DISTRIBUZIONE LOG-NORMALE.
La variabile X si dice log-normalmente distribuita se:
X
Y = ln è normalmente distribuita
Y = g(X) = ln X ! X = g
!1(Y ) = e
YX ! 0 # ! " Y " +! . Funzione di densità di probabilità:
f
X(x) = dY
dX f
Y(y) = dg(x)
dx f
Y(g(x))
x dx
x
dg ( ) 1
=
! !
"
#
$ $
%
&
' ' ( )
* * +
, -
-
=
ln
22 exp 1 2
) 1 (
y y y
X
x x x
f .
µ /
.
[ ] [ ln ln ] [ ln ] (ln )
)
( X P X x P X x P Y x F x
F
X= ! = ! = ! =
YEspressioni teoriche dei momenti:
50 . 0 50
.
0
ln X
y
= Y =
µ
[ ]
[ ]
! !
!
"
! !
!
#
$
+
=
%
=
%
=
&
' ) (
*
+ +
& = ' ) (
*
= +
=
3 2 2
2 2
2
2 2
50 . 0
3
1 ) exp(
1 ) exp(
2 exp 1
2 exp 1
x x
x
y x
y x
x
y y
y x
Cv Cv
Ca Cv
X X
E
, , µ
,
, µ
, µ
Relazioni tra momenti e parametri:
Due parametri: µ
Ye !
Y2.
Due momenti della popolazione: µ
Xe !
2X 22 ln
X1
YY
µ !
µ = " !!
"
#
$$ %
&
+
=
22
ln 1
2X X
Y
µ
' '
Espressioni semplificate:
) 1
ln(
22
x
Y
= + Cv
! !> "
Y! Cv
xper Cv
x< 0 . 3
!>
22
ln
X1
XY
" µ ! Cv µ
[ ]
x x
x x
X
E x
xCv Cv Cv
Ca ( ) 3
33
3 3
! +
" =
= #
µ !> Ca
X! 3 Cv
xper Cv
xpiccolo
Tracciamento della retta in base al passaggio per 2 punti (si ricordi che con asse delle ascisse cartesiano e relativo alla variabile Y nulla cambia rispetto alla carta probabilistica normale):
1. [ F
X= 0 . 5 , x
0.5] che, tenuto conto che F
X( x ( y
0.5)) = 0 . 5 = F
Y( y
0.5) e che y
0.5= µ
y( per la normalità) diventa [ F
X= 0 . 5 , e
µy]
2. [ F
X= 0 . 841 , e
µy+!y] , sempre per la corrispondenza tra le x e le y a pari valore di F
LEGGE NORMALE DELLE POTENZE. (Trasformata di Box-Cox).
!
!
" 1
= X
Y " ! 0 Y = ln X ! = 0
) , (
x x2N
X " µ ! Y " PN ( µ
x, !
x2)
[ ] Y = 0
Ca Ca [ ] X = 3 ( 1 " ! ) Cv
x= 1
! X = Y Ca [ ] Y = 0
2
= 1
!
21
Y = X Ca [ ] Y ! 1 . 5 Cv
x= 0
! Y = ln X Ca [ ] Y ! 3 Cv
xDistribuzione normale delle radici quadrate
( )
! !
"
#
$ $
%
&
'
=
2 22 exp 1 2
2 ) 1
(
ry y
X
x
x x
f µ
) ( (
Stima con il metodo dei momenti, (Lloyd, 1980):
!! "
#
$$ %
&
' (
=
22
1 8
X X X
y
µ
µ ) µ
X y X
µ
! !
4
2
2
=
DISTRIBUZIONE ESPONENZIALE
La funzione densità di probabilità esponenziale è definita come:
Nella forma più usuale, nella quale il parametro è $=1/", la distribuzione Esponenziale assume la forma:
[ ]
!!
x
e x
f = 1
"F x [ ] = 1! e
!x
!
Le relazioni teoriche dei momenti sono:
E[X]= 1/ $ Var[X] = 1/ $
2Cv=1/ $
Ca[X]=2 K[X]=9
MODELLO DEL MASSIMO VALORE.
Si consideri una serie di n variabili casuali ( X
1, X
2,... X
n) in sequenza ordinata e sia
n i
n i
X
X
!
=
! ) 1(
max
La probabilità cumulata di questa variabile non può che dipendere da quelle delle altre n-1:
[ X x ]
P x
F
X(n)( ) =
(n)! = P [ X
1! x , X
2! x , ...., X
n! x ]
Se gli X
isono indipendenti:
[ X x ] [ P X x ] P [ X x ]
P x
F
X(n)( ) =
1! "
2! " ... "
n! = F
X1( x ) F
X2( x )... .. F
Xn(x )
Se gli X
isono identicamente distribuiti con funzione di distribuzione cumulata F
x(x )
[
X]
nn
X
x F x
F
( )( ) = ( ) o semplicemente F
n( = x ) [ F ( x ) ]
nDISTRIBUZIONI ASINTOTICHE.
[ ] !
"
$ #
%
&
' + '
' ' ' '
+ ' '
=
= ...
6
) 1 )(
2 )(
1 ) (
1 2 (
) 1 ) (
1 ( 1 )
( )
(
2n n n F
n F F n
n x
F x
F
n n) 1 ( 3
3 2 2
...
) 1 6 ( )
1 2 ( ) 1 ( 1 ) (
lim
n n Fn
n F e
n F F
n x
F
! !"
