Sei sulla pagina 1di 6

Variabili aleatorie continue

Le variabili aleatorie quantitative sono DISCRETE se producono risposte numeriche che derivano da un processo di
conteggio. Ad esempio Il numero dei componenti la famiglia, il numero delle stanze di unabitazione, il numero
dei biglietti dellautobus utilizzati in un mese, ecc.

Le variabili aleatorie quantitative sono CONTINUE se generano risposte che derivano da un processo di misurazione
come laltezza, il reddito, il fatturato, ecc.

Definizione:
Una variabile aleatoria continua una variabile casuale X che assume tutti i valori in un dato intervallo [ a ; b ].

Se X una variabile aleatoria continua, la probabilit che X assuma un certo valore x fissato in generale zero, quindi
non ha senso definire una distribuzione di probabilit con lo stesso procedimento seguito per una variabile aleatoria
discreta.
Nel caso di una variabile aleatoria continua ha senso invece calcolare la probabilit che X sia compresa fra a e b , dove
a e b sono costanti , con a < b.

Per esempio consideriamo la variabile aleatoria che rappresenta laltezza di una persona. Come si pu interpretare
geometricamente la probabilit che X assuma valori in un determinato intervallo?

I vari istogrammi rappresentano la distribuzione delle altezze.


La probabilit che un valore cada in un determinato intervallo rappresentata
dallarea del rettangolo che ha come base lintervallo richiesto e come la
relativa.

Riducendo lampiezza delle classi listogramma ha un contorno pi


regolare, larea della regione continua ad essere larea dei vari rettangoli.

Se riduciamo ancora di pi lampiezza delle classi, il contorno


dellistogramma tende a diventare una linea continua, il grafico di una
funzione reale di variabile reale.
La probabilit diventa larea del trapezoide delimitato dalla funzione e
dallasse delle x nellintervallo [a;b].

1
Poich larea del trapezoide data dallintegrale della funzione f(x) in [a ,b], la probabilit che una variabile aleatoria X
assuma un certo valore in un dato intervallo I pu essere definita come integrale di una opportuna funzione f(x)
sullintervallo I. tale funzione f(x) prende il nome di funzione di densit.
Definizione
Tale funzione f(x) , detta densit di probabilit di X , assegna ad ogni numero reale x un valore f(x) e deve avere due
propriet :
1. f(x) 0 x R
+
2. () = 1
La 1. assicura che la probabilit di ogni evento sia espressa da un numero non negativo
La 2. Assicura che lintegrale della funzione nellintervallo = (; +) valga 1; la probabilit dellevento X
(; +) infatti la probabilit dellevento certo.

Definizione
Si definisce probabilit che X assuma valori in I= [a;b] come :

( ) = ()
La probabilit larea della regione delimitata dallasse x, il grafico f(x) e rette x= a e x=b.

Si pu dimostrare che questa definizione soddisfa gli assiomi della teoria della probabilit .

L'area sotto il grafico tra due punti a e b non varia se gli estremi sono inclusi od esclusi: ( ) = ( < < )
+
La condizione : () = ( < < +) = 1 significa che l'area della regione del piano contenuta tra l'asse
delle x e il grafico di f(x) uguale ad 1 ed coerente con il fatto che la probabilit dello spazio campionario deve esser
uguale 1.

Esistono diverse densit di probabilit di X , cio diverse funzioni f(x) :


Distribuzione uniforme
Distribuzione esponenziale
Distribuzione normale

La distribuzione normale

La funzione di distribuzione normale o di Gauss sicuramente la distribuzione pi importante nellambito di tutta la


statistica.

Propriet della Distribuzione normale

La funzione f (x) di densit di probabilit della distribuzione normale data dalla seguente espressione:
()

() =

dove :
e = costante matematica approssimata da 2,71828;
= costante matematica approssimata da 3,14159;
= valore atteso della popolazione;
= scarto quadratico medio della popolazione

La curva descritta da tale funzione ha una forma


caratteristica "a campana":

La funzione assume il suo valore massimo in


corrispondenza di x =
simmetrica rispetto ad una parallela allasse y
passante per il massimo
Ha come asintoto lasse orizzontale x
Ha due flessi nei punti x = - e x = +

2
Le probabilit di una distribuzione normale dipendono soltanto dai valori assunti dai due parametri e .
Il parametro correlato alla larghezza della "campana" e, in particolare rappresenta la distanza tra l'asse di
simmetria e i punti di flesso della distribuzione.
Se piccolo, la curva stretta, se grande, la curva larga e pi "dispersa" rispetto al valor medio .
In particolare il parametro non altro che la deviazione standard della distribuzione, cos come rappresenta il valor
medio della funzione.

