Sei sulla pagina 1di 47

Seconda parte

Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Elementi di Calcolo delle Probabilit e Statistica
per il corso di Analisi Matematica B
Laurea in Ingegneria Meccatronica
A.A. 20102011
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabili aleatorie n-dimensionali
Riepilogo.
Gli esiti di un esperimento aleatorio (cio gli elementi s S) sono stati
etichettati con un unico numero reale (il valore della variabile
aleatoria X).
Ci stato fatto in modo che almeno a tutti gli intervalli di R fosse
possibile associare una probabilit (abbiamo cio richiesto che
limmagine inversa di ogni intervallo fosse un evento di ).
In un esperimento aleatorio possiamo essere interessati
contemporaneamente a tante variabili aleatorie diverse
X
i
, i = 1, 2, . . . n.
Le n-uple (x
1
, x
2
, x
n
), dove x
i
un valore di X
i
per ogni i , possono
essere interpretate come il valore (vettoriale) di ununica variabile
aleatoria n-dimensionale.
Ci limiteremo qui al caso bidimensionale, cio a una sola coppia di
variabili aleatorie (X, Y).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabile aleatoria bidimensionale (X, Y)
Denizione (variabile bidimensionale)
Dato uno spazio di probabilit (S, , p), si dice variabile aleatoria
bidimensionale una coppia di funzioni (X, Y) che ad ogni s S
associa la coppia di numeri reali
_
X(s), Y(s)
_
in modo che linsieme
{s : X(s) a, Y(s) b}
sia un evento di per ogni a, b R.
Denizione (funzione di ripartizione)
Data una variabile aleatoria bidimensionale (X, Y) denita sullo
spazio di probabilit (S, , p), si chiama funzione di ripartizione
associata a (X, Y) la funzione F : R
2
[0, 1] data da
F(x, y) = p(X x, Y y) per ogni (x, y) R
2
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Propriet della funzione di ripartizione bidimensionale
Dalla sua denizione:
F(x, y) = p(X x, Y y) = p
_
(X x) (Y y)
_
=
= p
_
{s S : X(s) x} {s S : Y(s) y}
_
.
Teorema (propriet di F)

lim
x +
y +
F(x, y) = 1;

lim
x
F(x, y) = lim
y
F(x, y) = 0;

lim
x+
F(x, y) = p(Y y) =: F
Y
(y),
dove la funzione F
Y
detta funzione di ripartizione marginale
della variabile Y;

lim
y+
F(x, y) = p(X x) =: F
X
(x),
con F
X
funzione di ripartizione marginale di X.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Propriet della funzione di ripartizione bidimensionale
Teorema (probabilit del rettangolo)
p
_
x
1
< X x
2
, y
1
< Y y
2
_
=
= F(x
2
, y
2
) F(x
1
, y
2
) + F(x
1
, y
1
) F(x
2
, y
1
).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabili aleatorie bidimensionali discrete
Denizione (variabile bidimensionale discreta)
Una variabile bidimensionale (X, Y) discreta se esiste un insieme
nito o numerabile di coppie (x
r
, y
s
) R
2
, r = 1, 2, . . . , s = 1, 2, . . . ,
tali che
p
rs
:= p(X = x
r
, Y = y
s
) 0, e

r ,s
p
rs
= 1.
Si chiama funzione di probabilit congiunta la funzione
f (x, y) =
_
p
rs
se (x, y) = (x
r
, y
s
), r = 1, 2, . . . ; s = 1, 2, . . .
0 altrove.
Si dicono funzioni di probabilit marginali le funzioni
f
X
(x) =
_
p
r
=