#
$ =
%
&
' (
) ! ! + ! ! ! +
=
Per n grande:
)) ( 1
)
((
n F xn
x e
F =
! !Al crescere di n la distribuzione di X
(n)è relativamente insensibile alla esatta forma della distribuzione delle X
i. E’ stato dimostrato che, a seconda della caratteristica della distribuzione delle X
inella coda destra, la distribuzione della massimo X
(n)tende a solo 3 distribuzioni asintotiche:
(1) $
1( x ) = exp [ # e
#"(x#!)] ! > 0 (2)
! !
"
#
$ $
%
&
' (
* ) + - ,
= .
0
/x ) exp x
2
( x ! 0 ; # > 0 ; " > 0
(3)
! !
"
#
$ $
%
&
' (
* ) + - ,
= .
/
0 x ) exp x
3
( x ! 0 ; # < 0 ; " > 1
La distribuzione asintotica del tipo 1 o di Gumbel vale quando la coda superiore della variabile originaria cade in maniera esponenziale, cioè se, per x abbastanza grande vale:
)
1
()
(
g xx
x e
F = !
!essendo g (x ) una funzione crescente di x . Esempio:
x x
g ( ) = ! F
x( x ) = 1 " e
"!xDistribuzione esponenziale:
! ) 1 ( x = E
[ ( 1 ( )) ] exp [ ] exp [ ] ( )
exp )
(
( ) 1)
(
x n F x ne e x
F
X X x xn
= " " = "
"$= "
"$ "#= ! con
) exp( !"
n = .
Il massimo di n variabili esponenziali con media
!
1 è distribuito secondo la legge di Gumbel per
n abbastanza grande.
Distribuzione asintotica del tipo II o di Frèchet: se, per x abbastanza grande vale:
k
x
x x
F !
"
$ #
%
&
'
= 1
1 )
( (
la relazione tra la distribuzione di tipo I e quella di tipo II è la stessa che tra distribuzione normale e log – normale.
Se x è distribuito con
! !
"
#
$ $
%
&
' (
* ) + - ,
= .
0
/x ) exp x
2
( y ln = x è distribuito come !
1(ln x )
Infatti "
1(ln x ) = exp [ ! e
!$(x!#)] =
! !
"
#
$ $
%
&
' (
* ) + - ,
/
.exp x per $ = # " = ln !
distribuzione di Frèchet = log – Gumbel.
La distribuzione asintotica di tipo III è limitata superiormente. Interessa solo per estremi minimi.
Poiché le variabili idrologiche sono in genere di tipo esponenziale, la distribuzione asintotica del massimo valore di tipo I (Gumbel) è quella che interessa di più in idrologia.
Esempio: Massimo annuale della portata di piena (piena annuale) o Massimo annuale della pioggia giornaliera.
Se non è nota esattamente la distribuzione dei valori di colmo durante i singoli eventi di piena o di pioggia si può applicare la distribuzione di Gumbel invece che applicare la relazione esatta
[ ]
nn
x F x
F ( = ) ( )
DISTRIBUZIONE EV1 o DI GUMBEL.
[ ] exp [
( )]
exp )
( = # $
#"x= #
#" x#!X
x e e
F con: exp( "# ) = ! (al posto di n) Significato dei parametri:
! ! : Numero medio di eventi indipendenti in [ ] 0 , t , ad esempio in un anno.
! 1/ & :Valore medio della grandezza dell’evento, esempio portata al colmo.
[ ( )
( )]
) exp ) (
( =
X= " # " # ! #
#" x#!X
x e
dx x x dF
f
[ ] x = µ = " + 0 . 57722 !
E " = µ # 0 . 450 !
[ ]
22 2
var 6
!
"
# =
x =
!
"
#
6 1 =
[ ] 6 ( 0 . 57722 ) = 6 (ln ! + 0 . 57722 )
= +
= "
#$
"
µ x %
Cv dipende solo da !
[ ] =
33= 1 . 1396
! x µ
Ca Coefficiente di asimmetria, indipendente dal valore dei parametri.
!
"
! ) =
$= max #
( e
1f
Xè la moda di x F
X( " ) = e
!1= 0 . 368
!
1 : è proporzionale a ! (misura di dispersione).
), !
( "# : dipendono solo dal coefficiente di variazione Cv .
Variabile ridotta: Y = " ( x # ! )
[ ] Y = 0 . 57722
E costante di Eulero [ ]
6
!
2Y = var 0
] [ Y =
! 1 [ ] Y = 1
! ! Y [ ] = 1
[ ! ] =
=
" ( Y) P Y y F
Y( y ) = exp( ! e
!y)
( ) 0 , 1
1
Y ! EV !
"
$ #
%
&
' EV 1 ) , ( 1 X
Y
FF 1 ln
! ln
= = + =
" !
FF
X Y
F ln 1 1 ln
" # ! 1 )
ln ln 1 (ln
! F
"
= #
(Quantile della distribuzione per assegnato F)
Valore di progetto X
Tcon il periodo di ritorno T :
) 1 (
1 1
F T p
= !
=
! =
!
= 1 ln ln 1
T X
TT
"
# !
"
$ #
%
&
' '
ln 1 1 ln
1 T
T
) ()
Considerando le relazioni tra i momenti teorici ed i parametri ! ed ! ,
x
6 x Cv !
" = = '
Cv
x6
1 Cv
xx = ! 0.45
"
si può pervenire ad una relazione tra la variabile di progetto e media e Cv del campione, valida secondo l’approssimazione del metodo dei momenti:
XT =
x
{1 ! Cvx[0.45 + 6' ln ln ( T T!1)]}