VARIABILI CASUALI

VARIABILI CASUALI E DISTRIBUZIONE DI PROBABILITA

Una variabile casuale X una funzione definita sullo spazio campionario S che associa ad ogni evento E ! S uno ed un solo numero reale.

N.B: - sinonimi di variabile casuale sono variabile aleatoria e variabile stocastica. - Borra e Di Ciaccio usano il simbolo ! al posto di S per indicare lo spazio campionario.
2

VARIABILI CASUALI
In pratica la Variabile Casuale trasforma lo spazio campionario originale (formato da eventi di natura qualsiasi) in un nuovo spazio campionario formato da numeri reali, che vengono detti determinazione o realizzazione della Variabile Casuale stessa.

ESEMPI
In alcuni casi il risultato di un esperimento casuale gi di per s (o pu essere considerato) un numero reale, come nel lancio di un dado: S= 1, 2, 3, 4, 5, 6

In altri casi, come il lancio di una moneta, gli eventi elementari non sono numeri reali, ma possono diventarlo utilizzando una variabile casuale che trasformi lo spazio campionario originale.

S
VALORI O Numeri reali

EVENTI ELEMENTARI
(di natura qualsiasi)

DETERMINAZIONI O REALIZZAZIONI

ESEMPIO: LANCIO DI UNA MONETA

S = T, C

X(S) = S = 0,1

di X
3

X(T) = 0 ; X(C) = 1
4

ESEMPIO
La v.c. X somma dei punteggi di due dadi trasforma lo spazio campionario S relativo al lancio di due dadi in S formato da 11 numeri interi.

VARIABILI CASUALI DISCRETE E CONTINUE

Una variabile casuale discreta pu assumere un insieme discreto (finito o numerabile) di numeri reali. Una variabile casuale continua pu assumere tutti i valori compresi in un intervallo reale.

S S
5 6

FUNZIONE DI PROBABILITA (VARIABILI CASUALI DISCRETE)

Data una v.c discreta X che assume i valori:

FUNZIONE DI PROBABILITA (V.C. DISCRETE)

La funzione di probabilit (f.p.) si indica anche con il simbolo f(x) in alternativa a P(x). La f.p. si pu definire anche su tutto linsieme dei numeri reali (non solo sullinsieme dei possibili valori della V.C.) nel seguente modo: f(x) = P(X=x) , ! x ! R In tal caso valgono le seguenti propriet: f(x) > 0 per x = x1, x2, xn, f(x) = 0 altrimenti
7

x1, x2, , xn,

con

x1 " x2 " " xn " ..

Si definisce funzione di probabilit (f.p.) di X la funzione che associa ai possibili valori di X le rispettive probabilit di verificarsi.

P(xi) = P(X=xi)

Probabilit che la v.c. X assuma il valore xi

x = #"

! f (x) = 1
8

+"

FUNZIONE DI RIPARTIZIONE
(VARIABILI CASUALI DISCRETE)
La cumulata della funzione di probabilit di una variabile discreta X viene definita funzione di ripartizione (f.r.):

Esempio 1: Variabile Casuale binaria con eventi equiprobabili (lancio di

una moneta).

1
P(X " x) = 0 per x < 0 per 0 " x < 1 per x $ 1 F(x) = # 1

P(x) # # F(X) =
Come sar chiaro dai seguenti esempi, la f.r. rappresenta la probabilit che la X assuma un valore nellintervallo ( !", x ] :

F(x)

Possiamo allora rispondere alla eseguenti domande: P(x " -3) = ? P(x " 0,7) = ? Risposta: F(-3) = 0 Risposta: F(0,7) = # Risposta: F(2,5) = 1
10

F(x) = P(X " x)

9

P(x " 2,5) = ?

Esempio 2: Lancio di un dado.

