FFFF

Statistica di base
MISURE MECCANICHE E TERMICHE I
DOTT.SSA ROSANNA TAMBORRINO

Modelli teorici di distribuzioni di variabili casuali
• Distribuzioni per variabili casuali di tipo continuo

o Distribuzione Normale o gaussiana
o Distribuzione di Weibull
• Distribuzioni per variabili casuali di tipo discreto

o Distribuzione Binomiale o di Bernoulli
o Distribuzione di Poisson
Distribuzioni per variabili casuali di tipo continuo
FUNZIONE DENSITA’ DI PROBABILITA’ 𝑓 𝑥
𝑓 dà un’indicazione quantitativa della tendenza della variabile casuale ad assumere più frequentemente valori in un certo
intervallo del suo campo di variabilità piuttosto che in un altro
La probabilità che il valore di un’osservazione cada in un determinato intervallo è rappresentata dall’area sottostante la
funzione densità di probabilità compresa fra gli estremi dell’intervallo stesso (ne consegue che tutta l’area compresa sotto
una funzione densità di probabilità è sempre pari a 1).
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
Distribuzione Normale o gaussiana
La più importante funzione di densità di probabilità è la DISTRIBUZIONE NORMALE o DISTRIBUZIONE GAUSSIANA

La sua importanza è dovuta al fatto che:
• descrive e rappresenta molti fenomeni reali
• è usata per approssimare diverse distribuzioni discrete, evitando calcoli complessi e laboriosi
• costituisce la base dell’inferenza statistica classica (procedura attraverso cui dalle caratteristiche osservate di un
campione si cerca di risalire a quelle della popolazione di riferimento) attraverso il teorema del limite centrale
L’espressione analitica della funzione di densità di probabilità gaussiana è :
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.
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
 misure di tendenza centrale (media, mediana,moda) coincidenti 𝐹 𝜇 = 0.5

 per via della simmetria 𝐹 𝜇 − 𝑎 = 1 − 𝐹(𝜇 + 𝑎)
 circa il 68% dei valori di 𝑥 è compreso nell’intervallo 𝜇 ± 𝜎 , circa il 95% dei valori di 𝑥 è compreso nell’intervallo
𝜇 ± 2𝜎 , oltre il 99% dei valori di 𝑥 è compreso nell’intervallo 𝜇 ± 3𝜎
Distribuzione Normale o gaussiana standardizzata
Se si utilizza la variabile casuale standardizzata 𝑦 ≡ 𝑧 si ha la distribuzione normale nella sua forma standardizzata, nota
come distribuzione 𝑍, caratterizzata dai parametri 𝜇 = 0 e varianza 𝜎 2 = 1.
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 −∞
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.
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)
Utilizzo delle tabelle
N.B.: Tabelle per z tra 0 e +4 con

passo 0.01
𝐹 𝑧 = 1 − 𝐹(−𝑧)
𝑓 𝑧 = 𝑓(−𝑧)
𝑷 −𝟏. 𝟐𝟓 < 𝒛 < 𝟎. 𝟑𝟕 = 𝟎. 𝟓𝟑𝟖𝟔𝟔
si può calcolare dalla differenza tra

due aree: Digitare l'equazione qui.
𝑷 𝒛 < 𝟎. 𝟑𝟕 − 𝑷(𝒛 < −𝟏. 𝟐𝟓)
𝑷 𝒛 < 𝟎. 𝟑𝟕 = 𝟎. 𝟔𝟒𝟒𝟑𝟏
𝑷 𝒛 < −𝟏. 𝟐𝟓 = 𝟎. 𝟏𝟎𝟓𝟔𝟓

Trovare il valore di z tale che

𝑷 𝒁 > 𝒛 = 𝟎. 𝟎𝟓
ovvero
𝑷 𝒁 ≤ 𝒛 = 𝟎. 𝟗𝟓
𝒛 = 𝟏. 𝟔𝟓
𝐹(
𝐹(𝑧)
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
𝒙 variabile aleatoria 𝜶 fattore di scala 𝜷 fattore di forma della distribuzione

ANDAMENTO DELLA FUNZIONE DI DENSITÀ DI PROBABILITÀ
per vari valori del parametro 𝛽, avendo posto in tutte il
fattore di scala pari a 1
Per 𝜷 < 𝟏 le curve presentano un andamento
monotonicamente decrescente a partire da un
asintoto verticale (l’asse delle ordinate) verso un
asintoto orizzontale (l’asse delle ascisse)
Per 𝜷 = 1 si ha la curva espobenziale negativa,

decrescente dal valore 1/ 𝛼 (sull’asse delle ordinate)
verso l’asintoto orizzontale
Per 𝜷 >1 le curve partono da un valore nullo per

𝑥 = 0, presentano un massimo e per alti valori di 𝑥
tendono asintoticamente all’asse delle ascisse
ANDAMENTO DELLA FUNZIONE DI DENSITÀ DI PROBABILITÀ
𝟏 < 𝜷 < 𝟐 distribuzione alquanto simmetrica
𝜷 → tendenza a maggiore simmetria
𝜷 = 3.2 approssimazione molto buona alla distribuzione normale

