internazionali - a.a. 2013-2014
Esempio: lancio di 3 monete;
0 1 2 3 X
P(X) Ω X P(X)
TTT 3 ⅛ TTC 2 ⅛ TCT 2 ⅛ CTT 2 ⅛ TCC 1 ⅛ CTC 1 ⅛ CCT 1 ⅛ CCC 0 ⅛
Le variabili casuali
X P(X) 0 ⅛ 1 ⅜ 2 ⅜ 3 ⅛
v.c. X= numero di teste uscite Ad una variabile casuale è associata una regola che assegna a ciascun valore c h e l a v a r i a b i l e p u ò assumere la corrispondente probabilità
Una variabile casuale è una regola che associa ad ogni evento un unico numero reale;
Una variabile casuale è una variabile che assume determinati
valori con determinate probabilità;
• Variabile statistica: deriva dalla classificazione di dati rilevati, cioè viene definita empiricamente una volta conosciuti i dati ed averli classificati.
• Variabile casuale (X): assume valori nello spazio dei numeri reali secondo una funzione di probabilità P(X)
Variabile statistica e variabile casuale
Il concetto di variabile casuale è strettamente legato a quello di esperimento, a quello, cioè, di una prova il cui risultato è incerto.
E’ diverso, dunque, dal concetto di variabile definita su una popolazione,
di cui io posso conoscere o meno il valore che questa assume sulle
singole unità, ma rispetto alla quale non c’è nulla di incerto.
Distribuzione di probabilità della v.c X:
Ä ad ogni possibile valore della v.c X si associa una probabilità
X P(X) 0 ⅛ 1 ⅜ 2 ⅜ 3 ⅛
( ) ( )
f x = P X = x
v.c.
discreta
Assumono un numero finito di valori x
1, x
2, …, x
n,
con probabilità p
1, p
2, …, p
nDistribuzione di probabilità della v.c X:
Ä ad ogni possibile valore della v.c X si associa una probabilità
X P(X) 0 ⅛ 1 ⅜ 2 ⅜ 3 ⅛
Ω X P(X) TTT… 50 ? TTC… 49 ? TCT… .. ? CTT… .. ? TCC… .. ? CTC… .. ? CCT… 1 ? CCC… 0 ?
Esistono delle formule algebriche che consentono di calcolare, per ciascun valore di una variabile casuale, la probabilità che esso si verifichi
( ) ( )
f x = P X = x
v.c.
discreta
Le variabili casuali discrete
Assumono un numero finito di valori x 1 , x 2 , …, x n , con probabilità p 1 , p 2 , …, p n
Nel caso discreto, la funzione f(x) definisce la funzione di probabilità della v.c. X che rappresenta quella funzione che associa ad ognuno dei possibili valori x
ila corrispondente probabilità: f ( ) ( x
i= P X = x
i)
Esempio: Lancio di tre monete v.c. X Numero di teste uscite
( )
0( 0 )
f x = P X = = P C ( ∩ ∩ C C ) 1 1 1 1
2 2 2 8
= × × =
( )
1( 1 )
f x = P X = = P T ⎡ ⎣ ( ∩ ∩ C C ) ( ∪ C ∩ ∩ T C ) ( ∪ C ∩ ∩ C T ) ⎤ ⎦ = 3 8 ( )
2( 2 )
f x = P X = = P T ⎡ ⎣ ( ∩ ∩ T C ) ( ∪ T ∩ ∩ C T ) ( ∪ C ∩ ∩ T T ) ⎤ ⎦ 3
= 8
( )
3( 3 )
f x = P X = = P T ( ∩ ∩ T T ) 1 1 1 1
2 2 2 8
= × × =
Le variabili casuali discrete
Esempio: Lancio di tre monete v.c. Numero di teste uscite
( )
0( 0 )
f x = P X 1 1 1 = 1 2 2 2 8
= × × =
( )
1( 1 )
f x = P X = 3
= 8
( )
2( 2 )
f x = P X = 3
= 8
( )
3( 3 )
f x = 1 1 1 P X = 1 2 2 2 8
= × × = 0 1 2 3 X
(numero di teste)
f(x)
( )
i0
f x ≥ ( )
i1
i
f x =
∑
1. 2.
La funzione di probabilità f(x) di tipo discreto soddisfa le condizioni:
Le variabili casuali discrete
In molti casi, può essere necessario trovare la probabilità che la v.c. X assuma un valore inferiore o uguale ad un dato valore x
k. Tale probabilità viene definita probabilità cumulata ed è descritta dalla funzione di ripartizione, che viene indicata con F(x
k).
