a7 sultato del secondo tiro, nel caso in oui venga effet- tuato, sia indipendente dal risultato del primo. Tro- vate il numero atteso di punti risultant dalla regola del “bortus” e confrontatelo eon il numero atteso di ‘anti derivanti dai due tri liberi successivi a un fal- Jo in azione (il secondo tiro € sempre permesso, {qualunque sia il risultato del primo). £25. Una docente insegna in una classe molto numerasa ha programmato un esame alle 19, in un’aula di- versa da quella di lezione. Nella tabella allegata si trovano le probabilits del numero di studenti che la chiameranno in ufficio, nell’ora precedente Pesa- me, per sapere in quale aula verri effettuata la pro- Numero 1 203 4 dichiamate 7 0.10 0.15 0.19 026 019 01% Probabilita 5.28 5.4 _Distribuzione binomiale _ 163 chieste per il giomale in questione, in un giomo qualsiasi & elencata nella tabelia seguente. Numero di 2 5 ricniasta 9? eae Probabilita 0.12 0.16 0.18 082 O14 008 Se 'edicolante definisce il proftto giomalier (de rivato dalla vendita di questo giomaie) come la dif- ferenza tra i ricavi dalla vendita dei giomali meno il costo degli stessi e meno la perdita in fidueia per le richieste non soddisfatte, quante copie al giorno do- ‘vrebbe ordinare per massimizzare il profito attoso? 1 direttore di una fubbrica sta valutando Ia sostitu- zione di una macchina dal funzionamento imegola- re, Analizzando le passate rilevazioni, ottiene la se- guente distribuzione di probabilita per if numero di _guast setimanali ‘Trovate la media e Lo scarto quadratico medio del rumero di chiamate. 426 Viene chiesto agli studenti di una classe di contabi~ lita di giudicare il corso, assegnando un puntegeio da 125. Un punteggio pit alto indica che Io stu- dente ha apprezzato molto il corso. La tabella alle- gata evidenzia le proporzioni delle valutazioni degli student in ognuna delle classi di giudizio, Vatuanione =O Properzione 018 028 007 0300.16 Trovate la media ¢ Jo scarto quadratico medio dei indi Un edivolante tiene nella sua edicola anche alcune copie di un giomale focale di una cittadina vieina, perché talvolta i clienti lo tichiedono, Cizscuna co- pia gli costa 70 cent e viene rivenduta a 90 cent Tutte le copie rimaste a fine giomata non hanno pitt aleun valore e possono essere distrutte, D’altro can- to, ogni cichiesta che non pud essere soddisfatta Perehé le copie sono esaurite, aumenta la sfiducia del cliente e si puo quantiticare in una pardita di 5 cent, La funzione di probabilitt del numero di ri 54 Disiribuzione binomiale beso eteeeeeeeee eee a0 0% oa ave 006 Probabilita 4, Trovate la media e lo searto quadratico medio del nurmero di guasti setimanali 4. Si titiene che ogni guasto costi all'azienda 51500 in mancata produzione. Trovate Ja media clo scarto quacratico medio dei cost settimanali ccausatiall’azienda dai guast alla macchina, Un investitore sta valutando tre strategie per un in- vestimento di 1000 dollar. I probabili rendimenti sono valutati come segue: ‘© Sumtegia 1; un profitto di 10 000 dollari con pro Dabilita 0.15 ¢ una perdita di 1000 dollari con probabilith 0.85. ‘© Swrategia 2: un profitio di 1000 doltari con pro- babilita 0.50, un profitto di 500 dollari con peo babiliti 0.30 e una perdita di $00 dollari con pro- babiliti 0.20, ® Strategia 3: un profito certo di 400 dollar. Quale strategia ha il profitto ateso pit elevate? Suggerireste all'investitore di adottare necessaria- mente quella strategia? Mustreremo ora ia distribuzione binomiale, ampiamente usata in molti problemi appli- Sativi di tipo economico-aziendale. Per