materiale docenti malaguti didattica analisi matematica b lucidi prob-ii
DESCRIPTION
Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-IITRANSCRIPT
![Page 1: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/1.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Elementi di Calcolo delle Probabilità e Statisticaper il corso di Analisi Matematica B
Laurea in Ingegneria MeccatronicaA.A. 2010–2011
![Page 2: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/2.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabili aleatorie n-dimensionali
Riepilogo .
Gli esiti di un esperimento aleatorio (cioè gli elementi s ∈ S) sono stati“etichettati” con un unico numero reale (il valore della variabilealeatoria X ).
Ciò è stato fatto in modo che almeno a tutti gli intervalli di R fossepossibile associare una probabilità (abbiamo cioè richiesto chel’immagine inversa di ogni intervallo fosse un evento di Ω).
In un esperimento aleatorio possiamo essere interessaticontemporaneamente a tante variabili aleatorie diverseXi , i = 1,2, . . . n.
Le n-uple (x1, x2, · · · xn), dove xi è un valore di Xi per ogni i , possonoessere interpretate come il valore (vettoriale) di un’unica variabilealeatoria n-dimensionale.
Ci limiteremo qui al caso bidimensionale, cioè a una sola coppia divariabili aleatorie (X ,Y ).
![Page 3: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/3.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabile aleatoria bidimensionale (X ,Y )
Definizione (variabile bidimensionale)
Dato uno spazio di probabilità (S,Ω, p), si dice variabile aleatoriabidimensionale una coppia di funzioni (X ,Y ) che ad ogni s ∈ Sassocia la coppia di numeri reali
(
X (s),Y (s))
in modo che l’insieme
s : X (s) ≤ a, Y (s) ≤ b
sia un evento di Ω per ogni a, b ∈ R.
Definizione (funzione di ripartizione)
Data una variabile aleatoria bidimensionale (X ,Y ) definita sullospazio di probabilità (S,Ω, p), si chiama funzione di ripartizioneassociata a (X ,Y ) la funzione F : R2 → [0, 1] data da
F (x , y) = p(X ≤ x , Y ≤ y) per ogni (x , y) ∈ R2.
![Page 4: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/4.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Proprietà della funzione di ripartizione bidimensionale
Dalla sua definizione:
F (x , y) = p(X ≤ x , Y ≤ y) = p(
(X ≤ x) ∩ (Y ≤ y))
=
= p(
s ∈ S : X (s) ≤ x ∩ s ∈ S : Y (s) ≤ y)
.
Teorema (proprietà di F )
limx → +∞y → +∞
F (x , y) = 1;
limx→−∞
F (x , y) = limy→−∞
F (x , y) = 0;
limx→+∞
F (x , y) = p(Y ≤ y) =: FY (y),
dove la funzione FY è detta funzione di ripartizione marginaledella variabile Y ;
limy→+∞
F (x , y) = p(X ≤ x) =: FX (x),
con FX funzione di ripartizione marginale di X .
![Page 5: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/5.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Proprietà della funzione di ripartizione bidimensionale
Teorema (probabilità del rettangolo)
p(
x1 < X ≤ x2 , y1 < Y ≤ y2)
=
= F (x2, y2)− F (x1, y2) + F (x1, y1)− F (x2, y1).
![Page 6: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/6.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabili aleatorie bidimensionali discrete
Definizione (variabile bidimensionale discreta)
Una variabile bidimensionale (X ,Y ) è discreta se esiste un insiemefinito o numerabile di coppie (xr , ys) ∈ R
2, r = 1, 2, . . . , s = 1, 2, . . . ,tali che
prs := p(X = xr , Y = ys) ≥ 0, e∑
r ,s
prs = 1.
Si chiama funzione di probabilità congiunta la funzione
f (x , y) =
prs se (x , y) = (xr , ys), r = 1, 2, . . . ; s = 1, 2, . . .0 altrove.
Si dicono funzioni di probabilità marginali le funzioni
fX (x) =
pr• =∑
s prs se x = xr per r = 1, 2, . . .0 altrove.
fY (y) =
p•s =∑
r prs se y = ys per s = 1,2, . . .0 altrove.