Esempio 3: Somma del punteggio di due dadi. 2 3 4 5 6

X P(x) F(x)

1/6 1/6 1/6 1/6 1/6 1/6 1/6 2/6 3/6 4/6 5/6 1

Rispondiamo alle seguenti domande: P(x " 4) = ? P(2 < x " 4) = ? P(2 " x " 4) = ? P(x = 7) = ? Risposta F(4) = 4/6 Risposta P(3) + P(4) = F(4) F(2) = 2/6 Risposta P(2) + P(3) + P(4) = 3/6 Risposta P(7) = 0 perch 7 un evento impossibile.
11 12

FUNZIONE DI RIPARTIZIONE: PROPRIETA

Osservazione: la funzione di ripartizione di una v.c. discreta sempre una funzione crescente a gradini. In virt di ci riusciamo a calcolare probabilit del tipo (riferendoci allesempio precedente): P(4,2 " X " 7,3) = 21/36 - 6/36 = 15/36 Dal momento che i due estremi dellintervallo (4,2 e 7,3) sono eventi impossibili e dunque hanno probabilit nulla, il fatto di includerli o meno non altera il risultato: P(4,2 < X < 7,3) = 15/36

13

14

Media (o Valore Atteso) e Varianza di una V.C.

MEDIA O VALORE ATTESO

Propriet del Valore Atteso e della Varianza di una V.C.

Il Valore atteso e la varianza di una V.C. godono di propriet analoghe a quelle rispettivamente della media aritmetica e della varianza di un carattere statistico. In particolare: Varianza Valore atteso V(aX + b) = a2 V(X) E(aX + b) = a E(X) + b

E( X ) =

! xi f (xi )
i

= x

VARIANZA

V(X) =

# ( xi " x )2
i

2 f (xi ) = ! x

con a e b costanti E(a1X1 + a2X2 + + anXn) = = a1E(X1) + a2 E(X2) + an E(Xn) Con a1, a2, , an costanti

con a e b costanti Se X1 , X2 , , Xn sono V.C. indipendenti, V(X1 + X2 + + Xn) = = V (X1) + V (X2) + + V(Xn)
16

Osservazione: la media e la varianza di una V.C. sono definite in modo identico alla media e alla varianza di un carattere statistico (la funzione di probabilit (f.p.) della V.C. corrisponde alla distribuzione delle frequenze relative di un carattere statistico).
15

Caratteri statistici e Variabili Casuali in parallelo

CARATTERI STATISTICI
DISCRETI CONTINUI DISTRIBUZIONE DELLE FREQUENZE (RELATIVE) DISTRIBUZIONE DELLE FREQUENZE RELATIVE CUMULATE MEDIA (ARITMETICA) VARIANZA

Esercizi svolti

VARIABILI CASUALI
DISCRETE CONTINUE DISTRIBUZIONE DI PROBABILITA funzione di probabilit o funzione di densit FUNZIONE DI RIPARTIZIONE VALORE ATTESO VARIANZA
17 18

Esercizi svolti
svolgimento
Distrib. C)

Esercizi svolti

19

20

Esercizi svolti

Esercizi svolti

SUCCESSIVA

21

22

Esercizi svolti

Esercizi svolti
d) Costruiamo la funzione di ripartizione F(x), data dalla cumulata della f.p. f(x) (v. ultima colonna della tabella precedente)

f(5) + f(6) + + f(11)

Oppure: P(X>4) = 1 F(4) = 1 0,768 = 0,232
23 24

La V.C. Uniforme (discreta)

Una V.C. uniforme discreta assume s valori compresi in un certo intervallo [a, a + s-1] con la stessa probabilit 1/s. f.p. : f(x) = 1/s per x = a, a + 1, .., a + s-1 f(x) = 0
altrimenti Esempi di V.C. Uniformi discrete: Il risultato del lancio di un dado (a=1; s=6); Il risultato del lancio di una moneta (posto Testa=0, Croce=1) Nel grafico a fianco, a=1 e s=8
25

La V. C. di Bernoulli

(o dicotomica o binaria)

