INFORMAZIONI

Prossime lezioni
Giorno Ora Dove
Martedi 23/02 14:30 P50
Giovedi 25/02 14:30 Aula informatica (6-7 gruppi)
Martedi 02/03 14:30 P50
Giovedi 04/03 14:30 Aula informatica (6-7 gruppi)
Martedi 09/03 14:30 P50

– p. 1/13
 INFORMAZIONI
Prossime lezioni
Giorno Ora Dove
Martedi 23/02 14:30 P50
Giovedi 25/02 14:30 Aula informatica (6-7 gruppi)
Martedi 02/03 14:30 P50
Giovedi 04/03 14:30 Aula informatica (6-7 gruppi)
Martedi 09/03 14:30 P50
Decidere la spartizione tra i 2 due turni per l’aula inform.

– p. 1/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue.

Limite asintotico della binomiale quando n −→ +∞.

– p. 2/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue.

Limite asintotico della binomiale quando n −→ +∞.
Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed
è stata attribuita anche a Laplace (1812), che ne definì le proprietà
principali in anticipo rispetto alla trattazione più completa fatta da
Gauss.

– p. 2/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue.

Limite asintotico della binomiale quando n −→ +∞.
Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed
è stata attribuita anche a Laplace (1812), che ne definì le proprietà
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.

– p. 2/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

È una delle più importanti distribuzioni di variabili casuali continue.

Limite asintotico della binomiale quando n −→ +∞.
Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed
è stata attribuita anche a Laplace (1812), che ne definì le proprietà
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)
 2
1 x−µ
1 −
f (x) ≡ N (x; µ, σ) = √ e 2 σ
σ 2π
– p. 2/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ

– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ
Il valore x = µ definisce la moda, la media e la mediana

– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ
Il valore x = µ definisce la moda, la media e la mediana
È crescente per x < µ e decrescente per x > µ.

– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ
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

– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ
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 .

– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

1 − 21 ( x−µ
2
f (x) = √ e σ )
σ 2π

È simmetrica rispetto a µ
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.
– p. 3/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

I parametri µ e σ definiscono POSIZIONE e FORMA.

– p. 4/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

I parametri µ e σ definiscono POSIZIONE e FORMA.

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

– p. 4/13
LA DISTRIBUZIONE NORMALE o DI GAUSS

I parametri µ e σ definiscono POSIZIONE e FORMA.

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.
– p. 4/13
DISTRIBUZIONE NORMALE e FUNZIONE CUMULATIVA

Rb
Gli integrali a f (x)dx
non sono valutabili ana-
liticamente, ma numeri-
camente e si utilizzano
tabelle della funzione
cumulativa:
Rb
a f (x)dx = F (b) − F (a)

– p. 5/13
 LA DISTRIBUZIONE NORMALE

Per verificare alcune proprietà della distribuzione di

Gauss si deve far riferimento all’integrale di Gauss di
cui riportiamo il risultato:
Z +∞
−z 2 √
e dz = π, da cui anche
−∞

Z +∞ 2
− z2
e dz
−∞
Z +∞ “ z ”2  
− √2 z √ √ Z +∞
−x2
√
= e d √ 2= 2 e dx = 2π
−∞ 2 −∞

– p. 6/13
DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

Verifichiamo la normalizzazione

– p. 7/13
DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

Verifichiamo la normalizzazione
Z +∞ Z +∞
1 − 21 ( x−µ )
2
f (x)dx = √ e σ dx
−∞ −∞ σ 2π

– p. 7/13
DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

Verifichiamo la normalizzazione
Z +∞ Z +∞
1 − 21 ( x−µ )
2
f (x)dx = √ e σ dx
−∞ −∞ σ 2π
x−µ dx
Cambio di variabile: z = da cui dz =
σ σ

– p. 7/13
DISTRIBUZIONE NORMALE: NORMALIZZAZIONE

Verifichiamo la normalizzazione
Z +∞ Z +∞
1 − 21 ( x−µ )
2
f (x)dx = √ e σ dx
−∞ −∞ σ 2π
x−µ dx
Cambio di variabile: z = da cui dz =
σ σ
Z +∞ Z +∞ √
1 σ − z2 2π
f (x)dx = √ e 2 dz = √ = 1
−∞ 2π −∞ σ 2π

– p. 7/13
DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ

– p. 8/13
DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ

 
′ 1 − 21 ( x−µ )
2 2(x − µ)
Derivata prima f (x) = √ e σ −
σ 2π 2σ 2

– p. 8/13
DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ

 
′ 1 − 21 ( x−µ )
2 2(x − µ)
Derivata prima f (x) = √ e σ −
σ 2π 2σ 2
Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per
x = µ.

