Statistica.

Schede di studio e quiz

Lezione 12Macroargomento 2 · Variabili aleatorie

Lezione 12. Variabili aleatorie assolutamente continue

In questa lezione

  1. Che cos'è una variabile aleatoria assolutamente continua?
  2. Che differenza c'è tra discreta e assolutamente continua?
  3. Quando una funzione di ripartizione ha una densità?
  4. Che cos'è la legge uniforme continua?
  5. Che cos'è la legge esponenziale?
  6. Che cosa sono la funzione Γ e la legge Gamma?
  7. Che cos'è la legge normale?
  8. Quali sono le trappole tipiche per i concetti di questa lezione?
  9. Quiz della lezione (10 domande)

1. Che cos'è una variabile aleatoria assolutamente continua?

XX reale è assolutamente continua se esiste fX≥0f_X\ge0 integrabile con P(X≤x)=∫−∞xfX(t) dtper ogni x.P(X\le x)=\int_{-\infty}^xf_X(t)\,dt\quad\text{per ogni }x. fXf_X si chiama densità di XX.

ProprietàFormula o fatto
Integrale totale∫−∞∞fX=1\int_{-\infty}^{\infty}f_X=1; ma fXf_X può superare 1
Valori singoliP(X=x)=0P(X=x)=0 per ogni xx
RipartizioneSempre continua (nessun salto)
Significato di fXf_XfX(x)=lim⁡ε→0P(x−ε<X<x+ε)2εf_X(x)=\lim_{\varepsilon\to0}\dfrac{P(x-\varepsilon<X<x+\varepsilon)}{2\varepsilon} nei punti di continuità

Esempio. fn=nf_n=n su (0,1n)(0,\frac1n): integrale 1, ma fnf_n vale nn, molto più di 1.

La densità è definita a meno di insiemi di misura nulla: cambiarla in pochi punti non cambia la legge.

2. Che differenza c'è tra discreta e assolutamente continua?

AspettoDiscretaAssolutamente continua
LeggeSomma: ∑s∈ApX(s)\sum_{s\in A}p_X(s)Integrale: ∫AfX\int_Af_X
P(X=x)P(X=x)Può essere positivaSempre 0
DensitàpX(s)=P(X=s)≤1p_X(s)=P(X=s)\le1fXf_X non è una probabilità; può superare 1
RipartizioneA gradiniContinua

Una v.a. non può essere entrambe le cose. Può anche non essere né l'una né l'altra (per esempio un mix di salti e tratti continui, o la funzione di Cantor).

3. Quando una funzione di ripartizione ha una densità?

Criterio sufficiente. Se FF è una ripartizione di classe C1C^1 fuori da un insieme discreto di punti ben separati, allora XX è assolutamente continua con densità f=F′f=F'.

Continua non basta: la funzione di Cantor.

  1. Insieme di Cantor CC: da [0,1][0,1] si toglie il terzo centrale, poi il terzo centrale di ogni pezzo, e così via. L(C)=lim⁡k(2/3)k=0\mathcal L(C)=\lim_k(2/3)^k=0.
  2. Si costruisce ff continua, crescente, con f(0)=0f(0)=0, f(1)=1f(1)=1, costante fuori da CC.
  3. Se fosse f(t)=∫−∞tgf(t)=\int_{-\infty}^tg, allora g=0g=0 fuori da CC; ma CC ha misura 0, quindi f≡0f\equiv0. Assurdo.

ff è la ripartizione di una legge singolare. La condizione esatta per avere densità si chiama assoluta continuità di FF.

4. Che cos'è la legge uniforme continua?

Su [a,b][a,b] limitato: fX(s)=1b−aχ[a,b](s),F(x)={0x≤ax−ab−aa≤x≤b1x≥bf_X(s)=\frac1{b-a}\chi_{[a,b]}(s),\qquad F(x)=\begin{cases}0&x\le a\\\dfrac{x-a}{b-a}&a\le x\le b\\1&x\ge b\end{cases}

La probabilità di un sotto-intervallo dipende solo dalla sua lunghezza. Non esiste l'uniforme su un intervallo illimitato: l'integrale non può valere 1.

5. Che cos'è la legge esponenziale?

X∼Exp(λ)X\sim\mathrm{Exp}(\lambda), λ>0\lambda>0: fX(s)=λe−λs (s≥0),P(X≤x)=1−e−λx,P(a≤X≤b)=e−λa−e−λb.f_X(s)=\lambda e^{-\lambda s}\ (s\ge0),\qquad P(X\le x)=1-e^{-\lambda x},\qquad P(a\le X\le b)=e^{-\lambda a}-e^{-\lambda b}.

Modella tempi di attesa (arrivo di un autobus, vita di un componente). Più λ\lambda è grande, più la densità si concentra vicino a 0.

Assenza di memoria. P(X≥s+t∣X≥s)=e−λ(s+t)e−λs=e−λt=P(X≥t).P(X\ge s+t\mid X\ge s)=\frac{e^{-\lambda(s+t)}}{e^{-\lambda s}}=e^{-\lambda t}=P(X\ge t). Aver già atteso ss non cambia la legge del tempo residuo. Per questo l'esponenziale ignora l'usura.

6. Che cosa sono la funzione Γ e la legge Gamma?

Funzione Γ di Eulero, per α>0\alpha>0: Γ(α)=∫0∞xα−1e−xdx\Gamma(\alpha)=\int_0^\infty x^{\alpha-1}e^{-x}dx.

ProprietàFormula
Valore in 1Γ(1)=1\Gamma(1)=1
Ricorrenza (per parti)Γ(α+1)=α Γ(α)\Gamma(\alpha+1)=\alpha\,\Gamma(\alpha)
InteriΓ(n)=(n−1)!\Gamma(n)=(n-1)!
Valore in 12\frac12Γ(12)=π\Gamma(\frac12)=\sqrt\pi

Legge Gamma X∼Γ(α,λ)X\sim\Gamma(\alpha,\lambda): fX(s)=λαΓ(α)sα−1e−λs,s>0.f_X(s)=\frac{\lambda^\alpha}{\Gamma(\alpha)}s^{\alpha-1}e^{-\lambda s},\quad s>0. α\alpha conta gli eventi da attendere, λ\lambda ne fissa la frequenza. Con α=1\alpha=1 si ritrova l'esponenziale.

7. Che cos'è la legge normale?

X∼N(μ,σ2)X\sim N(\mu,\sigma^2), σ>0\sigma>0: fX(s)=12πσ2 e−(s−μ)22σ2.f_X(s)=\frac1{\sqrt{2\pi\sigma^2}}\,e^{-\frac{(s-\mu)^2}{2\sigma^2}}. μ\mu trasla il grafico; σ\sigma lo allarga o lo stringe.

RisultatoEnunciato
Trasformazioni affiniaX+b∼N(aμ+b,  a2σ2)aX+b\sim N(a\mu+b,\;a^2\sigma^2)
StandardizzazioneX−μσ∼N(0,1)\dfrac{X-\mu}\sigma\sim N(0,1)
Legame con la GammaX∼N(0,σ2)⇒X2∼Γ(12,12σ2)X\sim N(0,\sigma^2)\Rightarrow X^2\sim\Gamma\big(\tfrac12,\tfrac1{2\sigma^2}\big)

La dispensa scrive a volte N(μ,σ)N(\mu,\sigma) e a volte N(μ,σ2)N(\mu,\sigma^2): il secondo parametro della densità sopra è la varianza σ2\sigma^2.

8. Quali sono le trappole tipiche per i concetti di questa lezione?

9. Quiz della lezione (10 domande)

Domande di ripasso create per questa scheda a partire dalla dispensa (non sono il test ufficiale della piattaforma). Scegli una risposta: ricevi subito esito e spiegazione.