![Page 7: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/7.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabile bidimensionale finita
Nel caso finito : r = 1, 2, . . . , n; s = 1,2, . . . ,m, e le funzioni diprobabilità congiunta e marginali si rappresentano in una tabella:
Yy1 y2 y3 · · · ym
x1 p11 p12 p13 · · · p1m p1•x2 p21 p22 p23 · · · p2m p2•
X x3 p31 p32 p33 · · · p3m p3•...
......
.... . .
......
xn pn1 pn2 pn3 · · · pnm pn•p•1 p•2 p•3 · · · p•m
Figura: Tabella delle probabilità congiunta e marginali nel caso finito
![Page 8: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/8.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabili bidimensionali continue
Definizione (variabile bidimensionale continua)
Una variabile bidimensionale (X ,Y ) è continua se esiste una funzionenon negativa f (x , y), detta funzione densità congiunta , tale che
F (x , y) =∫ x
−∞
∫ y
−∞f (u, v) dudv .
Osservazione . La condizione che f deve soddisfare per essere unafunzione densità è
∫ +∞
−∞
∫ +∞
−∞f (u, v) dudv = 1.
![Page 9: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/9.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabili bidimensionali continue
Si può dimostrare che le funzioni di ripartizione marginali dellevariabili X e Y sono date in questo caso da
FX (x) =∫ x
−∞
(∫ +∞
−∞f (u, v)dv
)
du
e
FY (y) =∫ y
−∞
(∫ +∞
−∞f (u, v)du
)
dv .
Le densità marginali di X e Y valgono quindi
fX (x) =∫ +∞
−∞f (x , v) dv
e
fY (y) =∫ +∞
−∞f (u, y)du.
![Page 10: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/10.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Un teorema importante
Teorema (probabilità di una variabile bidimensionale)
Se A ⊆ R2 è tale che l’insieme s ∈ S :
(
X (s),Y (s))
∈ A è unevento di Ω, allora
p(
(X ,Y ) ∈ A)
=
∫∫
Af (x , y) dxdy .
Corollario (legge di composizione)
Sia (X ,Y ) una variabile casuale bidimensionale con densitàcongiunta f (x , y). Se Φ(X ,Y ) è una variabile casuale funzione di X eY , allora, per ogni intervallo I ⊆ R,
p(
Φ(X ,Y ) ∈ I)
=
∫∫
Af (x , y) dxdy ,
essendo A = (x , y) ∈ R2 : Φ(x , y) ∈ I.
Dimostrazione : basta notare che p(
Φ(X ,Y ) ∈ I)
= p(
s : Φ(
X (s),Y (s))
∈ I)
=
= p(
s :(
X (s),Y (s))
∈ A)
.
![Page 11: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/11.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La covarianza di due variabili casuali σX ,Y
Definizione (covarianza)
Si dice covarianza delle variabili casuali X e Y , e si indica con σX ,Y
oppure con Cov(X ,Y ), il numero
σX ,Y = Cov(X ,Y ) := E[
(X − µX )(Y − µY )]
.
Esplicitando la formula del valore atteso:
σX ,Y =
∑
r
∑
s(xr − µX )(ys − µY )prs, nel caso discreto;
∫∫
R2(x − µX )(y − µY )f (x , y)dxdy , nel caso continuo.
![Page 12: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/12.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Proprietà della covarianza
Teorema (proprietà covarianza)
σX ,Y = µX ·Y − µXµY
σ2X±Y = σ2
X + σ2Y ± 2σX ,Y
=⇒ generalizzato alla somma di n variabili aleatorie:
Var
(
n∑
i=1
Xi
)
=n∑
i=1
Var(Xi) + 2∑
1≤i<j≤n
Cov(Xi ,Xj)
σ2X ,Y ≤ σ2
Xσ2Y
Dimostrazione (della prima relazione, nel caso finito).
σX,Y =∑
r
∑
s
(xr − µX )(ys − µY )f (xr , ys)
=∑
r
∑
s
(xr ys − xrµY − µX ys + µXµY )f (xr ys)
= µXY − µXµY − µX µY + µXµY
= µXY − µXµY .
![Page 13: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/13.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Indipendenza tra variabili casuali
Definizione (indipendenza)
Due variabili aleatorie X e Y si dicono indipendenti se
F (x , y) = FX (x) · FY (y) per ogni x , y ∈ R.
Teorema
X, Y discrete indipendenti ⇐⇒ prs = pr•p•s cioè
p(X = xr , Y = yr ) = p(X = xr ) · p(Y = yr ).
