Sei sulla pagina 1di 46

LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue
È una delle più importanti distribuzioni di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue
È una delle più importanti distribuzioni di variabili casuali continue
È una delle più importanti distribuzioni di variabili casuali continue

LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue

Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàa˘ principali in anticipo rispetto alla trattazione più completa fatta da Gauss.È una delle più importanti distribuzioni di variabili casuali continue

(1812), che ne definì le proprietàa˘ principali in anticipo rispetto alla trattazione più completa fatta da
(1812), che ne definì le proprietàa˘ principali in anticipo rispetto alla trattazione più completa fatta da

LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue
È una delle più importanti distribuzioni di variabili casuali continue

È

una delle più importanti distribuzioni di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue
Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche

Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàa˘ principali in anticipo rispetto alla trattazione più completa fatta da Gauss.

È detta anche CURVA DEGLI ERRORI ACCIDENTALI in quanto,

È

detta anche CURVA DEGLI ERRORI ACCIDENTALI in quanto,

 

soprattutto nelle discipline fisiche, la distribuzione degli errori

 

commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva.

errori   commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva.
errori   commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva.

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue
LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue

È una delle più importanti distribuzioni di variabili casuali continue

Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàa˘ principali in anticipo rispetto alla trattazione più completa fatta da Gauss.

È detta anche CURVA DEGLI ERRORI ACCIDENTALI in quanto,

soprattutto nelle discipline fisiche, la distribuzione degli errori

commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva.

È definita da 2 parametri µ e σ ( con σ > 0)

f ( x) N ( x; µ, σ ) =

1

σ 2π e

1 x µ

2

σ

2

0 ) f ( x ) ≡ N ( x ; µ, σ ) = 1

LA DISTRIBUZIONE NORMALE o DI GAUSS

1 2 1 ( x−µ ) f ( x ) = 2 σ σ √
1
2
1 ( x−µ
)
f ( x ) =
2
σ
σ √ 2π e −
È simmetrica rispetto a µ
NORMALE o DI GAUSS 1 2 1 ( x−µ ) f ( x ) = 2

LA DISTRIBUZIONE NORMALE o DI GAUSS

1 2 1 ( x−µ ) f ( x ) = 2 σ σ √
1
2
1 ( x−µ
)
f ( x ) =
2
σ
σ √ 2π e −
È simmetrica rispetto a µ

Il valore x = µ definisce la moda, la media e la mediana x = µ definisce la moda, la media e la mediana

σ √ 2π e − È simmetrica rispetto a µ Il valore x = µ definisce
σ √ 2π e − È simmetrica rispetto a µ Il valore x = µ definisce

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x
LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x

1

σ 2π e

DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x −

1 ( xµ

2

σ

)

2

f ( x ) =

È

Il valore x = µ definisce la moda, la media e la mediana

È crescente per x < µ e decrescente per x > µ .

e la mediana È crescente per x < µ e decrescente per x > µ .

simmetrica rispetto a µ

e la mediana È crescente per x < µ e decrescente per x > µ .

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x
LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x

1

σ 2π e

DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x −

1 ( xµ

2

σ

)

2

f ( x ) =

È

Il valore x = µ definisce la moda, la media e la mediana

È crescente per x < µ e decrescente per x > µ .

È asintotica all’asse x da entrambi i lati

decrescente per x > µ . È asintotica all’asse x da entrambi i lati simmetrica rispetto

simmetrica rispetto a µ

decrescente per x > µ . È asintotica all’asse x da entrambi i lati simmetrica rispetto

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x
LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x

1

σ 2π e

DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x −

1 ( xµ

2

σ

)

2

f ( x ) =

È

Il valore x = µ definisce la moda, la media e la mediana

È crescente per x < µ e decrescente per x > µ .

È asintotica all’asse x da entrambi i lati

Possiede due punti di flesso per x = µ ± σ .

x da entrambi i lati Possiede due punti di flesso per x = µ ± σ

simmetrica rispetto a µ

x da entrambi i lati Possiede due punti di flesso per x = µ ± σ

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x
LA DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x

1

σ 2π e

DISTRIBUZIONE NORMALE o DI GAUSS 1 σ √ 2 π e − 1 ( x −

1 ( xµ

2

σ

)

2

f ( x ) =

È

Il valore x = µ definisce la moda, la media e la mediana

È crescente per x < µ e decrescente per x > µ .