Per indicare una variabile aleatoria X con distribuzione normale con parametri e 2 si scrive X~N(;2)

In generale la probabilit che x [a,b]


()

( ) = () =

Poich tale funzione non risolvibile analiticamente nella maggior parte dei casi, si deve far ricorso a tecniche di
approssimazione.
Esistono per delle tabelle dove sono raccolti i valori in pi punti, calcolati attraverso metodi numerici.
Tuttavia non possibile avere delle tabelle per tutte le possibili combinazioni di e .
Con una trasformazione si pu ricorrere ad una Gaussiana con =0 e = 1 la cui funzione di densit diventa

() =

La distribuzione con =0 e = 1 si dice normale standardizzata. In simboli X~N(0;1)

Per la normale standardizzata sono stati calcolati tutti i valori delle probabilit.

Le variabili aleatorie normali sono adatte a interpretare una vasta gamma di fenomeni. Si adatta bene a tutti i modelli
nei quali la variabile tende ad assumere un valore prevalente o valori per lo pi vicini a per i quali lo scostamento da
dipende da numerosi fatti aleatori indipendenti.

Si utilizza il modello per


- La misura di una grandezza con uno strumento; leffettiva misura della grandezza e i valori ottenuti
effettivamente differiscono dalla misura per vari tipi di errore

- Effettiva dimensione di un oggetto prodotto da una macchina utensile; il valore della dimensione
delloggetto, mentre il valore effettivo ne differisce a causa di tanti piccoli errori

- La misura di caratteristiche quantitative di una popolazione( altezza, peso) che presentano variazioni casuali
intorno alla media

3
I valori indicati nella tabella sono larea della parte di piano della



() = da - al punto x

4
Calcolo probabilit di una normale standard
Se X~N(0;1) una variabile che ha distribuzione normale standardizzata, utilizzando la tabella come possiamo calcolare
la probabilit che
a) x sia minore di 1,43

( 1,43) = (1,43) = 0,9236

b) x sia compreso fra 1,43 e 2,56

Lrea cercata pu sere ricavata come differenza fra larea della


parte di piano con x< 2,56 e larea della parte di piano con
x>1,43.

(1,43 2,56) = (2,56) (1,43) = 0,9948 0,9236


= 0,0712

c) x sia maggiore di 1,43

Sulla tabella ho larea della parte di piano con x<1,43.


Larea cercata sar larea totale meno quella della parte di
piano con x>1,43
(1,43 +) = 1 (1,43) = 1 0,9236
= 0,0764

d) x sia minore di -1,43

Per la simmetria della funzione gaussiana come calcolare


x>1,43

( 1,43) = (1,43 +)
= 1 (1,43) = 1 0,9236
= 0,0764

Calcolo delle probabilit di una normale di parametri qualsiasi


Se X una variabile normale di parametri qualsiasi , X~N(;2) si dimostra che si pu trasformare in una normale
standardizzata ponendo

=

Una volta trasformata in una variabile normale si possono utilizzare i valori della tabella.

Sia X una variabile normale con media = 0,5 e =0,01, come si calcola la probabilit che X<0,52?
Se x =0,52
0,52 0,5
= =2
0,01

( < 0,52) = ( < 2) = ( 2) = F(2) = 0,9772

5
Esempio1
Le altezze di una popolazione seguono strettamente una distribuzione normale con valore atteso = 168,75 e = 6,25.
Si calcoli
a) la probabilit che le altezze superino 176,25 cm
b) che siano al di sotto di 167,5
c) che siano al di sotto 180 cm
d) che abbiano unaltezza compresa fra 162,5 cm e 170 cm

176,5168,75
a ) = = = 1,20
6,25
( 176,25) = ( 1,20) = 1 (1,20) = 1 0,8849 = 0,1151
167,5168,75
b ) = = = 0,20
6,25
( 176,25) = ( 0,20) = ( 0,20) = 1 (0,20) = 1 0,5793 = 0,4207
180168,75
c) = = = 1,80
6,25
( 180) = ( 1,80) = (1,80) = 0,9641
162,5168,75 170168,75
c) = = = 1 = = = 0,2
6,25 6,25
(162,5 170) = (1 0,2) = (0,2) (1) = (0,2) (1 (1)) = 0,5793 (1 0,8413)
= 0,4206