Escolar Documentos
Profissional Documentos
Cultura Documentos
𝑏 +∞
𝑓 𝑥 𝑑𝑥 = 𝑃(𝑎 < 𝑥 < 𝑏) 𝑓 𝑥 𝑑𝑥 = 1
𝑎 −∞
Il calcolo delle probabilità associate ai diversi intervalli (e quindi delle relative aree) richiede la conoscenza dell’espressione
analitica della funzione di densità di probabilità ed il ricorso al calcolo integrale
Modelli teorici di distribuzioni di variabili casuali
Distribuzione Normale o gaussiana
1 (𝑥−𝜇)2
−
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
La legge di probabilità è completamente nota quando siano noti i valori dei due parametri 𝜎 (scarto quadratico medio) e
𝜇 (media).
Al variare dei due parametri corrispondono diverse distribuzioni normali.
Modelli teorici di distribuzioni di variabili casuali
Distribuzione Normale o gaussiana
PROPRIETA’
forma a ‘’campana’’
simmetrica rispetto alla media, cioè rispetto al punto 𝑥 = 𝜇 𝑓 𝜇 + 𝑥 = 𝑓(𝜇 − 𝑥)
variabile casuale 𝑥 con un campo di variazione infinito
La posizione della campana rispetto all’asse delle ascisse dipende dalla media della distribuzione 𝜇: tanto
maggiore è la media tanto più la campana è spostata verso destra
L’apertura della campana dipende dal valore dello scarto quadratico medio 𝜎 : tanto maggiore è lo scarto tanto
più la campana risulterà larga
presenta due punti di flesso per 𝑥 = 𝜇 ± 𝜎
Modelli teorici di distribuzioni di variabili casuali
Distribuzione Normale o gaussiana
ESPRESSIONE ANALITICA
1 𝑧2
della funzione densità di 𝑓 𝑧 = 𝑒− 2
probabilità standardizzata 2𝜋
ESPRESSIONE ANALITICA 𝑧
della funzione di
probabilità cumulata 𝐹 𝑧 =𝑝 𝑍<𝑧 = 𝑓 𝑧 𝑑𝑧
standardizzata −∞
Modelli teorici di distribuzioni di variabili casuali
Distribuzione Normale o gaussiana
La figura a destra mostra la corrispondenza tra una distribuzione normale
generica (𝜇 = 57 e 𝜎 = 0,5) e la distribuzione normale standardizzata.
La corrispondenza dei valori si ottiene attraverso il procedimento della
standardizzazione.
Ad esempio:
𝑥1 − 𝜇 57,5 − 57
𝑧1 = = =1
𝜎 0,5
𝑥2 − 𝜇 58 − 57
𝑧2 = = =2
𝜎 0,5
Inoltre, si verifica che le due aree evidenziate sotto le curve normali comprese
tra i valori della variabile 𝑥 ed i corrispondenti valori standardizzati sono
uguali.
Ciò consente di utilizzare la distribuzione normale standardizzata per calcolare
qualunque area compresa sotto una distribuzione normale generica e, quindi,
qualunque probabilità relativa a variabili che seguono una tale distribuzione.
Modelli teorici di distribuzioni di variabili casuali
Distribuzione Normale o gaussiana standardizzata
Il calcolo delle aree sotto una curva normale, corrispondenti a diversi intervalli della variabile casuale 𝑥, si presenta
molto laborioso (gli integrali non sono semplicemente risolvibili).
E’ quindi necessario disporre di tabelle nelle quali vengono riportate le probabilità associate agli intervalli di una
variabile casuale che segue la distribuzione normale, indipendentemente dal valore dei parametri 𝜇 e 𝜎,
indipendenti dal problema analizzato.