È asintotica all’asse x da entrambi i lati

Possiede due punti di flesso per x = µ ± σ .

Soddisfa alla condizione di normalizzazione.

di flesso per x = µ ± σ . Soddisfa alla condizione di normalizzazione . simmetrica

simmetrica rispetto a µ

di flesso per x = µ ± σ . Soddisfa alla condizione di normalizzazione . simmetrica

LA DISTRIBUZIONE NORMALE o DI GAUSS

I parametri µ e σ definiscono FORMA e POSIZIONE .
I parametri µ e σ definiscono FORMA e POSIZIONE .

I parametri µ e σ definiscono FORMA e POSIZIONE.

I parametri µ e σ definiscono FORMA e POSIZIONE .
I parametri µ e σ definiscono FORMA e POSIZIONE .
I parametri µ e σ definiscono FORMA e POSIZIONE .

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS I parametri µ e σ definiscono FORMA e POSIZIONE .

I parametri µ e σ definiscono FORMA e POSIZIONE.

I parametri µ e σ definiscono FORMA e POSIZIONE . Al variare di µ la curva
I parametri µ e σ definiscono FORMA e POSIZIONE . Al variare di µ la curva

Al variare di µ la curva trasla sull’asse delle

x .

µ e σ definiscono FORMA e POSIZIONE . Al variare di µ la curva trasla sull’asse

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS I parametri µ e σ definiscono FORMA e POSIZIONE .

I parametri µ e σ definiscono FORMA e POSIZIONE.

I parametri µ e σ definiscono FORMA e POSIZIONE . Al variare di µ la curva
I parametri µ e σ definiscono FORMA e POSIZIONE . Al variare di µ la curva

Al variare di µ la curva trasla sull’asse delle x .

Al

variare

di

σ

la

curva

modifica

la

sua forma ap- piattendosi o innalzandosi.

x . Al variare di σ la curva modifica la sua forma ap- piattendosi o innalzandosi.

DISTRIBUZIONE NORMALE e FUNZIONE CUMULATIVA

DISTRIBUZIONE NORMALE e FUNZIONE CUMULATIVA b f ( x ) dx Gli integrali a non sono

b f ( x ) dx

Gli integrali

a

non sono valutabili ana- liticamente, ma numeri- camente e si utilizzano tabelle della funzione cumulativa:

b f ( x ) dx = F ( b ) F ( a)

a

camente e si utilizzano tabelle della funzione cumulativa: b f ( x ) dx = F

LA DISTRIBUZIONE NORMALE

LA DISTRIBUZIONE NORMALE Per verificare alcune proprietà della distribuzione di Gauss si deve far riferimento

Per verificare alcune proprietà della distribuzione di Gauss si deve far riferimento all’integrale di Gauss di cui riportiamo il risultato:

+ ∞ e − z 2 dz = √ π, −∞
+
e − z 2 dz = √ π,
−∞

da cui anche

+ ∞ − z 2 e 2 dz −∞
+
− z 2
e
2 dz
−∞

=

+

−∞

e z

2 2 d 2 2 = 2

z

− z √ 2 ” 2 d 2 √ 2 = √ 2 z √ +

+

−∞

z √ 2 ” 2 d 2 √ 2 = √ 2 z √ + ∞

e x 2 dx = 2π

z √ 2 ” 2 d 2 √ 2 = √ 2 z √ + ∞

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

Verifichiamo la normalizzazione
Verifichiamo la normalizzazione

Verifichiamo la normalizzazione

Verifichiamo la normalizzazione
Verifichiamo la normalizzazione
Verifichiamo la normalizzazione

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione + ∞ −∞ f ( x ) dx = +

Verifichiamo la normalizzazione normalizzazione

NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione + ∞ −∞ f ( x ) dx = + ∞