Quindi, se x
1, x
2, …, x
nsono i valori possibili di X ordinati in senso crescente, la probabilità cumulata sarà:
F x ( )
k= f x ( )
1+ f x ( )
2+ ... + f x ( )
kEsempio: Lancio di tre monete v.c. Numero di teste uscite
( )
0( 0 )
f x = P X 1 1 1 = 1 2 2 2 8
= × × =
( )
1( 1 )
f x = P X = 3
= 8
( )
2( 2 )
f x = P X = 3
= 8
( )
3( 3 )
f x = 1 1 1 P X = 1 2 2 2 8
= × × =
( )
0F x 1
= 8
1 3
= 8 8 +
1 3 3 8 8 8
= + +
1 3 3 1 8 8 8 8
= + + +
( )
1F x
( )
2F x
( )
3F x
0 1 2 3 X
(numero di teste) F(x)
Le variabili casuali continue
Una variabile casuale continua è una v.c. che può assumere un numero infinito di valori compresi in un intervallo di ampiezza finita o infinita.
A differenza di quanto accade nel caso discreto, non è possibile ottenere la probabilità che la variabile assuma un qualsiasi valore interno all’intervallo sommando le probabilità dei singoli punti che lo compongono, in quanto i punti sono infiniti e una somma infinita di valori finiti non può dare l’unità.
Il c.d. paradosso della continuità viene risolto ricorrendo al concetto di
area, assegnando probabilità a singoli intervalli piuttosto che a singoli
punti e rappresentando le probabilità come delle aree su degli
intervalli.
Le variabili casuali continue
Funzione di densità di probabilità: la funzione matematica f(x) per cui l’area sottesa alla funzione, corrispondente ad un certo intervallo, è
uguale alla probabilità che X assuma un valore in quell’intervallo
Una variabile casuale X è, allora, continua se esiste una funzione f(x) tale che:
( ) a b ( )
P a X ≤ ≤ b = ∫ f x dx
dove a e b sono numeri reali qualsiasi, con a<b.
Le variabili casuali continue
La funzione f(●) viene definita funzione di densità di probabilità (f.d.p.) o densità di probabilità di X. In questo caso, tuttavia, la funzione non può essere interpretata come la P(X=x), in quanto tale probabilità sarà sempre nulla, per v.c. di tipo continuo. Quindi, la probabilità di ottenere esattamente il risultato x è generalmente nulla anche se l’evento x non è strettamente impossibile.
E’ invece possibile definire la funzione di ripartizione:
che conserva il suo significato.
( ) ( )
x( )
F x P X x f x dx
= ≤ = ∫
−∞Le variabili casuali continue
Funzioni di densità e corrispondenti funzioni di ripartizione:
Le variabili casuali
( ) ∑ ( )
=
=
=
ni
X
E X P
1
i
i
x
µ x
( ) ( )
∑
=µ
−
=
σ
nx
ix
i1 i
2 X 2
X
P
Valore atteso di una v.c discreta:
Varianza di una v.c discreta:
Valore atteso di una v.c continua:
Varianza di una v.c continua:
( ) ( )
X
E X x f x dx
µ
+∞−∞
= = ∫
( ) ( )
22
X
x
Xf x dx
σ
+∞µ
−∞
= ∫ −
Esempio
Un amico ci propone un gioco i cui risultati possono essere A, B o C con probabilità di realizzarsi pari, rispettivamente, a 0,1, 0,2 e 0,7. Se esce A, si vincono 20 euro, se esce B se ne vincono 10 mentre se esce C se ne perdono 10.
Ci si chiede quale sarà il guadagno, o la perdita, che ci si deve attendere per un numero elevato di giocate.
E’ chiaro che il risultato del gioco sarà dato dall’ammontare che si vince quando si presenta A o B, ognuno moltiplicato per le rispettive probabilità, sommato all’ammontare che si perde quando si presenta C, ponderato con la rispettiva probabilità.
Avremo dunque: ( 20 0,1 × ) ( + 10 0,2 × ) ( − 10 0,7 × ) = − 3
Il gioco ha, cioè, un valore negativo, e più precisamente una perdita di 3€ a partita.