primo svitupperemo il modello di Bemnoulli, alla base della dstribuzione binomiale. Consideriamo un esperimento casualle che pud Presentare due soli risultati, mutuamente esclusivi e collettivamente esaustivi, che per *9nvenzione chiameremo “sucesso” € “insuecesso” Sia p la probabilita di sucesso {1 ~ p) la probabilita di insuccesso. Sia X la varibile aleatoria che assume il valore uando il risultato dell’ esperimento é il “sucesso” ¢ 0 in caso contrario, La funzio-184 _ Captolo - Distibuzioni di probebiltae varabilaletore discrete ne di probabilité di questa variabile aleatoria ¢: PO)=(1-p} e Pll)=p Questa dstribuzione @ conoseiuta come distribuzione di Bernoulli. La sua media ey sua varianza possono essere determinate applicando direitamente le formule del Pag. erafo 5.3 Media e varianza della distribuzione di Bernoulli La media é: | = £00 =SOxP(x) = (0)(1-p) 4 (Np =p o la varienza é 9? = BUX — 1) = Soe — w)*PG) = FP) — 2 = 0%(1~ p) + 2p —p? = p(t p) ESEMPIO 5. 7 Sottoscrizione di una polizza (Calcolo di media e varianza della distribuzione di Bernoulti) Un agente assicurativo ipotizza che, per un particolare tipo di polizza, la probabil di luna sottoserizione al primo contatto sia 0.4. Se la variabile aleatoria X assume il valore 1 in caso di sottoscrizione e 0 altrimenti, si ttatta di una variabile bernoulliana, con probabi- Titi di sucesso p = 0.4, Trovate fa media ela varianza della distribuzione Soluzione La funzione di probabilita di X'¢ P(0) p=04e lavarianza é 7 = p(1 —p) 0.6 € P(1) = 0.4, La media della distribuzione & (0.4)(0.6) = 0.24. Un’ importante generalizzazione della distribuzione di Bemoulli riguarda il caso in cui un esperimento, con due soli risultati possibili,é ripetuto pit volte e le prove sono tra {oro indipendenti. In questo caso possiamo determinare le probabilita utilizzando il modello binomial Supponiamo che la probabiliti di suecesso nel singolo esperimento sia p e che le n prove indipendenti siano eseguite in modo che ognuna non influenzi il risultato delle alire. I numero dei suecessi, X, risultanti da queste m prove, sara rappresentato da un intero da 0a n: vogliamo determinare la probabiliti di ottenere esattamente x successi in queste » prove. Svilupperemo il risultato in due fasi. Dapprima osserviamo che le n prove produt= anno una sequenza di m risultati ciascuno dei quali sari un suecesso (S) 0 un insue- cesso (1). Una delle possibili sequenze con x successi ¢ (n — x) insuccessi 8, ad esem pio, la seguente: SS..8 Tt (volte) (nx volte) 1 primi x esperimenti si concludono con un suecesso ¢ i rimanenti si concludono con un insuccesso. La probabilitd di successo nel singolo esperimento é p e la probabiliti di insuccesso & (1 — p). Poiché le n prove sono indipendenti, la probabilita di una de-EEE _84_Distribuzione binomiale terminata sequenza di risultati @, con la regola mottiplicativa delle probabilita (Capi- tolo 4), uguale al prodotto delle probabilita dei singolirisultati. Quindi, la probabilita di osservare la sequenza di risultati indicata precedentemente é: xp xp] x (=p) x (=p) xx (=p = pra py (x volte) (nx volte) Seguendo questa linea di ragionamento, ta probabil’ di osservare una particolare se« quenca con x successi e (nx) insuecessi sara p*(1 ~ p)"“") Per esempio, si sup- ponga che ei siano cinque prove indipendenti, ciascuna con probabilita di sucesso p= 0.60 che si voglia determinare la probabilta di ottenere esattamente tre succes. si, Useremo S per indicare un sucesso e I per indicare un insuecesso, i risultati des derati potrebbero essere indicati come: SSSH o — SISIS La probabilité di ognuna delle sequenze precedenti é (0.6)°(0. 