X, Y continue indipendenti ⇐⇒ f (x , y) = fX (x) · fY (y).
![Page 14: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/14.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Indipendenza tra variabili casuali
Teorema (media del prodotto di variabili indipendenti)
Se due variabili aleatorie X e Y sono indipendenti, allora
µXY = µX · µY
Dimostrazione (nel caso finito):
µXY =∑
r,s
xr ysprs
=∑
r
∑
s
xr yspr•p•s
=∑
r
xr pr•
(
∑
s
ysp•s
)
= µX · µY
Corollario (indipendenza e covarianza)
Se le variabili casuali X e Y sono indipendenti, allora σX ,Y = 0 (da: σX ,Y = µXY − µxµY e teorema precedente); σ2
X±Y = σ2X + σ2
Y (dalla formula della varianza di X ± Y).
![Page 15: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/15.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Il coefficiente di correlazione lineare ρX ,Y
Definizione (coefficiente di correlazione)
Si dice coefficiente di correlazione tra le variabili casuali X e Y ilnumero
ρX ,Y :=σX ,Y
σX · σY.
Osservazioni . ρX ,Y = 0 ⇐⇒ σX ,Y = 0 ⇐⇒ X e Y sono dette incorrelate . ρX ,Y 6= 0 =⇒ X e Y si dicono correlate . |ρX ,Y | ≤ 1 (da: σ2
X ,Y ≤ σ2Xσ
2Y ).
massima correlazione se |ρX ,Y | = 1 =⇒ lineare dipendenza :
Y = αX + β
con α < 0 se ρX ,Y = −1, oppure α > 0 se ρX ,Y = +1.
N.B.: X ,Y indipendenti ⇒ X ,Y incorrelate; ma non viceversa!
![Page 16: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/16.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Variabili incorrelate
Corollario (additività della varianza)
Se X1,X2, . . . ,Xn sono n variabili aleatorie incorrelate, allora
Var(X1 + X2 + · · ·Xn) = Var(X1) + Var(X2) + · · ·+ Var(Xn).
In particolare, se le variabili hanno tutte la stessa varianza σ2, allora
Var(X1 + X2 + · · ·Xn) = nσ2.
Vale inoltre:
Var(a1X1+a2X2+· · · anXn) = a21Var(X1)+a2
2Var(X2)+· · ·+a2nVar(Xn).
Osservazioni .
L’ultima proprietà segue immediatamente da: Var(aX ) = a2Var(X ).
L’additività della varianza dipende dalla incorrelazione delle variabili aleatorie che si
sommano, a differenza della additività del valore atteso , che vale sempre.
![Page 17: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/17.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Incorrelazione e indipendenza
Osservazione : variabili incorrelate 6⇒ variabili indipendenti.
Y−1 0 +1
−1 0 14 0 1/4
X 0 14 0 1
4 1/2+1 0 1
4 0 1/41/4 1/2 1/4
Figura: Esempio di variabili incorrelate ma non indipendenti.
p(X = −1,Y = −1) = 0 6= p(X = −1)p(Y = −1) = 14 · 1
4 = 116
=⇒ X ,Y non indipendenti.
µXY = µX = µY = 0 =⇒ X ,Y incorrelate (perché µXY − µXµY = 0).
![Page 18: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/18.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Studio di alcune distribuzioni notevoli
Ci limiteremo alle seguenti distribuzioni discrete: la distribuzione binomiale, ovvero delle prove indipendenti
ripetute di Bernoulli (variabile aleatoria discreta finita); la distribuzione di Poisson , ovvero degli eventi rari (variabile
aleatoria discreta infinita numerabile);
ed alla seguente distribuzione continua: la distribuzione di Gauss , ovvero la distribuzione normale.
![Page 19: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/19.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La distribuzione binomiale
Teorema (di Bernoulli)
La probabilità che in n prove indipendenti l’evento A si verifichiesattamente k volte, con k = 0,1, . . . , n, vale
(
nk
)
pk (1 − p)n−k
dove p è la probabilità di A in ogni singola prova.
Definizione (distribuzione binomiale)
Dati p ∈ (0, 1) e n ∈ N, si dice variabile binomiale la variabilealeatoria discreta (e finita) X avente la seguente funzione diprobabilità
p(X = k) =
(
nk
)
pk (1 − p)n−k , k = 0, 1,2, . . . , n.