– p. 8/13
DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ

 
′ 1 − 21 ( x−µ )
2 2(x − µ)
Derivata prima f (x) = √ e σ −
σ 2π 2σ 2
Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per
x = µ.
Derivata seconda:  2
′′ 1 − 12 ( x−µ )
2 2(x − µ)
f (x) = √ e σ − 2
−
σ 2π 2σ
 2 
1 − 21 ( x−µ )
2 1 1 − (x−µ) 2
(x − µ)
√ e σ
2
= √ e 2σ 2
2
−1
σ 2π σ 3
σ 2π σ

– p. 8/13
DISTRIBUZIONE NORMALE: MODA

Verifichiamo che il massimo assoluto si ha per x = µ

 
′ 1 − 21 ( x−µ )
2 2(x − µ)
Derivata prima f (x) = √ e σ −
σ 2π 2σ 2
Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per
x = µ.
Derivata seconda:  2
′′ 1 − 12 ( x−µ )
2 2(x − µ)
f (x) = √ e σ − 2
−
σ 2π 2σ
 2 
1 − 21 ( x−µ )
2 1 1 − (x−µ) 2
(x − µ)
√ e σ
2
= √ e 2σ 2
2
−1
σ 2π σ 3
σ 2π σ
f ′′ (x = µ) < 0 pertanto la funzione ha un massimo
assoluto per x = µ, il cui valore è: f (µ) = σ√12π .
L’ordinata al max è inversamente proporzinale a σ .
– p. 8/13
DISTRIBUZIONE NORMALE: FLESSI

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

– p. 9/13
DISTRIBUZIONE NORMALE: FLESSI

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

Annulliamo la derivata seconda:
 
1 2
(x − µ) 2
′′ − (x−µ)
f (x) = √ e 2σ 2
2
−1 =0
σ 3 2π σ

– p. 9/13
DISTRIBUZIONE NORMALE: FLESSI

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

Annulliamo la derivata seconda:
 
1 2
(x − µ) 2
′′ − (x−µ)
f (x) = √ e 2σ 2
2
−1 =0
σ 3 2π σ
(x − µ)2 2 = σ2,
Ciò si verifica quando = 1 −→ (x − µ)
σ2
ovvero per x1 = µ + σ e x2 = µ − σ .

– p. 9/13
DISTRIBUZIONE NORMALE: FLESSI

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

Annulliamo la derivata seconda:
 
1 2
(x − µ) 2
′′ − (x−µ)
f (x) = √ e 2σ 2
2
−1 =0
σ 3 2π σ
(x − µ)2 2 = σ2,
Ciò si verifica quando = 1 −→ (x − µ)
σ2
ovvero per x1 = µ + σ e x2 = µ − σ .
La funzione ha due flessi per x = µ ± σ

– p. 9/13
DISTRIBUZIONE NORMALE: FLESSI

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

Annulliamo la derivata seconda:
 
1 2
(x − µ) 2
′′ − (x−µ)
f (x) = √ e 2σ 2
2
−1 =0
σ 3 2π σ
(x − µ)2 2 = σ2,
Ciò si verifica quando = 1 −→ (x − µ)
σ2
ovvero per x1 = µ + σ e x2 = µ − σ .
La funzione ha due flessi per x = µ ± σ
La distanza tra i due punti di flesso è 2σ . Il parametro σ
è indicativo della larghezza della funzione.

– p. 9/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).