Una variabile casuale suscettibile di assumere due soli valori viene detta variabile casuale Dicotomica, o Binaria o di Bernoulli. Per convenzione: x1 = 0 (insuccesso) e x2 =1 (successo); Funzione di probabilit: f(x) = P(X=x) = !x(1-!)1-x , Che equivale a: f(0) = P(X=0) = 1-! ; f(1) = P(X=1) = per x = 0,1 P(X=1) = ! (0<!<1)

!
26

La V. C. di Bernoulli
MEDIA E VARIANZA

(o dicotomica o binaria)

La V.C. Binomiale
Sia dato un esperimento casuale descritto da una v.c. dicotomica Z cos definita: Z = 0 insuccesso ; f(0) = 1-! Z = 1 successo ; f(1) = ! (0 < ! < 1)

E ( X ) = 0 # (1 " ! ) + 1 # ! = ! V ( X ) = (0 " ! ) (1 " ! ) + (1 " ! ) ! = ! 2 (1 " ! ) + (1 " ! ) 2 ! = ! (1 " ! ) # [(! + (1 " ! )] = ! (1 " ! )
1
27

Se effettuiamo n prove indipendenti di questo esperimento, il numero dei successi ottenuti a sua volta una v.c. che pu assumere i valori: 0, 1, , n Tale v.c detta Binomiale e la sua funzione di probabilit data da:

(n% f ( x ) = & # " ) x " (1 ! ) ) n ! x &x# ' $

x = 0, 1, 2, .......... , n
28

Questa espressione viene definita coefficiente binomiale e si legge n su x

Calcolo del coefficiente binomiale

Il coefficiente binomiale si calcola nel seguente modo:
'n$ n! % " = %x" x! (n ! x )! & #

Calcolo del coefficiente binomiale

In generale:

(n% n! n! / & # = = = 1 &0# 0! (n " 0)! 1 ! n! / ' $

(n% n! n " (n ! 1)! & # = = = n &1# 1! (n ! 1)! 1 " (n ! 1)! ' $

Lespressione n! si legge n fattoriale e rappresenta il prodotto dei primi n numeri naturali:

n! = 1 ! 2 ! ... ! (n " 1) ! n
Esempio:

Per definizione: 1! = 1 0! = 1

' n $ n! % % n ( 1" = (n ( 1)! ! 1! = n " & # 'n$ n! / % " = = 1 %n" 0! ! n! / & #

Inoltre vale sempre la seguente uguaglianza:

(5% 5! 5 ! 4 ! 3 ! 2 ! 1 (5 ! 4) ! 3! / & # = = = = 10 & 2# 2! (5 " 2)! ( 2 ! 1) ! 3! 2 ! 3! / ' $

29

&n# & n # $ ! = $ $x! $n ' x ! ! % " % "

La dimostrazione banale, fatela come esercizio.

30

ALCUNI ESEMPI DI V.C. BINOMIALE

La v.c. Binomiale X rappresenta il numero di successi ottenuti in n prove indipendenti di un esperimento casuale che pu avere due soli risultati (denominati successo e insuccesso). Numero di volte in cui si presenta Testa lanciando una moneta n volte; Numero di volte in cui si presenta il 6 (o la faccia che preferite) lanciando un dado per n volte; Numero di volte in cui si presenta una faccia pari / dispari lanciando un dado per n volte; Numero di palline bianche estratte da unurna contenente palline bianche e nere, con n estrazioni (reimmettendo ogni volta la pallina estratta nellurna prima della nuova estrazione);
31

Esempio di Binomiale
Sia X il numero di volte in cui si presenta Testa lanciando una moneta per 4 volte. X chiaramente una v.c Binomiale (!=1/2; n=4).