I 3 euro non rappresentano l’ammontare che si perde in una singola giocata ma ciò
che si perderebbe in media, per partita, se si giocasse un numero elevato di volte
(infatti, nella singola giocata o si vincono 10 o 20 euro o se ne perdono 10, ma non
se ne potranno mai perdere 3). Questa somma, tuttavia, rappresenta una sintesi
dei diversi risultati del gioco, i quali portano a perdere, in media, 3 euro ogni
giocata, e quindi non si avrà interesse a giocare perché il gioco non è equo.
La variabile casuale di Bernoulli
E’ una v.c. che trae origine da una prova nella quale interessa verificare se l’evento E si è verificato o meno. E’
legata a prove di tipo dicotomico (o dicotomizzabili) i cui due possibili risultati vengono indicati con i termini
“ successo” (1) e “insuccesso” (0), (senza per questo intendere che l’evento successo sia necessariamente un evento piacevole!…)
( ) x ( 1 ) 1 x
P X = x = p − p −
X ~ Ber(p)
Formalmente, una v.c. X discreta si definisce v.c. di Bernoulli
se assume il valore 1 con probabilità p e il valore 0 con
probabilità 1-p. La sua distribuzione di probabilità è:
La variabile casuale di Bernoulli
I suoi momenti caratteristici risultano essere:
( ) ; ( ) ( 1 ) ;
E X = p Var X = p − p
X ~ Ber(p)
N.B. – La varianza della v.c. di Bernoulli assume
valore massimo (1/4) quando è p=1/2. E’ questo,
infatti, il caso di massima incertezza, in cui risulta più
difficile prevedere il risultato.
La v.c. binomiale
• Esperimento binomiale: n prove bernoulliane (ogni prova può avere solo due possibili risultati) indipendenti, ognuna delle quali ha la stessa probabilità di successo
· successo o insuccesso;
· probabilità costante in tutte le prove
· estrazioni indipendenti (estrazioni con ripetizione).
V.C. Binomiale X: numero di successi in n prove
p: probabilità di successo in una prova
1-p: probabilità di insuccesso in una prova
Un esempio
(Borra S., Di Ciaccio A. – Statistica)Da un collettivo di donne incinte ne sono state estratte a caso tre.
Ciascuna di loro aspetta un solo bambino.
La probabilità che nasca un maschio a ciascuna di loro è nota e pari a 0,503.
1) D1: possibili esiti à M o F 2) D2: possibili esiti à M o F 3) D3: possibili esiti à M o F
n=3 prove bernoulliane
1) D1 ~ Ber(0,503) 2) D2 ~ Ber(0,503) 3) D3 ~ Ber(0,503)
⎩ ⎨
= ⎧
femmina una
nasce
0
maschio un
nasce
1 1 D
⎩ ⎨
= ⎧
femmina una
nasce
0
maschio un
nasce
2 1 D
⎩ ⎨
= ⎧
femmina una
nasce
0
maschio un
nasce
3 1
D
Un esempio
-qual è la probabilità che si abbiano 0 maschi?
-qual è la probabilità che si abbia 1 maschio?
-qual è la probabilità che si abbiano 2 maschi?
-qual è la probabilità che si abbiano 3 maschi?
Sequenza 1:
D1(femmina), D2(femmina), D3(maschio)
(1-p) × (1-p) × p= (1 - p)
2× p= 0,124 Sequenza 2:
D1(femmina), D2(maschio), D3(femmina)
(1-p) × p ×(1-p) = (1 - p)
2× p= 0,124 Sequenza 3:
D1(maschio), D2(femmina), D3(femmina)
p × (1-p) × (1-p) = (1 - p)
2× p= 0,124
Un esempio
Numero di possibili sequenze di 1 maschio e 2 femmine: 3
P(1 maschio)= P(Sequenza 1 o Sequenza2 o Sequenza3)=
= 3 × p × (1 - p)
2= 0,373
( = ) = ⎛ ⎞ ⎜ ⎟ ( − ) − = ( ) ( − ) −
⎝ ⎠
n x n x
x x
n n!
x 1 1
x x! n-x !
P X p p p p
( ) ! 1 ! ( ) 3 3 ! 1 ! 3 2 2 1 1 3
!
! =
⋅
⋅
= ⋅
= −
− x n
x
n
Numero di prove: n=3
Numero di successi: x=1
Coefficiente binomiale
Un esempio
Un sistema informativo aziendale deve raccogliere, processare, immagazzinare e distribuire informazione al fine di facilitare i processi di pianificazione, decisione e controllo. Uno dei compiti del sistema informativo consiste in una revisione degli ordini di vendita della società per individuare eventuali errori nella forma o nell’informazione contenuta.