Se X è binomiale di parametri n e p, si scrive anche X ≃ B(n, p).
![Page 20: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/20.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Proprietà della distribuzione binomiale
Dalla formula del binomio abbiamo
n∑
k=0
(
nk
)
pk(1 − p)n−k = (p + 1 − p)n = 1,
dunque si tratta effettivamente di una funzione di probabilità.
Teorema (media e varianza della binomiale)
Se X ≃ B(n, p) allora µX = np e σ2X = np(1 − p).
Dimostrazione. Si può ottenere X come somma di n variabili aleatorieindipendenti Xi ≃ B(1, p), ciascuna delle quali rappresenta il numero disuccessi (0 oppure 1) in una sola prova:
X = X1 + X2 + . . .+ Xn.
Tramite calcolo diretto abbiamo
E(Xi ) = p, Var(Xi ) = p(1 − p) per ogni i .
Dunque E(X) = np e, dall’indipendenza delle Xi , segue anche cheVar(X) = np(1 − p).
![Page 21: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/21.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La distribuzione di Poisson
Definizione (distribuzione di Poisson)
Una variabile aleatoria discreta X è detta di Poisson con parametroµ > 0 se può assumere gli infiniti valori k = 0, 1,2, . . . con probabilità
p(X = k) =µk
k !e−µ.
Osservazioni .∑∞
k=0µ
k
k ! e−µ = e−µ · eµ = 1.
Se X è di Poisson con parametro µ allora µX = σ2X = µ (no dim.).
⇒ aumentando µ, aumenta anche la dispersione dei dati attornoalla media.
Descrive il conteggio di fenomeni casuali distribuiti con una datadensità media µ nell’unità di tempo (superficie, volume. . . ).
Si ottiene dalla binomiale quando n è grande e p è vicino a 0 (perquesto è detta distribuzione degli eventi rari).
Vale la relazione ricorsiva: p(X = k + 1) = µ
k+1 p(X = k).
![Page 22: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/22.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Esempi
Conteggio delle particelle α emesse da una sostanza radioattiva(X di Poisson con parametro µ = 0.5). Probabilità di osservaredue o più particelle in un secondo:
p(X ≥ 2) =+∞∑
k=2
(0.5)k
k !e−0.5
= 1 − p(X = 0)− p(X = 1)
= 1 − e−0.5 − 0.5 · e−0.5 ≈ 9%.
Carica batterica. Se una sospensione contiene in media 5 batteriper cm3, allora la probabilità che un campione casuale di 1 cm3
a) non contenga batteri, b) ne contenga al più 2, c) ne contengaalmeno 5, vale:
p(X = 0) = e−5 ≈ 0.7%;
p(X ≤ 2) =(
1 + 5 +52
2!
)
e−5 ≈ 12.5%;
p(X ≥ 5) = 1 − p(X ≤ 4) =(
1 + 5 +52
2!+
53
3!+
54
4!
)
e−5 ≈ 56%.
![Page 23: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/23.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La distribuzione di Gauss
Definizione (distribuzione di Gauss)
Una variabile aleatoria continua X è detta di Gauss o normale conparametri µ e σ (µ ∈ R, σ > 0), e si scrive X ≃ N(µ, σ2) se la funzionedensità è
f (x) =1
σ√
2πe− (x−µ)2
2σ2 .
f (x) è detta funzione di Gauss : è una funzione “a campana”, simmetrica rispetto a x = µ; ha un massimo in x0 = µ, dove assume il valore 1
σ√
2π;
questo coefficiente ha il significato di fattore di normalizzazione:∫ +∞
−∞f (x)dx =
1√π
∫ +∞
−∞e−
(
x−µ
σ
√2
)2
d(
x − µ
σ√
2
)
= 1.
NB: Se I =∫
Re−x2
dx , allora I2 =∫
Re−x2
dx ·∫
Re−y2
dy =∫∫
R2 e−(x2+y2)dxdy .
Passando a coordinate polari, I2 =∫ 2π
0 dθ∫ +∞
0 ρe−ρ2
dρ = 2π[
e−ρ2
−2
]+∞
0= π.
Quindi I =√π.
![Page 24: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/24.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Proprietà della distribuzione normale
Teorema (media e varianza della gaussiana)
Se X è una variabile di Gauss di parametri µ e σ, cioè X ≃ N(µ, σ2),allora
E(X ) = µ, Var(X ) = σ2.
