Sei sulla pagina 1di 52

Modelli di variabili aleatorie

Maria Grazia Naso

Università degli Studi di Brescia

Probabilità e Statistica

c
M.G. Naso - Probabilità e Statistica Modelli di v.a. 1
Outline
1 Variabili aleatorie di Bernoulli
2 Variabili aleatorie binomiali
3 Variabili aleatorie di Poisson
4 Variabili aleatorie ipergeometriche
5 Variabili aleatorie uniformi
Variabili aleatorie uniformi discrete
Variabili aleatorie uniformi continue
6 Variabili aleatorie normali
7 Variabili aleatorie esponenziali
8 Distribuzioni che derivano dalla distribuzione normale
Distribuzione chi-quadro
Distribuzione t di Student

c
M.G. Naso - Probabilità e Statistica Outline Modelli di v.a. 2
Variabili aleatorie di Bernoulli

Consideriamo un esperimento con esito dicotomico (i.e., il cui esito possa


essere solo o un successo o un insuccesso) :

successo X =1 P[X = 1] = p,
insuccesso X =0 P[X = 0] = 1 − p.

Una v.a. X è detta di Bernoulli o bernoulliana,


di parametro p, se

1 − p se x = 0,

fX (x) = B(x; p) = p se x = 1,

0 altrimenti,

dove 0 ≤ p ≤ 1.
Jakob Bernoulli
1654–1705

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Bernoulli Modelli di v.a. 3
fX FX

1 1

x x
0 1 2 3 0 1 2 3

−1 −1

La v.a. di Bernoulli è una v.a. discreta, finita, non uniforme.

Si ha
E[X ] = 0 · (1 − p) + 1 · p = p,
var[X ] = E[X 2 ] − (E[X ])2 = 02 · (1 − p) + 12 · p − p2 = p(1 − p), (1)
φX (t) = E etX = et·0 · (1 − p) + et·1 · p = (1 − p) + pet .
 

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Bernoulli Modelli di v.a. 4
Variabili aleatorie binomiali

Supponiamo di realizzare n ripetizioni indipendenti di un esperimento


(schema delle prove ripetute). L’esito di ogni ripetizione può essere:
successo con probabilità p,
insuccesso con probabilità 1 − p.

Una v.a. X è detta binomiale, di parametri n e p, se


 !
 n px (1 − p)n−x se x = 0, . . . , n,

fX (x) = B(x; n, p) = x (2)

0 altrimenti,

!
n n!
dove 0 ≤ p ≤ 1, n ∈ N e il coefficiente binomiale = .
x x!(n − x)!

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 5
Verifichiamo la correttezza di (2).
Fissata una sequenza di esiti con x successi e n − x insuccessi, la
probabilità che si realizzi tale sequenza è

px (1 − p)n−x

per l’indipendenza delle ripetizioni.


!
n
Le sequenze con tali caratteristiche sono .
x

La v.a. binomiale è una v.a. discreta, finita, non uniforme.

Posto q = 1 − p, si ha
n
!
h
tX
i X tk n k
φX (t) = E e = e p (1 − p)n−k = [(1 − p) + pet ]n = (q + pet )n ,
k
k =0

E[X ] = φ0X (0) = np,


var[X ] = φ00X (0) − (E[X ])2 = np(1 − p) = npq.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 6
fX e FX per v.a. binomiali di parametri (n, p)

(a) fX per v.a. binomiali di parametri (n, p)

(b) FX per v.a. binomiali di parametri (n, p)

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 7
Istogramma di probabilità binomiale al variare di p

Se p = 0.5, la distribuzione è simmetrica, in caso contrario è asimmetrica, positivamente se p < 0.5,


negativamente se p > 0.5.
Per ogni fissato n, la massima dispersione dei valori si ha quando p = 0.5, se p tende a 0 o a 1, la
distribuzione tende a concentrarsi sui valori più prossimi a 0 o a n, rispettivamente.
p definisce la posizione della distribuzione sull’asse reale, nel senso che np identifica un punto vicino alla
moda della distribuzione.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 8
Istogramma di probabilità binomiale al variare di n

In ogni caso considerato p = 0.5 (istogrammi simmetrici) mentre n varia assumendo i valori 5, 10, 20. Per
una corretta interpretazione della figura si osservi che, mentre la scala sull’asse verticale è la stessa, la
scala sull’asse orizzontale è diversa.
Al crescere di n l’intervallo di variazione del numero dei successi si estende (nell’esempio passa da 0 − 5 a
0 − 10 a 0 − 20) il che comporta, a parità di p, un aumento della dispersione dei valori osservabili.
Al crescere di n aumenta il numero delle determinazioni osservabili e quindi si riduce il valore delle singole
probabilità (l’istogramma si allarga e si abbassa sensibilmente).