X 0 1 2 3 4

' 4$ ' 1 $ ' 1 $ % " f (x) = % " ( % " ( % " &x# & 2# & 2#
& 4# & 1 # & 1 # $ ! $0! ' $ 2 ! ' $ 2 ! = % " % " % "
& 4# & 1 # & 1 # $ !'$ ! '$ ! = $1! 2 % " % " %2"
1 3

4! x

F(x) = cumulata di f(x)

1/16 4/16 6/16 4/16 1/16

1/16 5/16 11/16 15/16 1

32

& 4# & 1 # & 1 # $ ! $ 2! ' $ 2 ! ' $ 2 ! = % " % " % "

Media e Varianza della V.C. Binomiale

La v.c Binomiale pu essere pensata come la somma di n v.c di Bernoulli, indipendenti e identicamente distribuite. Infatti la v.c Binomiale x rappresenta il numero di successi (v.c di Bernoulli = 1) ottenuti in n prove indipenti. Pertanto il valore atteso e la varianza della binomiale si ottengono nel seguente modo: MEDIA o VALORE ATTESO

Media e Varianza della V.C Binomiale

VARIANZA V(X) = V(Z1 + Z2 + + Zn) = !(1"!) + !(1"!) + + !(1"!) = n ! (1"!)
Nota: abbiamo applicato la propriet per cui la varianza della somma di n variabili indipendenti uguale alla somma delle rispettive varianze. Alcune propriet della Binomiale:
1. Il valore atteso e la varianza crescono al crescere di n; 2. Per !=0.5 la distribuzione simmetrica rispetto al valor medio (n/2);

E(X) = E(Z1 + Z2 + +Zn) = ! + ! + + ! = n!

V.C. di Bernoulli Nota: abbiamo applicato la Propriet associativa della media aritmetica.
33

3. Per n % + ! la distribuzione tende ad essere simmetrica rispetto al valor medio.

34

Esempi di Binomiale
Entrambe le distribuzione sono simmetriche in quanto ! = 0,5

Esercizi svolti - Binomiale

svolgimento

N.B. in questi esercizi si usa il simbolo p al posto di !.

35 36

Esercizi svolti - Binomiale

Esercizi svolti - Binomiale

37

38

Esercizi svolti - Binomiale

39

40

Esercizi svolti - Binomiale

Esercizi svolti - Binomiale

41

42

Esercizi svolti Binomiale

(da Levine et al.)

Es. svolti Binomiale

43

44

V.C. CONTINUE - Funzione di densit

Data una V.C. continua X che assume valori in un intervallo (a,b) ad essa associata una funzione detta FUNZIONE DI DENSITA (f.d.) definita in modo che:

V.C. CONTINUE - Funzione di densit

La f.d. (funzione di densit) corrisponde alla funzione di probabilit delle V.C. discrete ma, a differenza di questa, non rappresenta una probabilit:

1) f(x) > 0 f(x) = 0

se a<x<b altrimenti

V.C discrete - f.p.: f(x) = P(X = x) V.C continue - f.d.: f(x) & P(X = x)

2) larea totale sottesa dalla funzione uguale a 1.

Per chi ha nozioni di calcolo integrale:
+" #" b
P(0,5<X<0,7)=0,229

La f.d. serve a calcolare la probabilit che X assuma un valore compreso in un certo intervallo. Tale probabilit rappresentata dallarea sottesa dalla curva in quellintervallo.

f ( x )dx =

! f ( x )dx

= 1

45

46

V.C. CONTINUE
La probabilit che una V.C continua X assuma un particolare valore reale sempre 0:

Funzione di ripartizione V.C. Continue

Data una v.c. continua X, la funzione che fa corrispondere ai valori x le probabilit cumulate P(X " x) viene detta funzione di ripartizione.

P( X = x ) = 0

#x " !

Ci dovuto al fatto che lo spazio campionario (a,b) talmente numeroso (denso) che la sua probabilit unitaria si ripartisce tra un numero cos infinitamente grande di punti da diventare infinitesima.
Tuttavia la somma di tutte queste probabilit infinitesime, risulta pari a 1:

F(x) = P(X " x)

P(X=x) f(x)

Evento X=x, x ! (a,b) X=x, x ! (a,b)

Per chi ha nozioni di calcolo integrale:

possibile

b a

> 0 Evento

! f ( x )dx = 1

= 0 Evento

F(x) =
47

impossibile

#"

f (w )dw =

! f (w )dw
48

Funzione di ripartizione V.C. Continue

Esempi di funzioni di densit e corrispondenti funzioni di ripartizione.

