Download ppt - G. Filatrella: Corso di Elaborazione Statistica dei Dati Sperimentali 1 Le distribuzioni di probabilità continue Giovanni Filatrella ( [email protected]

G. Filatrella: Corso di Elaborazione Statistica dei Dati Sperimentali1

Le distribuzioni di Le distribuzioni di probabilità continueprobabilità continue

Giovanni Filatrella (Giovanni Filatrella ([email protected]@unisannio.it))

Elaborazione Statistica dei Dati Elaborazione Statistica dei Dati SperimentaliSperimentali Facoltà di Scienze MM FF e NN,

Università Sannio


Distribuzioni continue

Supponiamo di far ruotare un ago dando una spinta iniziale tale che farà molti giri prima che l’attrito lo fermerà. Qual è la probabilità che si fermi ad un angolo x?


Distribuzioni di probabilità per variabili continue

Definiamo una variabile casuale x una variabile che può assumere diversi valori, per semplicità in un intervallo:

x: xMinx xMax

Ognuno di questi valori con probabilità f(x).

Una variabile casuale si dice continua perché i valori che può assumere, cioè le x, non sono numerabili, cioè non si possono mettere in corrispondenza biunivoca con un insieme di indici interi, ma solo con un sottoinsieme dei numeri reali.


Attenzione a non confondere i seguenti 4 concetti:

1. x è il simbolo che denota la variabile casuale2. x denota anche i valori che la variabile può

assumere3. La f(x) è la densità di probabilità, non la

probabilità.4. La probabilità che la variabile casuale assuma

un valore all’interno di un intervallo è data dalla densità di probabilità tramite la formula:

B

A

x

x

BA dxxfxxxP )()(


Variabili continue: limite del caso

discreto

Supponendo di misurare una variabile continua per passi discreti, si può solo definire l’appartenenza di un individuo ad una classe. La distribuzione è approssimata con un istogramma.

L’ampiezza delle classi è x

La probabilità corrispondente ai valori discreti xi è l’area del rettangolo f(x)x.

x

f(x)

xi x


Richiamo del significato di integrale

L’integrale èl’area

sottesadalla

funzionef(x)

x

f(x)

xMIN xMAX


Uso dell’integrale nelle distribuzioni continue

L’integrale è la probabilità che la variabile casuale assuma un valore in un intervallo e dipende dalla densità di probabilità f(x)

x

f(x)

x1 x2


Domande

D1: Quanto vale l’area in giallo sotto la curva nella figura precedente?

D2: Se si chiedesse la probabilità che una variabile continua assuma un valore specifico quanto vale?

D3: Qual è il legame con gli istogrammiD4: Per la variabile casuale della roulette

(la trasparenza 2) com’è fatto il grafico della densità di probabilità?


Esercizio

• Come si interpreta il picco nella figura precedente?


La distribuzione uniforme nel caso continuo

La densità di probabilità è identica per tutto l’intervallo

L’altezza si trova dalla condizione che la probabilità totale sia 1

x

1/(2)

0 2


Valore aspettato per variabili continue

Variabili continue

max

)(][x

xMin

dxxxfxE

max

1

][i

iii pxxE

Variabili discrete

probdi avere

x

Somma


Varianza per variabili continue

Variabili continue

Variabili discrete

probabilità

di x

Somma

max

)()(][ 22x

xMin

dxxfxxVar

max

1

22 )(][i

iii pxxVar

Scarto quadratico


Confronto del caso continuo e discreto

1. L’integrale è approssimato con un istogramma.

2. L’ampiezza delle classi è x (per x 0 si ottiene proprio l’integrale).

3. La probabilità corrispondente ai valori discreti xi è l’area del rettangolo f(x)dx.

x

f(x)

xi x


Esercizi

• *In base a questa corrispondenza trovare le formule per il valore aspettato e la varianza nel caso discreto a partire da quelle del caso continuo.

• **Trovare il valore aspettato della variabile casuale con distribuzione uniforme.


Carl Friedrick Gauss (1777 - 1855)

Gentile concessione della Deutsche Bundesbank


Distribuzione di Gauss-Laplace

o “Normale”La distribuzione di

Gauss ha due parametri, e , che la descrivono completamente:

2

2

2

)(

2 2

1)(

x

exfCaso =0


Altri casi di gaussiane con diversi valori aspettati

Caso =1 Caso =4


Distribuzione normale: interpretazione grafica dei

parametri è il valore in

corrispondenza del massimo

è un flesso - è un flessoL’area fra eè 0.68

0.68


Distribuzione normale: significato dei parametri

I parametri che appaiono nella formula della distribuzione gaussiana non a caso coincidono con i simboli di valore aspettato e varianza:

dxexxEx

2

2

2

)(

2 2

1][

dxexxVarx

2

2

2

)(

2

22

2

1)(][


Quadro riassuntivo delle proprietà della gaussiana f(x):

1. Normalizzazione: f(x) dx = 1

2. Simmetria attorno al valore aspettato: f(x-)=f( -x)

3. Ha un massimo per x=4. Ha un flesso perxe x5. Il valore aspettato è: E[x]=6. La varianza è: Var[x]=


Calcolo delle probabilità distribuite gaussianamente

Se una variabile ha distribuzione gaussiana è completamente individuata dai parametri e .