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 9
La v.a. binomiale di parametri (n, p) (numero di esperimenti con esito
positivo, su n ripetizioni, ciascuna con probabilità p di successo) può essere
rappresentata come somma di v.a. bernoulliane.
Infatti, se X è una v.a. binomiale di parametri (n, p), si ha
n
X
X = Xi , (3)
i=1

dove Xi è la funzione indicatrice del successo dell’i-esimo esperimento


(
1 se la prova i-esima ha successo,
Xi =
0 altrimenti.

Da (1) si ha E[Xi ] = p e var[X ] = p(1 − p). Ricordando (3) ed essendo le Xi


v.a. indipendenti, si trova
n
X
E[X ] = E[Xi ] = np,
i=1

n
X
var[X ] = var[Xi ] = np(1 − p).
i=1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 10
Esercizio
Un meteorologo ritiene che la probabilità che a Roma venga a piovere
durante un giorno del mese di dicembre sia uguale a 0.2.
1 Calcolare il numero di giorni di pioggia previsti dal meteorologo durante
tutto il mese.
2 Determinare inoltre la probabilità che nel mese di dicembre vi siano al
massimo 3 giorni di pioggia.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 11
Soluzione.
I 31 giorni del mese di dicembre possono essere considerati come n sottoprove indipendenti, ciascuna delle quali
può dar luogo a due risultati: E = {piove} oppure E = {non piove}. Per la sottoprova i-esima definiamo una
v.a. Xi , i = 1, 2, . . . , 31, tale che (
1 se si verifica E,
Xi =
0 se non si verifica E.

Xi è una v.a. bernoulliana di parametro uguale a p = P[Xi = 1] = 0.2, per i = 1, 2, . . . , 31.


Poiché le sottoprove sono indipendenti, le v.a. Xi sono indipendenti.
Sia X la variabile ‘numero di giorni piovosi a Roma durante il mese di dicembre’. Essa può assumere valori uguali a
31
X
0, 1, 2, . . . , 31. Sia X = Xi .
i=1
X è una v.a. binomiale con parametri uguali a n = 31 e p = 0.2. Si ha quindi

( 
31
x
0.2x (1 − 0.2)31−x se x = 0, 1, . . . , 31
fX (x) =
0 altrimenti.

1 Il numero di giorni di pioggia previsti dal meteorologo durante il mese di dicembre è uguale al valore atteso
di X , cioè a E[X ] = n p = 31 · 0.2 = 6.2. Di conseguenza, il meteorologo prevede che ci saranno 6
giorni di pioggia durante tutto il mese.
2 La probabilità che nel mese ci siano al massimo 3 giorni piovosi è uguale a

3 3  
X X 31 x 31−x
P[X ≤ 3] = FX (3) = P[X = x] = 0.2 (1 − 0.2) ≈ 0.1071.
x=0 x=0
x

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie binomiali Modelli di v.a. 12
Variabili aleatorie di Poisson

Una v.a. X è detta di Poisson o poissoniana di


parametro λ > 0 se
 x −λ
λ e
se x = 0, 1, 2, . . .,
fX (x) = P(x; λ) = x!
0 altrimenti.

Siméon Denis Poisson


1781–1840

La v.a. di Poisson si applica quando sia possibile effettuare un conteggio, come ad esempio

il numero di clienti che entrano in un dato negozio nell’arco della giornata;

il numero di incidenti stradali su una data autostrada nel fine settimana;

il numero di transistors che si guastano durante il primo giorno di utilizzo;

il numero di particelle alfa emesse in un dato intervallo di tempo da un certo materiale radioattivo.

La v.a. di Poisson è una v.a. discreta, ma non finita.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 13
fX e FX per v.a. poissoniane di parametro λ

fX per v.a. poissoniane di parametro λ;


le linee che connettono, rispettivamente, i ,
,  sono solo linee guida per una migliore FX per v.a. poissoniane di parametro λ
comprensione dell’andamento della
poissoniana

Si ha
+∞ +∞
h i X λx e−λ X (et λ)x t t
φX (t) =E etX = etx = e−λ = e−λ ee λ = eλ(e −1) ,
x! x!
x=0 x=0

E[X ] =φ0X (0) = λ,


var[X ] =φ00X (0) − (E[X ])2 = λ.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 14
Esercizio
Il direttore di un esercizio commerciale ritiene che durante il periodo natalizio nel suo negozio arrivino in media 3
clienti al minuto. Calcolare la probabilità che in un minuto arrivi almeno il doppio dei clienti previsti dal direttore.