– p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).
Z +∞ Z +∞
1 − 12 ( x−µ )
2
E(x) = xf (x)dx = x √ e σ dx
−∞ −∞ σ 2π

– p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).
Z +∞ Z +∞
1 − 12 ( x−µ )
2
E(x) = xf (x)dx = x √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ

– p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).
Z +∞ Z +∞
1 − 12 ( x−µ )
2
E(x) = xf (x)dx = x √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ
Z +∞
1 2
− z2
E(x) = (σz + µ) √ e dz
−∞ σ 2π

– p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).
Z +∞ Z +∞
1 − 12 ( x−µ )
2
E(x) = xf (x)dx = x √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ
Z +∞
1 2
− z2
E(x) = (σz + µ) √ e dz
−∞ σ 2π
Z +∞ Z +∞
1 2
− z2 µ 2
− z2
= √ ze dz + √ e dz
σ 2π −∞ 2π −∞
| {z }
=0

– p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE
Il parametro µ è il valore di aspettazione della variabile
stessa (E(x) = µ).
Z +∞ Z +∞
1 − 12 ( x−µ )
2
E(x) = xf (x)dx = x √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ
Z +∞
1 2
− z2
E(x) = (σz + µ) √ e dz
−∞ σ 2π
Z +∞ Z +∞
1 2
− z2 µ 2
− z2
= √ ze dz + √ e dz
σ 2π −∞ 2π −∞
| {z }
=0
µ √
=√ 2π = µ
2π – p. 10/13
LA DISTR. NORMALE: VALORE DI ASPETTAZIONE

– p. 11/13
LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard.

– p. 12/13
LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard.

Z +∞ Z +∞
2 2 1 − 21 ( x−µ )
2
(x − µ) f (x)dx = (x − µ) √ e σ dx
−∞ −∞ σ 2π

– p. 12/13
LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard.

Z +∞ Z +∞
2 2 1 − 21 ( x−µ )
2
(x − µ) f (x)dx = (x − µ) √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ

– p. 12/13
LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard.

Z +∞ Z +∞
2 2 1 − 21 ( x−µ )
2
(x − µ) f (x)dx = (x − µ) √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ
Z +∞
2 1 2
− z2
= (σz) √ e σdz
−∞ σ 2π

– p. 12/13
LA DISTRIBUZIONE NORMALE: VARIANZA

Il parametro σ è la deviazione standard.

Z +∞ Z +∞
2 2 1 − 21 ( x−µ )
2
(x − µ) f (x)dx = (x − µ) √ e σ dx
−∞ −∞ σ 2π
x−µ
Cambio di variabile: z = da cui x = µ + σz e
σ
dx
dz = .
σ
Z +∞
2 1 2
− z2
= (σz) √ e σdz
−∞ σ 2π
2 Z +∞
σ 2
2 − z2
=√ z e σdz = · · · σ 2
2π −∞

– p. 12/13
 TEOREMA

Combinazioni lineari di variabili casuali normali e tutte

statisticamente indipendenti tra loro sono ancora
distribuite secondo la legge normale.

– p. 13/13
 TEOREMA

Combinazioni lineari di variabili casuali normali e tutte

statisticamente indipendenti tra loro sono ancora
distribuite secondo la legge normale.
N variabili normali xk , con valore di aspettazione µk e
varianza σk 2 .

– p. 13/13
 TEOREMA

Combinazioni lineari di variabili casuali normali e tutte

statisticamente indipendenti tra loro sono ancora
distribuite secondo la legge normale.
N variabili normali xk , con valore di aspettazione µk e
varianza σk 2 .
PN
Sia y = k=1 ak xk

– p. 13/13
 TEOREMA

Combinazioni lineari di variabili casuali normali e tutte

statisticamente indipendenti tra loro sono ancora
distribuite secondo la legge normale.
N variabili normali xk , con valore di aspettazione µk e
varianza σk 2 .
PN
Sia y = k=1 ak xk
PN
→ µ = k=1 ak µk

– p. 13/13
 TEOREMA

Combinazioni lineari di variabili casuali normali e tutte

statisticamente indipendenti tra loro sono ancora
distribuite secondo la legge normale.
N variabili normali xk , con valore di aspettazione µk e
varianza σk 2 .
PN
Sia y = k=1 ak xk
PN
→ µ = k=1 ak µk
PN
2
→ σ = k=1 ak 2 σk 2

– p. 13/13