+

−∞

f ( x ) dx =

+

−∞

1

σ 2π e

+ ∞ −∞ f ( x ) dx = + ∞ −∞ 1 σ √ 2

1 ( xµ

2

σ

) 2 dx

+ ∞ −∞ f ( x ) dx = + ∞ −∞ 1 σ √ 2

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione + ∞ −∞ f ( x ) dx = +

Verifichiamo la normalizzazione normalizzazione

NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione + ∞ −∞ f ( x ) dx = + ∞

+

−∞

f ( x ) dx =

+

−∞

1

σ 2π e

f ( x ) dx = + ∞ −∞ 1 σ √ 2 π e −

1 ( xµ

2

σ

) 2 dx

Cambio di variabile: z = x − µ da cui dz = d x z = x µ da cui dz = dx

σ

σ

− 1 ( x − µ 2 σ ) 2 dx Cambio di variabile: z =

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione −∞ f ( x ) dx = + ∞ +

Verifichiamo la normalizzazione normalizzazione

NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione −∞ f ( x ) dx = + ∞ + ∞

−∞ f ( x ) dx =

+

+

−∞

1

σ 2π e

x ) dx = + ∞ + ∞ −∞ 1 σ √ 2 π e −

1 ( xµ

2

σ

) 2 dx

Cambio di variabile: z = x − µ da cui dz = d x z = x µ da cui dz = dx

σ

σ

z = x − µ da cui dz = d x σ σ + ∞ −∞

+

−∞

f ( x ) dx =

2π

1

+

= d x σ σ + ∞ −∞ f ( x ) dx = 2 π

−∞

σ z 2

σ e

2

dz =

2π

2π = 1

−∞ f ( x ) dx = 2 π 1 + ∞ √ −∞ σ z
−∞ f ( x ) dx = 2 π 1 + ∞ √ −∞ σ z

DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ
Verifichiamo che il massimo assoluto si ha per x = µ

Verifichiamo che il massimo assoluto si ha per x = µ

Verifichiamo che il massimo assoluto si ha per x = µ
Verifichiamo che il massimo assoluto si ha per x = µ
Verifichiamo che il massimo assoluto si ha per x = µ

DISTRIBUZIONE NORMALE: MODA

DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 1 1
Verifichiamo che il massimo assoluto si ha per x = µ 1 1 ( x−µ
Verifichiamo che il massimo assoluto si ha per x = µ
1
1 ( x−µ
Derivata prima f ′ ( x ) =
2
σ
σ √ 2π e −
) 2 − 2( x − µ )
2σ 2

DISTRIBUZIONE NORMALE: MODA

DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 1 1
Verifichiamo che il massimo assoluto si ha per x = µ 1 1 ( x−µ
Verifichiamo che il massimo assoluto si ha per x = µ
1
1 ( x−µ
Derivata prima f ′ ( x ) =
2
σ
σ √ 2π e −
) 2 − 2( x − µ )
2σ 2
Annulliamo la deriva prima f ′ ( x ) = 0. Ciò avviene per
x = µ .

DISTRIBUZIONE NORMALE: MODA

DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 1 1
Verifichiamo che il massimo assoluto si ha per x = µ 1 1 ( x−µ
Verifichiamo che il massimo assoluto si ha per x = µ
1
1 ( x−µ
Derivata prima f ′ ( x ) =
2
σ
σ √ 2π e −
) 2 − 2( x − µ )
2σ 2
Annulliamo la deriva prima f ′ ( x ) = 0. Ciò avviene per
x = µ .
Derivata seconda:
2
1
2 ( x−µ
f
′′ ( x ) =
e − 1
σ
σ √ 2π
) 2 − 2( x − µ )
2σ 2
1
1
) 2 1
2
σ
− ( x−µ) 2
2σ 2
( x − µ ) 2
1 ( x−µ
− 1
σ 2 =
σ
2
σ √ 2π e −
σ 3 √ 2π e

DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ 1 1 ( x−µ
Verifichiamo che il massimo assoluto si ha per x = µ
1
1 ( x−µ
Derivata prima f ′ ( x ) =
2
σ
σ √ 2π e −
) 2 − 2( x − µ )
2σ 2
Annulliamo la deriva prima f ′ ( x ) = 0. Ciò avviene per
x = µ .
Derivata seconda:
2
1
2 ( x−µ
f ′′ ( x ) =
e − 1
σ
) 2 − 2( x − µ )
2σ 2
σ √ 2π
1
1
( x − µ ) 2
1 ( x−µ
) 2 1
2
σ
− ( x−µ) 2
2σ 2
− 1
σ √ 2π e −
σ 2 =
σ
2
σ 3 √ 2π e
f ′′ ( x = µ ) < 0 pertanto la funzione ha un massimo
assoluto per x = µ , il cui valore è: f ( µ ) =
1
σ √ 2 π .
L’ordinata al max è inversamente proporzinale a σ .