Presso una casa farmaceutica la probabilità che un ordine
venga giudicato insoddisfacente dal sistema informativo è
stimata pari a 0,1. Sulla base di questa informazione, la
società vuole calcolare la probabilità che si abbia un certo
numero di segnalazioni in un dato campione di ordini di
vendita.
Un esempio
Per esempio se in un giorno vengono realizzati quattro ordini di vendita,
-qual è la probabilità che si abbiano 0 ordini scorretti?
-qual è la probabilità che si abbia 1 ordine scorretto?
-qual è la probabilità che si abbiano 2 ordini scorretti?
-qual è la probabilità che si abbiano 3 ordini scorretti?
-qual è la probabilità che si abbiano 4 ordini scorretti?
Primo
ordine Secondo
ordine Terzo
ordine Quarto ordine Segnalato Segnalato Non segnalato Segnalato p=0,1 p=0,1 1-p=0,9 p=0,1
Sequenza 1
P(3 ordini segnalati nella sequenza precedente)=
p × p × (1-p) × p = p
3× (1 - p) = 0,009
Un esempio
Sequenza 1:
segnalato, segnalato, non segnalato, segnalato p × p × (1-p) × p = p
3× (1 - p) = 0,009 Sequenza 2:
segnalato, segnalato, segnalato, non segnalato p × p × p × (1-p) = p
3× (1 - p) = 0,009 Sequenza 3:
segnalato, non segnalato, segnalato, segnalato p × (1-p) × p × p = p
3× (1 - p) = 0,009 Sequenza 4:
non segnalato, segnalato, segnalato, segnalato
(1-p) × p × p × p = p
3× (1 - p) = 0,009
Un esempio
Numero di possibili sequenze: 4
P(3 ordini scorretti) = 4 × 0,0009 = 0,0036
La v.c. binomiale
Distribuzione di probabilità di X:
( = ) = ⎛ ⎞ ⎜ ⎟ ( − ) − = ( ) ( − ) −
⎝ ⎠
n x n x
x x
n n!
x 1 1
x x! n-x !
P X p p p p
( ) X np
E = Var ( ) X = np ( 1 − p )
numero di prove
effettuate proporzione di casi che realizzano un successo nella popolazione
(0<p<1)
numero di combinazioni in cui possono presentarsi x
successi in n prove.
X ~ Bin(n,p)
La v.c. binomiale relativa
proporzione di successi in n prove
n X
n p
E X ⎟ =
⎠
⎜ ⎞
⎝
⎛ ( )
n p p
n
Var X ⎟ = −
⎠
⎜ ⎞
⎝
⎛ 1
( ) ( )
50 36 50 36
36 36
50 1 1 50! 1 1
36 1 1
36 2 2 36! 50-36 ! 2 2
P X
− −
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
= = ⎜ ⎟ ⎝ ⎠ ⎜ ⎝ − ⎟ ⎠ = ⎜ ⎝ − ⎟ ⎠
• Esperimento: 50 lanci di una moneta
• v.c X: numero di teste uscite in 50 lanci
• numero di prove effettuate: 50 (n)
• probabilità di successo in un lancio: 1/2
( x ) n x x ( 1 ) n x x! n-x ! ( ) n! x ( 1 ) n x
P X = = ⎛ ⎞ ⎜ ⎟ p − p − = p − p −
⎝ ⎠
La v.c. binomiale: un esempio
Dall'inventario di 48 automobili spedite ad un gruppo di rivenditori, risulta che 12 automobili avevano difetti nell'installazione della radio.
Qual è la probabilità che un particolare rivenditore che abbia ricevuto 8 automobili:
a) Le riceva tutte con radio difettose?
b) Non ne riceva nessuna con radio difettosa?
c) Ne riceva almeno una con radio difettosa?
• 8 automobili estratte a caso dalla produzione à esperimento binomiale
• probabilità di successo (la radio è difettosa) à p=12/48
• v.c X: numero di radio difettose in 8 auto estratte a caso dalla produzione
La v.c. binomiale: un esempio
a) Qual è la probabilità che un particolare rivenditore che abbia ricevuto 8 automobili le riceva tutte con radio difettose?
• P(X=8) ?