0.03456, 11 problema iniziale non riguardava la probabiliti di una sequenza pasticolare, ma la probabilita di esattamente x successi, indipendentemente dallordine dei risultati. Ci sono molte sequenze che contengono esattamente x successi altemati a ( — x) insuo- cessi: il loro numero & quello delle combinazioni di x oggetti scelti tra n dati e pud es- sere calcolato con la formula 5.17. Ritomnando al problema precedente di tre successi_ su cinue prove (p = 0.60), il numero di sequeaze diverse con tre successi sari: st A$ aieaeey 35-3)! 10 La probabilita di we successi in cinque ripetizioni indipendenti di un esperimento ber- ‘oulliano é quindi pari a 10 volte la probabilitd di ciascuna delle sequenze con tre stc~ cessi e quindi P(X = 3) = (10)(0.03456) = 0.3456 Generalizzeremo ora il risultato per ogni possibile coppia di valori m ex Numero di sequenze di x successi in a prove lInumero di sequenze con x success! in prove indipendenti dato dat | OEE att | dove ots nx (n= 1) x (n=2) xed 8 Oat Spesso C} viene indicato con Le C2 sequenze sono mutuamente esclusive, poiché non se ne possone verificare due contemporaneamente. Questo risultato 6 stato eviluppato nell’Appendice del Capitolo 4. “evento “x successi in m prove” pud manifestarsi in C* modi mutuamente esclusivi, Siascuno con probabilita p*(1 ~ p}". Percid, utilizzando la regola additiva delle Probabilita (Capitolo 4), 1a probabilita richiesta ¢la somma di queste C” singole pro- Dabilita, 11 risultato & dato dalla formula 5. 18,166__Captoo §~ Distribuzion di probabithe variabil sleatorieciserete Distribuzione binomiale Supponiamo che un esperimento casuale possa prosentare due soli risultati, n tuamente esclusivi e collettivamente esaustivi, che definiremo per convenzic "successo* e “insuccesso" e che p sia la probabilita di successo nel singolo espe mento. Se si ripete 'esperimento n volte, in modo indipendente, la distribuzio. de numero di successi, X, & chiamata distribuzione binomiale. La sua funzione | probabilit, in corrispondenze a ogni valore di x2: P(x successi inn prove indipendenti) Pex) P*1—p}) por a 01,2, 0 6) 1 [P(1) + P(8) + P(9) + P(LO}] 10! Sar 70.605 +2! 6,408.60? +2! 0,40%0,60! + 29.4090, 60" 0.4070.60° + or 0.40%0.607 + 20 0.40°0.60! + 1 0.40"0.60 54. Distribuzione binomiale 167 Figura 5.8 Funzione di probabil dela distibuzione binamiale ol’Esempio 5.7 n= 5,p 0.40},Figure 5.7 ‘Maschere di - dialogo porotte Sistribuzione binomiale ‘n= 20, p = 080). 488 Capitol 5 - Distribuzion’ di probabil caviabilialoatorie cisorete 9452 = 1 ~ [0.0425 + 0.0106 + 0.0016 + 0.0001] = 1 = 0.0548 = b. PUK 2 12a = 15, p= 0.70) = P(I2) + PCS) + POA) + POS) 151 age ans 15! pqoto.a0? + 2% o.r0la.30! +294, 0.70" = 15! 9700.30 + ay ASL 9704 AS on A 0109030? + yp7 0.70703 + air O00" + 5g = 0.1700 + 0.0916 +- 0.0305 + 0.0047 = 0.2968 La maggior parte dei pacchetiapplicativi di un certo livello€ in grado di cal probabilts per la binomiale e per numerose aire variabil!aleatons L'Esemp ‘n Minitab, altri pacchetti hanno catatteristich lustra il procedimento usato cor Nell’ Appendice Excel troverete lo stesso procedimento tratato con Excel Vendita di bigliotti aerel (Distribuzione binorniale) Forse vi sara capitato di cedere il vostro biglietto 2ereo in camnbio di un bigliew ‘oppure di cercare un biglietto al minor costo possibile per poter visitare un amie seer io eguente illsrett alee dele analisicheconducono ad avere ove alcuni vole bigliett a costi molto ridott su alte ‘Quattro