s
p
rs
se x = x
r
per r = 1, 2, . . .
0 altrove.
f
Y
(y) =
_
p
s
=

r
p
rs
se y = y
s
per s = 1, 2, . . .
0 altrove.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabile bidimensionale nita
Nel caso nito: r = 1, 2, . . . , n; s = 1, 2, . . . , m, e le funzioni di
probabilit congiunta e marginali si rappresentano in una tabella:
Y
y
1
y
2
y
3
y
m
x
1
p
11
p
12
p
13
p
1m
p
1
x
2
p
21
p
22
p
23
p
2m
p
2
X x
3
p
31
p
32
p
33
p
3m
p
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
p
n1
p
n2
p
n3
p
nm
p
n
p
1
p
2
p
3
p
m
Figura: Tabella delle probabilit congiunta e marginali nel caso nito
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabili bidimensionali continue
Denizione (variabile bidimensionale continua)
Una variabile bidimensionale (X, Y) continua se esiste una funzione
non negativa f (x, y), detta funzione densit congiunta, tale che
F(x, y) =
_
x

_
y

f (u, v) dudv.
Osservazione. La condizione che f deve soddisfare per essere una
funzione densit
_
+

_
+

f (u, v) dudv = 1.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabili bidimensionali continue
Si pu dimostrare che le funzioni di ripartizione marginali delle
variabili X e Y sono date in questo caso da
F
X
(x) =
_
x

__
+

f (u, v) dv
_
du
e
F
Y
(y) =
_
y

__
+

f (u, v) du
_
dv.
Le densit marginali di X e Y valgono quindi
f
X
(x) =
_
+

f (x, v) dv
e
f
Y
(y) =
_
+

f (u, y) du.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Un teorema importante
Teorema (probabilit di una variabile bidimensionale)
Se A R
2
tale che linsieme {s S :
_
X(s), Y(s)
_
A} un
evento di , allora
p
_
(X, Y) A
_
=
__
A
f (x, y) dxdy.
Corollario (legge di composizione)
Sia (X, Y) una variabile casuale bidimensionale con densit
congiunta f (x, y). Se (X, Y) una variabile casuale funzione di X e
Y, allora, per ogni intervallo I R,
p
_
(X, Y) I
_
=
__
A
f (x, y) dxdy,
essendo A = {(x, y) R
2
: (x, y) I}.
Dimostrazione: basta notare che p
_
(X, Y) I
_
= p
_
{s :
_
X(s), Y(s)
_
I}
_
=
= p
_
{s :
_
X(s), Y(s)
_
A}
_
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La covarianza di due variabili casuali
X,Y
Denizione (covarianza)
Si dice covarianza delle variabili casuali X e Y, e si indica con
X,Y
oppure con Cov(X, Y), il numero

X,Y
= Cov(X, Y) := E
_
(X
X
)(Y
Y
)
_
.
Esplicitando la formula del valore atteso:

X,Y
=
_

s
(x
r

X
)(y
s

Y
)p
rs
, nel caso discreto;
__
R
2
(x
X
)(y
Y
)f (x, y)dxdy, nel caso continuo.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Propriet della covarianza
Teorema (propriet covarianza)


X,Y
=
XY

X


2
XY
=
2
X
+
2
Y
2
X,Y
= generalizzato alla somma di n variabili aleatorie:
Var
_
n

i =1
X
i
_
=
n

i =1
Var (X
i
) + 2

1i <j n
Cov(X
i
, X
j
)


2
X,Y

2
X

2
Y
Dimostrazione (della prima relazione, nel caso nito).

X,Y
=

s
(x
r

X
)(y
s

Y
)f (x
r
, y
s
)
=

s
(x
r
y
s
x
r

Y

X
y
s
+
X

Y
)f (x
r
y
s
)
=
XY

X

Y

X

Y
+
X

Y
=
XY

X

Y
.

Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Indipendenza tra variabili casuali
Denizione (indipendenza)
Due variabili aleatorie X e Y si dicono indipendenti se
F(x, y) = F
X
(x) F
Y
(y) per ogni x, y R.
Teorema

X, Y discrete indipendenti p
rs
= p
r
p
s
cio
p(X = x
r
, Y = y
r
) = p(X = x
r
) p(Y = y
r
).