Soluzione.
La situazione descritta consiste nell’osservare il numero di clienti che si recano nell’esercizio commerciale durante
un intervallo di tempo di ampiezza definita.
Sia X la variabile che rappresenta il numero di clienti che si recano nell’esercizio commerciale ogni minuto.
X può assumere valori uguali a 0, 1, 2, . . ., ed è una v.a. di Poisson.
3x e−3
Per le ipotesi fatte, il parametro λ risulta uguale a 3. Si ha P[X = x] = , per x ∈ N, e quindi la
x!
distribuzione di X ha la seguente forma

( x −3
3 e se x = 0, 1, 2, . . .
fX (x) = x!
0 altrimenti.

La probabilità che nell’esercizio commerciale arrivi almeno il doppio dei clienti previsti dal direttore risulta uguale a

5
X 5
X 3x e−3 −3 2208
P[X ≥ 6] = 1 − P[X < 6] = 1 − P[X = x] = 1 − =1−e ≈ 0.08.
x=0 x=0
x! 120

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 15
La v.a. di Poisson di parametro λ può essere usata come approssimazione
di una v.a. binomiale di parametri (n, p), quando n è grande e p è
sufficientemente piccolo affinché il prodotto np tenda ad un valore positivo
finito. In altri termini, il totale dei successi in un gran numero di ripetizioni
indipendenti di un esperimento che ha una piccola probabilità di riuscita p, è
una v.a. con distribuzione approssimativamente di Poisson, con media
λ = np.

Si ha infatti il seguente risultato.

Proposizione
Posto !
n x
B(x; n, p) = p (1 − p)n−x se x = 0, . . . , n,
x
con p = p(n) → 0 per n → +∞, se esiste λ ∈ R+ tale che lim n · p(n) = λ,
n→+∞
allora
x −λ
λ e
lim B(x; n, p) = = P(x; λ) se x = 0, 1, . . ..
n→+∞ x!

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 16
Proof.
λ
Sia X una v.a. binomiale di parametri (n, p) e sia p(n) = + o(n−1 ). Risulta
n
n!
B(x; n, p) = px (1 − p)n−x
(n − x)!x!
 x  n−x
n! λ −1 λ −1
= + o(n ) 1 − + o(n )
(n − x)!x! n n
λ −1 n
 
n(n − 1) · · · (n − x + 1) [λ + o(1)]x 1 − n + o(n )
= x .
nx x! 1 − λ + o(n−1 )

n

Quando n è grande e p è sufficientemente piccolo affinché il prodotto np


tenda ad un valore reale positivo λ, si ha
 n
λ n(n − 1) · · · (n − x + 1)
1 − + o(n−1 ) → e−λ , → 1,
n n→∞ nx n→∞

x
λx

λ
1 − + o(n−1 ) → 1, e quindi B(x; n, p) → e−λ = P(x; λ).
n n→∞ n→∞ x!

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 17
Somma di due v.a. poissoniane indipendenti
Siano X1 e X2 due v.a. poissoniane indipendenti, di parametri,
rispettivamente, λ1 e λ2 . Essendo v.a. indipendenti, la funzione generatrice
dei momenti è
t t t
φX1 +X2 (t) = φX1 (t) φX2 (t) = eλ1 (e −1) eλ2 (e −1) = e(λ1 +λ2 )(e −1) .

Ricordando che la funzione generatrice dei momenti determina la


distribuzione (nel senso che due v.a. con la stessa funzione generatrice dei
momenti hanno la stessa funzione di ripartizione e la stessa funzione di
t
densità di probabilità), ed essendo e(λ1 +λ2 )(e −1) la funzione generatrice dei
momenti di una v.a. poissoniana di parametro (e valore atteso) λ1 + λ2 , si
deduce che X1 + X2 è una v.a. poissoniana di parametro (e valore atteso)
λ1 + λ2 .

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie di Poisson Modelli di v.a. 18
Variabili aleatorie ipergeometriche
Una v.a. X è detta ipergeometrica di parametri M, K , n se
 K  M−K 
 x n−x

se x = 0, . . . , n e n − (M − K ) ≤ x ≤ min{n, K },
fX (x) = f (x; M, K , n) = M

 n
0

altrimenti,

con M, K , n ∈ N, M ≥ K , M ≥ n.

Da un’urna contenente b palline bianche e r rosse se ne estraggono n (n ≤ b + r ) senza reimmissione. Qual è la


probabilità che esattamente k di esse siano rosse?
Sia Ak = {nel campione di n palline estratte ci sono k rosse}. Quindi

  
r b
k n−k
P(Ak ) =   con n − k ≤ b e k ≤ r .
b+r
n

La v.a. ipergeometrica è una v.a. discreta e finita.