DISTRIBUZIONE NORMALE: FLESSI

Verifichiamo che si hanno due flessi per x = µ ± σ .
Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ .
Verifichiamo che si hanno due flessi per x = µ ± σ .
Verifichiamo che si hanno due flessi per x = µ ± σ .

DISTRIBUZIONE NORMALE: FLESSI

DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ . x = µ ± σ .

Annulliamo la derivata seconda:che si hanno due flessi per x = µ ± σ . f ′ ′ (

f ( x ) =

1

σ 3 2π e

seconda: f ′ ′ ( x ) = 1 σ 3 √ 2 π e −

( xµ) 2 2σ 2

( x µ ) 2

σ

2

1 = 0

( x ) = 1 σ 3 √ 2 π e − ( x − µ

DISTRIBUZIONE NORMALE: FLESSI

DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ . x = µ ± σ .

Annulliamo la derivata seconda:che si hanno due flessi per x = µ ± σ . f ′ ′ (

f ( x ) =

1

σ 3 2π e

seconda: f ′ ′ ( x ) = 1 σ 3 √ 2 π e −

( xµ) 2 2σ 2

( x µ ) 2

σ

2

1 = 0

Ciò si verifica quando ( x − µ ) 2 ( x µ ) 2

σ

2

= 1 −→ ( x µ ) 2 = σ 2 ,

ovvero per x 1 = µ + σ e x 2 = µ σ .

1 −→ ( x − µ ) 2 = σ 2 , ovvero per x 1

DISTRIBUZIONE NORMALE: FLESSI

DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ . x = µ ± σ .

Annulliamo la derivata seconda:che si hanno due flessi per x = µ ± σ . f ′ ′ (

f ( x ) =

1

σ 3 2π e

seconda: f ′ ′ ( x ) = 1 σ 3 √ 2 π e −

( xµ) 2 2σ 2

( x µ ) 2

σ

2

1 = 0

Ciò si verifica quando ( x − µ ) 2 ( x µ ) 2

σ

2

= 1 −→ ( x µ ) 2 = σ 2 ,

ovvero per x 1 = µ + σ e x 2 = µ σ .

La funzione ha due flessi per x = µ ± σ x = µ ± σ

per x 1 = µ + σ e x 2 = µ − σ . La

DISTRIBUZIONE NORMALE: FLESSI

DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ .

Verifichiamo che si hanno due flessi per x = µ ± σ . x = µ ± σ .

Annulliamo la derivata seconda:che si hanno due flessi per x = µ ± σ . f ′ ′ (

f ( x ) =

1

σ 3 2π e

seconda: f ′ ′ ( x ) = 1 σ 3 √ 2 π e −

( xµ) 2 2σ 2

( x µ ) 2

σ

2

1 = 0

Ciò si verifica quando ( x − µ ) 2 ( x µ ) 2

σ

2

= 1 −→ ( x µ ) 2 = σ 2 ,

ovvero per x 1 = µ + σ e x 2 = µ σ .

La funzione ha due flessi per x = µ ± σ x = µ ± σ

La distanza tra i due punti di flesso è 2 σ . Il parametro σ è indicativo della larghezza della funzione. 2σ . Il parametro σ è indicativo della larghezza della funzione.

tra i due punti di flesso è 2 σ . Il parametro σ è indicativo della

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa ( E (

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa ( E ( x ) = µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

E ( x ) = ( x ) =

+

−∞

xf ( x ) dx =

+

−∞

x

1

( x ) = + ∞ −∞ xf ( x ) dx = + ∞ −∞

σ 2π

e 1

2 ( xµ

σ

) 2 dx

= + ∞ −∞ xf ( x ) dx = + ∞ −∞ x 1 σ

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa ( E ( x ) = µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

