Distribuzione Normale

Dott. Claudio Verona

 Rappresentazione di valori ottenuti da
misure ripetute
Il primo problema che si riscontra nelle misure ripetute più volte è
trovare un metodo conveniente per rappresentare i valori ottenuti:

Es. 26, 24, 26, 28, 23, 24, 25, 24, 26, 25

23 24 25 26 27 28
1 3 2 3 0 1
 Rappresentazione di valori ottenuti da
misure ripetute
La media può essere calcolata anche (media pesata):
 Rappresentazione di valori ottenuti da
misure ripetute

Tale relazione è chiamata condizione di normalizzazione

 Istogramma a barre

La distribuzione delle nostre misure può essere graficata in un istogramma

23 24 25 26 27 28
1 3 2 3 0 1
 Istogramma a intervalli

Es. 26.4, 23.9, 25.1, 24.6, 22.7, 23.8, 25.1, 23.9, 25.3, 25.4
22-23 23-24 24-25 25-26 26-27

1 3 1 4 1

0.1 0.3 0.1 0.4 0.1

Funzione Limite
 La Distribuzione Normale

Per N molto grande una variabile casuale x segue una

funzione di distribuzione limite f(x) chiamata
Distribuzione Normale o di Gauss:

1  x 
2

1   
2  
f ( x)  e
 2

   x   
 La Distribuzione Normale

La funzione f(x) deve essere tale da soddisfare la condizione

di normalizzazione:

Dimostrazione:
 La Distribuzione Normale o di Gauss

1  x 
2

1   
2  
f ( x)  e
 2
Media e varianza: distribuzione continua
 Valori attesi della Distribuzione Normale

Ogni distribuzione normale è univocamente definita dalla

media e dalla varianza.
 Valori attesi della Distribuzione Normale

Si può osservare come al variare della media e della varianza la curva subisca sia
uno spostamento sull’asse dell’ascissa, sia un appiattimento; mentre se si fa variare
solo la varianza e si tiene costante la media, la curva si appiattisce quando la
varianza cresce e diventa più appuntita quando la varianza cala, mentre il centro di
gravitazione rimane lo stesso. La larghezza della distribuzione di Gauss è
associabile all’ampiezza della dispersione dei dati. La deviazione standard permette
di stimare l’ampiezza della dispersione dei dati e vedremo che essa permette di
definire esattamente l’intervallo che contiene una certa percentuale di dati.
 Probabilità

 Per una variabile casuale x la probabilità P(a≤ X ≤ b) è

uguale all’area sottesa dalla funzione f(x) nell’intervallo
[a,b].

 Se la variabile casuale x ha una funzione di distribuzione

f(x) e a≤b, allora la probabilità che x assuma un valore
compreso nell’intervallo [a,b] è:

1  x 
2
b b  
1 
P(a  X  b)   f ( x)dx   e 2  
dx
a a  2

Il calcolo dell’integrale dipende dai valori µ e σ2;

pertanto si può dire che la probabilità associata ad un
intervallo di valori X è funzione dei due parametri µ e σ2.
 La Distribuzione Normale standardizzata

La distribuzione normale contiene due

parametri, µ e σ2, che ne rendono difficile il
calcolo.
Il ricorso alla cosidetta “distribuzione
standardizzata” o “ridotta” consente invece di
individuare le probabilità relative ai diversi
intervalli di valori mediante delle tabelle dette
tavole di probabilità.
La Distribuzione Normale standardizzata

 La distribuzione normale standardizzata si ottiene

con la trasformazione lineare dei punti x in un
VARIABILE z:
(x  )2
z 
2
(x  ) 2
z e quindi
 dz 
dx

 La funzione di densità di probabilità della
distribuzione normale standardizzata f(z) diventa:

1 2
1  z
f ( z)  e 2
2
La Distribuzione Normale standardizzata
Probabilità della curva normale standardizzata
e relative tavole
L’importanza della distribuzione normale
standardizzata sta nel fatto che le probabilità
corrispondenti alle aree racchiuse dalla curva
normale possono essere calcolate facilmente.
Queste probabilità sono state tabulate e vengono
riportate in apposite tabelle.

 Ciò evita il calcolo di integrali per trovare le probabilità

che una variabile casuale x assuma valori compresi
all’interno di intervalli della retta reale.
Probabilità della curva normale standardizzata
e relative tavole

 A causa della simmetria della distribuzione queste tavole

riportano soltanto i valori delle probabilità comprese fra -∞
e l’ascissa +z, essendo quelle dell’altra metà della curva
del tutto uguali o calcolabili per differenza.

 Osservando la tavola si troveranno i punti z nella colonna

di sinistra con una cifra decimale; la seconda cifra
decimale è posta nella prima riga in alto della stessa tavola.
F(z) è calcolato dalla tabella
 Probabilità della curva normale standardizzata
e relative tavole

1  x 
2
  k  
1 
P(   k  x    k )  
2  
e dx
  k  2

La probabilità che una variabile casuale x cada dentro kσ

dalla media µ è data dall’area sottesa alla curva normale
standardizzata tra -k e +k dalla media z=0.
Deviazione standard come limite di confidenza
del 68%

1 z2
1 2
P(entro )   e dz  F (1)  F (1)  0.841  0.159  0.682  68.2%
1 2
2 z2
1 2
P(entro2 )  
2 2
e dz  F (2)  F (2)  0.977  0.023  0.954  95.4%

3 z2
1 2
P(entro3 )  
3 2
e dz  F (3)  F (3)  0.998  0.002  0.996  99.6%
Deviazione standard come limite di confidenza
del 68%
Il 68.26% dell’area totale è compreso tra ±1 deviazione standard
attorno alla media.
Il 95.44% è racchiuso tra ±2 deviazioni standard attorno alla media.
Il 99.7% è racchiuso tra ±3 deviazioni standard attorno alla media.
Il 99.9% è racchiuso tra ±4 deviazioni standard attorno alla media.
Calcolo della probabilità
Principio di Massima Verosimiglianza

30
 Principio di Massima Verosimiglianza

La funzione è massima se è minimo l’esponente dell’ esponenziale

Essendo x e y indipendenti, la probabilità di ottenere
x+y è data dal prodotto delle due probabilità
Propagazione degli errori: quando gli errori sono indipendenti e casuali,
essi si possono essere combinati in quadratura.
Propagazione degli errori: quando gli errori sono indipendenti e casuali,
essi si possono essere combinati in quadratura.

Caso generale

Possiamo sviluppare in serie di TAYLOR

 Deviazione standard della media

La distribuzione delle singole misure x è una curva di Gauss centrata nel

valore aspettato µ e larga σx
Deviazione standard della media
Livello di confidenza
Livello di confidenza

68%

X%
 Livello di confidenza: Esempio
Un voltmetro digitale con 4 cifre viene utilizzato per misurare la tensione di
uscita di un trasduttore di pressione. Vengono misurati i seguenti valori :
V (mV) 167.0 167.8 165.2 163.5 167.5
Assumendo che gli errori casuali siano preponderanti, ricavare la migliore stima
della tensione di uscita e la relativa incertezza.
 Livello di confidenza: Esempio
Un voltmetro digitale con 4 cifre viene utilizzato per misurare la tensione di
uscita di un trasduttore di pressione. Vengono misurati i seguenti valori :
V (mV) 167.0 167.8 165.2 163.5 167.5
Assumendo che gli errori casuali siano preponderanti, ricavare la migliore stima
della tensione di uscita e la relativa incertezza.
Livello di confidenza: Esempio
Esercizio d’esame