K K M −K M −n
Si ha E[X ] = n e var[X ] = n .
M M M M −1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie ipergeometriche Modelli di v.a. 19
Esercizio
Un rivenditore acquista le componenti elettriche a lotti di 10. La sua politica è di controllare a caso 3 componenti di
ogni lotto e di accettarlo solo se nessuno dei 3 pezzi controllati risulti difettoso. Se il 30% dei lotti ha 4 pezzi difettosi
e il 70% dei lotti ha 1 pezzo difettoso, quale percentuale di lotti il rivenditore rifiuterà?

Soluzione.
Siano

A = {il rivenditore accetta un lotto},


Di = {il lotto ha i pezzi difettosi}.

Risulta

3 7
P(A) =P(A|D4 )P(D4 ) + P(A|D1 )P(D1 ) = P(A|D4 ) + P(A|D1 )
10 10
4 6 1 9
     

0 3 3 0 3 7 54
= + = .
10 10
   
10 10 100
3 3

Quindi il 46% dei lotti sarà rifiutato.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie ipergeometriche Modelli di v.a. 20
Relazione tra v.a. binomiali e ipergeometriche
Siano X e Y due v.a. binomiali indipendenti, di parametri (n, p) e (m, p),
rispettivamente. Calcoliamo
P[X = i, X + Y = k ] P[X = i, Y = k − i]
P[X = i|X + Y = k ] = =
P[X + Y = k ] P[X + Y = k]
P[X = i] P[Y = k − i]
=
P[X + Y = k ]
! !
n i m
p (1 − p) n−i
pk −i (1 − p)m−k +i
i k −i
= !
n+m k
p (1 − p)n+m−k
k
! !
n m
i k −i
= ! .
n+m
k

Pertanto la distribuzione di X condizionata al valore X + Y è ipergeometrica.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie ipergeometriche Modelli di v.a. 21
Variabili aleatorie uniformi discrete

Una v.a. X è detta uniforme discreta, di parametro n, se

 1 se x = 1, 2, . . . , n,

fX (x) = f (x; n) = n
0 altrimenti,

dove n ∈ N \ {0}.

fX FX

1 1
2
3
1 1
3 3
x x
0 1 2 3 0 1 2 3

−1 −1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 22
n+1
Poiché la funzione di densità fX è simmetrica rispetto a , si ha
2
n+1
E[X ] = .
2
n
X n(n + 1)(2n + 1)
Poiché j2 = , si ha
6
j=1

n 2
n2 − 1

1X 2 n+1
var[X ] = E[X 2 ] − (E[X ])2 = j − = .
n 2 12
j=1

Si ha
n n
h i X 1 1 X  t j 1 et − et(n+1)
φX (t) = E etX = etxj = e = .
n n n 1 − et
j=1 j=1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 23
Esercizio
Il gestore di un esercizio commerciale organizza una lotteria e mette in
vendita 90 biglietti numerati progressivamente da 1 a 90. Egli stabilisce che il
primo premio verrà assegnato a chi ha acquistato il biglietto il cui numero
corrisponde al primo numero estratto sulla ruota di Roma a una certa data.
Egli tiene per sè 6 biglietti che corrispondono ai numeri che sono superiori a
9 e inferiori a 16.
1 Calcolare la probabilità che il primo premio della lotteria venga vinto dal
gestore.
2 Determinare inoltre la media e la varianza di una v.a. idonea a
rappresentare l’esito della prova.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 24
Soluzione.
Definiamo la v.a. X , associando ad ogni evento elementare Ax il corrispondente numero x.
Poiché tutte le palline contenute nell’urna hanno uguale probabilità di essere estratte e quindi tutti i possibili valori di
X sono equiprobabili, X è una variabile casuale uniforme discreta di parametro n = 90, che assume valori uguali
a x = 1, 2, . . . , 90 con probabilità costante pari a

1
P[X = x] = , se x = 1, 2, . . . , 90 .
90

Pertanto
(
1 se x = 1, 2, . . . , 90,
fX (x) = 90
0 altrimenti.

