Università degli Studi di Brescia

Metodi Matematici e Informatica per la Finanza

Richiami di probabilità 2
Variabili casuali continue. Momenti. Principali
distribuzioni. Dipendenza e indipendenza di v.c.

Paolo Falbo
Metodi Matematici e Informatica per la Finanza 2

1 Richiami di teoria della probabilità

1.1 Variabili casuali continue
Le v. c. continue richiedono una trattazione matematica più
approfondita. Il motivo principale risiede nella circostanza che la
probabilità che una v. c. continua X assuma un preciso valore
x risulta sempre uguale a zero. Per le v. c. continue pertanto
si precisano generalmente solo gli intervalli (in R) entro cui X
può assumere valori. In sostituzione della funzione di probabilità,
per una v. c. continua è possibile indicare una funzione di
densità, che permette di calcolare le probabilità di eventi del tipo
X 2 [a; b] R.

Definition 1 Si dice che la variabile casuale X è continua se

l’insieme delle sue realizzazioni è un intervallo in R ed esiste una
funzione non negativa f (x) tale che
Z b
P (X 2 [a; b]) = fX (x)dx
a
per ogni [a; b] R. La funzione fX è detta funzione di densità
di X . Viceversa, se è possibile attribuire una data funzione di
densità fX a tutti i possibili valori x di X , allora X è una v. c.
continua. Per fX vale
Z 1
fX (x) 0 per ogni x 2 R, fX (x) dx = 1.
1
Metodi Matematici e Informatica per la Finanza 3

La conoscenza della funzione di densità di probabilità di una

v. c. X permette di ottenere la sua funzione di distribuzione,
anche se con più difficoltà rispetto al caso discreto (calcolo di un
integrale al posto di una sommatoria).

Definition 2 La funzione di distribuzione FX di una variabile ca-

suale X dotata di funzione di densità di probabilità fX è
Z x
FX (x) = P (X x) = fX (s) ds, x 2 R;
1
d
FX è continua. Vale fX (x) = dx FX (x) nei punti di continuità di
fX .

Si può (facilmente) dimostrare che la continuità di FX

implica che P (X = x) = 0.
Questo fatto, nel caso delle variabili casuali dotate di funione
di densità, implica che
P (X 2 (a; b])
= P (X 2 [a; b]) = P (X 2 [a; b)) = P (X 2 (a; b))
Z b
= fX (x)dx.
a

Le variabili casuali che ammettono funzione di densità di

probabilità sono dette assolutamente continue; le variabili casuali
che ammettono funzione di distribuzione continua sono dette
continue (questa famiglia pertanto contiene le v.c. assolutamente
continue).
Metodi Matematici e Informatica per la Finanza 4

Esistono variabili casuali che non sono né discrete, né

continue, né assolutamente continue; esse sono dette miste (ad
esempio, quasi tutte le variabili casuali che descrivono le quantità
residue ad una data futura).
1.2 Relazione fra variabili casuali e funzioni di probabilità
Ricordiamo la distinzione fra variabile casuale e probabilità. Una
variabile casuale è una funzione con dominio in e valori in
R. P è una funzione (o applicazione) con dominio A e valori
nell’intervallo [0; 1] ; con cui si attribuisce probabilità ad eventi
definiti su . Come rappresentato nella seguente figura, per
descrivere compiutamente una v.c. serve specificare la terna
( ; A; P ):
In modo analogo a quanto osservato per le v.c. discrete, il -
macchinario rappresentato nella figura 1 descrive compiutamente
il funzionamento di una v.c. continua. Esso è significativamente
più complicato di quanto usualmente descritto nei libri di testo di
statistica elementare, ove non si nomina lo spazio di probabilità,
ne’ la terna ad esso associata.
Nella rappresentazione semplificata, le variabili casuali
sono delle quantità non molto diverse dalle variabili ordinarie,
normalmente utilizzate nelle equazioni. La differenza consiste
nel fatto che i possibili valori di una variabile casuale sono -
associati ad un numero che ne rappresenta la probabilità (per le
v.c. discrete) o la funzione di densità di probabilità (per le v.c.
continue). Le funzioni pX (x) e fX (x) ; presentate in precedenza,
Metodi Matematici e Informatica per la Finanza 5

1.Funzione di densità (fX (x)) per una variabile casuale continua

e probabilità (P ) definita in uno spazio di probabilità.
sono appunto lo strumento utilizzato per caratterizzare tale
associazione semplificata, rispettivamente per le v.c. discrete e
continue. In questa visione più semplice è come se uno dei valori
di x sia evento elementare.
Visione semplificata non vuole dire necessariamente sbaglia-
ta. Anzi il valore pratico di ricorrere ad uno strumento semplice,
giustifica ampiamente il suo uso. E’ tuttavia importante di per
sè conoscere il quadro teorico completo. Da un punto di vista
applicativo, vedremo inoltre che la strumentazione teorica del-
lo spazio di probabilità e delle -algebre consente di definire il
concetto di aspettative condizionate, con una precione ed una
chiarezza che sarebbero impossibili all’interno di una visione
Metodi Matematici e Informatica per la Finanza 6

elementare delle probabilità.