X, Y continue indipendenti f (x, y) = f


X
(x) f
Y
(y).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Indipendenza tra variabili casuali
Teorema (media del prodotto di variabili indipendenti)
Se due variabili aleatorie X e Y sono indipendenti, allora

XY
=
X

Y
Dimostrazione (nel caso nito):

XY
=

r ,s
x
r
y
s
p
rs
=

s
x
r
y
s
p
r
p
s
=

r
x
r
p
r
_

s
y
s
p
s
_
=
X

Y

Corollario (indipendenza e covarianza)


Se le variabili casuali X e Y sono indipendenti, allora


X,Y
= 0 (da:
X,Y
=
XY

x

Y
e teorema precedente);


2
XY
=
2
X
+
2
Y
(dalla formula della varianza di X Y).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Il coefciente di correlazione lineare
X,Y
Denizione (coefciente di correlazione)
Si dice coefciente di correlazione tra le variabili casuali X e Y il
numero

X,Y
:=

X,Y

X

Y
.
Osservazioni.


X,Y
= 0
X,Y
= 0 X e Y sono dette incorrelate.


X,Y
= 0 = X e Y si dicono correlate.

|
X,Y
| 1 (da:
2
X,Y

2
X

2
Y
).

massima correlazione se |
X,Y
| = 1 = lineare dipendenza:
Y = X +
con < 0 se
X,Y
= 1, oppure > 0 se
X,Y
= +1.
N.B.: X, Y indipendenti X, Y incorrelate; ma non viceversa!
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Variabili incorrelate
Corollario (additivit della varianza)
Se X
1
, X
2
, . . . , X
n
sono n variabili aleatorie incorrelate, allora
Var (X
1
+ X
2
+ X
n
) = Var (X
1
) + Var (X
2
) + +Var (X
n
).
In particolare, se le variabili hanno tutte la stessa varianza
2
, allora
Var (X
1
+X
2
+ X
n
) = n
2
.
Vale inoltre:
Var (a
1
X
1
+a
2
X
2
+ a
n
X
n
) = a
2
1
Var (X
1
)+a
2
2
Var (X
2
)+ +a
2
n
Var (X
n
).
Osservazioni.
Lultima propriet segue immediatamente da: Var (aX) = a
2
Var (X).
Ladditivit della varianza dipende dalla incorrelazione delle variabili aleatorie che si
sommano, a differenza della additivit del valore atteso, che vale sempre.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Incorrelazione e indipendenza
Osservazione: variabili incorrelate variabili indipendenti.
Y
1 0 +1
1 0
1
4
0 1/4
X 0
1
4
0
1
4
1/2
+1 0
1
4
0 1/4
1/4 1/2 1/4
Figura: Esempio di variabili incorrelate ma non indipendenti.
p(X = 1, Y = 1) = 0 = p(X = 1)p(Y = 1) =
1
4

1
4
=
1
16
= X, Y non indipendenti.

XY
=
X
=
Y
= 0 = X, Y incorrelate (perch
XY

X

Y
= 0).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Studio di alcune distribuzioni notevoli
Ci limiteremo alle seguenti distribuzioni discrete:

la distribuzione binomiale, ovvero delle prove indipendenti


ripetute di Bernoulli (variabile aleatoria discreta nita);

la distribuzione di Poisson, ovvero degli eventi rari (variabile


aleatoria discreta innita numerabile);
ed alla seguente distribuzione continua:

la distribuzione di Gauss, ovvero la distribuzione normale.


Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La distribuzione binomiale
Teorema (di Bernoulli)
La probabilit che in n prove indipendenti levento A si verichi
esattamente k volte, con k = 0, 1, . . . , n, vale
_
n
k
_
p
k
(1 p)
nk
dove p la probabilit di A in ogni singola prova.
Denizione (distribuzione binomiale)
Dati p (0, 1) e n N, si dice variabile binomiale la variabile
aleatoria discreta (e nita) X avente la seguente funzione di
probabilit
p(X = k) =
_
n
k
_
p
k
(1 p)
nk
, k = 0, 1, 2, . . . , n.
Se X binomiale di parametri n e p, si scrive anche X B(n, p).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Propriet della distribuzione binomiale

Dalla formula del binomio abbiamo


n

k=0
_
n
k
_
p
k
(1 p)
nk
= (p +1 p)
n
= 1,
dunque si tratta effettivamente di una funzione di probabilit.
Teorema (media e varianza della binomiale)
Se X B(n, p) allora
X
= np e
2
X
= np(1 p).
Dimostrazione. Si pu ottenere X come somma di n variabili aleatorie
indipendenti X
i
B(1, p), ciascuna delle quali rappresenta il numero di
successi (0 oppure 1) in una sola prova:
X = X
1
+ X
2
+ . . . + X
n
.
Tramite calcolo diretto abbiamo
E(X
i
) = p, Var (X
i
) = p(1 p) per ogni i .
Dunque E(X) = np e, dallindipendenza delle X
i
, segue anche che
Var (X) = np(1 p).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La distribuzione di Poisson
Denizione (distribuzione di Poisson)
Una variabile aleatoria discreta X detta di Poisson con parametro
> 0 se pu assumere gli inniti valori k = 0, 1, 2, . . . con probabilit
p(X = k) =

k
k!
e

.
Osservazioni.

k=0

k
k!
e

= e

= 1.

Se X di Poisson con parametro allora


X
=
2
X
= (no dim.).
aumentando , aumenta anche la dispersione dei dati attorno
alla media.

Descrive il conteggio di fenomeni casuali distribuiti con una data


densit media nellunit di tempo (supercie, volume. . . ).

Si ottiene dalla binomiale quando n grande e p vicino a 0 (per


questo detta distribuzione degli eventi rari).

Vale la relazione ricorsiva: p(X = k + 1) =



k+1
p(X = k).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Esempi

Conteggio delle particelle emesse da una sostanza radioattiva


(X di Poisson con parametro = 0.5). Probabilit di osservare
due o pi particelle in un secondo:
p(X 2) =
+

k=2
(0.5)
k
k!
e
0.5
= 1 p(X = 0) p(X = 1)
= 1 e
0.5
0.5 e
0.5
9%.

Carica batterica. Se una sospensione contiene in media 5 batteri


per cm
3
, allora la probabilit che un campione casuale di 1 cm
3
a) non contenga batteri, b) ne contenga al pi 2, c) ne contenga
almeno 5, vale:
p(X = 0) = e
5
0.7%;
p(X 2) =
_
1 +5 +
5
2
2!
_
e
5
12.5%;
p(X 5) = 1 p(X 4) =
_
1 +5 +
5
2
2!
+
5
3
3!
+
5
4
4!
_
e
5
56%.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La distribuzione di Gauss
Denizione (distribuzione di Gauss)
Una variabile aleatoria continua X detta di Gauss o normale con
parametri e ( R, > 0), e si scrive X N(,
2
) se la funzione
densit
f (x) =
1

2
e

(x)
2
2
2
.
f (x) detta funzione di Gauss:

una funzione a campana, simmetrica rispetto a x = ;

ha un massimo in x
0
= , dove assume il valore
1

2
;

questo coefciente ha il signicato di fattore di normalizzazione:


_
+

f (x)dx =
1

_
+

_
x

2
_
2
d
_
x

2
_
= 1.
NB: Se I =
_
R
e
x
2
dx, allora I
2
=
_
R
e
x
2
dx
_
R
e
y
2
dy =
__
R
2
e
(x
2
+y
2
)
dxdy.
Passando a coordinate polari, I
2
=
_
2
0
d
_
+
0
e