1 La probabilità che il gestore dell’esercizio commerciale vinca il primo premio della lotteria è uguale alla
probabilità che venga estratto un numero superiore a 9 e inferiore a 16. Questa risulta uguale a

15 9 6
P[9 < X < 16] = P[9 < X ≤ 15] = FX (15) − FX (9) = − = ≈ 0.07.
90 90 90

2 La media e la varianza di una v.c. uniforme discreta di parametro n sono rispettivamente uguali a

n+1 90 + 1
E[X ] = = = 45.5
2 2

n2 − 1 8100 − 1
var[X ] = = ≈ 674.9.
12 12

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 25
Variabili aleatorie uniformi continue

Una v.a. X continua è detta rettangolare o uniforme continua, di parametri a


e b, se 
 1 se a ≤ x ≤ b,
fX (x) = f (x; a, b) = b − a
0 altrimenti,
dove a, b ∈ R e a < b.
fX FX

1 1
2
5
x x
1
2 1 2 3 1
2 1 2 3

−1 −1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 26
a+b
Poiché la funzione di densità fX è simmetrica rispetto a , si ha
2
a+b
E[X ] = .
2
Si ha 2
b
(b − a)2
Z 
1 a+b
var[X ] = x2 dx − = .
a b−a 2 12
Si ha
b
h i Z 1 1 etb − eta
φX (t) = E etX = etx dx = .
a b−a b−a t

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie uniformi Modelli di v.a. 27
Variabili aleatorie normali
Una v.a. X continua è detta normale, o gaussiana, di parametri µ e σ 2 , se
1 1 x−µ 2
fX (x) = N (x; µ, σ) = √ e− 2 ( σ ) , ∀x ∈ R, dove µ ∈ R e σ ∈ R+ .
σ 2π

La distribuzione normale fu introdotta nel


1733 da A. De Moivre per approssimare
le probabilità associate a v.a. binomiali
B(n; N, p) quando N è grande.

Abraham de Moivre
1667–1754

B(n; 15, 0.5) = P0.5 (n|15) e N (7.5, 15)

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 28
Tale risultato fu poi esteso nel 1812 da
P.-S. Laplace, fino ad essere incluso nel
Teorema del limite centrale, che
fornisce la giustificazione teorica del Pierre-Simon,
marquis de Laplace
fatto che molti fenomeni casuali seguono
1749–1827
una legge approssimativamente
normale.
Nel 1809 J.C.F. Gauß applicò la
distribuzione normale nell’analisi degli
errori sperimentali.

Johann Carl Friedrich Gauß


1777–1855

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 29
fX e FX per v.a. normali di parametri µ e σ 2

fX = ϕµ,σ2 per v.a. normali FX = Φµ,σ2 per v.a. normali

x = µ punto di massimo, x = µ ± σ punti di flesso.


N è simmetrica rispetto a x = µ: media ≡ mediana.
N ha un punto di massimo in x = µ: media ≡ moda.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 30
Si ha
h i Z +∞
1 1 x−µ 2 σ2 t 2
φX (t) = E etX = etx √ e− 2 ( σ ) dx = eµt+ 2 ,
−∞ σ 2π
σ2 t 2
φ0X (t) = (µ + σ 2 t)eµt+ 2 ⇒ φ0X (0) = µ,

σ2 t 2 σ2 t 2
φ00X (t) = (µ + σ 2 t)2 eµt+ 2 + σ 2 eµt+ 2 ⇒ φ00X (0) = µ2 + σ 2 ,

E[X ] = φ0X (0) = µ,

var[X ] = E[X 2 ] − (E[X ])2 = φ00X (0) − [φ0X (0)]2 = σ 2 .

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 31
Variabili aleatorie normali standard
Se µ = 0 e σ = 1 , la v.a. normale X è detta NORMALE STANDARD o
RIDOTTA.

Proprietà
Sia X ∼ N (µ, σ 2 ) e sia Y = αX + β, con α, β ∈ R e α 6= 0. Allora
Y ∼ N (αµ + β, α2 σ 2 ).

Proof.
La funzione generatrice dei momenti di Y è
h i h i
E et(αX +β) = eβt E etαX = eβt φX (αt)
σ 2 α2 t 2 σ 2 α2 t 2
= eβt eµαt+ 2 = e(µα+β)t+ 2 .

X −µ
Se X ∼ N (µ, σ 2 ) allora Z = ∼ N (0, 1), detta NORMALE STANDARD.
σ
c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 32
Sia Z una v.a. NORMALE STANDARD. Risulta
1
E[Z ] = E[X − µ] = 0,
σ
1 1 n o
var[Z ] = 2 var[X − µ] = 2 E[(X − µ)2 ] − (E[X − µ])2
σ σ
1 n o
= 2 E[X ] − 2E[X ]µ + µ2 = 1.
2
σ

Sia Z una v.a. NORMALE STANDARD. La funzione di densità è


1 z2
fZ (z) = ϕ(z) = √ e− 2 ,

mentre la funzione di ripartizione è data da
Z z Z z
1 t2
FZ (z) = Φ(z) = ϕ(t) dt = √ e− 2 dt.
−∞ 2π −∞