giomni prima della data del volo, it responsabile della vendita dei bili 1: gran iportante compagnia aerea si acconge che sono rimasti 16 posi (ISP per esperitiza che solo 1°80% di coloro che aequistano un piglietto in quel px Pano volera effettivamente. al & la probebilith di vendere pitt posti di fa, Se mette in vendita 20 biglieti, gu Sed cull aereo (overbooking)? E quella di patie con almeno us posto Wt erste in vendita 18 biget, qual é la probabil di vendere pit post df Scott sull'aereo? E quella di partire con almeno un posto Yuoto? Soluzione a, Per trovare P(X > 16). dato zioni della Figura 5.7. Con = 20 e p= 0.20, si user Minitab, seguer ‘Minitab, Putente deve selezionare o la probabr cumulata [PLY S 4 ISTRUZIONI MIN ‘oases yobaiog ~ igre ceive pablo, 1. ngerire{ numeri nella colonna Ch ‘Data git S| | 2. Dal mena princi Pech of cece A seopliere Cale” > “Probe — oN Lo sgh Pon a sea o “Cumulative } i stesMume of — prae 2 pea nee of success” dig5.4_Distibuzione binomiale spellaS4 Probablits binomial! curnulateottenute con Minitab (9 = 20,P = 0.80) |» | Commenti «# Per trovare la probabilita di overbooking: P(X > 16) = 1 ~ P(X < 16) = 1 - 0.589 Ali «Se sono venduti 20 bigtiett la probabiliti che arrivino al massimo 15 persone & P(X < 15) = 0.37. « La probabil che, vendendo 20 bigliew, ci sia almeno un posto vuoto 80.37. +. Per trovare la probabilitA di avere overbooking sul volo con la vendita di 18 bigliet si seguono gli stessi passi precedeati con le opportune modifiche. La probabiliti cer~ Gata sari solo 0.10, ma la probabilita di avere almeno un posto vuoto sumenterd 2 ons I responsabile della compagnia aerea dovri confrontae il costo dell'overbooking (¢ quin- ai det biglietigratuiti per + passeggeri rimasti terra) con i mancati ricavi derivanti dai posti vuot. Le compagnie aeree analizzano dati simili per determinare il numero di bi- idle da vendere a prezzi scontati su ogni volo, in modo da massimizzace i ricavo totale Lranalisi & complessa, ma i ragionamenti su cui si basa sono simili a quelli propost in questo esempio rm sereizi pari « 9 e la probabiliti che il numero di successi Esercizi di base sia inferione a 7, 530 Per una variabile di Bemoulli con probsbiliti di 5,34 Per una variabile binomiale con p = 0.7 cn = 18, successo p = 0.5, calcolate media ¢ varianza. trovate la probabilita che i numero di successt sia asi a 12 € la probabiliti che il numero di successi 531 Per una variabile binomiale con p = 0.5 en = 12, sia inferione a 6, ‘rovate la probabifith che il numero di successi sia avi a 7 € la probabilita che il numero di successt sia inferiore a 6. 5.32 Per una variable inomiale con p=0.3en=14, Esereizi applicativi trovate la probabilita che il numero di successi sia 5 45 Yq diretore di : 9% ° 5.35 Un direttore di produzione sa che il 5% dei compo- para 7 a probabil che if numero di suecessi eaaeadord cx un determinao processo produc eee: vo risuita difetioso, Si esaminano sei di questi com- =20, ponenti, le cui earattersticke si assumono indipen- 5.3 Per una variabile binomiale con p = 0.4 € trovate la probabilitA che il numero di suocessi sia enti uno dalla,© =. ee =. N 6 = ey cS = 3 oS o ao ~ o- Schema del capitolo 6.1 Variabili aleatorie continue Distribuzione uniforme 6.2 Valori attesi di variabili aleatorie continue 6.3 Distribuzione normale Normal probability plot ~ 6.4 Approssimazione della distribuzione binomiale con la distribuzione normale Variabile aleatoria proporzione o frequenza telativa 6.5 Distribuzione esponenziale 6.6 Distribuzione congiunta di due variabili