Funzione di ripartizione V.C. Continue

P(X"12)

12

12

F(x) = 0 F(x) = 1 0<F(x)<1

se x < a se x $ b se a<x<b

P(X"1,5)

oppure, se a = " ! e b = + ! lim F ( x ) = 0 ; lim F ( x ) = 1

x # "! X # +!
49 50

Funzione di ripartizione V.C. Continue

La funzione di ripartizione ci serve operativamente a calcolare la probabilit che la V.C. X assuma un valore compreso in un qualsiasi intervallo reale.

Valore Atteso e Varianza

Il Valore atteso e la Varianza di una V.C. Continua sono definiti da integrali.

P(X " x1) = F(x1) P(x1< X " x2) = F(x2) F(x1) P(X > x2) = 1 - F(x2)

MEDIA o VALORE ATTESO

$

E( X ) =

"$

# Xf ( X )dX

= x

Notate lanalogia con la media e la varianza definite per le V.C. discrete. Lintegrale lequivalente della sommatoria per le V.C. continue.

VARIANZA
N.B: tali probabilit si possono calcolare anche utilizzando la f.d., ma ci richiede il calcolo integrale.
51

V(X) =

x1

x2

"$

#(X " x )

2 f ( X )dX = ! x
52

Distribuzione uniforme continua

Una v.c. uniforme continua una v.c. che assume valori reali in un intervallo limitato [a,b] con a e b numeri reali.
% 1 "b & a " f (x) = $ " 0 " #
Si dimosta che:

V.C. Normale

(o Gaussiana)

Si dice che una V.C. X Normale, oppure che X si distribuisce Normalmente, se la sua f.d. del tipo seguente:
1 + x% ( % ) & e 2* , '
2

se a ! x ! b altrove

f (x) =
P(0,50 < x < 0,75)

, 2-

%$ < x < $

(a + b) E (X ) = 2 V (X ) = (b ! a )2 12
53

Parametri:

#% $ < < $ " ! , >0

" ! 3,14 e ! 2,789

54

V.C. Normale

V.C. Normale
La curva rappresentata dalla f.d. Normale ha sempre forma campanulare ed simmetrica rispetto a .

= E(X) = Mediana = Moda # = Scarto quadratico medio

Parametro di Posizione Parametro di forma

Come varia la f.d normale al variare di

, rimanendo #

costante.
55 56

V.C Normale
Come varia la f.d. Normale al variare di #, rimanendo costante.

V.C Normale
Propriet della V.C. Normale: Ogni trasformazione lineare di una v.c. Normale ancora una v.c. Normale. La somma di due v.c. Normali indipendenti ancora una v.c. Normale (con media e varianza pari, rispettivamente, alla somma delle medie e delle varianze delle due v.c. Normali).
57 58

Utilit della distribuzione Normale

La distribuzione Normale riveste enorme importanza in Statistica, per diversi motivi. Ai fini del nostro corso di base ce ne interessano solo due, a) e b): a) descrive molto bene la distribuzione di numerosi fenomeni e variabili, in particolare di natura fisica, come il peso e la statura.
Esempio 1: Peso e statura di un individuo. Gli studi empirici mostrano che, se la popolazione omogenea (non sono presenti razze con caratteristiche diverse), il peso e la statura si distribuiscono in modo approssimativamente Normale. Esempio 2: Lunghezza dei petali di un fiore

Utilit della distribuzione Normale

Esempio da Levine et al. 2006 Spessore di 10.000 rondelle di ottone.

