intervalo de tiempo es pequeño, será imposible distinguir entre el decaimiento exponencial real y su suposición de una distribución uniforme.
Usted está interesado en la llegada de eventos dentro de un intervalo de tiempo único, a lo que le digo: reduzca sus intervalos de tiempo y use mi análisis.
La distribución de intervalos entre eventos relacionados sucesivos también está relacionada con la distribución de Poisson, aunque de una manera convolucionada. Suponga que sus eventos ocurren uniformemente, a una tasa promedio de , pero independientes y no correlacionados. Su primer evento inicia un reloj, que no es menos arbitrario que cualquier otro punto de partida. Si esperas hasta después de tu reloj esperas haber observado otros eventos; si esperas hasta esperas haber observado otros eventos; si esperas hasta esperas haber observado más eventos. Puede invertir esto y decir que la probabilidad de tener (o más) entre dos eventos sucesivos es igual a la probabilidad de sacar un cero de una distribución de Poisson con media : pequeño, pero no despreciable. La probabilidad de tener (o más) entre eventos sucesivos es igual a la probabilidad de sacar cero de una distribución de Poisson con media : acerca de .
Si haces la integral de este proceso, aprenderás que los tiempos entre llegadas están descritos por la distribución exponencial .
jon custer
leonardo
roger vadim