aleatorie continuc ‘Combinazioni lineari di variabili aleatorie continue ntroduzione Nel Capitolo 5 abbiamo presentato le variabili aleatorie discrete ¢ le laro distribuzio- ni di probabilita. Le principali caratteristiche delle variabili aleatorie discrete valgo- | no anche per le variabili aleatorie continue e quindi costituiranno le basi per lo svi- lupo di questo capitolo. Molte grandezze in ambito economico e aziendale, come le vendite, gli investimenti, i consumi, i costie i ricavi, possono essere rappresentate da variabili continue, Inolire, anche le misure di tempo, distanza, temperatura e peso ap- partengono a questa categoria. La probabilitd per variabili aleatorie continue si de- | termina per intervalli specificati. Ad esempio, parlando di vendite, definiremo la pro- | habilitd che siano comprese tra 140 e 190 (migliaia di dollari) oppure maggiori di 200 (migliaia di dollari) cost via. In realta, le variabili aleatorie usate nei problemi applicativi sono discrete, poiché le misurazioni sono sempre il risultato di un arrotondamento. L’importanza delle va- | rigbili aleatorie continue e delle relative distribuzioni di probabilita risiede nel forni- | re buone approssimazioni per mali problemi applicativi. rie continue Variabili alee Indichiamo ancora con X una variabile aleatoria ¢ con x una sua particolare realizza- zione. Iniziamo definendo la funzione di ripartizione, poi definiremo Ja funzione di dlensitd di probabilita, che ha un ruolo simile alla funzione di probabilita usata per le variabili aleatorie discrete, ; |204 __Copitolo 6 —Distibuzion i probabiitd« variabii sleatore continue Figura 6.1 Funzione diripartizone por unavarisbile Slestoriauniforme nal intervallo| 4009 1000, Funzione di ripartizione La funzione di ripartizione, F(x), di una variabile alestoria continua X, esprime la probabilita che X non super x, come funzione di xo. Fixa) = P(X < %) 0 < Xo < +00 (6.1) Chiariremo il concetto di funzione di ripartizione usando una semplice struttura pro- babilistica, Si consideri una stazione di servizio con una cistema per Ia benzina da 1000 litt, riempita ogni mattina prima dell’apertura, L’analisi delle vendite passate in- dica che non é possibile prevedere fa quantita totale di benzina venduta in un determi- nato giorno, ma il limite inferiore sata 0 e il limite superiore, naturalmente, 1000 lite, la capacita della cistema. Inoltre, l'analisi storica indica che tutte le richieste, nell’in- tervallo da 0 a 1000 litr, sono ugualmente probabili. La variabile aleatoria X indica i litri di benzina venduti in un determinato giomo: ci intetessa conoscere la probabiliti i diversi livelli di vendite giomaliere, tenendo conto che le quantita vendte, tra 0 © 1000 fitr, hanno ute la stessa probabil. Si dice che la variabile X segue la distr. buzione di probabilit’ uniforme ¢ la sua fanzione di ripartizione 0 r<0 FG) = { 0.001x O 1000 Questa funzione é rappresentata graficamente nella Figura 6.1 a 120) | 020 oso 075 070 0.60 oso 0.40 0.30 025 ee Dalla figura si vede che la probabilita di vendere tra 0 e 400 litri é: P(X < 400) = F(400) = (0.001)(400) = 0.40 Per ottenere la probabilita che una variabile continua X assuma valori in un determina- to intervallo, troviamo la differenza tra i vatori della finzione di ripartizione nel timite superiore e limite inferiore dell"intervallo. | Cale divi Sia? due Ade ens RRRRRURERRCNNNENNSREnNNRNNNNSa RN| Sia X una variabile aleatoria continua con funzione di ipartizione F(x| @siano ae b | | due possibill valori di X, con a < b. La probabilita che X assuma valori tra ae b & PlaxX 0 per qualunque x nelintervallo dei valori ammissibili, 2. Varea sottesa alla funzione di densité di probabilita, f(x), eu tutto intervallo divalori ammissibili di X vale 1. *. Supponiamo di rappresentare graficamente la funzione di densita di probabil 18. Siano a e b due possibili valori della variabite aleatoria, X, con a < b. La Probabilité che X assuma valori tra ae b@ area sottesa alla funzione di dens|. 