![Page 25: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/25.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Calcolo della probabilità p(a < X < b) sulla gaussiana
La funzione di ripartizione vale
F (x) =∫ x
−∞
1
σ√
2πe− (t−µ)2
2σ2 dt
da cui
p(a < X < b) = F (b)− F (a) =∫ b
a
1
σ√
2πe− (t−µ)2
2σ2 dt .
Osservazione . F (x) non si può calcolare esplicitamente. Per gliscopi concreti, si ricorre ad integrazione numerica o ai valori tabulatiper una particolare funzione di ripartizione normale, la normalestandardizzata.
![Page 26: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/26.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La variabile aleatoria normale standardizzata
Teorema
Sia X una variabile aleatoria normale di parametri µ e σ e sia
Φ(x) =∫ x
−∞
1√2π
e− u22 du
la funzione di ripartizione della corrispondente variabile normalestandardizzata X∗ ≃ N(0,1) (X∗ è cioè normale con media 0 evarianza 1), allora la funzione di ripartizione di X vale
F (x) = Φ(x − µ
σ
)
.
Dimostrazione . Siccome∫ x−∞
f (t)dt = limc→−∞
∫ xc f (t)dt abbiamo
F (x) = limc→−∞
∫ x
c
1
σ√
2πe−
(t−µ)2
2σ2 dt
ponendo t−µ
σ= u, si ha dt = σdu, quindi
F (x) = limc→−∞
∫ x−µ
σ
c−µ
σ
1√
2πe− u2
2 du = Φ
(
x − µ
σ
)
.
![Page 27: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/27.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Esempi e applicazioni (conoscendo i valori di Φ(x))
Probabilità di una variabile aleatoria normale X ≃ N(µ, σ2)
p(a ≤ X ≤ b) = Φ
(
b − µ
σ
)
− Φ(a − µ
σ
)
.
Esempio (problema diretto).
p(µ− σ < X < µ+ σ ) = Φ(1)− Φ(−1) ≈ 68.3%
p(µ− 2σ < X < µ+ 2σ) = Φ(2)− Φ(−2) ≈ 95.5%
p(µ− 3σ < X < µ+ 3σ) = Φ(3)− Φ(−3) ≈ 99.7%.
Esempio (problema inverso).
Assegnata una probabilità α, si cerca il numero x0 tale che Φ(x0) = α.x0 si indica con φα e si chiama quantile relativo ad α.Se α = n
100 , allora φα si chiama percentile n−esimo .(Soluzione: basta leggere la tabella dei valori di Φ(x) al contrario).
![Page 28: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/28.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Esempi e applicazioni
Una relazione utile
Φ(−x) = 1 − Φ(x) cioè φ1−α = −φα.
Teorema (immagine affine di una distribuzione normale)
Se X ≃ N(µ, σ2) allora anche Y = aX + b (a > 0) è normale conmedia aµ+ b e varianza a2σ2.
![Page 29: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/29.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Il teorema del limite centrale
Definizione (convergenza in legge)
Una successione di variabili aleatorie Xnn converge in legge (o indistribuzione ) alla variabile aleatoria X se e solo se, dette Fn(x) edF (x) le rispettive funzioni di ripartizione, si ha
limn→∞
Fn(x) = F (x)
per ogni punto x ∈ R di continuità per F .
NB: Se le variabili aleatorie Xi sono indipendenti e hanno tutte mediaµ e varianza σ2, allora la variabile aleatoria Sn = X1 + X2 + · · ·+ Xn ètale che
E(Sn) = nµ e Var(Sn) = nσ2.
![Page 30: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/30.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Il teorema del limite centrale
Teorema (del limite centrale)
Sia Xnn una successione di variabili aleatorie indipendenti edidenticamente distribuite , di media µ e varianza σ2. Allora la somman−esima standardizzata
S∗n =
X1 + X2 + . . .+ Xn − nµσ√
n
converge in legge a N(0,1).
Osservazioni . La funzione di probabilità di S∗
n (complicata da esprimere ingenerale) si approssima, per n grande , con una legge N(0,1). . .