Lunghezza petali

59

60

Utilit della distribuzione Normale

Segue Esempio da Levine et al. 2006 Istogramma e Poligono per gli spessori di 10.000 rondelle di ottone

Utilit della distribuzione Normale

Osservazione: Una V.C che pu assumere tutti i valori reali potrebbe sembrare inadeguata a descrivere la maggior parte dei caratteri o variabili reali che assumono perlopi valori positivi e limitati ad un intervallo. Ad esempio, la variabile peso di un individuo non pu assumere valori negativi o maggiori, diciamo, di 300 Kg. Eppure, anche in tali casi, la distribuzione Normale permette spesso uneccellente, anche se approssimata, rappresentazione del fenomeno. b) La distr. Normale importante anche per il Teorema del Limite

Centrale e le sue implicazioni, ma di questo ci occuperemo in seguito.

61 62

Calcolo delle Probabilit con la distribuzione Normale

Quando si opera con la distribuzione Normale (e con le distribuzioni continue in genere) siamo interessati a calcolare le probabilit corrispondenti a tre tipi di intervallo: ( "! , x) ; (x , + !) ; (x1 ; x 2 )

La Standardizzazione
Definizione: Data una distribuzione statistica del carattere (o della V.C.) X con media e scarto quadratico medio #, la standardizzazione consiste nel trasformare ogni osservazione xi nel nuovo valore: x " zi = i

Per la Normale, come per le altre V.C continue, si ha:

P ( !# < X " x ) = F ( x ) P ( x < X < +#) = 1 ! F ( x ) P ( x1 < X " x 2 ) = F ( x 2 ) ! F ( x1 )

Il calcolo diretto della F(x) Normale richiede il calcolo di un integrale piuttosto complesso. Per questo si preferisce ricorrere ad un metodo indiretto che sfrutta la distribuzione della cosiddetta Normale standardizzata.
63

Si pu dimostrare che la distribuzione del nuovo carattere Z (detto variabile standardizzata) ha media nulla e varianza unitaria. Quindi la standardizzazione una particolare trasformazione lineare che, applicata ai dati originali, produce dei nuovi dati che hanno la caratteristica di avere sempre media=0 e varianza=1.
64

V.C. Normale standardizzata

Data la V.C. X ~ N(,#2) , sia:

In generale, ad ogni intervallo di valori di X corrisponde uno ed un solo intervallo di valori di Z (e viceversa) e la probabilit associata ai due intervalli la stessa!

X " z= !

Come tutte le variabili standardizzate, Z ha media=0 e varianza=1. In pi, derivando da una V.C. Normale, si pu dimostrare che Z ha anchessa distribuzione Normale: Z ~ N(0,1) La f.d. di Z risulta pertanto:

f (z) =

1 2#

1 " z2 e 2

"! < z < !

65 66

In generale, ad ogni intervallo di valori di X corrisponde uno ed un solo intervallo di valori di Z (e viceversa) e la probabilit associata ai due intervalli la stessa!

Uso delle tavole della Normale standardizzata

$(0)=0,5=P(Z!0)

$(0,68) = P(Z!0,68)

N.B. Poich X continua, il fatto di includere o meno gli estremi dellintervallo non altera la probabilit dellintervallo stesso. Ad es.: P(x1 ! X ! x2) = P(x1 < X < x2).
Infatti ciascun punto ha probabilit = 0 67
La tavola si ferma a Z=4,09. Per valori di Z maggiori, $(Z) ! 1

68

Uso delle tavole della Normale standardizzata

Larea a sinistra di z% rappresenta $(z%) = P(Z ! z%)

Uso delle tavole della Normale standardizzata

Esempi con valori di Z positivi. Per Z = 0,7 troviamo $(0,7) = P(Z " 0,7) = 0,7580

Di conseguenza: P(Z > 0,7) = 1 - $(0,7) = 1 - 0,7580 = 0,2420

Larea a destra di z% rappresenta P(Z >z%) = 1- $(z%)

Per Z = 1,25

troviamo

$(1,25) = P(Z " 1,25) = 0,8944

Di conseguenza: P(Z > 1,25) = 1 - $(1,25) = 1 - 0,8944 = 0,1056 P(0,7 < Z "1,25) = $(1,25) $(0,7) = 0,8944 0,7580 = 0,1364

N.B.: le tavole si riferiscono solo a valori di Z positivi

69

70

Uso delle tavole della Normale standardizzata

Come si opera per valori di Z negativi? Si sfrutta della simmetria della curva Normale per cui:

Uso delle tavole della Normale standardizzata

A questo punto siamo in grado di calcolare la probabilit che Z assuma valore in un intervallo qualsiasi.