Si ha Φ(−∞) = 0 e Φ(+∞) = 1.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 33
Sia X ∼ N (µ, σ 2 ). Risulta
   
a−µ b−µ b−µ a − µ
P[a ≤ X ≤ b] = P ≤Z ≤ =Φ −Φ ,
σ σ σ σ
a − µ a − µ
P[X ≥ a] = P[a ≤ X ≤ +∞] = Φ(+∞) − Φ =1−Φ .
σ σ

Sia Z una v.a. NORMALE STANDARD. Risulta

Φ(z) = 1 − Φ(−z).
z Z Z z
1 t2
Posto Φ∗ (z) = ϕ(t) dt = √ e− 2 dt, si ha
0 2π 0
1
Φ(z) = + Φ∗ (z) e Φ∗ (−z) = −Φ∗ (z).
2

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 34
Z z
∗ 1 t2
Φ (z) = √ e− 2 dt
2π 0

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 35
Somma di v.a. normali indipendenti
Siano X1 , . . . , Xn delle v.a. normali e indipendenti, dove Xi ∼ N (µi , σi2 ),
Xn
i = 1, . . . , n. La funzione generatrice di X = Xi è
i=1
h i h i
φX (t) = E etX1 +...+tXn = E etX1 . . . etXn
n n σ2 t 2 σ̄ 2 t 2
Y h i Y i
= E etXi = eµi t+ 2 = eµ̄t+ 2 ,
i=1 i=1

n
X n
X
dove µ̄ = µi e σ̄ 2 = σi2 . Pertanto
i=1 i=1

n
X
X = Xi ∼ N (µ̄, σ̄ 2 ).
i=1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 36
Esercizio
Supponiamo che i diametri delle aste prodotte da una certa macchina siano variabili casuali normali con media di
10 cm e una deviazione standard di 0.1 cm. Se per un dato uso, un’asta deve avere un diametro compreso fra 9.9
e 10.2 cm, in quale proporzione le aste prodotte da questa macchina saranno in grado di soddisfare tale requisito?

Soluzione.
Risulta

10.2 − 10 9.9 − 10
   
P[9.9 < X < 10.2] = Φ −Φ
0.1 0.1
= Φ(2) − Φ(−1) ≈ 0.9772 − 0.1587 = 0.8185.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 37
Esercizio
Una fabbrica produce lampadine a basso consumo energetico, la cui durata si assume distribuita secondo una
normale con media 1000 ore e deviazione standard (s.q.m.) di 100 ore. Supponendo di osservare la durata per un
campione di 200 lampadine, per quante di queste ci si può aspettare una durata compresa tra le 850 e le 1160 ore?

Soluzione.
Sia X una v.a. che rappresenta la durata di vita di una lampadina. Per le ipotesi fatte, X è una v.a. normale di
media uguale a 1000 e di varianza uguale a 1002 = 10000. Di conseguenza,

X − 1000
Z = è una v.a. normale standardizzata.
100

Dato un campione di lampadine di numerosità n = 200, il numero di lampadine, ad esso appartenenti, che hanno
una durata di vita compresa tra le 850 e le 1160 ore, è uguale al prodotto della numerosità campionaria per la
probabilità che la durata di vita sia compresa nell’intervallo considerato n · P[850 < X ≤ 1160]. Ponendo n = 200
e effettuando i passaggi si ottiene

850 − 1000 1160 − 1000


 
200 · P[850 < X ≤ 1160] = 200 · P <Z ≤
100 100
= 200 · P [−1.5 < Z ≤ 1.6]
= 200 [Φ(1.6) − (1 − Φ(1.5))] = 200[0.9452 − (1 − 0.9332)] = 175.68.

Quindi, in un campione di 200 lampadine ci si aspetta che 176 lampadine abbiano una durata di vita compresa tra le
850 e le 1160 ore.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 38
Esercizio
Con i dati dell’Esercizio di p. 38, supponendo di non conoscere la durata media delle lampadine, se ne determini il
valore, in modo che il 96% delle lampadine duri almeno 1100 ore.