Le tabelle relative alla distribuzione normale standardizzata riportano
• le ascisse della funzione 𝑓 𝑧 ovvero i valori della variabile 𝑧
𝑧
• l’area 𝐹 𝑧 compresa sotto la 𝑓 𝑧 fra 0 e i diversi valori di 𝑧 (𝐹 𝑧 = 0
𝑓 𝑧 𝑑𝑧)
Nelle tabelle vengono considerati solo valori 𝑧 ≥ 0in quanto, per la simmetria della𝑓 𝑧 , da questi possono essere
desunti tutti gli altri valori:
• 𝑓 𝑧 = 𝑓(−𝑧)
• 𝐹 𝑧 = 1 − 𝐹(−𝑧)
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
𝐹 𝑧 = 1 − 𝐹(−𝑧)
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
𝑓 𝑧 = 𝑓(−𝑧)
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
𝑷 𝒛 < 𝟎. 𝟑𝟕 = 𝟎. 𝟔𝟒𝟒𝟑𝟏
𝑷 𝒁 ≤ 𝒛 = 𝟎. 𝟗𝟓
𝒛 = 𝟏. 𝟔𝟓
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
𝐹(
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
𝐹(𝑧)
Modelli teorici di distribuzioni di variabili casuali
Utilizzo delle tabelle
Modelli teorici di distribuzioni di variabili casuali
Distribuzione di Weibull
Un’altra importante funzione di densità di probabilità è la DISTRIBUZIONE DI WEIBULL (distribuzione a due parametri)
La sua importanza è dovuta al fatto che:
• è largamente applicata per l’analisi affidabilistica (spesso viene usata per modellizzare il tempo fino al guasto di vari
sistemi fisici)
• descrive un vasto insieme di situazioni
L’ESPRESSIONE ANALITICA della funzione di densità di probabilità e di probabilità cumulata di weibull (a due
parametri):
𝑥 𝛽
𝛽 𝑥 𝛽−1 𝑥 𝛽
𝑓 𝑥 = ( ) 𝑒𝑥𝑝 −( ) 𝐹 𝑥 = 1 − 𝑒𝑥𝑝 − per 𝑥 ≥ 0
𝛼 𝛼 𝛼 𝛼
𝑓 𝑥 =0 𝐹 𝑥 =0 per 𝑥 < 0
1
𝐵50 = 𝛼(𝑙𝑛2) 𝛽
Modelli teorici di distribuzioni di variabili casuali
Distribuzione di Weibull
La MEDIA e la VARIANZA della distribuzione di Weibull sono le seguenti:
1
𝜇 = 𝛼Γ 1 +
𝛽
2
2 2
2 2
1
𝜎 =𝛼 Γ 1+ −𝛼 Γ 1+
𝛽 𝛽
dove Γ è la funzione:
Γ r = r − 1 ! 𝑟 intero positivo
∞
Γ(𝑟) = 𝑥 𝑟−1 𝑒 −𝑥 𝑑𝑥 per 𝑟 > 0 Γ 1 = 0 !=1
0
Γ 1/2 = 𝜋
Modelli teorici di distribuzioni di variabili casuali
Distribuzione di Weibull
Utilizzando la distribuzione di Weibull si è in grado di descrivere la vita dei componenti durante le loro diverse ‘’età’’:
La funzione :
𝑓(𝑥) 𝛽 𝛽−1
ℎ 𝑥 = = 𝛽𝑥
1 − 𝐹(𝑥) 𝛼 h(t) al variare di 𝛽, (α = 1)
𝑥
Modelli teorici di distribuzioni di variabili casuali
Distribuzione di Weibull
Esempio
Il tempo sino al guasto (espresso in ore) di un cuscinetto in un albero meccanico è efficacemente modellizzato come una
variabile aleatoria di Weibull con 𝛽 = 1/2 e 𝛼 = 5000 ore.
Calcoliamo la durata media.
Dall’espressione per la media ricaviamo:
1
𝜇 = 5000Γ 1 + = 5000Γ 3 = 5000x2! = 10000 ore
0.5
𝛽 𝛽−1 2
ℎ 300000 = 𝑥 = 3000002−1 = 6.66𝐸 − 6 guasti/ciclo
𝛼𝛽 3000002
Caratteristiche del campione ben Caratteristiche della popolazione ben conosciute, perché il campione
conosciute utilizzato può essere più o meno rappresentativo della popolazione
𝑥1 = 𝑥1𝑖 /𝑛
𝑥2 = 𝑥2𝑖 /𝑛
……….
𝑥𝑗 = 𝑥𝑗𝑖 /𝑛
Modelli teorici di distribuzioni di variabili casuali
Teorema del limite centrale
I valori 𝑥ℎ delle 𝑗 medie campionarie saranno simili, ma tutti diversi fra loro per via del fatto che ciascun
campione è solo parzialmente rappresentativo della popolazione.