• n= 8
• p=12/48=0,25
• 1-p= 0,75
( x ) n x x ( 1 ) n x x! n-x ! ( ) n! x ( 1 ) n x
P X = = ⎛ ⎞ ⎜ ⎟ p − p − = p − p −
⎝ ⎠
( 8 ) 8 8 0,25 0,75 8 ( ) 8 8 8! 8-8 ! ( ) 8! 0,25 0,75 8 ( ) 8 8
P X = = ⎛ ⎞ ⎜ ⎟ − = −
⎝ ⎠
b) Qual è la probabilità che un particolare rivenditore che abbia ricevuto 8 automobili non ne riceva nessuna con radio difettosa?
• P(X=0) ?
• n= 8
• p=12/48=0,25
• 1-p= 0,75
( x ) n x x ( 1 ) n x x! n-x ! ( ) n! x ( 1 ) n x
P X = = ⎛ ⎞ ⎜ ⎟ p − p − = p − p −
⎝ ⎠
( 0 ) 8 0 0,25 0,75 0 ( ) 8 0 0! 8-0 ! ( ) 8! 0,25 0,75 0 ( ) 8 0
P X = = ⎛ ⎞ ⎜ ⎟ − = −
⎝ ⎠
c) Qual è la probabilità che un particolare rivenditore che abbia ricevuto 8 automobili ne riceva almeno una con radio difettosa?
• n= 8
• p=12/48=0,25
• 1-p= 0,75
P(X>=1) =P(X=1)+P(X=2)+…P(X=8)=1-P(X=0)
La variabile casuale di Poisson
Si consideri una prova che può avere solo due possibili esiti chiamati, successo e insuccesso. Si è interessati a contare quante volte si verifica l’evento successo in un certo arco temporale prefissato (oppure anche in un certo ambito spaziale: ad esempio un’area prefissata).
Es.:
• Clienti ad uno sportello bancario in un giorno
• Telefonate al centralino VV.FF. in un ’ ora
• Auto al casello autostradale ogni ora
• n° di globuli rossi per mm
3di sangue
• n° di errori tipografici per pagina stampata
• … anche… ma
La v.c. di Poisson misura la probabilità di ottenere x successi
riferendosi però non più a n prove bernoulliane ma ad un ambito
circoscritto, temporale o spaziale.
La variabile casuale di Poisson
Una v.c. di Poisson soddisfa i seguenti postulati che valgono per qualsiaisi sottointervallo considerato
La probabilità del manifestarsi dell ’ evento è costante su tutta la durata dell’osservazione (in qualsiasi sottointervallo).
1.
L’intervallo può essere suddiviso in sottointervalli sui quali la probabilità del verificarsi di un evento è piccola e la probabilità del manifestarsi di più di un successo in un sottointervallo (o in una sottoarea) è trascurabile (di fatto possiamo porla pari a zero) rispetto alla probabilità che se ne verifichi uno solo 2.
Il manifestarsi di un evento in un sottointervallo non influenza la probabilità del manifestarsi di un evento in un altro sottointervallo. Gli eventi sono, cioè, indipendenti.
3.
La variabile casuale di Poisson
Al centralino dei Vigili del Fuoco di Macerata arrivano in media 2 chiamate in un’ora
V.C di Poisson: numero di chiamate che arrivano al centralino dei Vigili del Fuoco di Macerata in un’ora
X
0 1 2 3 ………
1 ora P(x) 0.135335 0.270671 0.270671 0.180447044
1 minuto P(x) 0.967216 0.032241 0.000537 0.00000597
La variabile casuale di Poisson X ~ Po( l )
( )
x!
P X x e
x
λ λ
= =
−⋅
Definizione:
Una v.c. X, discreta, segue una distribuzione di Poisson con parametro λ se X assume i valori 0,1,2,… con probabilità definite dalla funzione:
( ) = λ ; ( ) = λ
E X Var X
In una v.c. di Poisson gli eventi si manifestano al tasso costante λ.
Se si osserva un processo di Poisson, il numero di eventi che si manifestano in ogni intervallo è una v.c. di Poisson. Se tali eventi si manifestano al tasso costante λ, il valore di λ indicherà il numero di eventi che, in media, si manifesterà per ogni sottointervallo.