2
d = 2
_
e

2
2
_
+
0
= .
Quindi I =

.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Propriet della distribuzione normale
Teorema (media e varianza della gaussiana)
Se X una variabile di Gauss di parametri e , cio X N(,
2
),
allora
E(X) = , Var (X) =
2
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Calcolo della probabilit p(a < X < b) sulla gaussiana
La funzione di ripartizione vale
F(x) =
_
x

2
e

(t )
2
2
2
dt
da cui
p(a < X < b) = F(b) F(a) =
_
b
a
1

2
e

(t )
2
2
2
dt .
Osservazione. F(x) non si pu calcolare esplicitamente. Per gli
scopi concreti, si ricorre ad integrazione numerica o ai valori tabulati
per una particolare funzione di ripartizione normale, la normale
standardizzata.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La variabile aleatoria normale standardizzata
Teorema
Sia X una variabile aleatoria normale di parametri e e sia
(x) =
_
x

2
e

u
2
2
du
la funzione di ripartizione della corrispondente variabile normale
standardizzata X

N(0, 1) (X

cio normale con media 0 e


varianza 1), allora la funzione di ripartizione di X vale
F(x) =
_
x

_
.
Dimostrazione. Siccome
_
x

f (t)dt = lim
c
_
x
c
f (t)dt abbiamo
F(x) = lim
c
_
x
c
1

2
e

(t )
2
2
2
dt
ponendo
t

= u, si ha dt = du, quindi
F(x) = lim
c
_ x

2
e

u
2
2
du =
_
x

_
.

Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Esempi e applicazioni (conoscendo i valori di (x))
Probabilit di una variabile aleatoria normale X N(,
2
)
p(a X b) =
_
b

_
a

_
.
Esempio (problema diretto).
p( < X < + ) = (1) (1) 68.3%
p( 2 < X < +2) = (2) (2) 95.5%
p( 3 < X < +3) = (3) (3) 99.7%.
Esempio (problema inverso).
Assegnata una probabilit , si cerca il numero x
0
tale che (x
0
) = .
x
0
si indica con

e si chiama quantile relativo ad .


Se =
n
100
, allora

si chiama percentile nesimo.


(Soluzione: basta leggere la tabella dei valori di (x) al contrario).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Esempi e applicazioni
Una relazione utile
(x) = 1 (x) cio
1
=

.
Teorema (immagine afne di una distribuzione normale)
Se X N(,
2
) allora anche Y = aX + b (a > 0) normale con
media a + b e varianza a
2

2
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Il teorema del limite centrale
Denizione (convergenza in legge)
Una successione di variabili aleatorie {X
n
}
n
converge in legge (o in
distribuzione) alla variabile aleatoria X se e solo se, dette F
n
(x) ed
F(x) le rispettive funzioni di ripartizione, si ha
lim
n
F
n
(x) = F(x)
per ogni punto x R di continuit per F.
NB: Se le variabili aleatorie X
i
sono indipendenti e hanno tutte media
e varianza
2
, allora la variabile aleatoria S
n
= X
1
+ X
2
+ + X
n

tale che
E(S
n
) = n e Var (S
n
) = n
2
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Il teorema del limite centrale
Teorema (del limite centrale)
Sia {X
n
}
n
una successione di variabili aleatorie indipendenti ed
identicamente distribuite, di media e varianza
2
. Allora la somma
nesima standardizzata
S

n
=
X
1
+ X
2
+. . . + X
n
n

n
converge in legge a N(0, 1).
Osservazioni.

La funzione di probabilit di S

n
(complicata da esprimere in
generale) si approssima, per n grande, con una legge N(0, 1). . .

. . . e questo a prescindere dalla particolare legge delle X


n
!

