DISTRIBUZIONI DI PROBABILITA’ CONTINUE

DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione Uniforme continua
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione Normale o di GAUSS

Def. Una v.c. X ha distribuzione normale con parametri μ
e σ2, se e soltanto se la sua funzione di densità è data da:


 x   2

f x  
1 2 2
 2
e    x  

X  N ;  2

DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Si può dimostrare:

1) f ( x) ³ 0
+¥
2) ò f ( x) dx = 1
-¥
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Caratteristiche:    
E X   Var X   2

• Essa ha una forma campanulare simmetrica rispetto al

punto X = μ
• Esistono tante curve normali quanto sono le coppie di μ
e σ2
• Al variare del parametro μ cambia la posizione delle
curva sull’asse delle ascisse
• Al variare del parametro σ2 cambia la forma della curva,
al crescere del parametro la curva si appiattisce, mentre
al decrescere del parametro la curva si allunga
• La densità della normale si presenta come una curva
simmetrica con forma a campana
• I valori della X sono raggruppati attorno alla media
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Valori raggruppati
attorno alla media e   2 / 3   2 / 3
funzione di σ m - 3s   2 m - s 50% m + s m + 2s m + 3s
68%
95%
99,7%
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Proprietà:

• È unimodale
• È simmetrica rispetto ad una retta parallela all’asse
delle ordinate condotta per il punto di ascissa x = μ
• In corrispondenza del punto x = μ la funzione assume il
suo valore massimo.
Da queste proprietà discende che la media la mediana e la
moda coincidono.
• Ha due punti di flesso in corrispondenza di μ ± σ
• Tende asintoticamente a 0 per x che tende a ± ∞
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Proprietà:

• Data un v.c. normale X, ogni trasformazione lineare di X

sarà anch’essa una normale:


X  N ; 2
 
allora aX  b  N a  b; a  2 2

a, b sono costanti reali
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Proprietà:

• Date n v.c. normali indipendenti X1, X2,…,Xn dove

Xi≈N(μi;σi2). Si può dimostrare (proprietà riproduttiva)
che:
 n n
2 2
Y  a1 X 1  a2 X 2  ...  an X n   Y  N   ai i ;  ai  i 
 i 1 i 1 
Dove ai sono
costanti
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione Normale Standardizzata

La curva normale dipende da due parametri e per poter
calcolare l’area e, dunque la probabilità tra due punti di
ascissa, ci vorrebbero tante tavole quanto sono le coppie
dei valori μ e σ2, oppure bisogna calcolare l’integrale della
funzione di densità.
Per risolvere tale inconveniente si procede alla
standardizzazione: Funzione di
densità
X  
z2
f z  
1
Z e 2
   z  
 2
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

La standardizzazione consiste in una traslazione dei assi

ortogonali di riferimento dal valore x = μ al valore z = 0,
nonché al cambiamento dell’unità di misura della
variabile X. La nuova variabile Z viene espressa in unità
di

Z  N 0,1
Caratteristiche:

E Z   0 Var Z   1
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Esempio: trovare l’area sotto la curva compresa tra z=0

e z=1,2:
Nella tav.1 si procede
verso il basso nella
colonna segnata da z
fino a raggiungere il
valore 1,2. Quindi si
procede verso destra fino
0 1,2 alla colonna segnata 0

P(0  Z  1,2)  0,3849

DISTRIBUZIONI DI PROBABILITA’ CONTINUE
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

La distribuzione normale si applica a quei fenomeni che

possono essere considerati come generati da un gran numero
di cause che agiscono in modo additivo ed indipendenti.

Nota: Se n è grande la distribuzione di binomiale

approssima la distribuzione normale (Teorema di De
Moivre-Laplace). L’approssimazione è tanto più veloce
quanto p è vicino a q. Se p=q la binomiale è simmetrica e
per valori di n e già per n ≥ 20 l’approssimazione della v.c
normale diventa accettabile
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
Esempio : Si analizza un processo che produce sacchetti per
la spesa. Ne sono stati scartati il 4,475% (quelli più resistenti
di 7,55 kg per cm2) e il 13,576% (quelli meno resistenti di 3,35
kg per cm2). Se la resistenza segue una distribuzione
normale, quale modello normale meglio rappresenta l’intera
produzione e quindi il processo? Occorre stimare μ e σ, allora:

P(X>7,55)=0,04475 e P(X<3,35)=0,13576
Bisogna rilevare i quantili associati alle aree:
0,5-0,04475 e 0,5-0,13567=0,36433

Dalle tavole si ricava z0,04475=1,7 e z0,86433=-1,1

Da cui il sistema:
 Esempio: La Banca XXX nell’ambito dei servizi di finanziamento è attiva
nei mutui e nel credito al consumo. Dalle valutazioni risulta che se un credito va
in sofferenza, la banca perde mediamente il 17% del credito nei mutui e il 26%
nel credito al consumo. Tuttavia questa è solo una valutazione media.
La perdita su un credito è assimilabile ad una v.c. X1 che risulta N(17,5) per i
mutui, mentre quella sul credito al consumo X2 è N(26,34). Sapendo che nel
2013 sono andati in sofferenza crediti per 200 milioni nei mutui e 100 milioni
nel credito al consumo e che le perdite sono indipendenti:
Calcolare la distribuzione della perdita complessiva (PC) nel 2013