. . . e questo a prescindere dalla particolare legge delle Xn! Interpretazione : un effetto casuale che sia la risultante di molti
effetti aleatori, ciascuno dei quali dia solo un piccolo contributoall’effetto finale, segue approssimativamente una legge normale(esempio: errori di misurazione).
![Page 31: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/31.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
L’approssimazione normale
Formula per n variabili Xi indip. e identicamente distribuite:
p(X1 + X2 + . . .+ Xn ≤ x) = p(
S∗n ≤ x − nµ
σ√
n
)
≈ Φ
(
x − nµσ√
n
)
.
In pratica : soglia di applicabilità (in genere): n > 30, ma può essere più alta; nel caso, ad esempio, delle prove di Bernoulli, devono valere le
condizioni np > 5 e n(1 − p) > 5; nel caso di variabili a valori interi conviene porre, se k ∈ Z,
p(X1 + . . .+ Xn = k) = p(
k − 12 < X1 + . . .+ Xn < k + 1
2
)
≈ Φ
(
k+ 12 −nµ
σ√
n
)
−Φ
(
k− 12 −nµ
σ√
n
)
;
se Xi ≃ B(1, p), allora X = X1 + X2 + · · ·+ Xn ≃ B(n, p) eE(X ) = np, Var(X ) = np(1 − p). L’approssimazione diventa:
p(X ≤ k) ≈ Φ
(
k + 12 − np
√
np(1 − p)
)
.
![Page 32: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/32.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Le fasi di un’indagine statistica
Rilevazione dei dati; organizzazione dei dati; presentazione dei dati organizzati; interpretazioni e conclusioni.
![Page 33: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/33.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Classi, frequenze assolute, relative, cumulate
Se i dati sono di tipo numerico, si ordinano e si stabilisce il campo divariazione , o rango , cioè il minimo intervallo che li contiene tutti.
Può essere conveniente suddividere i dati in classi della stessaampiezza per una migliore leggibilità. Il numero di classi può esserescelto con la formula (di Sturges)
nc = [1 + 1.443 ln n]
dove n è il numero di dati e [a] è l’intero più vicino ad a.
Si definiscono: la funzione di frequenza ϕ(x) che associa ad ogni classe il
numero degli elementi che la compongono; la funzione di frequenza relativa ϕr (x) =
ϕ(x)n ;
la funzione di frequenza cumulativa ϕc(x), cioè il numero dielementi nella classe e in tutte le classi precedenti;
la funzione di frequenza cumulativa relativa ϕcr (x) = ϕc (x)n .
![Page 34: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/34.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Le più significative sono: istogramma; grafico a bastoni; poligoni delle frequenze.
In tutti i casi si riportano sulle ordinate le frequenze delle classi riferiteal loro punto di mezzo (sulle ascisse).
![Page 35: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/35.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Figura: Istogramma.
![Page 36: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/36.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Figura: Diagramma a bastoni.
![Page 37: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/37.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Figura: Istogramma e poligono delle frequenze.
![Page 38: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/38.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Figura: Poligono delle frequenze ϕ(x).
![Page 39: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/39.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Rappresentazioni grafiche
Figura: Poligono delle frequenze cumulative ϕc(x).
![Page 40: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/40.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Indici di tendenza centrale
Definizione (media)
Date n osservazioni numeriche xi , i = 1, 2, . . . , n, si chiama mediadelle osservazioni il numero
x =1n
n∑
i=1
xi .
Definizione (mediana)
Si chiama mediana il valore centrale dell’insieme ordinato:
xmed =
x n+12
se n è dispari12
(
x n2+ x n
2 +1
)
se n è pari.
Definizione (moda)
Si chiama moda un numero xmod che si ripete il maggior numero divolte.
![Page 41: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/41.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Indici di dispersione
Definizione (deviazione standard)
Date n osservazioni numeriche x1, . . . , xn, si chiama deviazionestandard , o scarto quadratico medio delle osservazioni il numero
σ =
√
√
√
√
1n
n∑
i=1
(xi − x)2.
Il numero σ2 è chiamato la varianza dei dati.
Definizione (deviazioni medie)
Si chiamano deviazione media dalla media e deviazione mediadalla mediana i numeri
Dmed (x) =1n
n∑
i=1
|xi − x |; Dmed (xmed ) =1n
n∑
i=1
|xi − xmed |.