12 sullintorvailo, | «ta tuncone "ipartizione, F(x), @ area sottesa alla funzione di dansita di probabilita, F(x) fino a x9: e205208 _Capitolo 6 ~ Disrbuzioni di probabilita ¢ variabilialeatorie continue Figura 6.2 Approssimazicne delle funzione di densits probabil con une funzione diprobabitta discret Figure 63 Uaroa ombreggiate le probabilté che x ‘ssumavvaloritra ge, Figura 6.4 Proprieté dete funzione didensité di probabiin, ‘La funzione di densité di probabilita pud essere approssimata da una distribuzione di probabilita discteta che assume valori molto vicini tre di loro, come illustrate dalla Fi- gure 6.2 Aa La Figura 6.3 illustra il grafico della funzione di densita di probabilita di una variabile aleatoria continua arbitraria, Sono indicati due possibili valori, a e b, ¢ l’area ombreg- iata, sottesa alla curva ta questi punti, rappresenta la probabiliti che la variabile aleatoria assuma valoni in questo intervallo (si veda I’ Appendice del capitolo). fw Arce sattese alle funzioni di densita di probabilita di variabili aleatorie continue Sia X una variabile aleatoria continua con funzione di densita di probabilita fix) © juntione di ripartizione F(x). Valgono le seguenti propriet’ 2, U’area sottesa alla curva f(x) alla sinistra di xp & F(a}, dove xo é un qualsiasi risultati precedenti sono illustrat dalla Figura 6.4 per una funzione di densita costante sull’intervallo [0,1]. La Figura 6.4(a) mostra che l’atea complessiva sottesa alla funzio- ne di densita di probabiliti vale 1 e la Figura 6.4(b) indica Varea alla sinistra dix A) 07 1 1 (a tb | | | | | |6.1. aia alestorie continue _ 207 Distribuzione unitorme Si consideri ora la funzione di densita della distribuzione uniforme di probabilita nel- Pintervailo da 0 a L 1 O 1.25 satd uguale a 0.8944, os goa Baal cage furs €13 Cao onbregaa 0} a8 00 In generale, i valori della funzione di ripartizione F(z) in corrispondenza a valor ne Eativi diz possono essere dedotti usando la simmetria della funzione di densi Si voplia ad esempio caleolare F(—1) = P(Z < ~1), come evidenziato nella Figu- ra 6.14. ot) = 0.1687 Figura 6.14 area ombreggiata india a prababiita che | a 00k =“ L Osserviamo che tale probabilitaé il complemento di P(Z < 1) e, per la simmetria det. la distribuzione, equivale a P(Z > 1) Quindi: F(-I) =1-P(Z< +1) ~ Fl) come evidenziato dalla Figura 6.15. Figura 6.15 Vaiori dela unalone di Fipartzionein cortspondenza a zou In generale dalla simmetria della distsibuzione segue che: F(-2) = PZ < -Fle)Nella Figura 6.16 possiamo notare che area sottesa alla curva a sinistra di Z = —1€ ‘ongruente con I'area sottesa a destra di Z = +1, per Ia simmetria della distribuzione normale, | Ret) «0.1887 aah 4 ot | 1-pen)- 0388 Le aree soitese estemamente a valori assoluti grandi di Z (positivi o negativi) ven- gono rispettivamente indicate come “coda sinistra o inferiore” e “coda destra 0 su periore”, 7 Esistono anche delle tavole della-nermale standard che contengono le probabilitt cumulate soltanto a partire da valori positivi di Z. Tavole di questo tipo permettono di determinare le stesse probabilita viste precedentemente, Per