Se la variabile casuale 𝒙 ha distribuzione normale, si può dimostrare che la media campionaria 𝑥ℎ è a sua
volta una variabile casuale la cui distribuzione è normale ed ha come media la media 𝜇 della popolazione
e come scarto quadratico medio 𝜎/ 𝑛, dove 𝜎 è lo scarto quadratico medio della popolazione.
Il TEOREMA DEL LIMITE CENTRALE permette di estendere l’applicazione di tale risultato anche a variabili
casuali che seguano distribuzioni diverse da quella normale.
Al crescere della numerosità 𝑛 → ∞ del campione, se la numerosità 𝒏 di ciascun campione è maggiore o
uguale a 30 si può assumere senza commettere sensibili errori numerici che la distribuzione delle medie
campionarie è una distribuzione normale, indipendentemente dal tipo di distribuzione da cui si è partiti.
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni per variabili casuali di tipo discreto
La funzione di probabilità di una variabile casuale discreta 𝑥 , con possibili valori 𝑥1 , 𝑥2 , … , 𝑥𝑛 , è definita come:
𝑓 𝑥𝑖 = P(𝑥 = 𝑥𝑖 )
È dunque una funzione definita solo in un sottoinsieme finito di punti {𝑥𝑖 }∈ℜ.
A differenza della funzione di densità di probabilità, definita per le variabili casuali continue, la funzione di
probabilità è “puntualmente non nulla”.
La funzione di Distribuzione Cumulativa di una variabile casuale discreta 𝑥 per un valore 𝑥𝑖 , è definita come:
𝐹(𝑥𝑖 ) è definita su tutto l’asse reale e quindi anche per i valori di 𝑥𝑖 ≠ 𝑥𝑗 con 𝑥𝑖 ∈{ℜ}
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni per variabili casuali di tipo discreto
𝜇= 𝑥𝑖 𝑓(𝑥𝑖 )
𝑖=1
𝜎2 = 𝑥𝑖 − 𝜇 2 𝑓(𝑥𝑖 )
𝑖=1
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Un processo casuale con due soli risultati possibili è chiamato processo di Bernoulli.
Ricordiamo che la parola bi-nomio indica due-nomi o casi possibili: qui “successo” o “insuccesso”.
La distribuzione binomiale è una funzione di probabilità notevole, che consente di calcolare la probabilità
di ottenere un certo numero di successi su un dato numero di prove, sapendo che
• ogni prova è un processo di Bernoulli (esito bi-nomio)
• le prove sono indipendenti
• la probabilità di successo in ogni prova è costante
Per “successo di una prova” si intende l’ottenimento di un particolare esito della prova (uno tra i due soli
possibili). Sarà un “insuccesso” il verificarsi in una prova dell’evento alternativo al successo.
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
𝜇 = 𝑛𝑝
e la sua varianza vale:
𝜎 2 = 𝑛𝑝 1 − 𝑝 = 𝑛𝑝𝑞 = 𝜇𝑞
sempre con 𝑞 = 1 − 𝑝
1. 𝑃 𝑥 = 0 = 5 1/6 0
1 − 1/6 5
= 5/6
= 0.4019 5
0
2. 𝑃 𝑥 ≥ 1 = 1 − 𝑃 𝑥 = 0 = 1 − 0.4019 = 0.5981
3. 𝑃 𝑥 = 4 = 5 1/6 4 1 − 1/6 1 = 6 1/6 4 = 0.0032
25
4
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Esempio
Assumendo che la probabilità che nasca un maschio sia 1/2, trovate la probabilità che in una famiglia con 4 figli ci sia
1. almeno un maschio;
2. almeno un maschio e una femmina.
Sia 𝑥 la variabile aleatoria che indica il numero di figli maschi nella famiglia con 4 figli. La v.a. 𝑥 ha una distribuzione binomiale
con parametri n = 4 e p = 1/2.