(e è il numero di Nepero, pari a 2.7183)
Esercizio:
In un centro commerciale, tra le 18 e le 20 arrivano, in media, 7 clienti al minuto. Supponendo che il numero di clienti si distribuisca secondo una legge di Poisson, si calcoli:
• la probabilità che in un minuto arrivino 3 clienti
• la probabilità che in un minuto arrivino meno di 2 clienti
• la probabilità che in tre minuti arrivino 20 clienti
La variabile casuale di Poisson X ~ Po( l )
( )
x!
P X x e
x
λ λ
= =
−⋅
Esercizio:
Un libro di 200 pagine contiene 10 errori di stampa. Scegliendo a caso una pagina, si calcoli:
• la probabilità che ci siano 2 errori
• la probabilità che ci siano più di 2 errori
La variabile casuale di Poisson X ~ Po( l )
Approssimazione della distribuzione di Poisson alla Binomiale
Quando n ∞ la distribuzione di Poisson con parametro λ=np può servire come approssimazione alla legge binomiale di parametri n e p
Differenza tra la distribuzione di Poisson e la binomiale
Per una distribuzione binomiale il numero n di prove è finito e il numero x di successi non può superare n.
Per una distribuzione di Poisson, il numero di prove è essenzialmente
infinito e il numero di successi può essere infinitamente grande anche se la probabilità di avere x successi diventa molto piccola al crescere di x
→
Esercizio:
La probabilità che una persona sia allergica ad un farmaco è pari a 0,002.
Scegliendo a caso un gruppo di 1000 persone, determinare:
• la probabilità che più di 2 persone siano allergiche
• la probabilità che nessuna sia allergica
Approssimazione della distribuzione di
Poisson alla Binomiale
La v.c. normale
Spessore di 10000 rondelle di ottone prodotte da un ’ azienda
Spessori (in cm)
Frequenze relative
<0.0180 0.0048
Da 0.0180 a 0.0182 0.0122 Da 0.0182 a 0.0184 0.0325 Da 0.0184 a 0.0186 0.0695 Da 0.0186 a 0.0188 0.1198 Da 0.0188 a 0.0190 0.1664 Da 0.0190 a 0.0192 0.1896 Da 0.0192 a 0.0194 0.1664 Da 0.0194 a 0.0196 0.1198 Da 0.0196 a 0.0198 0.0695 Da 0.0198 a 0.0200 0.0325 Da 0.0200 a 0.0202 0.0122
> 0.0202 0.0048
Totale 10000
La v.c. normale
La v.c. normale
1. Curva degli errori casuali nella misurazione di una grandezza fisica
2. Distribuzione di una caratteristica di una popolazione
3. Dimensione effettiva di oggetti prodotti in serie, che si cerca di produrre in modo identico
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media m e varianza s
2, se la sua funzione di densità di probabilità è data da:
( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m m + s m-s
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
X
f(x) Caratteristiche della distribuzione Normale
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media m e varianza s
2, se la sua funzione di densità di probabilità è data da:
( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m m + s m-s
68%
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
4. Circa il 68% dei casi è compreso nell’intervallo m±s
X
f(x) Caratteristiche della distribuzione Normale
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media m e varianza s
2, se la sua funzione di densità di probabilità è data da:
( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m
Caratteristiche della distribuzione Normale
m +2 s m +2 s
95%
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
4. Circa il 68% dei casi è compreso nell’intervallo m±s 5. Circa il 95% dei casi è compreso nell’intervallo m±2s
X
f(x)
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media m e varianza s
2, se la sua funzione di densità di probabilità è data da:
( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
Caratteristiche della distribuzione Normale
4. Circa il 68% dei casi è compreso nell’intervallo m±s 5. Circa il 95% dei casi è compreso nell’intervallo m±2s
m +3 s
m- 3 s
6. Circa il 99% dei casi è compreso nell’intervallo m±3s99%
X
f(x)
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media m e varianza s
2, se la sua funzione di densità di probabilità è data da:
( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
Caratteristiche della distribuzione Normale
4. Circa il 68% dei casi è compreso nell’intervallo m±s
5. Circa il 95% dei casi è compreso nell’intervallo m±2s 6. Circa il 99% dei casi è compreso nell’intervallo m±3s
X f(x)
7. Un aumento o una diminuzione della media determina uno slittamento, a parità di forma, della curva sull ’ asse delle X.
m m
La distribuzione Normale
Una variabile casuale X segue una distribuzione Normale, con media
m
e varianzas
2, se la sua funzione di densità di probabilità è data da:( ) ( )
2 2
1 2 2
1 2
x
f x e
µ σ
πσ
− −
= ⋅
m
1. Forma campanulare e simmetrica 2. Media, mediana e moda coincidenti
3. Punto di flesso a distanza s dalla media
Caratteristiche della distribuzione Normale
4. Circa il 68% dei casi è compreso nell’intervallo m±s
5. Circa il 95% dei casi è compreso nell’intervallo m±2s 6. Circa il 99% dei casi è compreso nell’intervallo m±3s
X f(x)
7. Un aumento o una diminuzione della media determina uno slittamento della curva, a parità di forma, sull ’ asse delle X.