valoti positivi di Z si de~ ve atumentare il valore fornito dalle tavole di 0.50, per valori negativi di Z si sfrutla la simmetria della curva normale per ottenete le probabilita desiderate. Qualungue sia ka tavola a disposizione é sempre consigliabile sfruttare la rappresentazione grafico. Normale ESEMPIO 6.3 Probabilita relativa al valore di un portafoglio di investimenti (Distribuzione normale) ‘Un'investitrice he un portafoglio con media $500 000 e scarto quairatico medio $15 000, ‘Qual é la probabilita che il valore del portafoglio sia compreso tra’ 485.000 e 1 530.000 dol- lan? Soluzione TL problema éillustrato dalla Figura 6.17: per risolverlo dobbiamo anzitutto determinate i ‘alori standardizati dogh estremi dell'intevallo, Per il valore 485 000, il valore standar- dizzato & _,,. #85000 = $00 000 ine 15000 i Por it valore $30 000, invece, il valore standardizaato é _ 530000 — 500,000 a 15000 Come evidenziato nella Figura 6.17, la probabilitd che il valore del portafoslio, X, sia compreso tra 485.000 e 530.000 dollari & uguale alla probabiliti che Z sia compreso tra 1 e 42, Per ottenere a cortispondente probabiliti, usando la famzione di ripartizione contenuta nella Tavola 1, si ottiene: ‘P(485 000 < X < 530000 = P(-1 <2 ¢ +2)=1-PIZ = 1 ~ 0.1587 0.0228 = 0.8185 +2 La probabilith cercatarisulta quindi 0.8185, Figura 6.18 Learee ombreggiate Incioane arve simmetriohs in corrispondenza a valor simmoticl dela 2.~Distiburion’ a probable varie alestoris continue PUA < 242) 010.1587 ~0.0228 = 08165 bos a Portafoatio (x) {Nel Cepitolo 3 avevamo preseniato la regola empirica che stabilise che, approssime meamenie, 68% delle frequenze di una distibuzione si trova nell intevallo p+ ¢ reais 1 25% si trova nell interval jt 2a. Intute le applicazioni pratiche, quis essing dei valor si wova al di fuori dell'intervallo y.:: 30, Questo struments prat Se motto utile per le approssimazioni nell’ambito della statistica descrittiva,& in real 18 basato sulla distrbuzione nomnale, Le probabilita per la variabile norm: ale possono anche essere caleolate usando la for mula 6.14, Calcolo delle probabilita per variabili aleatorie normali Sia X una variabilealeatoriadistibita normalmente, con media p @ varanga o?, Ls variabile aleatoria 2= (x ~p}/r segue la distrbusione morale nag Z~NO,1), Quindi, dati ae bali che a < b: =") 3 oul ppresenta la funzione di ripartizione delta variabile aleatoria norm: | Plax dove F(z} ra | standard 2, ESEMPIO 6.4 BEE Distribuzione di probabilité normale (Calcoto di probabilita in un intervallo) Sia.X ~ N(1S, 16): ‘rovare Ia probabiliti che 4” assuma valori maggioti di 18 Soluzione La probabiltirichiesta pud essere calcolaa nel modo seguente P(X > 18) = = P(Z > 0.75) =1-P(Z $0.75) =1~F(0.75) Palla Tavola 1 dell’Appendice, si ricava che (0,75) vale 0.7734, percid PX > 18} = 1 0.7734 = 0.2266__ 63 Distriouzione normale_219 ESEMPIO 6.5 __ Durata delle fampadine (Calcolo di probabilita per la distribuzione normale} Una ditta produce lampadine la cui durata segue una distribuzione normale, con media 1200 ore e scarto quadratico medio 250 ore. Se scegliamo, in modo casuale, una lampadi- ha tra quelle prodott, qual @ la probubili che la sua durata sia compresa ta le 900 ¢ le 1300 ore? Soluzione Sia X la variabile aleatoria che rappresenta fa durata delle lampadine, in ore, Allora: 900 ~ 1200 1300 — 1200 P(900 < X < 1300) ay <2 a : (900 < X < 1300) »( im <2 1) E 6.17 Sia Z una distibuzione normale standard @ Caleolate P(1 20-< Z < 1.33), : ‘a. Caleolate P(Z < 1.20}. £ Caleolate P{—1.70 < Z < 1.20). . Caloolate P{Z > 1.33). 