Interpretazione: un effetto casuale che sia la risultante di molti


effetti aleatori, ciascuno dei quali dia solo un piccolo contributo
alleffetto nale, segue approssimativamente una legge normale
(esempio: errori di misurazione).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Lapprossimazione normale
Formula per n variabili X
i
indip. e identicamente distribuite:
p(X
1
+ X
2
+. . . + X
n
x) = p
_
S

n

x n

n
_

_
x n

n
_
.
In pratica:

soglia di applicabilit (in genere): n > 30, ma pu essere pi alta;

nel caso, ad esempio, delle prove di Bernoulli, devono valere le


condizioni np > 5 e n(1 p) > 5;

nel caso di variabili a valori interi conviene porre, se k Z,


p(X
1
+. . . + X
n
= k) = p
_
k
1
2
< X
1
+. . . + X
n
< k +
1
2
_

_
k+
1
2
n

n
_

_
k
1
2
n

n
_
;

se X
i
B(1, p), allora X = X
1
+X
2
+ +X
n
B(n, p) e
E(X) = np, Var (X) = np(1 p). Lapprossimazione diventa:
p(X k)
_
k +
1
2
np
_
np(1 p)
_
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Le fasi di unindagine statistica

Rilevazione dei dati;

organizzazione dei dati;

presentazione dei dati organizzati;

interpretazioni e conclusioni.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Classi, frequenze assolute, relative, cumulate
Se i dati sono di tipo numerico, si ordinano e si stabilisce il campo di
variazione, o rango, cio il minimo intervallo che li contiene tutti.
Pu essere conveniente suddividere i dati in classi della stessa
ampiezza per una migliore leggibilit. Il numero di classi pu essere
scelto con la formula (di Sturges)
n
c
= [1 + 1.443lnn]
dove n il numero di dati e [a] lintero pi vicino ad a.
Si deniscono:

la funzione di frequenza (x) che associa ad ogni classe il


numero degli elementi che la compongono;

la funzione di frequenza relativa


r
(x) =
(x)
n
;

la funzione di frequenza cumulativa


c
(x), cio il numero di
elementi nella classe e in tutte le classi precedenti;

la funzione di frequenza cumulativa relativa


cr
(x) =

c
(x)
n
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Le pi signicative sono:

istogramma;

graco a bastoni;

poligoni delle frequenze.


In tutti i casi si riportano sulle ordinate le frequenze delle classi riferite
al loro punto di mezzo (sulle ascisse).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Figura: Istogramma.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Figura: Diagramma a bastoni.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Figura: Istogramma e poligono delle frequenze.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Figura: Poligono delle frequenze (x).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Rappresentazioni grache
Figura: Poligono delle frequenze cumulative
c
(x).
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Indici di tendenza centrale
Denizione (media)
Date n osservazioni numeriche x
i
, i = 1, 2, . . . , n, si chiama media
delle osservazioni il numero

x =
1
n
n

i =1
x
i
.
Denizione (mediana)
Si chiama mediana il valore centrale dellinsieme ordinato:
x
med
=
_
xn+1
2
se n dispari
1
2
_
xn
2
+ xn
2
+1
_
se n pari.
Denizione (moda)
Si chiama moda un numero x
mod
che si ripete il maggior numero di
volte.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Indici di dispersione
Denizione (deviazione standard)
Date n osservazioni numeriche x
1
, . . . , x
n
, si chiama deviazione
standard, o scarto quadratico medio delle osservazioni il numero
=