8. Un aumento o una diminuzione della varianza determina,
rispettivamente, una minore o una maggiore concentrazione di valori
attorno al valore medio.
Proprietà:
• m =media; s = sqm
• f(x) è simmetrica intorno a m
• il massimo di f(x) (moda) si ha in corrispondenza di x= m
• punti di flesso: m±s
• m = Mo = Me
• i valori della curva normale dipendono da m e s
( ) µ , σ
N
~ X
( ) (
2)
2
2
2
1
σ µπ σ
−
−
=
x
e x
f
La v.c. normale
La distribuzione Normale
Una macchina produce biscotti il cui peso si distribuisce come una Normale, con media pari a 5 grammi e scarto quadratico medio pari a 0,2 grammi.
Scegliendo a caso un biscotto, qual è la probabilità che abbia un peso è compreso tra 5,12 grammi e 5,30 grammi?
5
5,12 5,30X
f(x)
( )2
2 2
1 2
x
y e
µ
σ π
σ− −
= ⋅
⋅
X ~ N(5;0,04)
m = 5 s = 0,2
( )
22
5,30
2 5,12
1 2
x
e
µ
σ π σ
− −
= ⋅
∫ ⋅
( 5,12 5,30 )
P ≤ X ≤
Qualsiasi distribuzione Normale può essere
ricondotta ad una distribuzione con media nulla e varianza unitaria mediante la trasformazione:
Z X µ σ
= −
La distribuzione Normale standardizzata
X f(x)
m
( )
E Z x
E µ
σ
⎛ − ⎞
= ⎜ ⎝ ⎟ ⎠ = 0 Var Z ( ) = Var ⎛ ⎜ x σ − µ ⎞ ⎟
⎝ ⎠ = 1 Una macchina produce biscotti il cui peso si distribuisce come una Normale, con media pari a 5 grammi e scarto quadratico medio pari a 0,2 grammi.
Scegliendo a caso un biscotto, qual è la probabilità che abbia un peso è compreso tra 5,12 grammi e 5,30 grammi?
Z ~ N m = 0 s
2= 1
Le aree sotto la curva Normale standardizzata possono essere calcolate e
tabulate una volta per tutte!
La tavola della distribuzione normale
standardizzata
σ µ
= X −
Z X ~ 0 N ( ) ,1
( ) 2 1
22
1 e Z x
f = −
π
Proprietà:
• m = 0
• s = 1
• il massimo di f(x) si ha per x=0
• punti di flesso: x=±1
• i valori della curva normale standardizzata sono tabulati
La v.c. normale
5
X ~ N m = 5 s = 0,2
Qual è la probabilità che il biscotto pesi tra 5,12 e 5,30 grammi?
5,12 5,30
( 5,12 5,30 )
Fr ≤ X ≤
0,6 1,5
m = 0 s = 1 Z X µ
σ
= − ~ N
Quali sono i valori standardizzati di X1=5,12 e X2=5,30?
1 1
Z X µ σ
= − 5,12 5
0,2
= − = 0,6
2 2
Z X µ
σ
= − 5,30 5
0,2
= − = 1,5
X f(x)
0 Z
f(x)
La distribuzione Normale standardizzata
P
5
X ~ N m = 5 s = 0,2
5,12 5,30
( 5,12 5,30 )
Fr ≤ X ≤
0
0,6 1,5Z
m = 0 s = 1
Qual è la probabilità compresa tra Z1=0,6 e Z2=1,5?
( 0,6 1,5 )
Fr ≤ Z ≤
Z X µ σ
= − ~ N
0, 4332 0,2257
= − = 0,2075
0,2075
=
Quali sono i valori standardizzati di X1=5,12 e X2=5,30?
La distribuzione Normale standardizzata
X f(x)
f(x)
Qual è la probabilità che il biscotto pesi tra 5,12 e 5,30 grammi?