![Page 42: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/42.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Popolazione e campione
Definizione (popolazione)
Si definisce popolazione un insieme i cui elementi hanno in comunealmeno un attributo descritto attraverso una variabile aleatoria X,detta variabile sottostante , la cui distribuzione in generale èincognita.
Definizione (campione)
Si chiama campione casuale di dimensione n, estratto da unapopolazione avente X come variabile sottostante, una variabilen-dimensionale (X1,X2, . . . ,Xn) con le Xi indipendenti e aventi lastessa distribuzione di X .
Definizione (statistica)
Sia (X1,X2, . . . ,Xn) un campione di una popolazione la cuidistribuzione è nota in funzione di un parametro incognito θ. Sidefinisce statistica una funzione g(X1,X2, . . . ,Xn) delle variabilicasuali Xi (e dunque, a sua volta, una variabile casuale) che noncontiene il parametro θ.
![Page 43: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/43.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Stimatori
Definizione (stimatore)
Si definisce stimatore una statistica che viene utilizzata per stimareun parametro incognito θ.
Definizione (stima puntuale)
Se f (X1, . . . ,Xn) = θ è uno stimatore e (x1, . . . , xn) è un valoreosservato del campione, allora il valore θ = f (x1, . . . , xn) è detto stimapuntuale del parametro θ.
Definizione (stimatore corretto)
Uno stimatore T del parametro θ si dice corretto se E(T ) = θ.
![Page 44: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/44.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La media campionaria
Definizione (media campionaria)
Si chiama media campionaria di un campione (X1,X2, . . . ,Xn) lavariabile casuale X così definita:
X =1n
n∑
i=1
Xi .
Teorema
La media campionaria è uno stimatore corretto della media vera µ,cioè
E(X ) = E(X ) = µ.
Dimostrazione . Siccome abbiamo supposto che E(Xi ) = E(X ) = µ, allora
E(X ) =1
n
n∑
i=1
E(Xi ) =nµ
n= µ.
![Page 45: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/45.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La media campionaria
Teorema (varianza della media campionaria)
La varianza della media campionaria vale quella di X diviso n, cioè
Var(X) =1n
Var(X ) =σ2
n.
Dimostrazione .
Var(X ) =1
n2Var
(
n∑
i=1
Var(Xi )
)
=nσ2
n2=
σ2
n.
![Page 46: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/46.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
La varianza campionaria
Definizione (varianza campionaria)
Si chiama varianza campionaria di un campione (X1,X2, . . . ,Xn) lavariabile casuale S2 così definita:
S2 =1
n − 1
n∑
i=1
(Xi − X )2.
Teorema
La varianza campionaria è uno stimatore corretto della varianza veraσ2, cioè
E(S2) = Var(X ) = σ2.
Osservazione . A differenza di S2, lo stimatore
S2 =1
n
n∑
i=1
(Xi − X )2.
non è uno stimatore corretto della varianza vera σ2 .
![Page 47: Materiale Docenti Malaguti Didattica Analisi Matematica B Lucidi Prob-II](https://reader035.vdocumenti.com/reader035/viewer/2022062320/55cf9cee550346d033ab9513/html5/thumbnails/47.jpg)
Seconda parte
Variabili aleatoriebidimensionaliDistribuzione congiunta emarginali
Variabili discrete
Variabili continue
Covarianza
Indipendenza
Correlazione
Distribuzioni notevoliBinomiale
Poisson
Gauss
Approssimazionenormale
Statistica descrittivaOrganizzazione dei dati
Indicatori centrali e didispersione
Statistica matematicaMedia campionaria
Varianza campionaria
Bibliografia
Per approfondire
Il materiale esposto in questi lucidi è tratto principalmente da:
V. Franceschini , Lezioni di Statistica Matematica1. Reperibile al sito:http://cdm.unimo.it/home/matematica/franceschini.valter/
Ulteriori testi consigliati:
W. Navidi , Probabilità e Statistica per l’Ingegneria e le Scienze,McGraw Hill, 2006.
G. Anichini , Elementi di Calcolo delle Probabilità e di InferenzaStatistica2, in “Calcolo 4 – Parte prima”, Pitagora Editrice, Bologna,1995.
1Appunti per i corsi di Ingegneria Meccanica e dei Materiali dell’Università di Modena(contiene molti degli esercizi in Esercizi.pdf, interamente svolti).
2Testo introduttivo alla probabilità soggettivista e alla statistica bayesiana.