LA DISTRIBUZIONE NORMALE o DI GAUSS
Transcript
LA DISTRIBUZIONE NORMALE o DI GAUSS
LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue – p. 1/1 LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàă principali in anticipo rispetto alla trattazione più completa fatta da Gauss. – p. 1/1 LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàă principali in anticipo rispetto alla trattazione più completa fatta da Gauss. È detta anche CURVA DEGLI ERRORI ACCIDENTALI in quanto, soprattutto nelle discipline fisiche, la distribuzione degli errori commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva. – p. 1/1 LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue Fu proposta da Gauss (1809) nell’ambito della teoria degli errori, ed è stata attribuita anche a Laplace (1812), che ne definì le proprietàă principali in anticipo rispetto alla trattazione più completa fatta da Gauss. È detta anche CURVA DEGLI ERRORI ACCIDENTALI in quanto, soprattutto nelle discipline fisiche, la distribuzione degli errori commessi nel misurare ripetutamente una stessa grandezza, è molto bene approssimata da questa curva. È definita da 2 parametri µ e σ ( con σ > 0) 1 √ f (x) ≡ N (x; µ, σ) = σ 2π 1 − e 2 x−µ σ 2 – p. 1/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ Il valore x = µ definisce la moda, la media e la mediana – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ Il valore x = µ definisce la moda, la media e la mediana È crescente per x < µ e decrescente per x > µ. – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ Il valore x = µ definisce la moda, la media e la mediana È crescente per x < µ e decrescente per x > µ. È asintotica all’asse x da entrambi i lati – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ Il valore x = µ definisce la moda, la media e la mediana È crescente per x < µ e decrescente per x > µ. È asintotica all’asse x da entrambi i lati Possiede due punti di flesso per x = µ ± σ . – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS 2 1 − 21 ( x−µ σ ) f (x) = √ e σ 2π È simmetrica rispetto a µ Il valore x = µ definisce la moda, la media e la mediana È crescente per x < µ e decrescente per x > µ. È asintotica all’asse x da entrambi i lati Possiede due punti di flesso per x = µ ± σ . Soddisfa alla condizione di normalizzazione. – p. 2/1 LA DISTRIBUZIONE NORMALE o DI GAUSS I parametri µ e σ definiscono FORMA e POSIZIONE. – p. 3/1 LA DISTRIBUZIONE NORMALE o DI GAUSS I parametri µ e σ definiscono FORMA e POSIZIONE. Al variare di µ la curva trasla sull’asse delle x. – p. 3/1 LA DISTRIBUZIONE NORMALE o DI GAUSS I parametri µ e σ definiscono FORMA e POSIZIONE. Al variare di µ la curva trasla sull’asse delle x. Al variare di σ la curva modifica la sua forma appiattendosi o innalzandosi. – p. 3/1 DISTRIBUZIONE NORMALE e FUNZIONE CUMULATIVA Rb Gli integrali a f (x)dx non sono valutabili analiticamente, ma numericamente e si utilizzano tabelle della funzione cumulativa: Rb a f (x)dx = F (b) − F (a) – p. 4/1 LA DISTRIBUZIONE NORMALE Per verificare alcune proprietà della distribuzione di Gauss si deve far riferimento all’integrale di Gauss di cui riportiamo il risultato: Z Z = +∞ +∞ e −z 2 √ dz = π, da cui anche −∞ 2 e − z2 dz −∞ Z +∞ “ z ”2 − √2 e −∞ d z √ 2 √ √ Z 2= 2 +∞ e −x2 √ dx = 2π −∞ – p. 5/1 DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione – p. 6/1 DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione Z +∞ Z +∞ 2 1 − 21 ( x−µ ) σ √ e f (x)dx = dx −∞ −∞ σ 2π – p. 6/1 DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione Z +∞ Z +∞ 2 1 − 21 ( x−µ ) σ √ e f (x)dx = dx −∞ −∞ σ 2π dx x−µ da cui dz = Cambio di variabile: z = σ σ – p. 6/1 DISTRIBUZIONE NORMALE: NORMALIZZAZIONE Verifichiamo la normalizzazione Z +∞ Z +∞ 2 1 − 21 ( x−µ ) σ √ e f (x)dx = dx −∞ −∞ σ 2π dx x−µ da cui dz = Cambio di variabile: z = σ σ √ Z +∞ Z +∞ 1 2π σ − z2 2 dz = √ = 1 e f (x)dx = √ 2π −∞ σ 2π −∞ – p. 6/1 DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ – p. 7/1 DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 2 1 2(x − µ) − 21 ( x−µ ′ ) σ Derivata prima f (x) = √ e − 2σ 2 σ 2π – p. 7/1 DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 2 1 2(x − µ) − 21 ( x−µ ′ ) σ Derivata prima f (x) = √ e − 2σ 2 σ 2π Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per x = µ. – p. 7/1 DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 2 1 2(x − µ) − 21 ( x−µ ′ ) σ Derivata prima f (x) = √ e − 2σ 2 σ 2π Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per x = µ. Derivata seconda: 2 2 2(x − µ) 1 − 12 ( x−µ ′′ ) σ − f (x) = √ e − 2 2σ σ 2π 2 2 2 1 (x−µ) 1 (x − µ) 1 − − 21 ( x−µ ) 2 σ √ e = √ e 2σ −1 2 2 3 σ σ σ 2π σ 2π – p. 7/1 DISTRIBUZIONE NORMALE: MODA Verifichiamo che il massimo assoluto si ha per x = µ 2 1 2(x − µ) − 21 ( x−µ ′ ) σ Derivata prima f (x) = √ e − 2σ 2 σ 2π Annulliamo la deriva prima f ′ (x) = 0. Ciò avviene per x = µ. Derivata seconda: 2 2 2(x − µ) 1 − 12 ( x−µ ′′ ) σ − f (x) = √ e − 2 2σ σ 2π 2 2 2 1 (x−µ) 1 (x − µ) 1 − − 21 ( x−µ ) 2 σ √ e = √ e 2σ −1 2 2 3 σ σ σ 2π σ 2π f ′′ (x = µ) < 0 pertanto la funzione ha un massimo assoluto per x = µ, il cui valore è: f (µ) = σ√12π . L’ordinata al max è inversamente proporzinale a σ . – p. 7/1 DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ . – p. 8/1 DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ . Annulliamo la derivata seconda: 2 2 (x − µ) 1 − (x−µ) ′′ 2 −1 =0 f (x) = √ e 2σ 2 σ σ 3 2π – p. 8/1 DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ . Annulliamo la derivata seconda: 2 2 (x − µ) 1 − (x−µ) ′′ 2 −1 =0 f (x) = √ e 2σ 2 σ σ 3 2π (x − µ)2 2 = σ2, Ciò si verifica quando = 1 −→ (x − µ) σ2 ovvero per x1 = µ + σ e x2 = µ − σ . – p. 8/1 DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ . Annulliamo la derivata seconda: 2 2 (x − µ) 1 − (x−µ) ′′ 2 −1 =0 f (x) = √ e 2σ 2 σ σ 3 2π (x − µ)2 2 = σ2, Ciò si verifica quando = 1 −→ (x − µ) σ2 ovvero per x1 = µ + σ e x2 = µ − σ . La funzione ha due flessi per x = µ ± σ – p. 8/1 DISTRIBUZIONE NORMALE: FLESSI Verifichiamo che si hanno due flessi per x = µ ± σ . Annulliamo la derivata seconda: 2 2 (x − µ) 1 − (x−µ) ′′ 2 −1 =0 f (x) = √ e 2σ 2 σ σ 3 2π (x − µ)2 2 = σ2, Ciò si verifica quando = 1 −→ (x − µ) σ2 ovvero per x1 = µ + σ e x2 = µ − σ . La funzione ha due flessi per x = µ ± σ La distanza tra i due punti di flesso è 2σ . Il parametro σ è indicativo della