% z > 0: P (Z $ -z) = P(Z # z ) ovvero : !( "z ) = 1 " !( z )

$(-z)

1 " $(z) Esempio: calcoliamo P(-0,7 < Z < 1,25)

Esempi: per z = 2,31 sfrutto le seguenti uguaglianze: P(z " -2,31) = P(z > 2,31) P(z > -2,31) = P(z " 2,31)
Questo lunico valore che mi fornisce la tavola: 0,0104
71

P(-0,7 < Z < 1,25) = $(1,25) $(-0,7) = $(1,25) [1 $(0,7)] = = 0,8944 [1 0,7580] = 0,6524

72

Calcolo delle probabilit con una Normale qualsiasi

Esercizio: supponiamo che il contenuto della confezione di detersivo prodotto da una certa fabbrica abbia un peso X cos distribuito: X~N ; = 500 gr ; # = 5 gr e P(490 < X " 510) Trovare: P(X > 520) Soluzione:

Esercizio distribuzione Normale

Data una V.C. X ~ N( = 15, #2 = 25) calcolare: a) P(X " 16) c) P( 16 < X " 18,6) d) Il valore di X che lascia alla sua destra una probabilit del 45% b) P(X > 18,6)

X - 520 " 500 1) P(X > 520) = P ( > ) = $ 5 = P (Z > 4) = 1 " #( 4) = 1 " 0,99997 ! 0

Lazienda praticamente sicura che il peso della confezione non superi 520 gr.

d) il terzo decile SOLUZIONE

490 ! 500 510 ! 500 2) P( 490 < x # 510) = P ( <Z# ) = 5 5 = P ( !2 < Z # 2) = "( 2) ! "( !2) = 0,97725 ! 0,02275 = 0,9545

P ( X " 16) = P (Z "

73

1 " $(2)

16 # 15 ) = 5 = P (Z " 0,2) = !(0,2) = 0,5793

a)

16 15

74

Esercizio distribuzione Normale b)

P ( X > 18,6) = P (Z > 18,6 " 15 ) = 5 = P (Z > 0,72) = 1 " !(0,72) = 0,2358
15 18,6

Esercizio distribuzione Normale d) Si tratta in questo caso di risolvere il problema inverso: data una
probabilit a, vogliamo determinare il valore za t.c. P(Z" za)=a.

Si ha:
1-0.45=0.55 & cercando tale probabilit dentro la tavola si individuano i valori 0.12 e 0.13 & (0.12+0.13)/2=0.125 & P(Z!0.125)=0.55 Adesso dobbiamo trovare il corrispondente valore x: P(Z!0.125)=0.55 & P(Z*#+!0.125*#+)=0.55 &P(X!0.125*5+15)=0.55
15

c) Per il calcolo di P(16<X"18,6) si pu procedere in due modi:

1. P(16<X!18,6) = F(18,6) F(16) = P(X!18,6) P(X!16)= = P(Z!0,72) P(Z!0,2) = 0,7642 0,5793 = 0,1849

2. Si standardizzano direttamente i due estremi dellintervallo:

55%

45%

P(16 < X # 18,6 ) = P (

16 ! 15 18,6 ! 15 <Z# )= 5 5 = P (0,2 < Z # 0,72) = "(0,72) ! "(0,2) = = 0,7642 ! 0,5793 = 0,1849
16 18,6

Quindi il valore x richiesto t.c. P(X>x)=0.45 ovvero t.c. P(X!x)=0.55 dato da x= 0.125*5+15=15.625

