![]() | ![]() |
|
|
La variabile casuale discreta ad una dimensione.
Ad ogni fenomeno
stocastico e' associato l'insieme di tutti gli eventi elementari, una famiglia
di eventi complessi, cioè una famiglia di sottoinsiemi di Ω, e una
probabilita', , ovvero uno spazio di probabilità. Vediamo ora una
rappresentazione dello spazio di probabilità, attraverso:
-& 828e45i nbsp;
la
variabile casuale, che associa lo spazio Ω alla retta reale e tale per cui
,
-& 828e45i nbsp; la funzione di distribuzione.
-& 828e45i nbsp;
Iniziamo, come sempre,
dal caso più semplice, ovvero dal caso in cui l'esperimento stocastico presenta
un numero finito e discreto di valori argomentali, ad esempio il lancio
Associamo ad W i punti 1,2,3,4,5,6 della retta reale (si potrebbe ovviamente scegliere una corrispondenza diversa, cioè una variabile casuale diversa), ovvero rappresentiamo l'insieme dei risultati tramite una variabile casuale a una dimensione (i cui valori sono cioè punti dell'asse reale), discreta e finita.
Per rappresentare la probabilità dei risultati riportati sull'asse reale per ogni variabile casuale X si definisce la funzione di distribuzione FX(x).
Fissato un valore x
sull'asse reale è definito il sott'insieme , la funzione di distribuzione assume in a il valore della
probabilita' di tale sott'insieme
F(x)=P(Ax)
F(x), e' definita su tutto l'asse reale, e' compresa tra 0 e 1 ed e' sempre crescente.
Nel caso in esame di variabile discreta e finita la funzione di distribuzione e' costante a tratti: in corrispondenza dei valori argomentali essa si incrementa della probabilità corrispondente.
Inoltre è facile vedere che:
Infatti, se consideriamo gli eventi A,B,C così definiti:
si ha che
Nel caso semplice del lancio di un dado non truccato, in cui ad ogni elemento di W e' associata probabilita' pari a 1/6, la funzione di distribuzione è data da
Se ora proviamo a effettuare N lanci del dado e ordiniamo i risultati in una variabile statistica, rappresentandone i valori argomentali sull'asse reale, la variabile casuale e la variabile discreta saranno formalmente identiche: ad ogni valore argomentale si associerà nel caso del modello una probabilità e nel caso della statistica una frequenza relativa che godono delle stesse proprietà, si associerà al modello una funzione di distribuzione e alla statistica una funzione cumulativa di frequenza di nuovo con le stesse proprietà.
La variabile casuale
con le probabilità associate rappresenta cosa ci si aspetta come risultato
dell'esperimento, la statistica cosa si è ottenuto eseguendo l'esperimento. Le
frequenze ottenute saranno diverse ogni qualvolta si ripeterà l'eserimento N
volte, il modello sarà sempre uguale. La funzione
Si osservi come anche
l'indagine
Di una variabile discreta e finita mono dimensionale si calcolano media e varianza in modo formalmente identico a quello utilizzato per le variabili statistiche monodimensionali a patto di sostituire le frequenze con le probabilità.
Si può definire analogamente l'operatore media, introdurre variabili casuali funzioni di altre e enunciare il teorema della media.
Variabili statistiche 1d |
Variabili casuali discrete 1d |
Frequenze relative f |
Probabilità p |
|
|
|
|
|
|
|
|
La distribuzione binomiale indica la probabilità con cui su n ripetizioni indipendenti di un esperimento con due soli possibili risultati (successo e insuccesso, 0 e 1) k siano dei successi.