Soluzione.
Sia X una v.a. che rappresenta la durata di vita di una lampadina. Per le ipotesi fatte, X è una v.a. normale di
media µX incognita e di varianza uguale a 1002 = 10000. Di conseguenza,

X − µX
Z = è una v.a. normale standardizzata.
100

L’esercizio consiste nel determinare µX in modo tale che risulti P[X ≥ 1100] = 0.96. Indicando con zα il
percentile della normale standardizzata tale che Φ(zα ) = 1 − α, si ha

1100 − µX
 
0.96 = P[X ≥ 1100] = P Z ≥ = P[Z ≥ z0.96 ] .
100

I Ma, per la simmetria della distribuzione, si ha z0.96 = −z0.04 , pertanto occorre individuare il percentile
z0.04 .
I Tuttavia, tale percentile non è disponibile sulle tavole di probabilità della distribuzione normale
standardizzata, in quanto la funzione di ripartizione tabulata passa da 0.9599 a 0.9608 . In corrispondenza
di questi due valori la z vale rispettivamente 1.75 e 1.76.
I Il problema può essere risolto mediante un’interpolazione lineare. In particolare, indicando con F1 e F2 i
due valori di probabilità (tali che F1 ≤ 0.96 ≤ F2 ) e con z1 e z2 i corrispondenti percentili della z (tali che
z0.04 − z1 z2 − z1
z1 ≤ z0.04 ≤ z2 ), si impone la seguente uguaglianza = ⇒ z0.04 =
0.96 − F1 F2 − F1
z2 − z1 1.76 − 1.75
z1 + (0.96 − F1 ) = 1.75 + (0.96 − 0.9599) = 1.751 .
F2 − F1 0.9608 − 0.9599
c
M.G. Naso - Probabilità e Statistica Variabili aleatorie normali Modelli di v.a. 39
Variabili aleatorie esponenziali

Una v.a. X continua è detta esponenziale, di parametro λ ∈ R+ , se


(
λ e−λx se x ≥ 0,
fX (x) = f (x; λ) =
0 se x < 0.

La funzione di ripartizione di una v.a. X esponenziale , di parametro λ ∈ R+ ,


è (
1 − e−λx se x ≥ 0,
Z x
FX (x) = P[X ≤ x] = fX (t) dt =
−∞ 0 se x < 0.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 40
fX e FX per v.a. esponenziali con parametro λ

fX per v.a. esponenziali con parametro λ FX per v.a. esponenziali con parametro λ

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 41
Si ha
h i Z +∞
λ
φX (t) = E etX = etx λ e−λx dx = , t < λ,
0 λ−t
λ
φ0X (t) = ,
(λ − t)2

φ00X (t) = ,
(λ − t)3
1
E[X ] = φ0X (0) = ,
λ
2
E[X 2 ] = φ00X (0) = 2 ,
λ
1
var[X ] = 2 .
λ

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 42
Esercizio
Supponiamo che la durata di vita (aleatoria) di un macchinario abbia la seguente funzione di ripartizione definita

(
0 se x ≤ 0
FX (x) =
1 − e−λ x se x > 0

con λ > 0. Calcolare


1 la probabilità di sopravvivenza successivamente all’istante x;
2 la probabilità che un pezzo cessi di funzionare in un dato intervallo di tempo ]x1 , x2 ];
3 la funzione di ripartizione della vita residua Xa , se un macchinario, dopo un tempo a dall’inizio, è ancora in
funzione.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 43
Soluzione.
1 P[X > x] = 1 − FX (x) = e−λ x .

2 P[x1 < X ≤ x2 ] = FX (x2 ) − FX (x1 ) = e−λ x1 − e−λ x2 .

3 La durata di vita iniziale è la v.a. X . Supponiamo sia passato il tempo a. Resta una durata di vita X − a.
Per calcolare la durata di vita occorre tenere presente che all’istante a il pezzo è ancora in funzione, e
quindi occorre cercare una probabilità condizionata: non ha senso domandarsi quanto vivrà ancora un
pezzo che abbia già cessato di funzionare. Quindi si trova

P[X ≤ a + x , X > a]
FXa (x) = P[Xa ≤ x] = P[X − a ≤ x|X > a] =
P[X > a]
P[a < X ≤ a + x] FX (a + x) − FX (a)
= =
P[X > a] 1 − FX (a)
e−λ a − e−λ(a+x) −λ x
= =1−e = FX (x).
e−λ a

Quindi la durata della vita residua ha la stessa distribuzione della durata della vita iniziale, come se il
tempo non fosse passato. Questa proprietà, caratteristica della distribuzione esponenziale, è detta
mancanza di memoria, o dal punto di vista tecnologico, mancanza di usura.