E ( x ) = ( x ) =

+

−∞

xf ( x ) dx =

+

−∞

x

1

( x ) = + ∞ −∞ xf ( x ) dx = + ∞ −∞

σ 2π

e 1

2 ( xµ

σ

) 2 dx

Cambio di variabile: z = x − µ da cui x = µ + σz e z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

σ ) 2 dx Cambio di variabile: z = x − µ da cui x =

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa ( E ( x ) = µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

E ( x ) = ( x ) =

+

−∞

xf ( x ) dx =

+

−∞

x

1

( x ) = + ∞ −∞ xf ( x ) dx = + ∞ −∞

σ 2π

e 1

2 ( xµ

σ

) 2 dx

Cambio di variabile: z = x − µ da cui x = µ + σz e z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

E ( x ) = ( x ) =

+

−∞

( σz + µ )

1

σ 2π e

σz e σ dz = d x σ . E ( x ) = + ∞

z 2

2 dz

σz e σ dz = d x σ . E ( x ) = + ∞

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

E ( x ) =

+

−∞

xf ( x ) dx =

+

−∞

x

1

( x ) = + ∞ −∞ xf ( x ) dx = + ∞ −∞

σ 2π

e 1

2 ( xµ

σ

) 2 dx

Cambio di variabile: z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

E ( x ) =

=

σ 2π

1

σz e σ dz = d x σ . E ( x ) = = σ

+

1

σ 2π e

E ( x ) = = σ √ 2 π 1 + ∞ 1 σ √

z 2

( σz + µ )

2 dz

−∞

+

z 2

2π

µ

+

ze 2 dz +

+ µ ) 2 dz −∞ + ∞ − z 2 2 π µ + ∞

−∞

−∞

=0

e

z 2

2 dz

+ µ ) 2 dz −∞ + ∞ − z 2 2 π µ + ∞

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa

Il parametro µ è il valore di aspettazione della variabile stessa (E ( x ) = µ ).

E ( x ) =

+

−∞

xf ( x ) dx =

+

−∞

x

1

( x ) = + ∞ −∞ xf ( x ) dx = + ∞ −∞

σ 2π

e 1

2 ( xµ

σ

) 2 dx

Cambio di variabile: z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

E ( x ) =

1

= σ 2π

e σ dz = d x σ . E ( x ) = 1 = σ

+

1

σ 2π e

( x ) = 1 = σ √ 2 π + ∞ 1 σ √ 2

z 2

( σz + µ )

2 dz

−∞

+

z 2

2π

µ

+

ze 2 dz +

dz −∞ + ∞ − z 2 2 π µ + ∞ ze 2 dz +

−∞

−∞

=0

e

z 2

2 dz

= µ 2π 2π = µ

2 2 π µ + ∞ ze 2 dz + √ −∞ −∞ =0 e −

2 2 π µ + ∞ ze 2 dz + √ −∞ −∞ =0 e −

– p. 9/12

DISTR. NORMALE: VALORE DI ASPETTAZIO

DISTR. NORMALE: VALORE DI ASPETTAZIO – p. 10/12
DISTR. NORMALE: VALORE DI ASPETTAZIO – p. 10/12
DISTR. NORMALE: VALORE DI ASPETTAZIO – p. 10/12

LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard .
Il parametro σ è la deviazione standard .

Il parametro σ è la deviazione standard.

Il parametro σ è la deviazione standard .
Il parametro σ è la deviazione standard .
Il parametro σ è la deviazione standard .

LA DISTRIBUZIONE NORMALE: VARIANZA

LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ (

Il parametro σ è la deviazione standard . σ è la deviazione standard.

VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ ( x − µ

+

−∞

( x µ ) 2 f ( x ) dx =

+

−∞

( x µ ) 2

1

σ 2π e

( x ) dx = + ∞ −∞ ( x − µ ) 2 1 σ

1 ( xµ

2

σ

) 2 dx

( x ) dx = + ∞ −∞ ( x − µ ) 2 1 σ

LA DISTRIBUZIONE NORMALE: VARIANZA

LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ (

Il parametro σ è la deviazione standard . σ è la deviazione standard.

VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ ( x − µ

+

−∞

( x µ ) 2 f ( x ) dx =

+

−∞

( x µ ) 2

1

σ 2π e

+ ∞ −∞ ( x − µ ) 2 1 σ √ 2 π e −

1 ( xµ

2

σ

) 2 dx

Cambio di variabile: z = x − µ da cui x = µ + σz e z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

) 2 dx Cambio di variabile: z = x − µ da cui x = µ

LA DISTRIBUZIONE NORMALE: VARIANZA

LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ (

Il parametro σ è la deviazione standard . σ è la deviazione standard.

VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ ( x − µ

+

−∞

( x µ ) 2 f ( x ) dx =

+

−∞

( x µ ) 2

1

σ 2π e

+ ∞ −∞ ( x − µ ) 2 1 σ √ 2 π e −

1 ( xµ

2

σ

) 2 dx

Cambio di variabile: z = x − µ da cui x = µ + σz e z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

= µ da cui x = µ + σz e σ dz = d x σ .

+

−∞

(

σz ) 2

1 z 2

2 σdz

σ 2π e

x = µ + σz e σ dz = d x σ . = + ∞
x = µ + σz e σ dz = d x σ . = + ∞

LA DISTRIBUZIONE NORMALE: VARIANZA

LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ (

Il parametro σ è la deviazione standard . σ è la deviazione standard.

VARIANZA Il parametro σ è la deviazione standard . + ∞ −∞ ( x − µ

+

−∞

( x µ ) 2 f ( x ) dx =

+

−∞

( x µ ) 2

1

σ 2π e

+ ∞ −∞ ( x − µ ) 2 1 σ √ 2 π e −

1 ( xµ

2

σ

) 2 dx

Cambio di variabile: z = x − µ da cui x = µ + σz e z = x µ da cui x = µ + σz e

σ

dz = dx

σ .

= µ da cui x = µ + σz e σ dz = d x σ .

+

−∞

( σz ) 2

1 z 2

e

2 σdz

σ

2π

2π

2

+

= √ σ σ

1 z 2 e − 2 σdz σ √ 2 π 2 π 2 + ∞

−∞

2

z 2 e z 2 σdz = · · · σ 2

e − 2 σdz σ √ 2 π 2 π 2 + ∞ = √ σ
TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora

TEOREMA

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.

normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. – p.

TEOREMA

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.N variabili normali x k , con valore di aspettazione µ k e varianza σ

variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.

N variabili normali x k , con valore di aspettazione µ k e varianza σ k variabili normali x k , con valore di aspettazione µ k e varianza σ k 2 .

secondo la legge normale. N variabili normali x k , con valore di aspettazione µ k
secondo la legge normale. N variabili normali x k , con valore di aspettazione µ k
TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora

TEOREMA

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.TEOREMA N variabili normali x k , con valore di aspettazione µ k e varianza σ

N variabili normali x k , con valore di aspettazione µ k e varianza σ k variabili normali x k , con valore di aspettazione µ k e varianza σ k 2 .

Sia y = N y = N

k =1 a k x k

k , con valore di aspettazione µ k e varianza σ k 2 . Sia y
TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora

TEOREMA

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.TEOREMA N variabili normali x k , con valore di aspettazione µ k e varianza σ

N variabili normali x k , con valore di aspettazione µ k e varianza σ k variabili normali x k , con valore di aspettazione µ k e varianza σ k 2 .

Sia y = N y = N

k =1 a k x k

µ = N µ = N

k =1 a k µ k

k e varianza σ k 2 . Sia y = N k =1 a k x
TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora

TEOREMA

Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale.TEOREMA N variabili normali x k , con valore di aspettazione µ k e varianza σ

N variabili normali x k , con valore di aspettazione µ k e varianza σ k variabili normali x k , con valore di aspettazione µ k e varianza σ k 2 .

Sia y = N y = N

k =1 a k x k

µ = N = N

k =1 a k µ k

σ 2 = N 2 = N

k =1 a k 2 σ k 2

=1 a k x k µ = N → k =1 a k µ k σ