ANDAMENTO DELLA FUNZIONE DI PROBABILITÀ CUMULATA
Tutte le curve (al variare del parametro 𝛽) si incrociano in un

unico punto la cui ascissa è 𝒙 = 𝜶 e la cui ordinata è
𝑭 𝜶 = 𝟏 − 𝒆−𝟏 = 𝟎. 𝟔𝟑𝟐. Tale punto definisce graficamente
il parametro ‘’vita caratteristica’’
La vita mediana, cioè quella durata cui corrisponde una
probabilità cumulata pari al 50%, 𝑩𝟓𝟎 , si ottiene dalle
relazioni:
𝛽
𝐵50
𝐹 𝐵50 = 0.5 = 1 − 𝑒𝑥𝑝 − 𝛼
1
𝐵50 = 𝛼(𝑙𝑛2) 𝛽
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
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)
rappresenta il ‘’tasso di guasto’’
per 𝛽 < 1, il tasso di guasto è decrescente

per 𝛽 = 1, il tasso di guasto è costante ℎ 𝑥
per 𝛽 > 1, il tasso di guasto è crescente
𝑥
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
Calcoliamo la probabilità che un cuscinetto duri almeno 6000 ore.

1
6000 2
𝑃 𝑥 > 6000 = 1 − 𝐹 6000 = 𝑒𝑥𝑝 − = 𝑒 −1.095 = 0.334
5000
Di conseguenza, solo il 33.4% di tutti i cuscinetti durerà almeno 6000 ore.

Si considerino delle molle sospensione per auto, la cui vita a fatica è descritta da una legge di Weibull con α=300000 cicli e
β = 2. Si calcolino:
La percentuale di pezzi che si rompe prima di 100000.
Il tasso di guasto a 200000 e a 300000 cicli.
La percentuale di pezzi che si rompe prima di 100000 è data da:
1
100000 2
𝑃 𝑥 < 100000 = 𝐹 100000 = 1 − 𝑒𝑥𝑝 − = 0.1052=10.52%
300000
Il tasso di guasto a 200000 e a 300000 cicli è dato da:
𝛽 2
ℎ 200000 = 𝛼𝛽 𝑥 𝛽−1 = 3000002 2000002−1 = 4.44𝐸 − 6 guasti/ciclo
𝛽 𝛽−1 2
ℎ 300000 = 𝑥 = 3000002−1 = 6.66𝐸 − 6 guasti/ciclo
𝛼𝛽 3000002
N.B.: essendo β > 1, il tasso di guasto cresce

Teorema del limite centrale
Obiettivo Ottenere informazioni sulle caratteristiche di una popolazione
Scelta di un campione formato da un numero limitato di elementi e sulla base

Metodo delle misure eseguite su tale campione trarre una stima delle caratteristiche
della popolazione
Caratteristiche del campione ben Caratteristiche della popolazione ben conosciute, perché il campione
conosciute utilizzato può essere più o meno rappresentativo della popolazione
Il trasferimento delle informazioni

ricavate sul campione alla descrizione Si parla di STIMA dei parametri della popolazione
della popolazione è una operazione
affetta da incertezza
Uno degli aspetti più delicati è la richiesta che il campione venga formato attraverso una estrazione
casuale dei pezzi dall’insieme di tutti i pezzi nominalmente uguali che si hanno a disposizione
Tutti i pezzi devono avere la stessa probabilità di entrare a far parte del campione
Da una popolazione di elementi tutti nominalmente uguali si estraggano, con un procedimento che rispetti il criterio
della casualità, j campioni ognuno dei quali formato da 𝒏 elementi.
Per ciascun elemento di ciascun campione si esegua la misura della quantità espressa dalla variabile casuale 𝑥.
Per ciascun campione si potrà quindi determinare il valore della media
𝑥1 = 𝑥1𝑖 /𝑛
𝑥2 = 𝑥2𝑖 /𝑛
……….
𝑥𝑗 = 𝑥𝑗𝑖 /𝑛
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.
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:
somma delle probabilità associate a

𝐹 𝑥𝑖 = P 𝑥 ≤ 𝑥𝑖 = 𝑓(𝑥𝑖 )
tutti i punti minori o uguali a 𝑥𝑖
𝑥𝑗≤ 𝑥𝑖
𝐹(𝑥𝑖 ) è definita su tutto l’asse reale e quindi anche per i valori di 𝑥𝑖 ≠ 𝑥𝑗 con 𝑥𝑖 ∈{ℜ}
Distribuzioni per variabili casuali di tipo discreto
La MEDIA della variabile aleatoria discreta 𝑥 è:
𝜇= 𝑥𝑖 𝑓(𝑥𝑖 )
𝑖=1
La VARIANZA della variabile aleatoria discreta 𝑥 è:
𝜎2 = 𝑥𝑖 − 𝜇 2 𝑓(𝑥𝑖 )
𝑖=1
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.
Un esperimento che consiste in 𝑛 prove ripetute tali che:

1. ogni prova fornisce due soli risultati possibili , “successo” o “insuccesso”
2. le prove sono indipendenti
3. la probabilità 𝒑 di successo in ogni prova è costante (ovviamente la probabilità q di un fallimento è
𝒒 = 𝟏 − 𝒑 ) è chiamato esperimento/processo binomiale (o di Bernoulli)
La variabile casuale 𝑥 pari al numero di successi su n prove ha una distribuzione binomiale, con funzione
di probabilità:
Se 𝑥 è una variabile casuale binomiale, con parametri n e p (n è il numero di valori possibili e p è la

probabilità di successo), allora il valor medio di 𝑥 vale:
𝜇 = 𝑛𝑝
e la sua varianza vale:
𝜎 2 = 𝑛𝑝 1 − 𝑝 = 𝑛𝑝𝑞 = 𝜇𝑞
sempre con 𝑞 = 1 − 𝑝
N.B.: La distribuzione normale standardizzata approssima la distribuzione binomiale quando 𝑛𝑝 ≥ 5 e

𝑛(1 − 𝑝) ≥ 5. L’approssimazione migliora al crescere di 𝑛
Esempio
Trovate la probabilita’ che in 5 lanci di un dado non truccato il 3 si presenti:
1. mai
2. almeno una volta
3. quattro volte
Sia 𝑥 la variabile aleatoria che indica il numero di volte che si presenta 3. La probabilità di successo in questo esperimento
binomiale (cioè la probabilità che si presenti 3) è pari a 1/6 e consideriamo 5 ripetizioni dell’esperimento (cioè il dado viene
lanciato 5 volte).
Quindi 𝑥 ha una distribuzione binomiale con parametri n = 5 e p = 1/6.
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
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
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
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
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:
La media e la varianza della distribuzione sono:
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
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"
Bibliografia:
G. Belingardi. Strumenti statistici per la meccanica sperimentale e l’affidabilità
Montgomery, Runger, Hubele. Statistica per l’ingegneria

FFFF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

FFFF

Enviado por

Direitos autorais:

Formatos disponíveis

Statistica di base

MISURE MECCANICHE E TERMICHE I

DOTT.SSA ROSANNA TAMBORRINO

• Distribuzioni per variabili casuali di tipo continuo

• Distribuzioni per variabili casuali di tipo discreto

La più importante funzione di densità di probabilità è la DISTRIBUZIONE NORMALE o DISTRIBUZIONE GAUSSIANA

L’espressione analitica della funzione di densità di probabilità gaussiana è :

 misure di tendenza centrale (media, mediana,moda) coincidenti 𝐹 𝜇 = 0.5

N.B.: Tabelle per z tra 0 e +4 con

𝑷 −𝟏. 𝟐𝟓 < 𝒛 < 𝟎. 𝟑𝟕 = 𝟎. 𝟓𝟑𝟖𝟔𝟔

si può calcolare dalla differenza tra

𝑷 𝒛 < 𝟎. 𝟑𝟕 − 𝑷(𝒛 < −𝟏. 𝟐𝟓)

𝑷 𝒛 < −𝟏. 𝟐𝟓 = 𝟎. 𝟏𝟎𝟓𝟔𝟓

Trovare il valore di z tale che

𝒙 variabile aleatoria 𝜶 fattore di scala 𝜷 fattore di forma della distribuzione

Per 𝜷 = 1 si ha la curva espobenziale negativa,

Per 𝜷 >1 le curve partono da un valore nullo per

𝟏 < 𝜷 < 𝟐 distribuzione alquanto simmetrica

𝜷 → tendenza a maggiore simmetria

𝜷 = 3.2 approssimazione molto buona alla distribuzione normale

Tutte le curve (al variare del parametro 𝛽) si incrociano in un

rappresenta il ‘’tasso di guasto’’

per 𝛽 < 1, il tasso di guasto è decrescente

Calcoliamo la probabilità che un cuscinetto duri almeno 6000 ore.

Di conseguenza, solo il 33.4% di tutti i cuscinetti durerà almeno 6000 ore.

N.B.: essendo β > 1, il tasso di guasto cresce

Obiettivo Ottenere informazioni sulle caratteristiche di una popolazione

Scelta di un campione formato da un numero limitato di elementi e sulla base

Il trasferimento delle informazioni

somma delle probabilità associate a

La MEDIA della variabile aleatoria discreta 𝑥 è:

La VARIANZA della variabile aleatoria discreta 𝑥 è:

Un esperimento che consiste in 𝑛 prove ripetute tali che:

Se 𝑥 è una variabile casuale binomiale, con parametri n e p (n è il numero di valori possibili e p è la

N.B.: La distribuzione normale standardizzata approssima la distribuzione binomiale quando 𝑛𝑝 ≥ 5 e

La media e la varianza della distribuzione sono:

G. Belingardi. Strumenti statistici per la meccanica sperimentale e l’affidabilità

Montgomery, Runger, Hubele. Statistica per l’ingegneria

Você também pode gostar