75

76

Calcolo di un quantile della distribuzione Normale

e) Il terzo decile quel valore x3 tale che: P(X " x3) = 0,3 e P(X > x3) = 0,7

Calcolo di un quantile della distribuzione Normale

Quindi per calcolare x3 dobbiamo prima trovare z3. Sappiamo che z3<0, mentre le tavole si riferiscono solo a valori positivi. Tuttavia ci aiutiamo con il fatto che z3 uguale a z7 (settimo decile). Poich P(Z " z7) = $(z7) = 0,7 dobbiamo
0,7 0,3

Si tratta del problema inverso a quello affrontato fino ad ora: mentre prima dovevamo ricavare una probabilit a partire da uno o due valori di X dati, adesso ci viene fornita una probabilit (0,3) e da essa dobbiamo ricavare un valore di X. Per ricavare x3 si passa ancora alla Normale standard:

cercare sulle tavole il valore di Z corrispondente a 0,7 e prenderne lopposto (per ottenere z3). Tuttavia le tavole non riportano il valore 0,7, quindi dobbiamo considerare i due valori pi prosimi per difetto e per eccesso, che sono: 0,6985 per Z=0,52

z3 0 z7

P (Z " e P (Z >

x 3 ! 15 ) = 0,3 5
Z3

x 3 ! 15 ) = 0,7 5
Z3

0,3

z3

77

0,7019 per Z=0,53

78

Calcolo di un quantile della distribuzione Normale

Pertanto il valore di Z corrispondente a 0,7 sar compreso tra 0,52 e 0,53, ovvero: 0,52 < z7 < 0,53 Possiamo allora approssimarlo nel seguente modo:

Calcolo di un quantile della distribuzione Normale

In fondo alla Tavola 1 sono riportati i valori di alcuni quantili z% per valori selezionati di %. Per valori di % o di $(z%) diversi da quelli riportati in fondo alla tavola, per trovare il quantile corrispondente z% possiamo comunque ricorrere al metodo generale utilizzato per il punto d) dellesercizio precedente.

0,52 + 0,53 = 0,525 2 Da cui si ricava z3 = "z7 = "0,525 z7 # Infine il valore di x 3 si ricava dalla seguente uguaglianza : z3 x " 15 = 3 da cui x 3 = 15 + 5 ! z3 = 15 " 5 ! 0,525 = 12,375 5

79

80

Esercizio

(da Levine et al.)

Esercizio

(da Levine et al.)

81

82

Esercizio

(da Levine et al.)

Esercizio
= 1 $(1,875)

(da Levine et al.)

Sulla tavola troviamo $(1,87) e $(1,88) per cui:

$(1,875) = [$(1,87) + $(1,88)]/2 = (0,9693 + 0,9699)/2 = 0,9696

Dunque: P(X>57,5) = 1 $(1,875) = 1 - 0,9696 = 0,0304

83

84

Esercizio
40

(da Levine et al.)

55 55 55

Esercizio

(da Levine et al.)

b) Se la tavola non contenesse le informazioni aggiuntive riportate nel rettangolo in basso, occorrerebbe trovare x* seguendo lo stesso procedimento utilizzato per trovare il 3 decile (v. es. precedente). Fatelo per esercizio a casa.

b) Cerchiamo quel valore x* tale che P(X < x*) = 0,05 Questo valore lo possiamo trovare (in forma standardizzata) nel rettangolo in fondo alla tavola:

Questo il valore che lascia 0,05 sulla destra, per cui z* il suo opposto = -1,64485

85

Come si vede dalla figura, si tratta di trovare il 2 e l8 decile di Z e poi di X. Pertanto si procede come quando abbiamo ricavato X3.
86

Esercizio

(da Levine et al.)

Quindi, procedendo come gi visto, si cerca il quantile di Z che lascia 0,15 alla sua sinistra:

87