_
1
n
n

i =1
(x
i

x)
2
.
Il numero
2
chiamato la varianza dei dati.
Denizione (deviazioni medie)
Si chiamano deviazione media dalla media e deviazione media
dalla mediana i numeri
D
med
(

x) =
1
n
n

i =1
|x
i

x|; D
med
(x
med
) =
1
n
n

i =1
|x
i
x
med
|.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Popolazione e campione
Denizione (popolazione)
Si denisce popolazione un insieme i cui elementi hanno in comune
almeno un attributo descritto attraverso una variabile aleatoria X,
detta variabile sottostante, la cui distribuzione in generale
incognita.
Denizione (campione)
Si chiama campione casuale di dimensione n, estratto da una
popolazione avente X come variabile sottostante, una variabile
n-dimensionale (X
1
, X
2
, . . . , X
n
) con le X
i
indipendenti e aventi la
stessa distribuzione di X.
Denizione (statistica)
Sia (X
1
, X
2
, . . . , X
n
) un campione di una popolazione la cui
distribuzione nota in funzione di un parametro incognito . Si
denisce statistica una funzione g(X
1
, X
2
, . . . , X
n
) delle variabili
casuali X
i
(e dunque, a sua volta, una variabile casuale) che non
contiene il parametro .
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Stimatori
Denizione (stimatore)
Si denisce stimatore una statistica che viene utilizzata per stimare
un parametro incognito .
Denizione (stima puntuale)
Se f (X
1
, . . . , X
n
) = uno stimatore e (x
1
, . . . , x
n
) un valore
osservato del campione, allora il valore

= f (x
1
, . . . , x
n
) detto stima
puntuale del parametro .
Denizione (stimatore corretto)
Uno stimatore T del parametro si dice corretto se E(T) = .
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La media campionaria
Denizione (media campionaria)
Si chiama media campionaria di un campione (X
1
, X
2
, . . . , X
n
) la
variabile casuale

X cos denita:

X =
1
n
n

i =1
X
i
.
Teorema
La media campionaria uno stimatore corretto della media vera ,
cio
E(

X) = E(X) = .
Dimostrazione. Siccome abbiamo supposto che E(X
i
) = E(X) = , allora
E(

X) =
1
n
n

i =1
E(X
i
) =
n
n
= .

Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La media campionaria
Teorema (varianza della media campionaria)
La varianza della media campionaria vale quella di X diviso n, cio
Var (

X) =
1
n
Var (X) =

2
n
.
Dimostrazione.
Var (

X) =
1
n
2
Var
_
n

i =1
Var (X
i
)
_
=
n
2
n
2
=

2
n
.

Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
La varianza campionaria
Denizione (varianza campionaria)
Si chiama varianza campionaria di un campione (X
1
, X
2
, . . . , X
n
) la
variabile casuale S
2
cos denita:
S
2
=
1
n 1
n

i =1
(X
i


X)
2
.
Teorema
La varianza campionaria uno stimatore corretto della varianza vera

2
, cio
E(S
2
) = Var (X) =
2
.
Osservazione. A differenza di S
2
, lo stimatore

S
2
=
1
n
n

i =1
(X
i


X)
2
.
non uno stimatore corretto della varianza vera
2
.
Seconda parte
Variabili aleatorie
bidimensionali
Distribuzione congiunta e
marginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoli
Binomiale
Poisson
Gauss
Approssimazione
normale
Statistica descrittiva
Organizzazione dei dati
Indicatori centrali e di
dispersione
Statistica matematica
Media campionaria
Varianza campionaria
Bibliograa
Per approfondire
Il materiale esposto in questi lucidi tratto principalmente da:
V. Franceschini, Lezioni di Statistica Matematica
1
. Reperibile al sito:
http://cdm.unimo.it/home/matematica/franceschini.
valter/
Ulteriori testi consigliati:
W. Navidi, Probabilit e Statistica per lIngegneria e le Scienze,
McGraw Hill, 2006.
G. Anichini, Elementi di Calcolo delle Probabilit e di Inferenza
Statistica
2
, in Calcolo 4 Parte prima, Pitagora Editrice, Bologna,
1995.
1
Appunti per i corsi di Ingegneria Meccanica e dei Materiali dellUniversit di Modena
(contiene molti degli esercizi in Esercizi.pdf, interamente svolti).
2
Testo introduttivo alla probabilit soggettivista e alla statistica bayesiana.