Supponiamo di avere e , e che ci si chieda la probabilità che x . Come si può procedere?


Soluzione

Risolvendo l’integrale:

5

1

5.22

)2(

2

2

2

25.2

1)51( dxexP

x

Che equivale a trovare l’area:


Calcolo della soluzione

Purtroppo l’integrale non è calcolabile esplicitamente, cioè non esiste una funzione semplice che permetta di valutarlo.

Esistono delle tavole che riportano alcuni valori di quest’integrale per e

Da questi valori si possono i corrispondenti valori per e arbitrari.


Tavola dell’integrale

gaussianoC. Cametti, A. Di

Biasio:“Introduzione

all’elaborazione dei dati sperimentali” ,

Tabella I, p. 327

z t

dteztP 2

2

2

1)(


Nomenclatura

La z si chiama “variabile standardizzata”.Essa rappresenta il caso particolare di

variabile gaussiana di media nulla e deviazione standard unitaria.

Per trasformare una qualsiasi variabile gaussiana in quella standardizzata occorre dunque cambiare la variabile in modo che diventi a) a valore aspettato nullo b) a varianza unitaria.


Il cambiamento di variabile: 1) spostare il valore medio

Per trovare questo cambiamento dobbiamo dunque avere:

xx0xE atrasformat

x


Il cambiamento di variabile: 2) cambiare la larghezza

Per trovare questo cambiamento dobbiamo dunque avere:

/xx1xVar atrasformat

x


Sommario della procedura:

1. Conoscere valore aspettato e deviazione standard della variabile originaria x

2. Conoscere i limiti x1 e x2 entro i quali si vuole trovare la probabilità che la variabile casuale sia compresa.

3. Trasformare questi limiti nei limiti z1 e z2 della variabile standardizzata (z):

4. Trovare la probabilità che la variabile standardizzata sia compresa fra questi limiti.

x

z


Esempio di calcolo di probabilità con una variabile

gaussiana

Supponiamo di avere e , e che ci si chieda la probabilità che x .

In formule:

5

1

5.22

22

2

25.2

1)51( dxexP

x


1. Valore aspettato e deviazione standard della variabile originaria x: E[x]=2 Var[x]=2.5

2. I limiti x1 e x2 entro i quali si vuole trovare la probabilità che la variabile casuale sia compresa: x1=1 e x2 =5

3. I limiti z1 e z2 della variabile standardizzata (z):

4. La probabilità che la variabile standardizzata sia compresa fra questi limiti:

0.885-0.656+0.5=0.729

Applicazione del calcolo ad un caso specifico:

2.15.2

25xz 4.0

5.2

21xz 2

21

1


Tavole come quella allegata non sono tavole per integrali con intervalli arbitrari. In particolare nella tabella si è riportata :

che è la probabilità da - a z (distribuzione cumulativa di probabilità). Come è stata calcolata la probabilità per un intervallo arbitrario?

Tavole della gaussiana standardizzata

z t

dteztP 2

2

2

1)(


La probabilità che z sia compreso fra z1 e

z2 si può trovare dalla probabilità che sia minore di z1 e minore di z2:

Costruzione per ottenere l’area per differenza

z1 z2 x


Un’estensione delle tavola

Come si trovano le probabilità corrispondenti a valori negativi della variabile?


Un caso particolarmente importante

Supponiamo di chiederci quale sia la probabilità che la variabile standardizzata sia compresa fra –1 e +1. Consultando la tavola si trova:

68.02

1)11(

1

1

2

2

dtetP

t


Proprietà delle gaussiane

Si può tradurre il risultato precedente in un fatto generale:

“per qualsiasi distribuzione gaussiana la probabilità di trovare un valore della

variabile fra ed è il 68%”

Osservazioni:1) Questa proprietà è tipica solo delle

gaussiane, non di altre distribuzioni;2) E’ un metodo per trovare dal grafico.


Applicazione di questa proprietà

Il risultato precedente si può rappresentare matematicamente come:

ed analogamente si può dimostrare che:

, 68.02

1)(

2

2

2

dxexPx

,

9974.02

1)33(

9546.02

1)22(

3

3

2

2

2

2

2

2

2

2

dxexP

dxexP

x

x


Esempio per e


Domande

• Qual è la probabilità di trovare la variabile casuale fra ed per una distribuzione uniforme?

• Da un grafico di una gaussiana di cui non si conosce la deviazione standard, come la si potrebbe determinare?