Media e varianza di combinazioni lineari di v.c.
W = aX + bY + c, a, b, c ∈ R EW = a EX + b EY + c
Se X e Y sono indipendenti, allora
V.c. continue
Esistono prove che generano una infinit`a continua di eventi a cui dovr`a essere associata una v.c che assumer`a tutti i valori di un intervallo (che potr`a coincidere eventualmente con l’intera retta reale)
In tal modo si otterr`a una v.c. X continua Se X continua P(X = x0) = 0 ∀x0
Non ha senso definire la distribuzione di probabilit`a Per tali v.c. definiamo la funzione densit`a di probabilit`a f (x ) t.c.
f (x ) ≥ 0 Z ∞
−∞
Funzione densit`
a di probabilit`
a
f (x ) non `e una probabilit`a, ma `e legata ad essa dalla seguente relazione: P(x0 < X < x1) = Z x1 x0 f (x ) dx Graficamente
Commento
Una v.c. continua `e nota quando `e noto
1 l’intervallo in cui essa assume valori [a, b]
Valore atteso e varianza di una v.a. continua
Data una v.c. continua X EX =Rabx f (x ) dx var X =Rb
a(x − EX )
Funzione di ripartizione
Data una v.c. continua X possiamo definire la funzione di ripartizione
F : x 7−→ F (x ) = P(X ≤ x )
F (x ) =Rx
−∞f (z) dz
V.c. uniforme continua
X assume valori uguali per intervalli di uguale ampiezza f (x ) =
1
b−a se a < x < b
0 altrimenti
EX =Rabb−ax dx = a+b2
Esercizio 6.7 pag 214
X = reddito `e una v.c. continua reddito mediano=$6000
il 40% di tutte le famiglie ha un reddito che supera $72000 P(6000 < X < 7200) =?
V.c. normale o di Gauss
Empiricamente si trova che riesce a modellare molti fenomeni La distribuzione delle medie campionarie `e
approssimativamente normale (Teorema del Limite Centrale)
Il calcolo delle probabilit`a ad esso associato `e immediato e schematico
V.c. normale o di Gauss (2)
X `e definita per x ∈ R
Funzione densit`a di probabilit`a f (x ) = √ 1 2πσ2exp n(x − µ)2 2σ2 o , −∞ < µ < ∞, σ > 0
Propriet`
a della v.c. normale
EX = µ var X = σ2 f (·) `e campanulare Perfettamente simmetrica Centrata in µ Legge del 3 − σ. Se X ∼ N(µ, σ2), allora P(µ − σ < X < µ + σ) = 0.6827 P(µ − 2σ < X < µ + 2σ) = 0.9545 P(µ − 3σ < X < µ + 3σ) = 0.9973Funzione di ripartizione della v.c. normale
Non esiste in forma chiusa
Ci si riconduce alle tavole della normale standard, ovvero se x ∼ N(µ, σ2) costruisco la v.c.
Z = X − µ σ Z ∼ N(0, 1)
La funzione di ripartizione di Z , F (cdot), `e tabulata
Le tavole si trovano nelle ultime pagine di un qualsiasi libro di statistica!
Teorema del Limite Centrale
Enunciato
Sia X1, X2, · · · una successione di v.c. indipendenti
Sia µ1, µ2, · · · la successione delle medie, µi ∈ R
Sia σ12, σ22, · · · la successione delle varianze 0 < σi2 < ∞ Sia Sn= X1+ X2+ · · · + Xn
S1, S2, . . . , Sn, . . . `e una nuova successione di v.c.
ESn= µ1+ µ2+ · · · + µn var Sn= σ12+ · · · + σn2 Per n → ∞ S√n− ESn var Sn ∼ N(0, 1)
Approssimazione della v.c. binomiale alla v.c. normale
X1, X2, · · · una successione di v.c. indipendenti bernoulliane
con un unico parametro p
Xi ∼ Ber (p)
Sn= X1+ X2+ · · · + Xn`e una v.c. binomiale
Sn∼ Bin(n, p)
ESn= np, var Sn= np(1 − p)
Dal TLC abbiamo che per n → ∞ Sn− np
pnp(1 − p) ∼ N(0, 1)
Dunque, per n sufficientemente grande posso approssimare Sn∼ N(np, np(1 − p))
Variabile casuale χ
2Siano Z1, Z2, . . . , Zn v.c. indipendenti normali standard
Zi ∼ N(0, 1)
Consideriamo la v.c.
χ = Z12+ Z22+ · · · + Zn2 χ ∼ χ2(n)
Si dice che χ ha una distribuzione chi quadrato con n gradi di libert`a
Variabile casuale χ
2(2)
Funzione densit`a di probabilit`a
E χ = n var χ = 2n
La funzione di ripartizione `e tabulata In virt`u del TLC per n → ∞ χ ∼ N(n, 2n)
Variabile casuale T di Student
Siano Z ∼ N(0, 1) e χ ∼ χ(n) (n > 2) v.c. indipendenti Consideriamo la nuova v.c. T = qZ χ n T ∼ T (n)Variabile casuale T di Student (2)
Funzione densit`a di probabilit`a
ET = 0 var T = n−2n
La funzione di ripartizione `e tabulata In virt`u del TLC per n → ∞ T ∼ N(0,n−2n )