1.3 Valore atteso, varianza e momenti superiori

Data la variabile casuale X , si definisce momento di ordine m da

c della variabile casuale X la quantità
8
< E (X m) = P (x c)m p (x ) se X è discreta
n
i X i
R i=1 ;
: +1
E (X m) = 1 (x c)m fX (x) dx se X è continua
ponendo m = 1 e c = 0, otteniamo un momento primo
fondamentale della variabile casuale X , noto come media o
valore atteso o speranza matematica di X .
Se poniamo c = E (X), al variare di m otteniamo i vari
momenti centrali o momenti dalla media di X .
Per m = 2, abbiamo 2X = V ar (X) = E [X E (X)]2 =
2 2
E
p X [E (X)] , che esprime la varianza di X . X =
V ar (X) è invece la deviazione standard ed esprime la
deviazione media dei valori osservati rispetto al valore atteso.
Per m = 3, si ha il momento centrale terzo, che esprime
l’asimmetria (skewness) della distribuzione rispetto al suo “centro
di gravità”.
Per m = 4, si ha il momento quarto o curtosi (kurtosis)
della distribuzione. Esso misura lo spessore delle code di una
distribuzione rispetto alla distribuzione normale.
1.4 Alcune distribuzioni di probabilità fondamentali
Metodi Matematici e Informatica per la Finanza 7

1.4.1 Distribuzione uniforme

La distribuzione uniforme può caratterizzare sia una variabile
casuale continua che discreta. Inizamo col caso continuo, di
gran lunga più importante. Se una v.c. possiede distribuzione
uniforme, essa assumerà esclusivamente valori appartenenti
all’intervallo [a; b] e la probabilità che i valori cadano in un
sottointervallo sarà proporzionale alla ampiezza dello stesso. Le
distribuzioni di probabilità uniformi vengono convenzionalmente
chiamate con la lettera U : se ad esempio vorremo dire che X è
distribuita in modo uniforme su un intervallo [a; b], scriveremo
X U [a; b] : La funzione di densità vale:
8
< 0 se x < a
fX (x) = b 1 a se a x b
:
0 se x > b
quella di distribuzione è:
8
< 0 se x < a
x a
FX (x) = b a se a x b .
:
1 se x > b
a+b (b a)2
I primi due momenti sono E (X) = e V ar (X) =
2 12 .
Un caso particolare molto importante è quello della distribuzione
uniforme standardizzata U [0; 1] in cui a = 0 e b = 1:
[Opzionale - Se X è v.c. discreta nell’intervallo [a; b] ed
assume al suo interno n possibili valori, a = x1; :::; b = xn;
Metodi Matematici e Informatica per la Finanza 8

equi-intervallati, la sua funzione di probabilità è:

1
n se x è un possibile valore xi
pX (x) =
0 negli altri casi
mentre quella di distribzione è (vedi grafico seguente):
8
< 0 se x < a
FX (x) = ni se xi x < xi+1
:
1 se x > b

a b a b

Funzione di probabilità e di distribuzione di una v.c. uniforme

discreta
n+1
il valore atteso è E (X) = 2 e la varianza V ar (X) =
n2 1
12 :]
1.4.2 Distribuzione di Bernoulli

Si tratta di una distribuzione discreta in cui la variabile casuale

X può valere solamente 1 (successo), con probabilità p, oppure 0
(insuccesso), con probabilità (1 p). Talvolta la distribuzione di
Bernoulli è indicata con B (p) dove p è la probabilità di successo.
Metodi Matematici e Informatica per la Finanza 9

La funzione di probabilità per una v.c. bernoulliana è:

8
<0 se x 6= 0; 1
pX (x) = 1 p se x=0
:
p se x=1
quella di distribuzione è
8
<0 se x < 0
FX (x) = 1 p se 0 x < 1 ;
:
1 se x 1
i primi due momenti sono E (X) = p e V ar (X) = p (1 p).

p
1-p 1-p

0 1 0 1

Funzione di probabilità e di distribuzione di una v.c. di Bernoulli

1.4.3 Distribuzione binomiale
Dati n esperimenti indipendenti alla Bernoulli, ciascuno con
la stessa probabilità di successo p, la variabile casuale X ,
indicante il numero di successi che si verificano su n possibili
esperimenti, si distribuisce secondo una variabile casuale
binomiale con parametri n e p. Il numero dei possibili successi
Metodi Matematici e Informatica per la Finanza 10

x = 0; 1; ; 2; :::; n: La funzione di probabilità è

n!
x!(n x)! p x
(1 p)n x
se x = 1; 2; :::; n
pX (x) = ;
0 altrove
i primi due momenti sono E (X) = np e V ar (X) = np (1 p).

n
n
n

Funzioni di probabilità e distribuzione di tre v.c. binomiali. Asse

x: numero di successi, n = tentativi/esperimenti.
Questa distribuzione è utile per determinare le probabilità
dei nodi degli alberi binomiali ricombinanti, sia intermedi che
terminali. Si osservi che i nodi centrali tendono ad essere più
probabili, perchè possono essere raggiunti con più combinazioni.
uuu
uu
u uud
udu
ud duu
du udd
dud
d ddu
dd
ddd