X1 ~ N(17,5) e X2 ~N(26,34) sono le perdite,

a1=2002 a2=100 le sofferenze,
le due v.c. X1,X2 sono indipendenti

La perdita complessiva (PC) è combinazione lineare dei 2

servizi di finanziamento:
PC= a1X1 + a2X2 ~N(μ=6000, σ2 =540000), dove in base alle
ipotesi μ=E(PC)= a1E(X1) + a2E(X2)
σ2=Var(PC)= a12Var(X1) + a22Var(X2)
Esempio:
In una fabbrica sono prodotti cilindri metallici che sono
componenti di uno strumento di precisione. Per ogni cilindro
prodotto la lunghezza deve essere compresa tra 8,45 e 8,65 cm.,
mentre il suo diametro deve essere compreso tra 1,55 e 1,60 cm.
La lunghezza dei cilindri segue una distribuzione normale con
media 8,54 e deviazione standard 0,05 cm; mentre il diametro
segue una distribuzione normale con media 1,57 e deviazione
standard 0,01 cm.
Si suppone l’indipendenza tra lunghezza ed il diametro dei cilindri.
Trovare:
a) la percentuale di cilindri prodotti le cui lunghezze cadono al di
fuori dei limiti specificati
b) la percentuale di cilindri prodotti i cui diametri cadono al di
fuori dei limiti specificati
c) la percentuale dei cilindri che non possono essere usati.
Svolgimento:
a) È necessario calcolare
z1=(x1-μ)/σ =(8,65-8,54)/0,05=2,20
z2=(x2-μ)/σ =(8,45-8,54)/0,05= -1,80

Dalla Tavola della curva normale si ha:

P(Z1>2,20)= 0,0139
P(Z2< -1,80)= 0,0359

Quindi la percentuale di cilindri la cui lunghezza è

superiore alla soglia richiesta è:
100(0,0139+0,0359)=4,98%

b) Allo stesso modo per i diametri, la percentuale superiore

alla soglia richiesta è 2,41%
Esempio:
Ogni giorno gli impiegati (NI) di un comune vanno a
prendere il caffè al bar più vicino. Il tempo del tragitto
per arrivare al bar e tornare può assimilarsi ad una
variabile casuale normale con media 15 minuti e
varianza 11. Il tempo trascorso al bar è anch’esso
normale, indipendente dal tempo del tragitto, con
media 15 e varianza 25.
a) Qual è la probabilità che un impiegato si assenti più
di 35’
b) Qual è la probabilità che un impiegato passi più
tempo al bar che nel tragitto
c) Dato un campione casuale di 5 impiegati calcolare
la probabilità che più di 3 impiegati si assentino per
più di 35’
d) Dato un campione casuale di 200 impiegati
calcolare la probabilità che più del 25% si assentino
per più di 35’
Svolgimento (Continua):
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
Tabella di sintesi delle principali distribuzioni di probabilità
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione Chi-Quadrato

Siano X1,X2,…,Xn n v.c. normali indipendenti con parametri

μi e σi2
X i  i allora
Sia Zi 
i
n La v.c chi quadrato è un v.c
Y   Z i2   n2 continua generata dalla somma
i 1 di n v.c. normali Standardizzate
e indipendenti al quadrato.
dove n sono i gradi di libertà
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Grado di libertà: Il numero delle osservazioni diminuito

del numero dei vincoli che entrano nel calcolo del
parametro considerato.

Caratteristiche:

E (Y )  n Var (Y )  2n
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Forma della distribuzione

• La v.c. chi-quadrato è non negativa e varia tra 0 e ∞.
• Dipende da un solo parametro dato dai gradi di libertà n
• Per n<2 è monotona e decrescente
• Per n>2 è asimmetrica a destra
• Tende alla simmetria quando il numero dei gradi di
libertà aumenta
• Essa si approssima alla normale quando il numero dei
gradi di libertà è superiore a 30
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione t di student

Se X » N ( 0,1) e Y » c n2

e se le due v.c. X e Y sono indipendenti allora la v.c.:

X
tn = Segue una distribuzione t di
Y
Student con n gradi di libertà
n
Ha una forma simmetrica dipendente dai g.l. Si distingue dalla
normale per avere una forma meno snella e le code più
ingrossate e per essere più appiattita
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
Al tendere di n all’infinito la v.c. t di Stundent tende alla
normale standardizzata, tale approssimazione può
ritenersi già soddisfacente per n > 30
DISTRIBUZIONI DI PROBABILITA’ CONTINUE
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Distribuzione F di Fisher-Snedecor
Se X » c n2 e Y » c m2
E se le due v.c. X e Y sono indipendenti allora la v.c.:

Segue una distribuzione F

di Fischer-Snedecor con n
~ Fn,m gradi di libertà al
numeratore e m gradi di
libertà al denominatore
DISTRIBUZIONI DI PROBABILITA’ CONTINUE

Caratteristiche:

E F  
m
Per m  2
m2
2m n  m  2
2
Per m  4 V F  
nm  2 m  4
2

La distribuzione della F non è simmetrica in n e m