Fissato il numero di ripetizioni n e la probabilità che si verifichi il successo nella singola ripetizione p, per ogni valore di k, la probabilità è fornita dalla seguente legge
Media e varianza della distribuzione binomiale sono date da
m=np(1-p)
s =np
Supponiamo che il
numero di ripetizioni di ripetizioni indipendenti di un esperimento con due
soli possibili risultati (successo e insuccesso) diventi molto grande e che in
corrispondenza la probabilità
Media e varianza della distribuzione binomiale sono date da
m l
s l
La distribuzione di Poisson serve a
prevedere la frequenza
Nel caso in cui
l'esperimento casuale presenti coppie di risultati, come ad esempio nel caso
Per rappresentare la probabilità dei risultati riportati sul piano reale, per ogni variabile casuale (X,Y) si definisce la funzione di distribuzione FXY(x,y).
Fissata una coppia di
valori (x,y) sul piano è definito il sottoinsieme . La funzione di distribuzione assume in (a,b) il valore
della probabilita' di tale sott'insieme
FXY(x,y)=P(Axy)
FXY(x,y), e' definita su tutto R2, e' compresa tra 0 e 1 ed e' sempre crescente.
Nel caso in esame di variabile doppia discreta e finita la funzione di distribuzione e' discontinua: in corrispondenza dei valori argomentali essa si incrementa della probabilità corrispondente.
Anche in questo caso
Come già nel caso monodimensionale il modello e la statistica bidimensionali sono formalmente analoghe, l'una raccoglie i risultati possibili, l'altra quelli registrati ripetendo l'esperimento. A tali risultati (coppie di valori) nell'un caso si associano probabilità congiunte, nell'altro frequenze congiunte con le stesse proprietà formali. Alla variabile casuale si associa una funzione di distribuzione alla statistica una funzione cumulativa di frequenza.
Si definiscono inoltre le probabilità marginali, le probabilità condizionate, il vettore media e la matrice di covarianza, ottenute sostituendo alla frequenza la probabilità . Si definisce infine l'operatore media e introdotte le trasformazioni tra variabili casuali si enuncia analogamente il teorema della media.
Variabili statistiche 2d |
Variabili casuali discrete 2d |
Frequenze relative congiunte fij |
Probabilità congiunte pij |
Frequenze relative marginali
|
Probabilità marginali
|
|
|
|
|
CXY=MXY[(X-mX) (X-mX)+] |
CXY=EXY[(X-μX) (X-μX)+] |
|
|
Distribuzioni condizionate, indipendenza stocastica tra le componenti di una variabile doppia.
La distribuzione condizionata di una delle componenti della variabile doppia ad un valore dell'altra componente è data per la X da
La componente X (oY) è stocasticamente indipendente dalla componente Y (o X), se le distribuzioni condizionate ai valori della Y (o X) sono tutte uguali tra loro e pari alla marginale.
Condizione necessaria e sufficiente affinchè le componenti della variabile doppia siano stocasticamente indipendenti è che la distribuzione di probabilità congiunta si spacchi nel prodotto delle marginali:
Condizione sufficiente
Ip.
Th.:
Infatti
Condizione necessaria
Ip.:
Th.:
Infatti
Se le componenti di una variabile doppia sono stocasticamente indipendenti tra loro, il coefficiente di coverianza è pari a 0 e la matrice di covarianza è diagonale.
Infatti
Si osservi che il fattto che il coefficiente di correlazione sia uguale a zero non è una condizione sufficiente per concludere che le componenti sono stocasticamente indipendenti.
Se le componenti di una variabile doppia sono stocasticamente indipendenti allora
D' altra parte se tra le componenti esiste un legame lineare Y=aX+b
e essendo
il rapporto
Questo rapporto si chiama indice di correlazione lineare, si dimostra che varia infatti tra 0 e ±1 al variare della relazione tra le componenti della variabile doppia dalla indipendenza al legame lineare.
Si osservi che se le componenti sono indipendenti sono incorrelate (covarianza paria zero) e linearmente indipendenti.
Se sono linearmente indipendenti (indice di correlazione pari a zero) sono anche incorrelate ma non necessariamente stocasticamente indipendenti.
Privacy |
Articolo informazione
Commentare questo articolo:Non sei registratoDevi essere registrato per commentare ISCRIVITI |
Copiare il codice nella pagina web del tuo sito. |
Copyright InfTub.com 2025