4. Caleolate P{-1.70< Z < ~1)._6:18 Sia Zuna distibuzione normale standard. a, Determinate il valore z tale che PZ <2} =0.70 b, Determinate il valore z tale che P(Z <2) = 0.25 ¢. Determinate il valore = tale che PZ > 2) = 0.20 dd. Determinate i] valore tale che PZ >2) = 0.60 Sia X ~ N(50, 64). Caleolate P(X > 60) Caleolate P35 < X < 62). Calcolate P(X < 35). Determinate il valore x tale che PUX > x) = 0.20 e Detorminate T'itervallo simmetrico, centrato nella media, tale che la probabilita che X assuma valoriallestemo sia 0.05, Sia X ~ (80, 100). 2, Caleolate P(X > 60). 5, Caleolate P(72 0.4) +, Caloolate P(0.15 < X < 0.28) ¢ Caleolate P(X < 0-10) di, Determinate il valore x tale che PX > x) = 0.20 e, Detemminate Vintervallo simmetrico, centrato nella media, tale che la probabiliti che X assoma vari all'etemo sia 0.05, Esercizi appticativi In un campus si sa che la spesa complessiva annua degli studenti per {testi universitari segue uma di stribuzione normale, con media $380 ¢ scarto qua- deatico medio $50. @ Qual & la probabilita che uno studente scelto in ‘modo casuale spenda annuaimente meno di 400 dollari? b. Qual & la probabilita che uno studente scelto in ‘modo casuale spenda annualmente pid di 360 dotlari? c. Dimostrate graficamente uguaglianza delle ti- sposte ad (a) ¢ 0). cd. Qual & la probabitita che uno studente scelto in 63_Distribusione normale _ 228 ‘modo casuale spend annualmente tra 300 ¢ 400 ollari Vi interessa conoscere Pintervailo di spesa an- rua che comprenda 1'80% degli studenti di quel campus. Spiegate perché il numero di tall int valli & teoricamente infinito e determinate il pit piccolo. Le previsioni sulla domanda di un certo prodotto, peril prossimo mese, possono essere rappresentate da una variabile aleatoria normale con media 1200 unit e searto quadratico medio 100 unit ‘a, Qual & la probabiliti che le vendite superino le 1000 uniti? . Qual & la probabilita che le vendite sicollochino tra le 1100 e le 1300 unith? ‘e. Qual & la il numero di unita vendute che ha pro- ‘babilitA 0.10 di essere superato? La durata del battistrada di una particolare marca di pneumatic’ & distribuita nomalmente, con media 35 000 chilometri ¢ scarto quadratico medio 4000 chilometti ‘a. Quale proporzione di questi pneumatici ha un Dattistrada con durata supetiore ai 38.000 chilo- metri? . Quale proporzione di questi pneumatici ha un battistrada con durata inferiore ai 32000 chijo~ metri? ‘6 Quale proporzione di questi pneumatici fia un Dattistrada con dursia compresa tra i 32000 et 38000 chilometri? d. Disegnate la funzione di densiti di probabiita della durate dei hatistrada in modo da iustrare: i. Perché le risposte ai punt (a) ¢(b) sono uguall fi, Perché le risposte ai punt (a), (b) ¢ (¢) hanno per somma f. 6.25 Un portafoglio contiene azioni di un numero eleva to di societa, Nell"ultimo anno i tassi di rendimento di queste azioni hanno seguito uma distribuzione normale con media 12.2% ¢ searto quedratico me- dio 7.2%, 4, Per quale proporrione di queste societs il tasso di rendimento é stato superiore al 20%? 'b Per quale proporzione di queste societa il tass0 Gi rendimento & stato negativo? 6, Per quale proporzione di queste societa il tasso dit rendimento & stato compreso trail 5% el 15%? 6.26 Un'azienda produce sacchi di prodotti chimici ¢ ‘vuole ridurze al minimo i contenuto di impuriti, Si ipotizza che i pesi delle impurita per sacco siano di- siribuiti normafmente con media 12.2 grammi ¢ scarto quadratico medio di 2.8 grammi. Si sceglie tun saeco in motio casuate.