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 44
min di v.a. esponenziali indipendenti
Siano X1 , . . . , Xn delle v.a. esponenziali e indipendenti, di parametri
λ1 , . . . , λn . Sia Y = min(X1 , . . . , Xn ). Consideriamo, per x ≥ 0,

P[Y > x] = P[min(X1 , . . . , Xn ) > x] = P[X1 > x, . . . , Xn > x]


n
Y n
 Y
e−λi x = e−x(λ1 +...+λn ) ,

= 1 − FXi (x) =
i=1 i=1

e quindi
P[Y ≤ x] = 1 − e−x(λ1 +...+λn ) .
n
X
Pertanto la v.a. Y = min(X1 , . . . , Xn ) è esponenziale, di parametro λi .
i=1

c
M.G. Naso - Probabilità e Statistica Variabili aleatorie esponenziali Modelli di v.a. 45
Distribuzione chi-quadro
Se Z1 , . . . , Zn sono v.a. normali standard e indipendenti, allora

X = Z12 + . . . + Zn2 ,

è una v.a., detta chi-quadro a n gradi di libertà, e si scrive

X ∼ χ2n .

fX e FX per χ2k a k gradi di libertà

fX per χ2k a k gradi di libertà FX per χ2k a k gradi di libertà

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 46
La distribuzione χ2n ha un grafico NON simmetrico.
La distribuzione χ2n ha valore atteso µ = n, mentre la varianza σ 2 = 2n.
Se X ∼ χ2n , si definisce la quantità χ2α,n tramite l’equazione

P[X ≥ χ2α,n ] = α.

Esercizio
Data la distribuzione χ2n calcolare il valore di χ2α,n tale che
P[χ2n > χ2α,n ] = 0.05, nel caso in cui il grado di libertà sia n = 5, n = 15,
n = 25, n = 30.
[11.070, 24.996, 37.652, 43.773]
Data la distribuzione χ2n con grado di libertà n = 5, calcolare il valore di
χ2α,n tale che P[χ2n ≤ χ2α,n ] = 0.05.
[1.145]

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 47
Distribuzione t di Student
Se Z ∼ N (0, 1) e Cn ∼ χ2n sono v.a.
indipendenti, allora la v.a.
Z
Tn = q ,
Cn
n

è detta t di Student con n gradi di libertà, e


William Sealy Gosset
T n ∼ tn . Student
1876–1937

fX e FX per t di Student a k gradi di libertà

fX per t di Student a k gradi di libertà FX per t di Student a k gradi di libertà

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 48
La distribuzione tn di Student ha un grafico a campana e simmetrico
attorno al valore atteso µ.
Come la distribuzione normale standard, la distribuzione tn ha valore
n
atteso µ = 0 (n > 1), mentre la varianza σ 2 = (n > 2) dipende
n−2
dal grado di libertà n.
La varianza è maggiore di 1, e tende a 1 al crescere del grado di libertà.
Se Tn è una t di Student con n gradi di libertà e α ∈ (0, 1), si definisce
la quantità in modo che

P[Tn ≥ tα,n ] = α.

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 49
Si può dimostrare che la distribuzione t con grado di libertà n tende alla
distribuzione normale standard per n → ∞. In particolare, se ne ha una
buona approssimazione per valori del grado di libertà n > 29. Nei seguenti
grafici, la distribuzione t di Student (rosso e verde) con 1, 2, 3, 5, 10 e 30
gradi di libertà è confrontata con la distribuzione normale standard (blu).

N (0, 1) e t1 N (0, 1), t1 e t2 N (0, 1), t1 , t2 e t3

N (0, 1), t1 , t2 , t3 , e t5 N (0, 1), t1 , t2 , t3 , t5 e t10 N (0, 1), t1 , t2 , t3 , t5 , t5 , t10 e t30


Distribuzioni che derivano dalla
c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 50
Esercizio
Data la distribuzione tn con grado di libertà n = 9, calcolare il valore di
tα,n tale che P[Tn > tα,n ] = 0.05.
[1.833]
Data la distribuzione tn con grado di libertà n = 9, calcolare il valore di
tα,n tale che P[|T | > tα,n ] = 0.05.
[2.262]
Data la distribuzione tn con grado di libertà n = 10, calcolare il valore di
tα,n tale che P[|T | < tα,n ] = 0.90.
[1.812]
Data la distribuzione tn con grado di libertà n = 10, calcolare il valore di
tα,n tale che P[Tn > tα,n ] = 0.99.
[−2.821]

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 51
S I RICORDA AGLI STUDENTI CHE , PER UNA ADEGUATA PREPARAZIONE ALL’ ESAME , IL MATERIALE PRESENTE NEI
LUCIDI DEVE ESSERE COMPLETATO E APPROFONDITO CON QUANTO ESPOSTO DURANTE LE LEZIONI E LE
ESERCITAZIONI IN AULA E PRESENTATO NEI TESTI CONSIGLIATI .

Distribuzioni che derivano dalla


c
M.G. Naso - Probabilità e Statistica distribuzione normale Modelli di v.a. 52