Albero binomiale ricombinante

Esempio 1 Se interpretiamo la figura precedente come il model-

Metodi Matematici e Informatica per la Finanza 11

lo di un prezzo che può evolversi in tre tempi (esperimenti) at-

traverso movimenti o al rialzo u (successo) oppure al ribasso d
(insuccesso), il nodo nel cerchio rosso può corrisponde alla com-
binazione di un rialzo e due ribassi (indipendentemente dall’or-
dine nel tempo). Se è p (u) = 0:4 è la probabilità del movimento
al rialzo, possiamo calcolare la probabilità che X = 1 su n = 3
tentativi:
3!
PX (1) = 0:41 (1 0:4)2
1! (3! 1!)
= 0:1728
1.4.4 Distribuzione di Poisson

Si tratta di una distribuzione discreta in cui la variabile aleatoria

X esprime il numero di successi che possono verificarsi, con
una probabilità sufficientemente piccola, in un dato intervallo di
tempo, assunto unitario (eventi rari). La funzione di probabilità
di Poisson è caratterizzata da un parametro, , che esprime la
frequenza con cui l’evento raro si realizza nell’unità di tempo. Il
numero di successi nell’unità di tempo per una v.c. di Poisson è
illimitato, X = 0; 1; 2; 3; :::. Naturalmente la probabilità di un
alto numero di successi (x > ) tende rapidamente a zero. La
funzione di probabilità per una v.c. di Poisson è:
x
e
se x = 0; 1; 2; 3; :::
pX (x) = x! ; (1)
0 altrove
i primi due momenti sono E (X) = V ar (X) = . Si dimostra
Metodi Matematici e Informatica per la Finanza 12

che una distribuzione binomiale di parametri n e p, con n ! 1

e p ! 0 in modo tale che = np rimanga costante, tende ad una
distribuzione di Poisson di parametro .

Esempio 2 La frequenza delle grandi crisi finanziarie è circa 1

ogni 15 anni. Se interpretiamo (matematicamente) l’evento crisi
finanziaria come successo, possiamo utilizzare la distribuzione
di Poisson per calcolare la probabilità di osservare due crisi fi-
nanziarie in un decennio. Per applicare la formula (1) fissiamo
innanzitutto il decennio come unità temporale. Un periodo di
15 anni, misurato in decenni è pari pertanto a 15=10 = 1:5:Il
parametro si determina pertanto utilizzando una semplice pro-
porzione:
1
=
1:5 1
= 0:66667
Noi siamo interessati a valutare la probabilità che X = 2 su n
decennio con = 0:66667 :
0:666672 e 0:66667
pX (2) = = 0:11409
2!
1.4.5 Distribuzione normale, o gaussiana
La variabile casuale X è di tipo continuo. La funzione di densità
di probabilità è
1 1
(x )2
fX (x) = p e 2 2
;
2
Metodi Matematici e Informatica per la Finanza 13

i primi due momenti sono rappresentati dai parametri E (X) =

e V ar (X) = 2. Nel caso particolare in cui = 0 e = 1,
la distribuzione diventa una normale standard e la funzione di
densità di probabilità assume la forma
1 1 2
fX (x) = p e 2 x .
2
0.5
y

0.4

0.3

0.2

0.1

-5 -4 -3 -2 -1 0 1 2 3 4 5
x

2.Funzione di densità normale standardizzata N (0; 1)

Se la variabile X ha distribuzione normale di parametri e 2,

la variabile normalizzata Y = X ha distribuzione normale
standard.
Tale distribuzione è perfettamente simmetrica rispetto al
valore x = e la sua altezza è espressa dalla quantità p12 ;
pertanto, essendo la superficie sottesa alla distribuzione pari a
1, il parametro indica la larghezza o dispersione della curva
attorno alla media. Data la simmetria della distribuzione, i
Metodi Matematici e Informatica per la Finanza 14

parametri di media e varianza sono sufficienti a spiegarne tutte

le caratteristiche statistiche. Per indicare che una variabile è
distribuita normalmente si scrive
2
XsN ; .

1.4.6 Distribuzione log-normale

Definita la variabile casuale X = ln Z , caratterizzata da una
distribuzione normale, X s N ; 2 , si verifica immediata-
mente che la variabile casuale Z = eX si distribuisce secondo
una variabile casuale log-normale. La distribuzione log-normale
è asimmetrica rispetto alla media. La funzione di densità di
probabilità è:
1 1 1 2
fZ (z) = p e 2 2 (ln z ) , z > 0
z 2
+ 21 2
e i primi due momenti sono E (Z) = e e V ar (Z) =
2 2
e2 +
e 1 .
Metodi Matematici e Informatica per la Finanza 15

y 0.6 y 0.08
0.5
0.06
0.4

0.3 0.04

0.2
0.02
0.1

0.0 0.00
0 1 2 3 4 5 0 10 20 30 40 50
x x

Funzione di densità Distribuzione di densità

log-normale, = 0 e log-normale, = 3 e
= 1. = 0:25.