larghezza della funzione. – p. 8/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). Z +∞ Z +∞ 2 1 − 12 ( x−µ ) σ E(x) = dx xf (x)dx = x √ e σ 2π −∞ −∞ – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). Z +∞ Z +∞ 2 1 − 12 ( x−µ ) σ E(x) = dx xf (x)dx = x √ e σ 2π −∞ −∞ x−µ Cambio di variabile: z = da cui x = µ + σz e σ dx dz = . σ – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). Z +∞ Z +∞ 2 1 − 12 ( x−µ ) σ E(x) = dx xf (x)dx = x √ e σ 2π −∞ −∞ x−µ Cambio di variabile: z = da cui x = µ + σz e σ dx dz = . σ Z +∞ 2 1 − z2 dz E(x) = (σz + µ) √ e σ 2π −∞ – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). Z +∞ Z +∞ 2 1 − 12 ( x−µ ) σ E(x) = dx xf (x)dx = x √ e σ 2π −∞ −∞ x−µ Cambio di variabile: z = da cui x = µ + σz e σ dx dz = . σ Z +∞ 2 1 − z2 dz E(x) = (σz + µ) √ e σ 2π −∞ Z +∞ Z +∞ 2 2 1 µ − z2 − z2 dz + √ dz ze e = √ σ 2π −∞ 2π −∞ | {z } =0 – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO Il parametro µ è il valore di aspettazione della variabile stessa (E(x) = µ). Z +∞ Z +∞ 2 1 − 12 ( x−µ ) σ E(x) = dx xf (x)dx = x √ e σ 2π −∞ −∞ x−µ Cambio di variabile: z = da cui x = µ + σz e σ dx dz = . σ Z +∞ 2 1 − z2 dz E(x) = (σz + µ) √ e σ 2π −∞ Z +∞ Z +∞ 2 2 1 µ − z2 − z2 dz + √ dz ze e = √ σ 2π −∞ 2π −∞ | {z } =0 µ √ =√ 2π = µ 2π – p. 9/1 LA DISTR. NORMALE: VALORE DI ASPETTAZIO – p. 10/1 LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard. – p. 11/1 LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard. Z +∞ Z +∞ 2 1 − 21 ( x−µ 2 2 ) σ (x − µ) f (x)dx = (x − µ) √ e dx σ 2π −∞ −∞ – p. 11/1 LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard. Z +∞ Z +∞ 2 1 − 21 ( x−µ 2 2 ) σ (x − µ) f (x)dx = (x − µ) √ e dx σ 2π −∞ −∞ x−µ da cui x = µ + σz e Cambio di variabile: z = σ dx dz = . σ – p. 11/1 LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard. Z +∞ Z +∞ 2 1 − 21 ( x−µ 2 2 ) σ (x − µ) f (x)dx = (x − µ) √ e dx σ 2π −∞ −∞ x−µ da cui x = µ + σz e Cambio di variabile: z = σ dx dz = . σ Z +∞ 2 1 − z2 2 = (σz) √ e σdz σ 2π −∞ – p. 11/1 LA DISTRIBUZIONE NORMALE: VARIANZA Il parametro σ è la deviazione standard. Z +∞ Z +∞ 2 1 − 21 ( x−µ 2 2 ) σ (x − µ) f (x)dx = (x − µ) √ e dx σ 2π −∞ −∞ x−µ da cui x = µ + σz e Cambio di variabile: z = σ dx dz = . σ Z +∞ 2 1 − z2 2 = (σz) √ e σdz σ 2π −∞ Z +∞ 2 2 σ 2 − z2 =√ z e σdz = · · · σ 2 2π −∞ – p. 11/1 TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. – p. 12/1 TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. N variabili normali xk , con valore di aspettazione µk e varianza σk 2 . – p. 12/1 TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. N variabili normali xk , con valore di aspettazione µk e varianza σk 2 . PN Sia y = k=1 ak xk – p. 12/1 TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. N variabili normali xk , con valore di aspettazione µk e varianza σk 2 . PN Sia y = k=1 ak xk PN → µ = k=1 ak µk – p. 12/1 TEOREMA Combinazioni lineari di variabili casuali normali e tutte statisticamente indipendenti tra loro sono ancora distribuite secondo la legge normale. N variabili normali xk , con valore di aspettazione µk e varianza σk 2 . PN Sia y = k=1 ak xk PN → µ = k=1 ak µk PN 2 → σ = k=1 ak 2 σk 2 – p. 12/1