4 1 0 1 4 15
1. 𝑃 𝑥 ≥ 1 = 1 − 𝑃 𝑥 = 0 = 1 − 1 − = = 0.9375
0 2 2 16
1 4 1 4 7
2. 𝑃 𝑎𝑙𝑚𝑒𝑛𝑜 𝑢𝑛 𝑚𝑎𝑠𝑐ℎ𝑖𝑜 𝑒 𝑢𝑛𝑎 𝑓𝑒𝑚𝑚𝑖𝑛𝑎 = 1 − 𝑃 𝑛𝑒𝑠𝑠𝑢𝑛 𝑚𝑎𝑠𝑐ℎ𝑖𝑜 − 𝑃 𝑛𝑒𝑠𝑠𝑢𝑛𝑎 𝑓𝑒𝑚𝑚𝑖𝑛𝑎 = 1 − 2 − 2 = 8
Consideriamo ora 4000 famiglie con 4 figli. Quante ci si aspetterebbe che abbiano almeno un maschio e una
femmina?
Sia 𝑧 la variabile aleatoria che indica il numero di famiglie con almeno un maschio e una femmina fra le 4000 considerate. La
probabilita’ di successo p, come ottenuto nel punto precedente è pari a 7/8. La v.a. 𝑧 ha una distribuzione binomiale con
parametri 𝑛 = 4000 e 𝑝 = 7/8. Perciò il numero atteso di famiglie con almeno 1 maschio e una femmina è dato da:
𝐸(𝑍) = 𝑛𝑝 = 4000(7/8) = 3500
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Esempio
Se il 20% dei bulloni prodotti da una certa macchina è difettoso, determinate la probabilità che, su 4 bulloni scelti a
caso
1. uno sia difettoso;
2. zero siano difettosi;
3. al massimo 2 siano difettosi.
Sia 𝑥 la v.a. che indica il numero di bulloni difettosi fra i 4 considerati ed ha una distribuzione binomiale con parametri n = 4 e
p = 0.2.
4
1. 𝑃 𝑥 = 1 = 0.2 1 1 − 0.2 3 = 0.4096
1
4
2. 𝑃 𝑥 = 0 = 0.2 0 1 − 0.2 4 = 0.4096
0
4
3. 𝑃 𝑥 ≤ 2 = 𝑃 𝑥 = 0 + 𝑃 𝑥 = 1 + 𝑃 𝑥 = 2 = 0.4096 + 0.4096 + 0.2 2 1 − 0.2 2 = 0.4096 + 0.4096 +
2
0.1536 = 0.9728
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Trovare la media e lo scarto quadratico medio della distribuzione dei bulloni difettosi su un totale di 400 bulloni.
Sia 𝑧 la v.a. che indica il numero di bulloni difettosi su un totale di 400, e quindi 𝑧 ha una distribuzione binomiale di
parametri n = 400 e p = 0.2.
Perciò abbiamo che la media è pari a
𝜇 = 𝑛𝑝 = 400(0.2) = 80
e lo scarto quadratico medio è dato da
𝜎= 𝑛𝑝 1 − 𝑝 = 400 0.2 0.8 = 8
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni binomiale o di Bernoulli
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni di Poisson
Ci sono delle situazioni in cui si può osservare il numero di volte in cui avviene un certo evento, ma nulla si può dire circa
il non verificarsi di tale evento (numero di forature di un pneumatico nel percorrere una strada ogni giorno in un anno,
numero di messaggi di posta elettronica che arrivano su un server in un mese).
La distribuzione di Poisson descrive molto bene il verificarsi di eventi isolati in un continuo.
Se λ rappresenta il numero medio di volte in cui in un certo intervallo di tempo si verifica un certo evento, la probabilità
che in quell’intervallo di tempo si verifichino 𝑥 eventi è data dalla funzione:
𝜇=λ 𝜎2 = λ
Quindi la distribuzione è completamente definita dalla conoscenza del parametro λ. E’ però necessario che λ sia
costante in tutti i periodi di osservazione
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni di Poisson
Per la media 𝝀 che aumenta la curva assume una forma a campana e mentre la larghezza assoluta (𝜎 = 𝜆) aumenta,
1
la larghezza normalizzata al valor medio (𝜎 /𝜇 = ) diminuisce.
𝜆
Per λ > 5 la curva ha assunto una buona simmetria e "gaussianità"
Modelli teorici di distribuzioni di variabili casuali
Distribuzioni di Poisson
Modelli teorici di distribuzioni di variabili casuali
Bibliografia: