Professional Documents
Culture Documents
UNIVERSITA
Dipartimento di Economia
Variabili Casuali
Giulio Palomba
Variabili casuali
Indice
1 Introduzione
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
9
13
16
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
23
31
35
38
48
48
51
65
69
75
Tavole statistiche
77
Variabili casuali
Introduzione
Questo capitolo costituisce una rassegna di alcune variabili casuali di particolare interesse tra quelle esistenti in letteratura. Lunica distinzione `e
quella che si effettua tra le variabili casuali discrete e quelle continue: ad
eccezione dei casi in cui `e diversamente specificato, il supporto della variabile casuale discreta `e dato dallinsieme dei numeri naturali (x N), mentre
il supporto della variabile casuale continua risulta essere quello dei numeri
reali (x R).
Variabili casuali
2.1
La variabile casuale degenere `e caratterizzata dal fatto che tutta la probabilit`a `e associata ad un solo evento casuale ().
La sua funzione di probabilit`a risulta:
1 se X =
[2.1]
p(x) =
0 altrove
Variabili casuali
2.2
Ogniqualvolta si istaura unalternativa dicotomica allinterno di un esperimento casuale si utilizza la variabile casuale Bernoulliana1 . Linsieme ambi tra loro complementari; allevento
ente `e costituito da soli due eventi E e E
E (evento successo), che si realizza con probabilit`a p, `e assegnato il valore
(evento insuccesso), che si realizza con probabilit`a
1, mentre allevento E
(1 p), `e assegnato il valore 0. In sintesi:
xi
1
0
p(xi )
p
1p
p(x) = 1
x=0
Dimostrazione:
1
X
p(x) =
x=0
1
X
x=0
1
X
1
X
px (1 p)1x
x=0
p(x) =
1
X
p0 (1 p)1 + p1 (1 p)0
x=0
p(x) = 1 p + p = 1
x=0
[2.2]
1-p
x
0
2.3
Variabili casuali
quindi si ha:
n
X
B=
Xi
[2.3]
i=1
eventi
probabilit`a
successi
insuccessi
E, E, E, . . . , E
|
{z
}
x volte
E,
E,
...,E
E,
|
{z
}
n x volte
p, p, p, . . . , p
|
{z
}
x volte
1 p, 1 p, 1 p, . . . , 1 p
|
{z
}
n x volte
p(B) = P r(E E . . . E E
r(E)
. . . P r(E)
si verifica n x
Tenendo conto che levento E si realizza x volte e levento E
volte, la funzione di probabilit`a della variabile casuale binomiale risulta:
n
p(B) =
px (1 p)nx
[2.4]
x
3
Dati n eventi indipendenti, la legge della probabilit`
a composta `e definita dalla seguente
espressione:
!
Pr
n
\
Ei
i=1
n
Y
i=1
10
P r(Ei )
n
dove
`e il coefficiente binomiale4 che indica il numero delle
x
configurazioni equiprobabili5 che soddisfano la funzione di probabilit`a.
n
X
p(B) = 1
x=0
Dimostrazione:
Per effettuare questa dimostrazione occorre utilizzare lo sviluppo del polinomio di Newton.
n
X
x=0
n
X
x=0
n
X
p(B) =
n
X
x=0
n
x
px (1 p)nx
p(B) = [p + (1 p)]n
p(B) = 1n = 1
x=0
x
1 2 ... x
(n x)(n x 1) . . . 1
n!
n
=
[2.5]
x
x!(n x)!
Considerando il fatto che la variabile casuale binomiale `e la somma di n
variabili casuali Bernoulliane (Xi ) indipendenti, i suoi momenti sono:
!
n
X
1. E(B) = E
Xi
E(B) =
n
X
i=1
E(Xi )
i=1
4
Il coefficiente binomiale deriva dallo sviluppo del polinomio di Newton che risulta
essere il seguente:
n
X
n
(a + b)n =
ax bnx
x
x=0
11
Variabili casuali
E(B) =
n
X
i=1
E(B) = np
2. V ar(B) = V ar
V ar(B) =
V ar(B) =
n
X
i=1
n
X
n
X
!
Xi
i=1
V ar(Xi )
p(1 p)
i=1
V ar(B) = np(1 p)
Esempio 2.1 Una macchina produce pezzi difettosi pari al 2% del totale dei pezzi
prodotti. Tali pezzi sono confezionati in scatole da 10.
Sapendo che la garanzia `e che ogni scatola contenga non pi`
u di un pezzo difettoso, determinare la probabilit`
a che la scatola non soddisfi la garanzia.
Per risolvere il problema occorre utilizzare la variabile casuale binomiale con:
- n = 10: numero di prove
- x: numero pezzi difettosi
- p = 0.02: probabilit`
a che il pezzo risulti difettoso
- (1 p) = 0.98: probabilit`
a che il pezzo non risulti difettoso
p(B) =
Sostituendo:
p(B) =
n
x
px (1 p)nx
10
x
0.02x 0.9810x
La probabilit`
a che la garanzia sia soddisfatta `e data dal fatto che la variabile casuale assuma
valore 0 oppure 1, quindi occorre calcolare P r(B 1).
10
0
P r(B = 0) =
P r(B = 0) =
0.020 0.9810
10!
1 0.817 = 0.817
0!10!
P r(B = 1) =
P r(B = 1) =
10
1
0.021 0.989
10!
0.02 0.834 = 0.167
1!9!
La probabilit`
a che la garanzia sia rispettata allinterno delle scatole `e:
12
Esempio 2.2 Calcolare moda, mediana, valore atteso e varianza della variabile casuale
binomiale B(n = 6, p = 0.3). Per determinare la moda occorre calcolare la funzione di
probabilit`
a in corrispondenza di ciascun evento casuale che compone il suo dominio.
P r(B = 0) =
P r(B = 1) =
P r(B = 2) =
P r(B = 3) =
P r(B = 4) =
P r(B = 5) =
P r(B = 6) =
6
0
6
1
6
2
6
3
6
4
6
5
6
6
2.4
Variabili casuali
[2.6]
p(x) = 1
x=1
Dimostrazione:
X
x=1
X
x=1
X
x=1
p(x) =
X
x=1
x=1
p(1 p)x1
1
=1
p
(1 p)x1
x=1
Sn = [1 + (1 p) + (1 p)2 + (1 p)3 + . . .]
Il risultato fondamentale per tale tipo di serie `e:
lim Sn =
x+
1
p
Questa propriet`
a risulter`
a fondamentale anche per il calcolo del valore atteso e della
varianza della variabile casuale geometrica.
14
X
1. E(X) =
xp(1 p)x1
x=1
E(X) = p
x(1 p)x1
x=1
(1 p)x
p
x=1
X
E(X) = p
(1 p)x
p
E(X) = p
x=1
x2 p(1 p)x1
x=1
V ar(X) = p
1
p2
x=1
V ar(X) = p(1 p)
1
p2
x=2
x(1 p)x1
x=1
1
p2
X
1
1
2
V ar(X) = p(1 p)
(1 p)x + 2
2
p
p p
x=2
1
1
2 X
V ar(X) = p(1 p) 2
(1 p)x + 2
p
p p
x=2
2 (1/p) 1
1
+ 2
2
p
p p
15
Variabili casuali
V ar(X) = p(1 p)
V ar(X) =
2.5
2
1
1
+
p3 p p2
1p
p2
e x
x!
[2.7]
p(x) = 1
x=0
Dimostrazione:
X
x=0
X
x=0
p(x) =
X
e x
x=0
p(x) = e
x!
X
x
x=0
x!
p(x) = e e = 1
x=0
Tale variabile casuale `e detta anche Legge dei piccoli numeri o Legge degli eventi
rari.
8
Lo sviluppo in serie di McLaurin `e dato dalla seguente espressione:
e = 1 + +
e =
2
3
n
+
+ ... +
2!
3!
n!
n
X
x
x=0
x!
dove n pu`
o assumere anche valore infinito.
16
Attraverso lutilizzo dello sviluppo in serie di McLaurin `e possibile determinare i momenti della variabile casuale Poissoniana, che risultano essere:
1. E(X) =
xe
x=0
E(X) =
x
x!
X
x1
(x 1)!
x=0
E(X) = e e
E(X) =
2. V ar(X) = E(X 2 ) [E(X)]2
#
"
x
X
2
V ar(X) =
x2 e
x!
"x=0
#
X
x
V ar(X) =
xe
2
(x 1)!
#
"x=0
x1
X
2
V ar(X) =
(x + 1 1)e
(x 1)!
#
"x=0
x1
x1
X
V ar(X) =
(x 1)e
+ e
2
(x 1)!
(x 1)!
"x=0
#
x2
x1
X
X
+ e
2
V ar(X) = 2 e
(x 2)!
(x 1)!
V ar(X) =
x=0
2
[ e e +
x=0
e e ]
V ar(X) = 2 + 2
V ar(X) =
La variabile casuale Poissoniana gode dellesclusiva propriet`a di uguaglianza
tra valore atteso e varianza che assumono come valore il parametro .
Esempio 2.3 Alla cassa di un supermercato arrivano mediamente tre persone al minuto: qual `e la probabilit`
a che si formi una coda?
E(X) = = 3
La coda si forma quando alla cassa giungono contemporaneamente almeno due persone,
quindi la probabilit`
a da calcolare `e P r(X > 1).
p(x) = e
x
x!
17
Variabili casuali
P r(X > 1) = 1 e3
Teorema
Data la funzione di probabilit`
a di una variabile casuale binomiale con:
1. un valore della numerosit`
a delle prove molto alto da rendere difficile il
calcolo delle probabilit`
a (n )
2. p 6= (1 p) con un alto valore di differenza (p 0)
Si usa la variabile casuale Poissoniana come approssimazione della binomiale con E(X) = np = .
Dimostrazione:
La dimostrazione consiste nel calcolare il seguente limite per la funzione di probabilit`
a
della variabile casuale binomiale.
lim
p(B) =
lim
n
n
p0
p0
n
x
px (1 p)nx
n!
lim
p(B) =
lim
px (1 p)nx
n
n x!(n x)!
p0
p0
Moltiplicando e dividendo per nx :
lim
p(B) =
lim
n
n
p0
p0
n(n 1)(n 2) . . . (n x + 1) x x
n p (1 p)nx
x!nx
(n x + 1)
n (n 1) (n 2)
...
n
n
n
n
lim
p(B) =
lim
(np)x (1 p)nx
x!
n
n
p0
p0
(n x + 1)
(1 p)n
1 n (n 1) (n 2)
lim
p(B) =
lim
...
(np)x
n
n
n
(1 p)x
n
n x! n
p0
p0
18
Il limite per n di tutti i rapporti contenuti allinterno della parentesi quadra `e pari
ad 1. Moltiplicando e dividendo per n il termine p allinterno del numeratore dellultimo
rapporto, rimane:
np n
1
1
n
lim
p(B) =
lim
(np)x
(1 p)x
n
n x!
p0
p0
1+
1
x
x
= e, si ha:
1
p(B) = (np)x enp
lim
x!
n
p0
x
lim
p(B) = e
x!
n
p0
dove lim (1 p)x = 1 e = np.
p0
Esempio 2.4 Data la funzione di probabilit`a della variabile casuale binomiale B(n =
200, p = 0.01), calcolare P r(X = 1).
Utilizzando la funzione di probabilit`
a della variabile casuale binomiale risulta:
P r(X = 1) =
200
1
0.01 (0.99)199
21
1!
P r(X = 1) = 2e2
P r(X = 1) = 0.270671
19
Variabili casuali
20
3.1
xa1 (1 x)b1
se x [0, 1]
B(a, b)
f (x) =
0
altrove
[3.1]
f (x)dx =
0
f (x)dx =
0
1
B(a, b)
xa1 (1 x)b1 dx
0
1
B(a, b)
B(a, b)
f (x)dx = 1
0
(k + a)(a + b)
(k + a + b)(a)
21
[3.3]
Variabili casuali
Dimostrazione:
Z
E(X k ) =
0
1
xk xa1 (1 x)b1 dx
B(a, b)
Z
1
1
xk+a1 (1 x)b1 dx
B(a, b) 0
B(k + a, b)
E(X k ) =
B(a, b)
E(X k ) =
Per le propriet`
a della funzione beta si ha:
(k + a)(b) (a + b)
(k + a + b) (a)(b)
(k + a)(a + b)
E(X k ) =
(k + a + b)(a)
E(X k ) =
2. V ar(X) =
ab
(a +
b)2 (a
+ b + 1)
Dimostrazione:
Per il calcolo della varianza si ricorre alla differenza tra il momento secondo ed il
quadrato del momento primo:
V ar(X) = E(X 2 ) [E(X)]2
Sostituendo k = 2 allinterno della [3.3] risulta perci`
o:
V ar(X) =
(a + 2)(a + b)
a2
(a + b + 2)(a)
(a + b)2
V ar(X) =
(a + 1)!(a + b 1)!
a2
(a + b + 1)!(a 1)!
(a + b)2
V ar(X) =
a(a + 1)
a2
(a + b)(a + b + 1)
(a + b)2
22
V ar(X) =
3.2
[3.5]
Dimostrazione:
Dato che la funzione gamma restituisce un numero reale per ogni valore dellargomento
c > 0, `e possibile portarla fuori dallintegrale.
Z
f (x)dx =
0
1
b(c)
c1
x
b
ex/b dx
f (x)dx =
0
f (x)dx =
0
1
b(c)
b
b(c)
tc1 et b dt
tc1 et dt
f (x)dx = 1
0
23
Variabili casuali
c=1/2
1/b
c=1
x
f(x)
c=2
c=5
c=10
24
1. E(X) = bc
Dimostrazione:
Z
c1
E(X) =
0
1
b(c)
E(X) =
ex/b
dx
b(c)
x
b
c
b
0
x
b
ex/b dx
b
(c)
tc et dx
E(X) =
b
tc et +
(c)
c tc1 et dt
b
(c)
b
E(X) =
(c)
E(X) =
c(c)
E(X) = bc
2. V ar(X) = b2 c
Dimostrazione:
V ar(X) = E(X 2 ) [E(X)]2
Z
c1
x
b
x2
V ar(X) =
0
ex/b
dx b2 c2
b(c)
b2 t2 tc1
V ar(X) =
0
V ar(X) =
4
b2
(c)
et
b dt b2 c2
b(c)
tc+1 et dt b2 c2
f 0 = et
g = tc
25
f = et
g 0 = ctc1
Variabili casuali
V ar(X) =
b2
tc+1 et +
(c)
(c + 1)tc et dt b2 c2
b2
V ar(X) =
tc+1 et + (c + 1)
(c)
tc et dt b2 c2
b2
tc+1 et (c + 1)tc et + (c + 1)
V ar(X) =
(c)
b2
V ar(X) =
tc+1 et (c + 1)tc et + c(c + 1)
(c)
ctc1 et dt b2 c2
tc1 et dt b2 c2
+
b2 c+1 t
t e (c + 1)tc et + c(c + 1)(c) 0 b2 c2
(c)
V ar(X) =
b2
c(c + 1)(c) b2 c2
(c)
V ar(X) = b2 (c2 + c c2 )
V ar(X) = b2 c
3. Quando b = 2 e c =
n
X
ci
i=1
5
f 0 = et
g = tc+1
f = et
g 0 = (c + 1)tc
26
Dimostrazione:
Per la dimostrazione di questa propriet`
a si ricorre al metodo delle trasformazioni9 .
8
n
X
>
>
>
Y1 =
Xi
>
>
>
<
i=1
Y2 = X2
..
.
Yn = Xn
>
>
>
>
>
>
:
X2 = Y2
..
.
Xn = Yn
>
>
>
>
>
>
:
1
1
0
..
.
0
1
0
0
..
.
0
1
0
1
..
.
0
...
...
...
...
1
0
0
..
.
1
3
7
7
7
7
7
5
f (x1 , x2 , . . . , xn ) =
dove =
n
X
n
1X
1
exp
xi
b
b i=1
n
Y
xci i 1
i=1
(ci )
ci . La funzione di densit`
a congiunta delle Yi si ottiene sostituendo.
i=1
y1
ey1 /b
f (y1 , y2 , . . . , yn ) =
b
n
X
!c1 1
yi
n
Y
yici 1
i=2
(c1 )
i=2
(ci )
y1
f (y1 ) =
y1 y2
Pn1
y1
i=2
yi
...
0
Pn1
y1
f (y1 , y2 , . . . , yn1 ) = n
0
9
i=2
yi
y1
n
X
i=2
27
!c1 1
yi
yncn 1 dyn
Variabili casuali
ey1 /b
n
Y
dove n =
(ci )
n1
Y
yici 1 .
i=2
i=1
2
Z
y1
Pn1
i=2
yi
f (y1 , y2 , . . . , yn1 ) = n
0
Ponendo t =
yn
y1
n1
X
y1
con dyn =
3c1 1
!c1 1 6
n1
X
6
61
y1
yi
6
4
i=2
n1
X
yn
y1
yi
yncn 1 dyn
i=2
yi
n1
X
7
7
7
7
5
dt si ottiene:
i=2
yi
i=2
f (y1 , y2 , . . . , yn1 ) =
n1
X
y1
!c1 1
yi
i=2
c1 1 cn 1
(1 t)
y1
f (y1 , y2 , . . . , yn1 ) =
n1
X
!cn 1
y1
yi
n1
X
y1
n1
X
!c1 +cn 1 Z
yi
yi
dt
i=2
i=2
tcn 1 (1 t)c1 1 dt
i=2
f (y1 , y2 , . . . , yn1 ) = n
n1
X
!c1 +cn 1
B(cn , c1 )
yi
i=2
y1
i=2
yi
y1
f (y1 , y2 , . . . , yj ) = j
0
f (y1 , y2 , . . . , yj ) = j
y1
n
X
!c1 +Pn
i=j
ci 1
c 1
yj j
yi
djn
i=2
j1
X
(c1 )
! c 1 + Pn
i=j ci 1
(ci )
i=j+1
yi
i=2
n
Y
n
X
c1 +
!B
cj , c1 +
n
X
ci
i=j+1
ci
i=j+1
f (y1 , y2 , . . . , yj ) = j
y1
j1
X
(c1 )
!c1 +Pn
i=j ci 1
(ci ) (cj ) c1 +
i=j+1
yi
i=2
n
Y
n
X
c1 +
i=j+1
ci
c1 +
i=j+1
f (y1 , y2 , . . . , yj ) = j
y1
j1
X
(c1 )
!c1 +Pn
i=j ci 1
yi
i=2
n
Y
c1 +
n
X
ci
i=j
28
n
X
i=j
(ci )
i=j
n
X
ci
ci
di y1 :
c +
f (y1 ) = 2 y11
Pn
i=2
(c1 )
1
n
Y
(ci )
i=2
n
X
c1 +
ci
i=2
n
Y
f (y1 ) =
y11 ey1 /b
b
n
Y
(ci )
(ci )
i=1
()
i=1
f (y1 ) =
y1 1 ey1 /b
b
b()
X1
X1 + X2
: Y =X
2
2
Y1 =
Y1 Y2
1 Y1
: X =Y
2
2
La matrice Jacobiana `e:
X1 =
1
6 (1 Y1 )2
6
4
1
1 Y1 7
7
5
Applicando le trasformazioni:
y y
1 2 y
1y
2
2
1y
29
(1 y1 )2
Variabili casuali
y1c1 1 (1 y1 )c1 1
(c1 )(c2 )
2
1y
y2c1 +c2 1 e
dy2
y1c1 1 (1 y1 )c1 1
(1 y1 )c1 +c2 1 (1 y1 )
(c1 )(c2 )
y1c1 1 (1 y1 )c2 1
(c1 )(c2 )
tc1 +c2 1 et dt
tc1 +c2 1 et dt
f (y1 ) =
Dimostrazione:
La probabilit`
a P r(X < x) `e data dalla segente espressione:
Z
c1
F (x) =
0
11
x
b
ex/b
b(c)
si ottiene:
Z +
c
c
x
x
1
x/b b
x/b 1
e
+
dx
F (x) =
e
b(c)
c b
c b
0
11
F (x) =
c+1
c+2
b x c
b
x
b
x
1
ex/b
+ ex/b
+ ex/b
...
b(c)
c b
c(c + 1) b
c(c + 1)(c + 2) b
F (x) =
ex/b
(c)
c+1
c+2
1 x c
1
x
1
x
+
+
...
c b
c(c + 1) b
c(c + 1)(c + 2) b
f=
30
b x c
c b
ex/b
b
Per le propriet`
a della funzione gamma si ottiene:
"
x/b
F (x) = e
+
X
(x/b)i
i!
i=c
x/b
F (x) = e
c1
X
(x/b)i
i=0
F (x) = 1 ex/b
i!
c1
X
(x/b)i
i!
i=0
3.3
ex dx = 1
Dimostrazione:
Z
ex dx = 1 ex
ex dx = 1 e 1 + e0
ex dx = 1
La variabile casuale esponenziale presenta una discontinuit`a in corrispondenza del punto x = 0, infatti risulta13 :
lim f (x) 6= f (0)
x0
12
13
31
Variabili casuali
x
0
Il parametro rappresenta il valore massimo assunto dalla funzione di densit`a in corrispondenza di x = 0 che rappresenta la moda della distribuzione.
La mediana risulta dalla seguente espressione:
Z X0.5
ex = 0.5
0
X0.5
= 0.5
1 ex
0
1 eX0.5 1 + e0 = 0.5
eX0.5 = 0.5
X0.5 = ln 0.5
Dato che ln 0.5 = ln 2, risulta:
X0.5 =
1
ln 2
f 0 = ex
g = x
1
f = ex
g0 =
32
Z +
1 x
1 x
e
dx
x
E(X) = e
0
Z +
x
ex dx
E(X) = xe
+
0
1 x +
x
E(X) = xe
e
0
+
x
1
E(X) = e
1+
0
1
E(X) =
0
Integrando per parti15 :
Z +
1 x
1
2 1 x
2x e
V ar(X) = x e
dx 2
0
Z +
1
2
xex dx 2
V ar(X) = x2 ex +
0
1
V ar(X) = 2
La variabile casuale esponenziale rappresenta un caso particolare della variabile casuale gamma con parametro di scala c = 1; tutte le propriet`a della
variabile casuale gamma sono perci`o valide in questo caso.
Esempio 3.1 Il tempo per effettuare unoperazione presso uno sportello bancario `e una
variabile casuale esponenziale con valore atteso pari a 6 minuti. Calcolare:
15
f 0 = ex
g = x2
1
f = ex
g 0 = 2x
33
Variabili casuali
1. La probabilit`
a che il cliente attenda pi`
u di 10 minuti.
2. La probabilit`
a che il cliente attenda 10 minuti sapendo che gi`
a aspetta da 4 minuti.
f(x)
1/6
x
0
10 min.
10
1 x/6
e
dx
6
10
e5/3
e2/3
34
3.4
[3.10]
Dimostrazione:
Z
f (x)dx =
Ponendo y =
xa
b
b 1 + e
xa
b
2 dx
xa
, si ha dx = b dy quindi risulta:
b
Z
f (x)dx =
ey
dy
(1 + ey )2
+
1
f (x)dx =
=1
y
1+e
Variabili casuali
Dimostrazione:
Traslando la funzione [3.9] attraverso la sostituzione y = x a si ottiene la seguente
funzione di densit`
a per la variabile casuale logistica per la quale per la quale vale
a = 0:
Z +
ey/b
f (y) =
dy
y/b )2
b (1 + e
Questa funzione risulta essere pari in quanto risulta;
f (y) = f (y)
ey/b
ey/b
=
2
2
b (1 + ey/b )
b (1 + ey/b )
ey/b b 1 + ey/b
2
= ey/b b 1 + ey/b
2
[3.11]
[3.12]
1
`e la funzione di ripartizione.
(1 + exa )
b2 2
3
Dimostrazione:
Data la complessit`
a degli integrali che si ottengono applicando la definizione standard di
momento, questa dimostrazione `e effettuata attraverso lutilizzo della f.g.m.
Z
G(t) =
Ponendo y =
- 1 + e
1
1 + e
xa
b
xa
b
etx
xa
b
b 1 + e
, si ottiene:
1
y
36
xa
b
2 dx
- se x + y 1
Sostituendo allinterno della f.g.m. si ha:
Z
atbt ln 1y
y
G(t) =
0
eat
G(t) =
0
G(t) = eat
1y
y
b
1 y y2
dy
y
b y(1 y)
bt
dy
y bt (1 y)bt dy
(1 + bt)(1 bt)
(2)
G (t)
dove con 00 si indica la derivata seconda della funzione Gamma rispetto al proprio
argomento. Valutando in t = 0 si ottiene:
G00 (0) = a2 (1)(1) + 2ab[0 (1)(1) (1)0 (1)] + b2 [00 (1)(1) 20 (1)0 (1) + (1)00 (1)]
Poiche per le propriet`
a della trigamma vale 00 (1) = 2 /6, il momento secondo della
variabile casuale logistica `e il seguente:
E(X 2 ) = G00 (0)
E(X 2 ) = a2 + b2 200 (1)(1)
E(X 2 ) = a2 +
16
37
b2 2
3
Variabili casuali
b2 2
a2
3
b2 2
3
V ar(X) =
3.5
La variabile casuale normale o Gaussiana `e una variabile casuale continua definita in tutto lasse dei numeri reali; la sua funzione di densit`a `e la
seguente:
1 (x )2
1
[3.13]
f (x) = exp
2
2
2
dove x, R e > 0. Landamento grafico di questa funzione, nota anche
come campana di Gauss, `e evidenziato in Figura 3.4.
Figura 3.4 Funzione di densit`
a della variabile casuale normale
+3
f (x)dx = 1
[3.14]
Dimostrazione:
Per la dimostrazione di questa propriet`
a innanzi tutto occorre effettuare il seguente cambio
di variabile:
x
y=
38
1
y2
exp
2
2
A=
dy
dove dy = dx. Poiche deve risultare A = 1, deve valere anche A2 = 1 che scaturisce dalla
soluzione del seguente integrale definito doppio:
Z
y2
1
exp
2
2
A2 =
A2 =
1
2
exp
dy
2
y2 + z
2
z2
1
exp
2
2
dz
dydz
y = cos
z = sin
1
2
1
2
exp
0
+ Z
2 cos2 + 2 sin2
2
exp
0
dd
2
dd
A2 =
exp
0
2
2
+
2
2
A = exp
2
0
17
dove = T ().
20
In riferimento alla nota precedente, T `e data dalla definizione delle coordinate polari
e f dallintegrale doppio, mentre risultano x = [ ]0 e y = [ y z ]0 . La matrice
Jacobiana sar`
a perci`
o:
cos
sin
J(, ) =
sin cos
Il suo determinante risulta perci`
o essere:
|J(, )| = cos2 + sin2 =
39
Variabili casuali
A2 = 1
Dalla [3.13] si evince che la distribuzione di X `e completamente caratterizzata dai due parametri e e per questa ragione essa `e spesso indicata
nel seguente modo:
X N (, 2 )
[3.15]
dove il simbolo si legge si distribuisce come.
I momenti della variabile casuale normale sono:
1. E(X) =
Dimostrazione:
Z
E(X) =
1 (x )2
1
x exp
2
2
2
dx
E(X) =
z2
1
(z + ) exp
2
2
Z +
E(X) =
1
z2
z exp
2
2
dz
dz +
1
z2
exp
2
2
dz
Lintegrale presente nel secondo addendo ha valore unitario poiche `e quello calcolato sulla funzione di densit`
a di una variabile casuale normale standardizzata.
Lintegrale al primo addendo ha invece soluzione immediata, quindi risulta:
+
z 2
E(X) =
+
2 exp 2
2
Dato che lintegrale definito ha valore nullo21 il valore atteso della variabile casuale
normale `e perci`
o il seguente:
21
f (x)dx = 0
In questo caso f (z) = z exp{z 2 /2} e gli estremi di integrazione rispettano le ipotesi
del teorema.
40
E(X) =
2. V ar(X) = 2
Dimostrazione:
Per il calcolo della varianza occorre innanzi tutto determinare il valore del momento
secondo dato dalla seguente espressione:
Z
E(X ) =
Ponendo z =
E(X 2 )
2
Z
dx
x
si ottiene:
E(X 2 )
1
1 (x )2
x
exp
2
2
2
2
1
z2
(z + )2 exp
2
2
z 2 exp
dz
r
z2
2
dz + 2
z2
1
exp
2
2
z exp
z2
2
dz +
dz
Lintegrale al secondo addendo `e nullo, mentre lintegrale nel terzo addendo vale 1
perche sono dati rispettivamente dallequazione del valore atteso e dalla condizione
fondamentale sulla funzione di densit`
a della variabile casuale con media nulla e
varianza unitaria22 . Lequazione del momento secondo di X diviene perci`
o:
2
E(X 2 ) =
2
z 2 exp
z2
2
2
dz +
2
z 2 exp
0
z2
2
dz + 2
Lintegrale `e stato spezzato in due integrali equivalenti in quanto la funzione integranda `e una funzione pari. Effettuando il cambio di variabile
y = z 2 /2 si ottiene
+
z2
2 2
dz + 2
z 2 exp
E(X 2 ) =
2
2 0
Z +
2 2
E(X 2 ) =
2yey (2y)1/2 dy + 2
2 0
Z
2 2 + 1/2 y
E(X 2 ) =
y e dy + 2
0
3
2
1
, quindi si ha23 :
2
E(X 2 ) = 2 + 2
La varianza della variabile casuale normale sar`
a perci`
o:
22
23
41
Variabili casuali
42
(a)
(b)
2 1 + 1 + 2
Per calcolare il valore della probabilit`a si ricorre allutilizzo delle tavole25 della variabile casuale normale standardizzata (Z) che ha la seguente
25
43
Variabili casuali
[3.16]
[3.17]
Questa formula trasforma una qualsiasi variabile casuale normale nella forma
standardizzata senza determinare perdite di propriet`a26 . Ovviamente larea
inclusa al di sotto della curva e al di sopra dellasse delle ascisse ha valore
unitario27 , poiche deve risultare:
Z +
f (z)dz = 1
[3.19]
Z=
26
Standardizzare una variabile casuale binomiale o Poissoniana ad esempio genera perdita di propriet`
a: tali variabili non sono definite per valori negativi, quindi la loro forma
standardizzata non ha alcun senso.
27
La dimostrazione di questa propriet`
a `e molto complessa e bisogna ricorrere alle coordinate polari poiche in quelle cartesiane non esiste una funzione la cui derivata `e pari alla
[3.16].
44
z
1.5
1.5
f (z)dz
Z 0
1.5
f (z)dz +
f (z)dz
0
P r(Z < 1) =
45
f (z)dz
f (z)dz =
Variabili casuali
f(z)
-1
z
1
P r(Z < 1) =
f (z)dz
1
P r(Z < 1) =
f (z)dz
0
f (z)dz
0
Esempio 3.4 Data la variabile casuale X N (3, 4), calcolare P r(1 X 4).
Innanzi tutto occorre ricondurre la funzione di densit`
a della variabile casuale normale
alla sua forma standardizzata:
P r(1 X 4) = P r
P r(1 X 4) = P r
X
4
1
13
43
Z
2
2
46
-1
z
0.5
0.5
P r (1 Z 0.5) =
f (z)dz
1
Z 0
P r (1 Z 0.5) =
0.5
f (z)dz +
1
0.5
P r (1 Z 0.5) =
f (z)dz
0
f (z)dz +
0
f (z)dz
0
Esempio 3.5 Una macchina produce sfere dacciaio con diametro che segue una distribuzione normale del tipo X N (2500 micron, 400 micron). I limiti di tolleranza di
tali sfere vanno da 2450 micron a 2550 micron.
Qual `e la probabilit`
a che ogni sfera non esca dai limiti di tolleranza?
La probabilit`
a `e data da:
2450
X
2550
<
<
2450 2500
2550 2500
<Z<
20
20
47
Variabili casuali
f(z)
-2.5
z
2.5
0
Z
2.5
f (z)dz
2.5
0
f (z)dz +
2.5
Z 2.5
2.5
f (z)dz
0
f (z)dz
0
3.6
Si consideri la variabile casuale X con supporto x [0, +) e la sua trasformazione Y = ln X. Se Y N (, 2 ) la funzione di densit`a della variabile
casuale lognormale `e data dalla seguente espressione:
1
1 (ln x )2
f (x) = exp
[3.20]
2
2
x 2
dove = E(ln x) e 2 = V ar(ln x) rappresentano rispettivamente il parametro di spostamento ed il parametro di scala della distribuzione.
3.7
La variabile casuale Paretiana trova applicazione soprattutto in campo economico in quanto essa viene utilizzata nello studio dei problemi relativi
allottima allocazione delle risorse. Come variabile casuale normale, anche
questa variabile casuale `e caratterizzata da due parametri:
48
+1 se x
x
f (x) =
0
se x <
[3.21]
Condizione fondamentale:
Z
f (x)dx = 1
Dimostrazione:
Z
f (x)dx =
dx
x+1
+
f (x)dx =
x(+1) dx
+
1
f (x)dx = x
28
49
Variabili casuali
Z
1 +
f (x)dx =
x
f (x)dx =
=1
f (x)dx = 1
= 0.5
X0.5
= 0.5
X0.5
X0.5 = 21/
I momenti della variabile casuale Paretiana sono:
Z +
1. E(X) =
x +1 dx
x
Z +
E(X) =
x dx
1 +
x
E(X) =
1
1 +
E(X) =
1 x1
1
E(X) =
0 1
1
E(X) =
1
dove > 1 affinche risulti E(X) > 0.
50
2
dx
1
x+1
Z +
2 2
2
x 2
V ar(X) =
x+
dx
1
( 1)2 x+1
Z +
Z +
Z +
2 2
1
(+1)
V ar(X) =
x
dx 2
x dx +
x
dx
1
( 1)2
"
1 +
+ #
22 1
x
x2 +
x
2
+
V ar(X) =
2
2
1 1
( 1)
"
+
+
+ #
2
2
1
1
1
V ar(X) =
+2
x
2
2
1
2
2 x
(
1)
x
(
1)
2
22
2
+2
V ar(X) =
( 2)
( 1)2 ( 1)2
( 1)2 ( 2)
V ar(X) = 2
( 2)( 1)2
2
V ar(X) =
( 2)( 1)2
Z
2. V ar(X) =
+
3.8
se a x b
ba
f (x) =
[3.22]
0
altrove
La variabile casuale uniforme ha una funzione di densit`a simmetrica con
centro di simmetria in x = (a + b)/2, punto medio dellintervallo chiuso
[a, b].
Dato che la funzione di densit`a `e nulla per valori esterni allintervallo [a, b],
deve risultare:
Z b
1
dx = 1
a ba
Dimostrazione:
Z
dx
a
1
1
dx =
|x|ba
ba
ba
1
1
dx =
(b a) = 1
ba
ba
1
1
dx =
ba
ba
51
Variabili casuali
1
b-a
x
a
a
a
Z b
1
E(X) =
xdx
ba a
b
1 x2
E(X) =
b a 2 a
(b + a)(b a)
E(X) =
2(b a)
a+b
E(X) =
2
Z b
a+b 2 1
2. V ar(X) =
x
dx
2
ba
a
Z b
1
(a + b)2
2
V ar(X) =
x (a + b)x +
dx
ba a
4
Z b
Z b
Z
(a + b)2 b
1
2
V ar(X) =
x dx (a + b)
xdx +
dx
ba a
4
a
a
" b
#
2 b
2
x3
x
(a
+
b)
1
(a + b) +
V ar(X) =
|x|ba
2
b a 3 a
4
a
52
V ar(X) =
V ar(X) =
V ar(X) =
V ar(X) =
V ar(X) =
V ar(X) =
3
b a3 (a + b)(b2 a2 ) (a + b)2 (b a)
1
+
ba
3
2
4
3
3
2
2
4(b a ) 6(a + b)(b a ) + 3(a + b)2 (b a)
1
ba
12
2
2
2
4(a + b + ab) 6(a + b) + 3(a + b)2
12
2
2
4(a + b + ab) 3(a + b)2
12
2
2
a + b 2ab
12
(b a)2
12
a+b
2
1
dx = 0.5
ba
La variabile casuale uniforme `e una distribuzione plurimodale in quanto tutti i punti compresi nellintervallo [a, b] costituiscono la moda.
Dato che la funzione di densit`a della variabile casuale uniforme `e simmetrica
` inoltre facilmente dimostrabile che tale distribuzione `e
si ha che 3 = 0. E
platicurtica in quanto mostra un valore di curtosi minore di 3.
53
Variabili casuali
54
4.1
n
X
Zi2
[4.1]
i=1
Dato che la somma di quadrati non pu`o assumere valori negativi, la variabile
casuale chi quadrato `e definita nellintervallo [0, +). La sua funzione di
densit`a `e la seguente:
n
x
x 2 1 e 2
2
f (n ) = n
[4.2]
n
22
2
3
dove x 0 e (n/2) `e la funzione gamma .
1
(n) =
xn1 ex dx
55
Variabili casuali
2
Per le propriet`a della
gamma si ha perci`o:
n funzione
2
2
+1
E(n ) = n
2
2
2 n n
2
E(n ) = n
2
2
2
E(2n ) = n
2. V
ar(2n )
Z
=
0
n
1
2
e 2
x n n dx n2
22
2
Z
2x
+ n
x
1
n
x 2 +1 e 2 dx n2
0
2
2
x
Ponendo t = (con dx = 2dt) si ottiene:
2
Z +
n
n
2
+1
2
2
V ar(n ) = n
t 2 +1 et dt n2
n 2
0
22
2
Dalle propriet`a della funzione gamma:
V ar(2n ) =
n
2
n
4
n
+ 2 n2
2
2
n
4
V ar(2n ) = n
+ 1 + 1 n2
2
V ar(2n ) =
56
n
4 n
V
=
+1
+ 1 n2
n
2
2
2
n n
4 n
2
V ar(n ) = n
+1
n2
2
2
2
2n
2
+ 1 n2
V ar(n ) = 2n
2
ar(2n )
V ar(2n ) = 2n
Landamento grafico della variabile casuale chi quadrato dipende dal numero
dei suoi g.d.l., infatti la sua funzione di densit`a assume una forma simile a
quella di uniperbole quando n = 1 o n = 2, mentre assume una forma a
campana per n 3 (Figura 4.1).
Figura 4.1 Funzione di densit`
a della variabile casuale chi quadrato
f( 2n )
n=1
n=2
2n
f( 2n )
n=3
n=5
n=10
2n
57
Variabili casuali
n
X
Zi2 e 2m =
i=1
2n + 2m =
i=1
n
X
Zi2 +
i=1
2n + 2m =
m
X
n+m
X
m
X
Zi2
i=1
Zi2
i=1
2n + 2m = 2n+m
n
.
2
6. Quando n = 2, la funzione di densit`a coincide con quella di una variabile casuale esponenziale con = 1/2.
4
Questa propriet`
a `e unapplicazione del Teorema del limite centrale di Lindeberg-Levy.
58
4.2
[4.4]
n+1
2
[4.5]
Dimostrazione:
Si consideri la variabile casuale tn condizionata dallevento 2n = k:
r
tn |k = Z
n
k
n
E(Z) = 0
k
n
n
- V ar(tn |k) = V ar(Z) =
k
k
In base a questo risultato la distribuzione della variabile casuale condizionata t = tn |k ha
la seguente funzione di densit`
a di una variabile casuale normale:
- E(tn |k) =
1
1 t2
f (tn |k) =
exp
2 n/k
2(n/k)1/2
n+1
2
k
n
1/2
e 2
t2 /n
n 1
k
2
e 2
n
2
2
n1
2
k
1
k 2 e 2 (1+t /n)
n
n
2
f (tn ) =
2
n+1
2
Z
n
n
2
k
0
59
n1
2
e 2 (1+t
/n)
dk
Variabili casuali
k
Ponendo y =
2
t2
t2
1+
, risulta dk = 2 1 +
n
n
1
f (tn ) =
2
n+1
2
Z
n
n
2
n+1
f (tn ) =
0
2 2
n+1
n
2 2
n
2
1
f (tn ) =
n
n
2
"
t2
n
1+
f (tn ) =
n+1 Z
2
ey 2 1 +
+
n1
2
t2
n
1
dy
ey dy
0
+
n+1
1
2
ey dy
n+1
2
1 # n1
2
n+1 Z
2
t2
2y 1 +
n
t2
n
1+
1
h
n+1
2
risulta5 :
i1
n
t2
n
1+
2
n
n+1
2
n=10
n=3
tn
0
f (t)dt = 1
60
Dimostrazione:
Z
K(n)
1+
t2
n
n+1
2
dt = 1
1
1x
t2
; dato che la trasformazione non `e
si ha t = n
n
x
biunivoca per t (, +), occorre spezzare lintegrale in due parti quindi risulta:
Ponendo y =
1+
"Z
t2
1+
n
K(n)
2K(n)
1+
0
n+1
t2
n
dt +
0
t2
1+
n
n+1
2
dt = 1
n+1
2
dt = 1
n 3/2
y
(1 y)1/2 si ottiene:
2
n+1
Z 1
n+1
2
n
2
y 2 y 3/2 (1 y)1/2 dy = 1
n 2
0
n
2
n+1
Z 1
n+2
2
y 2 (1 y)1/2 dy = 1
n
0
Per le propriet`
a della funzione beta e della funzione gamma risulta:
n+1
2
1
2
Z
1
B
n 1
,
2 2
y 2 1 (1 y) 2 1 dy = 1
n 1
,
2 2
=1
n
n2
Dimostrazione:
Z
t2n 1 +
V ar(tn ) = K(n)
61
t2n
n
n+1
2
dtn
Variabili casuali
Ponendo y =
1 n
t2n
(funzione non biunivoca) risulta dx = quindi lintegrale
n
2 y
diventa:
n+1
Z +
n+1
2
1
n
V ar(tn ) = 2
ny(1 + y) 2 dy
2
y
1
n
0
n
2
2
n+1
2
Z +
n+1
y 1/2 (1 + y) 2 dy
V ar(tn ) = n
1
n
0
2
2
Per le propriet`
a della funzione beta lintegrale restituisce B
ha:
n+1
2
V ar(tn ) = n
1
n
2
2
3 n
, 1 , quindi si
2 2
n
1
2
n+1
3
2
Per le propriet`
a della funzione gamma risulta:
V ar(tn ) = n
V ar(tn ) =
2
n
n2
2
1
n
2
2
1
2
n
n2
Ovviamente, affinche la varianza assuma sempre valori positivi, deve risultare che
n > 2.
62
t
x
-3
4.3
Fn,m
2n
= n2
m
m
[4.6]
1+ F
2
2
m
I momenti della variabile casuale F di Snedecor sono (senza dimostrazione):
m
1. E(Fn,m ) =
m2
2. V ar(Fn,m ) =
2m2 (n + m 2)
n(m 2)2 (m 4)
Variabili casuali
2m
m
64
2n
n
[5.2]
65
Variabili casuali
1
X2 |X1 N 2 + 21 1
11 (X1 1 ), 22 21 11 12
0
= 4 2 5,
1
1
= 4 0.5
0
0.5
1
0.5
0
0.5 5
1
Calcolare:
1. E(X2 );
2. V ar(X3 );
3. E(X1 + X3 );
4. V ar(X1 + X3 );
5. E(X1 |X2 );
6. V ar(X1 |X3 );
7. la distribuzione di 0 X dove 0 =
1 .
66
3. Per le propriet`
a del valore atteso si ha:
E(X1 + X3 ) = E(X1 ) + E(X3 )
E(X1 + X3 ) = 0 1 = 1
4. Per le propriet`
a della varianza, risulta:
V ar(X1 + X3 ) = V ar(X1 ) + V ar(X3 ) + 2Cov(X1 , X3 )
V ar(X1 + X3 ) = 1 + 1 + 2 0 = 2
5. Per poter calcolare la media condizionata di X1 dato X2 occorre conoscere la distribuzione di X1 |X2 . Dato che, per la regola delle probabilit`
a condizionate, risulta
che la funzione di densit`
a condizionale `e pari a:
f (x1 |x2 ) =
f (x1 , x2 )
f (x2 )
1
p
exp
2
2(1
2 )
21 2 1
"
x2 2
2
2
x1 1
1
x1 1
1
x2 2
2
2
#)
1B
p
f (x1 |x2 ) =
exp @
2
>
21 1
: 2
1
Ponendo M = 1 +
x1 1
1
12 9
12
(x2 2 ) >
=
22
C
1 2
>
;
p
12
(x2 2 ) e S = 1 1 2 si ha:
22
(
1
1
f (x1 |x2 ) =
exp
2
2S
x1 M
S
2 )
67
Variabili casuali
6. Per risolvere questo punto dellesercizio si rimanda al punto precedente (basta solamente sostituire la variabile X3 alla variabile X2 ).
A questo punto `e agevole concludere che:
V ar(X1 |X3 ) = 12 (1 2 )
dove in questo caso `e il coefficiente di correlazione tra X1 e X3 .
Sostituendo a tale coefficiente la sua espressione analitica si ottiene:
V ar(X1 |X3 ) = 12 1
V ar(X1 |X3 ) = 12 1
Cov(X1 , X3 )2
V ar(X3 )2
2
13
32
V ar(X1 |X3 ) = 1
7. Dalla propriet`
a 2. della variabile casuale multinormale si evince che una combinazione lineare di variabili casuali normali `e anchessa una variabile casuale normale.
In questo caso perci`
o risulta:
0 X N (0 , 0 )
Il valore atteso `e pari:
2
0
0
4
2 5=1
1
La varianza `e:
2
0 =
1
4 0.5
0
0.5
1
0.5
La distribuzione di 0 X `e quindi:
0 X N (1, 5)
68
32
0
1
0.5 5 4 1 5 = 5
1
1
etx p(x)
Caso discreto
xS
G(t) =
[6.1]
Z +
dove S rappresenta il supporto delle variabili casuali nel caso discreto. Affinche
esista la f.g.m., la serie o lintegrale contenuti nella [6.1] devono esistere in
corrispondenza di valori della variabile t appartenenti ad un intorno qualsiasi dellorigine, cio`e per t [t0 ; t0 ] con t0 > 0.
` DELLA F.G.M.:
PROPRIETA
1. La f.g.m. nellorigine esiste sempre ed ha valore unitario, infatti, se
t = 0, per la propriet`a fondamentale della funzione di probabilit`a e/o
di densit`a, risulta:
G(0) = 1
2. La derivata s-esima in t0 della f.g.m. coincide con il momento di ordine
s della variabile casuale considerata, cio`e:
s G(t0 )
= E(X s )
ts
3. La f.g.m. determina in modo univoco la funzione di ripartizione quando questa esiste.
1
69
Variabili casuali
etx
G(t) =
a
1
ba
G(t) =
1
dx
ba
tx b
e
t
ebt eat
G(t) =
t(b a)
Per trovare il momento primo della distribuzione occorre calcolare la derivata prima della
f.g.m. ottenuta in corrispondenza di t = 0, quindi:
G(0)
1
btebt ateat ebt + eat
=
t
ba
t2
G(0)
ebt (bt 1) eat (at 1)
1
=
t
ba
t2
lim
t0
1
bt 1 bt at 1 at
e
e
ba
t2
t2
Per risolvere tale limite bisogna fare ricorso allo sviluppo in serie di McLaurin. Lequazione diviene perci`
o la seguente:
lim
t0
1
bt 1
ba
t2
at 1
t2
1 + bt +
1 + at +
b 2 t2
b 3 t3
+
+
2
3!
a2 t2
a3 t3
+
+
2
3!
lim
t0
1
b
b3 t
b 4 t2
1
b2
b3 t
b
+ b2 +
+
+ 2
ba t
2
3!
t
t
2
3!
a3 t
a4 t2
1
a
a2
a3 t
a
a2
+ 2 + +
+
t
2
3!
t
t
2
3!
1
b2 a2
lim
t0 b a
2
a+b
2
Il valore cos` ottenuto coincide con il valore atteso della variabile casuale uniforme.
n
X
etx
x=0
n
X
x=0
n
x
70
n
x
px (1 p)nx
Tale formula `e riconducibile allo sviluppo del polinomio di Newton enunciato alla nota 4,
quindi la f.g.m. della variabile casuale binomiale `e:
G(t) = [1 p + pet ]n
La derivata prima in corrispondenza di t = 0 genera il valore atteso, infatti:
G(0)
t
E(B) = n(1 p + pet )n1 et
E(B) =
E(B) = np
La derivata seconda in t = 0 restituisce il momento secondo:
2 G(0)
t2
2
E(B ) = n(n 1)(1 p + pet )n2 (pet )2 + n(1 p + pet )n1 et
E(B 2 ) =
G(t) =
etx
x=0
e x
x!
X
(et )x
G(t) = e
x!
x=0
G(t) = e ee = e(e
1)
dove t (, +). I momenti primo e secondo si ricavano rispettivamente dalle condizioni del primo e del secondo ordine in corrispondenza di t = 0:
E(X) =
G(0)
t
t
E(X) = et e(e
1)
E(X) =
E(X 2 ) =
2 G(0)
t2
t
1)
E(X 2 ) = + 2
La varianza perci`
o risulta essere:
V ar(X) = E(X 2 ) [E(X)]2
V ar(X) =
71
Variabili casuali
72
Esempio 6.4 Calcolare la varianza della variabile casuale normale attraverso la f.g.m.
Z
(x)2
1
1
etx e 2 2 dx
2
X
Sostituendo la variabile casuale normale standardizzata Z =
:
2
G(t) =
G(t) =
1 2
1
et(z+) e 2 z dz
2
1
G(t) = et
2
1
G(t) = et
2
e 2 z
Z +
2 t2
1
G(t) = et+ 2
2
+tz
e 2 [(zt)
Z
dz
2
2 t2 ]
dz
e 2 (zt) dz
Per le propriet`
a della variabile casuale normale risulta:
G(t) = et+
2 t2
2
dove t (, +).
Calcolando le condizioni del primo e del secondo ordine per t = 0 si ottiene:
G(0)
t
E(X) = ( + 2 t)et
E(X) =
E(X) =
2 G(0)
t2
2
2 t
E(X ) = e + ( + 2 t)et
E(X 2 ) =
E(X 2 ) = ( 2 + 2 + 2 t)et
E(X 2 ) = 2 + 2
La varianza della variabile casuale normale `e perci`
o pari a 2 .
73
Variabili casuali
74
Funzione Gamma
Funzione Poligamma
La funzione digamma2 .
Quando t = 0 risulta:
G0 (t = 0) = a(1)(1) + 21 (1)(1)
Poiche (1) = 1 e 1 (1) = ln 1 = 0 il valore atteso della variabile casuale
logistica risulta perci`o essere3 :
E(X) = G0 (t = 0) = a
Funzione Beta
Metodo delle trasformazioni
2
La funzione digamma `e ottenuta derivando la funzione gamma rispetto al proprio
argomento. Essa rappresenta un caso particolare della funzione polygamma di ordine
k data dalla k-esima derivata della funzione gamma rispetto al proprio argomento, cioe:
k (x) =
k (x)
xk
75
Variabili casuali
76
Tavole statistiche
Probabilit`
a variabile casuale normale standardizzata
Per ciascun quantile la tabella restituisce
il livello di probabilit`
a P r(0 < Z < z),
equivalente allarea sottesa dalla funzione
di densit`
a in corrispondenza dellintervallo
[0, z]. Si tenga presente che tale funzione `e
simmetrica.
0
Z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
.00
0.0000
0.0398
0.0793
0.1179
0.1554
0.1915
0.2257
0.2580
0.2881
0.3159
0.3413
0.3643
0.3849
0.4032
0.4192
0.4332
0.4452
0.4554
0.4640
0.4713
0.4772
0.4821
0.4861
0.4893
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.4986
.01
0.0040
0.0438
0.0831
0.1217
0.1591
0.1950
0.2291
0.2611
0.2910
0.3186
0.3437
0.3665
0.3868
0.4049
0.4207
0.4345
0.4463
0.4564
0.4648
0.4719
0.4778
0.4826
0.4864
0.4895
0.4920
0.4939
0.4955
0.4966
0.4975
0.4982
0.4987
.02
0.0080
0.0477
0.0871
0.1255
0.1627
0.1985
0.2324
0.2642
0.2939
0.3212
0.3461
0.3686
0.3888
0.4066
0.4222
0.4357
0.4474
0.4573
0.4656
0.4726
0.4783
0.4830
0.4868
0.4898
0.4922
0.4941
0.4956
0.4967
0.4976
0.4982
0.4987
.03
0.0120
0.0517
0.0909
0.1293
0.1664
0.2019
0.2356
0.2673
0.2967
0.3238
0.3485
0.3707
0.3906
0.4082
0.4236
0.4370
0.4484
0.4582
0.4664
0.4732
0.4788
0.4834
0.4871
0.4901
0.4924
0.4943
0.4957
0.4968
0.4977
0.4983
0.4988
.04
0.0160
0.0557
0.0948
0.1331
0.1700
0.2054
0.2389
0.2703
0.2995
0.3264
0.3508
0.3728
0.3925
0.4099
0.4250
0.4382
0.4495
0.4591
0.4671
0.4738
0.4793
0.4838
0.4874
0.4903
0.4926
0.4944
0.4958
0.4969
0.4977
0.4984
0.4988
77
.05
0.0199
0.0596
0.0987
0.1368
0.1736
0.2088
0.2421
0.2734
0.3023
0.3289
0.3531
0.3749
0.3943
0.4115
0.4265
0.4394
0.4505
0.4599
0.4678
0.4744
0.4798
0.4842
0.4878
0.4906
0.4928
0.4946
0.4960
0.4970
0.4978
0.4984
0.4989
.06
0.0239
0.0635
0.1026
0.1406
0.1772
0.2122
0.2454
0.2764
0.3051
0.3315
0.3554
0.3770
0.3961
0.4131
0.4278
0.4406
0.4515
0.4608
0.4685
0.4750
0.4803
0.4846
0.4881
0.4908
0.4930
0.4947
0.4961
0.4971
0.4979
0.4985
0.4989
.07
0.0279
0.0675
0.1064
0.1443
0.1808
0.2156
0.2486
0.2793
0.3078
0.3340
0.3577
0.3790
0.3979
0.4146
0.4292
0.4418
0.4525
0.4616
0.4692
0.4756
0.4808
0.4850
0.4884
0.4911
0.4932
0.4949
0.4962
0.4972
0.4979
0.4985
0.4989
.08
0.0319
0.0714
0.1102
0.1480
0.1844
0.2190
0.2517
0.2823
0.3106
0.3364
0.3599
0.3810
0.3997
0.4162
0.4305
0.4429
0.4535
0.4624
0.4699
0.4761
0.4812
0.4854
0.4887
0.4913
0.4934
0.4951
0.4963
0.4973
0.4980
0.4985
0.4990
.09
0.0359
0.0753
0.1141
0.1517
0.1879
0.2224
0.2549
0.2852
0.3133
0.3389
0.3621
0.3830
0.4015
0.4177
0.4319
0.4441
0.4545
0.4633
0.4706
0.4767
0.4817
0.4857
0.4890
0.4916
0.4936
0.4952
0.4964
0.4974
0.4981
0.4986
0.4990
Variabili casuali
H
H
n HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
80
100
120
tn
0.4
0.25
0.1
0.05
0.025
0.01
0.005
0.3249
0.2886
0.2766
0.2707
0.2672
0.2648
0.2631
0.2619
0.2609
0.2602
0.2595
0.2590
0.2586
0.2582
0.2579
0.2576
0.2573
0.2571
0.2569
0.2567
0.2566
0.2564
0.2563
0.2562
0.2560
0.2559
0.2558
0.2557
0.2557
0.2556
0.2550
0.2547
0.2545
0.2542
0.2540
0.2539
0.2533
1.0000
0.8165
0.7649
0.7407
0.7267
0.7175
0.7111
0.7064
0.7027
0.6998
0.6974
0.6955
0.6938
0.6924
0.6912
0.6901
0.6892
0.6883
0.6876
0.6869
0.6863
0.6858
0.6853
0.6848
0.6844
0.6840
0.6837
0.6833
0.6830
0.6827
0.6807
0.6794
0.6786
0.6775
0.6769
0.6765
0.6745
3.0777
1.8856
1.6377
1.5332
1.4759
1.4397
1.4149
1.3968
1.3830
1.3722
1.3634
1.3562
1.3502
1.3450
1.3406
1.3367
1.3334
1.3304
1.3277
1.3253
1.3232
1.3212
1.3194
1.3178
1.3163
1.3149
1.3137
1.3125
1.3114
1.3104
1.3031
1.2989
1.2958
1.2922
1.2901
1.2886
1.2815
6.3137
2.9200
2.3533
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331
1.8124
1.7959
1.7823
1.7709
1.7613
1.7530
1.7459
1.7396
1.7340
1.7291
1.7247
1.7207
1.7171
1.7139
1.7108
1.7081
1.7056
1.7033
1.7011
1.6991
1.6972
1.6838
1.6759
1.6706
1.6641
1.6602
1.6576
1.6448
12.7062
4.3026
3.1824
2.7764
2.5706
2.4469
2.3646
2.3060
2.2621
2.2281
2.2010
2.1788
2.1603
2.1448
2.1314
2.1199
2.1098
2.1009
2.0930
2.0859
2.0796
2.0739
2.0686
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423
2.0211
2.0085
2.0003
1.9900
1.9840
1.9799
1.9600
31.8205
6.9645
4.5407
3.7469
3.3649
3.1426
2.9979
2.8964
2.8214
2.7637
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
2.5280
2.5176
2.5083
2.4999
2.4921
2.4851
2.4786
2.4726
2.4671
2.4620
2.4572
2.4232
2.4033
2.3901
2.3739
2.3642
2.3578
2.3263
63.6567
9.9248
5.8409
4.6041
4.0321
3.7074
3.4995
3.3554
3.2498
3.1692
3.1058
3.0545
3.0123
2.9768
2.9467
2.9208
2.8982
2.8784
2.8609
2.8453
2.8313
2.8187
2.8073
2.7969
2.7874
2.7787
2.7707
2.7632
2.7564
2.7500
2.7044
2.6778
2.6602
2.6387
2.6259
2.6174
2.5758
78
Tavole statistiche
H
H
n HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
0.99
2
1.5710
0.0201
0.1148
0.2971
0.5543
0.8721
1.2390
1.6465
2.0879
2.5582
3.0535
3.5705
4.1069
4.6604
5.2293
5.8122
6.4077
7.0149
7.6327
8.2604
8.8972
9.5425
10.1957
10.8564
11.5240
12.1981
12.8785
13.5647
14.2565
14.9535
22.1643
29.7067
37.4849
45.4417
53.5402
61.7542
70.0649
2
n
0.975
2
9.8210
0.0506
0.2158
0.4844
0.8312
1.2373
1.6899
2.1797
2.7004
3.2469
3.8157
4.4038
5.0087
5.6287
6.2621
6.9077
7.5642
8.2307
8.9065
9.5908
10.2829
10.9823
11.6886
12.4012
13.1197
13.8439
14.5734
15.3079
16.0471
16.7908
24.4334
32.3574
40.4817
48.7576
57.1533
65.6467
74.2219
0.95
0.9
0.1
0.05
0.025
0.01
0.0039
0.1026
0.3518
0.7107
1.1455
1.6354
2.1673
2.7326
3.3251
3.9403
4.5748
5.2260
5.8918
6.5706
7.2609
7.9616
8.6717
9.3904
10.1170
10.8508
11.5913
12.3380
13.0905
13.8484
14.6114
15.3792
16.1514
16.9279
17.7084
18.4927
26.5093
34.7643
43.1886
51.7393
60.3916
69.1269
77.9295
0.0158
0.2107
0.5844
1.0636
1.6103
2.2041
2.8331
3.4895
4.1681
4.8652
5.5778
6.3038
7.0415
7.7895
8.5467
9.3122
10.0852
10.8649
11.6509
12.4426
13.2396
14.0415
14.8480
15.6587
16.4734
17.2919
18.1139
18.9392
19.7677
20.5992
29.0505
37.6886
46.4589
55.3289
64.2779
73.2911
82.3581
2.7055
4.6052
6.2514
7.7794
9.2363
10.6446
12.0170
13.3616
14.6837
15.9872
17.2750
18.5493
19.8119
21.0641
22.3071
23.5418
24.7690
25.9894
27.2036
28.4120
29.6151
30.8133
32.0069
33.1962
34.3816
35.5632
36.7412
37.9159
39.0875
40.2560
51.8051
63.1671
74.3976
85.5277
96.5783
107.5659
118.4981
3.8414
5.9914
7.8147
9.4877
11.0705
12.5916
14.0671
15.5073
16.9190
18.3070
19.6751
21.0261
22.3620
23.6848
24.9958
26.2962
27.5871
28.8693
30.1435
31.4104
32.6706
33.9244
35.1725
36.4150
37.6525
38.8851
40.1133
41.3371
42.5570
43.7730
55.7585
67.5048
79.0819
90.5312
101.8798
113.1459
124.3421
5.0239
7.3777
9.3484
11.1433
12.8325
14.4494
16.0128
17.5345
19.0228
20.4832
21.9200
23.3367
24.7356
26.1189
27.4884
28.8454
30.1910
31.5264
32.8523
34.1696
35.4789
36.7807
38.0756
39.3641
40.6465
41.9232
43.1945
44.4608
45.7223
46.9792
59.3417
71.4202
83.2977
95.0232
106.6298
118.1369
129.5611
6.6349
9.2103
11.3449
13.2767
15.0863
16.8119
18.4753
20.0902
21.6660
23.2093
24.7250
26.2170
27.6882
29.1412
30.5779
31.9999
33.4087
34.8053
36.1909
37.5662
38.9322
40.2894
41.6384
42.9798
44.3141
45.6417
46.9629
48.2782
49.5879
50.8922
63.6907
76.1539
88.3794
100.4257
112.3298
124.1169
135.8071
79
Variabili casuali
Fn,m
= 0.1
H n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
39.86
8.53
5.54
4.54
4.06
3.78
3.59
3.46
3.36
3.28
3.22
3.18
3.14
3.10
3.07
3.05
3.03
3.01
2.99
2.97
2.96
2.95
2.94
2.93
2.92
2.91
2.90
2.89
2.89
2.88
2.84
2.79
2.75
2.71
49.50
9.00
5.46
4.32
3.78
3.46
3.26
3.11
3.01
2.92
2.86
2.81
2.76
2.73
2.70
2.67
2.64
2.62
2.61
2.59
2.57
2.56
2.55
2.54
2.53
2.52
2.51
2.50
2.50
2.49
2.44
2.39
2.35
2.30
53.59
9.16
5.39
4.19
3.62
3.29
3.07
2.92
2.81
2.73
2.66
2.61
2.56
2.52
2.49
2.46
2.44
2.42
2.40
2.38
2.36
2.35
2.34
2.33
2.32
2.31
2.30
2.29
2.28
2.28
2.23
2.18
2.13
2.08
55.83
9.24
5.34
4.11
3.52
3.18
2.96
2.81
2.69
2.61
2.54
2.48
2.43
2.39
2.36
2.33
2.31
2.29
2.27
2.25
2.23
2.22
2.21
2.19
2.18
2.17
2.17
2.16
2.15
2.14
2.09
2.04
1.99
1.94
57.24
9.29
5.31
4.05
3.45
3.11
2.88
2.73
2.61
2.52
2.45
2.39
2.35
2.31
2.27
2.24
2.22
2.20
2.18
2.16
2.14
2.13
2.11
2.10
2.09
2.08
2.07
2.06
2.06
2.05
2.00
1.95
1.90
1.85
58.20
9.33
5.28
4.01
3.40
3.05
2.83
2.67
2.55
2.46
2.39
2.33
2.28
2.24
2.21
2.18
2.15
2.13
2.11
2.09
2.08
2.06
2.05
2.04
2.02
2.01
2.00
2.00
1.99
1.98
1.93
1.87
1.82
1.77
58.91
9.35
5.27
3.98
3.37
3.01
2.78
2.62
2.51
2.41
2.34
2.28
2.23
2.19
2.16
2.13
2.10
2.08
2.06
2.04
2.02
2.01
1.99
1.98
1.97
1.96
1.95
1.94
1.93
1.93
1.87
1.82
1.77
1.72
59.44
9.37
5.25
3.95
3.34
2.98
2.75
2.59
2.47
2.38
2.30
2.24
2.20
2.15
2.12
2.09
2.06
2.04
2.02
2.00
1.98
1.97
1.95
1.94
1.93
1.92
1.91
1.90
1.89
1.88
1.83
1.77
1.72
1.67
59.86
9.38
5.24
3.94
3.32
2.96
2.72
2.56
2.44
2.35
2.27
2.21
2.16
2.12
2.09
2.06
2.03
2.00
1.98
1.96
1.95
1.93
1.92
1.91
1.89
1.88
1.87
1.87
1.86
1.85
1.79
1.74
1.68
1.63
60.19
9.39
5.23
3.92
3.30
2.94
2.70
2.54
2.42
2.32
2.25
2.19
2.14
2.10
2.06
2.03
2.00
1.98
1.96
1.94
1.92
1.90
1.89
1.88
1.87
1.86
1.85
1.84
1.83
1.82
1.76
1.71
1.65
1.60
80
Tavole statistiche
= 0.1
H
H n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
12
15
20
24
30
40
60
120
60.71
9.41
5.22
3.90
3.27
2.90
2.67
2.50
2.38
2.28
2.21
2.15
2.10
2.05
2.02
1.99
1.96
1.93
1.91
1.89
1.87
1.86
1.84
1.83
1.82
1.81
1.80
1.79
1.78
1.77
1.71
1.66
1.60
1.55
61.22
9.42
5.20
3.87
3.24
2.87
2.63
2.46
2.34
2.24
2.17
2.10
2.05
2.01
1.97
1.94
1.91
1.89
1.86
1.84
1.83
1.81
1.80
1.78
1.77
1.76
1.75
1.74
1.73
1.72
1.66
1.60
1.54
1.49
61.74
9.44
5.18
3.84
3.21
2.84
2.59
2.42
2.30
2.20
2.12
2.06
2.01
1.96
1.92
1.89
1.86
1.84
1.81
1.79
1.78
1.76
1.74
1.73
1.72
1.71
1.70
1.69
1.68
1.67
1.61
1.54
1.48
1.42
62.00
9.45
5.18
3.83
3.19
2.82
2.58
2.40
2.28
2.18
2.10
2.04
1.98
1.94
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.72
1.70
1.69
1.68
1.67
1.66
1.65
1.64
1.57
1.51
1.45
1.38
62.26
9.46
5.17
3.82
3.17
2.80
2.56
2.38
2.25
2.16
2.08
2.01
1.96
1.91
1.87
1.84
1.81
1.78
1.76
1.74
1.72
1.70
1.69
1.67
1.66
1.65
1.64
1.63
1.62
1.61
1.54
1.48
1.41
1.34
62.53
9.47
5.16
3.80
3.16
2.78
2.54
2.36
2.23
2.13
2.05
1.99
1.93
1.89
1.85
1.81
1.78
1.75
1.73
1.71
1.69
1.67
1.66
1.64
1.63
1.61
1.60
1.59
1.58
1.57
1.51
1.44
1.37
1.30
62.79
9.47
5.15
3.79
3.14
2.76
2.51
2.34
2.21
2.11
2.03
1.96
1.90
1.86
1.82
1.78
1.75
1.72
1.70
1.68
1.66
1.64
1.62
1.61
1.59
1.58
1.57
1.56
1.55
1.54
1.47
1.40
1.32
1.24
63.06
9.48
5.14
3.78
3.12
2.74
2.49
2.32
2.18
2.08
2.00
1.93
1.88
1.83
1.79
1.75
1.72
1.69
1.67
1.64
1.62
1.60
1.59
1.57
1.56
1.54
1.53
1.52
1.51
1.50
1.42
1.35
1.26
1.17
63.33
9.49
5.13
3.76
3.10
2.72
2.47
2.29
2.16
2.06
1.97
1.90
1.85
1.80
1.76
1.72
1.69
1.66
1.63
1.61
1.59
1.57
1.55
1.53
1.52
1.50
1.49
1.48
1.47
1.46
1.38
1.29
1.19
1.00
81
Variabili casuali
= 0.05
HH n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
161.45
18.51
10.13
7.71
6.61
5.99
5.59
5.32
5.12
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
4.17
4.08
4.00
3.92
3.84
199.50
19.00
9.55
6.94
5.79
5.14
4.74
4.46
4.26
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
3.32
3.23
3.15
3.07
3.00
215.71
19.16
9.28
6.59
5.41
4.76
4.35
4.07
3.86
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
2.92
2.84
2.76
2.68
2.60
224.58
19.25
9.12
6.39
5.19
4.53
4.12
3.84
3.63
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
2.69
2.61
2.53
2.45
2.37
230.16
19.30
9.01
6.26
5.05
4.39
3.97
3.69
3.48
3.33
3.20
3.11
3.03
2.96
2.90
2.85
2.81
2.77
2.74
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
2.53
2.45
2.37
2.29
2.21
233.99
19.33
8.94
6.16
4.95
4.28
3.87
3.58
3.37
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
2.42
2.34
2.25
2.17
2.10
236.77
19.35
8.89
6.09
4.88
4.21
3.79
3.50
3.29
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
2.33
2.25
2.17
2.09
2.01
238.88
19.37
8.85
6.04
4.82
4.15
3.73
3.44
3.23
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
2.27
2.18
2.10
2.02
1.94
240.54
19.38
8.81
6.00
4.77
4.10
3.68
3.39
3.18
3.02
2.90
2.80
2.71
2.65
2.59
2.54
2.49
2.46
2.42
2.39
2.37
2.34
2.32
2.30
2.28
2.27
2.25
2.24
2.22
2.21
2.12
2.04
1.96
1.88
241.88
19.40
8.79
5.96
4.74
4.06
3.64
3.35
3.14
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
2.16
2.08
1.99
1.91
1.83
82
Tavole statistiche
= 0.05
HH n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
12
15
20
24
30
40
60
120
243.91
19.41
8.74
5.91
4.68
4.00
3.57
3.28
3.07
2.91
2.79
2.69
2.60
2.53
2.48
2.42
2.38
2.34
2.31
2.28
2.25
2.23
2.20
2.18
2.16
2.15
2.13
2.12
2.10
2.09
2.00
1.92
1.83
1.75
245.95
19.43
8.70
5.86
4.62
3.94
3.51
3.22
3.01
2.85
2.72
2.62
2.53
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.18
2.15
2.13
2.11
2.09
2.07
2.06
2.04
2.03
2.01
1.92
1.84
1.75
1.67
248.01
19.45
8.66
5.80
4.56
3.87
3.44
3.15
2.94
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.84
1.75
1.66
1.57
249.05
19.45
8.64
5.77
4.53
3.84
3.41
3.12
2.90
2.74
2.61
2.51
2.42
2.35
2.29
2.24
2.19
2.15
2.11
2.08
2.05
2.03
2.01
1.98
1.96
1.95
1.93
1.91
1.90
1.89
1.79
1.70
1.61
1.52
250.09
19.46
8.62
5.75
4.50
3.81
3.38
3.08
2.86
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
1.84
1.74
1.65
1.55
1.46
251.14
19.47
8.59
5.72
4.46
3.77
3.34
3.04
2.83
2.66
2.53
2.43
2.34
2.27
2.20
2.15
2.10
2.06
2.03
1.99
1.96
1.94
1.91
1.89
1.87
1.85
1.84
1.82
1.81
1.79
1.69
1.59
1.50
1.39
252.20
19.48
8.57
5.69
4.43
3.74
3.30
3.01
2.79
2.62
2.49
2.38
2.30
2.22
2.16
2.11
2.06
2.02
1.98
1.95
1.92
1.89
1.86
1.84
1.82
1.80
1.79
1.77
1.75
1.74
1.64
1.53
1.43
1.32
253.25
19.49
8.55
5.66
4.40
3.70
3.27
2.97
2.75
2.58
2.45
2.34
2.25
2.18
2.11
2.06
2.01
1.97
1.93
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.71
1.70
1.68
1.58
1.47
1.35
1.22
254.31
19.50
8.53
5.62
4.36
3.67
3.23
2.93
2.71
2.54
2.40
2.30
2.21
2.13
2.07
2.01
1.96
1.92
1.88
1.84
1.81
1.78
1.76
1.73
1.71
1.69
1.67
1.65
1.64
1.62
1.51
1.39
1.25
1.00
83
Variabili casuali
= 0.025
HH n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
647.79
38.51
17.44
12.22
10.01
8.81
8.07
7.57
7.21
6.94
6.72
6.55
6.41
6.30
6.20
6.16
6.04
5.98
5.92
5.87
5.83
5.79
5.75
5.72
5.69
5.66
5.63
5.61
5.59
5.57
5.42
5.29
5.15
5.02
799.50
39.00
16.04
10.65
8.43
7.26
6.54
6.06
5.71
5.46
5.26
5.10
4.97
4.86
4.77
4.69
4.62
4.56
4.51
4.46
4.42
4.38
4.35
4.32
4.29
4.27
4.24
4.22
4.20
4.18
4.05
3.93
3.80
3.69
864.16
39.17
15.44
9.98
7.76
6.60
5.89
5.42
5.08
4.83
4.63
4.47
4.35
4.24
4.15
4.08
4.01
3.95
3.90
3.86
3.82
3.78
3.75
3.72
3.69
3.67
3.65
3.63
3.61
3.59
3.46
3.34
3.23
3.12
899.58
39.25
15.10
9.60
7.39
6.23
5.52
5.05
4.72
4.47
4.28
4.12
4.00
3.89
3.80
3.73
3.66
3.61
3.56
3.51
3.48
3.44
3.41
3.38
3.35
3.33
3.31
3.29
3.27
3.25
3.13
3.01
2.89
2.79
921.85
39.30
14.88
9.36
7.15
5.99
5.29
4.82
4.48
4.24
4.04
3.89
3.77
3.66
3.58
3.50
3.44
3.38
3.33
3.29
3.25
3.22
3.18
3.15
3.13
3.10
3.08
3.06
3.04
3.03
2.90
2.79
2.67
2.57
937.11
39.33
14.73
9.20
6.98
5.82
5.12
4.65
4.32
4.07
3.88
3.73
3.60
3.50
3.41
3.34
3.28
3.22
3.17
3.13
3.09
3.05
3.02
2.99
2.97
2.94
2.92
2.90
2.88
2.87
2.74
2.63
2.52
2.41
948.22
39.36
14.62
9.07
6.85
5.70
4.99
4.53
4.20
3.95
3.76
3.61
3.48
3.38
3.29
3.22
3.16
3.10
3.05
3.01
2.97
2.93
2.90
2.87
2.85
2.82
2.80
2.78
2.76
2.75
2.62
2.51
2.39
2.29
956.66
39.37
14.54
8.98
6.76
5.60
4.90
4.43
4.10
3.85
3.66
3.51
3.39
3.29
3.20
3.12
3.06
3.01
2.96
2.91
2.87
2.84
2.81
2.78
2.75
2.73
2.71
2.69
2.67
2.65
2.53
2.41
2.30
2.19
963.28
39.39
14.47
8.90
6.68
5.52
4.82
4.36
4.03
3.78
3.59
3.44
3.31
3.21
3.12
3.05
2.98
2.93
2.88
2.84
2.80
2.76
2.73
2.70
2.68
2.65
2.63
2.61
2.59
2.57
2.45
2.33
2.22
2.11
968.63
39.40
14.42
8.84
6.62
5.46
4.76
4.30
3.96
3.72
3.53
3.37
3.25
3.15
3.06
2.99
2.92
2.87
2.82
2.77
2.73
2.70
2.67
2.64
2.61
2.59
2.57
2.55
2.53
2.51
2.39
2.27
2.16
2.05
84
Tavole statistiche
= 0.025
HH n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
12
15
20
24
30
40
60
120
976.71
39.41
14.34
8.75
6.52
5.37
4.67
4.20
3.87
3.62
3.43
3.28
3.15
3.05
2.96
2.89
2.82
2.77
2.72
2.68
2.64
2.60
2.57
2.54
2.51
2.49
2.47
2.45
2.43
2.41
2.29
2.17
2.05
1.94
984.87
39.43
14.25
8.66
6.43
5.27
4.57
4.10
3.77
3.52
3.33
3.18
3.05
2.95
2.86
2.79
2.72
2.67
2.62
2.57
2.53
2.50
2.47
2.44
2.41
2.39
2.36
2.34
2.32
2.31
2.18
2.06
1.94
1.83
993.10
39.45
14.17
8.56
6.33
5.17
4.47
4.00
3.67
3.42
3.23
3.07
2.95
2.84
2.76
2.68
2.62
2.56
2.51
2.46
2.42
2.39
2.36
2.33
2.30
2.28
2.25
2.23
2.21
2.20
2.07
1.94
1.82
1.71
997.25
39.46
14.12
8.51
6.28
5.12
4.41
3.95
3.61
3.37
3.17
3.02
2.89
2.79
2.70
2.63
2.56
2.50
2.45
2.41
2.37
2.33
2.30
2.27
2.24
2.22
2.19
2.17
2.15
2.14
2.01
1.88
1.76
1.64
1001.41
39.46
14.08
8.46
6.23
5.07
4.36
3.89
3.56
3.31
3.12
2.96
2.84
2.73
2.64
2.57
2.50
2.44
2.39
2.35
2.31
2.27
2.24
2.21
2.18
2.16
2.13
2.11
2.09
2.07
1.94
1.82
1.69
1.57
1005.60
39.47
14.04
8.41
6.18
5.01
4.31
3.84
3.51
3.26
3.06
2.91
2.78
2.67
2.59
2.51
2.44
2.38
2.33
2.29
2.25
2.21
2.18
2.15
2.12
2.09
2.07
2.05
2.03
2.01
1.88
1.74
1.61
1.48
1009.80
39.48
13.99
8.36
6.12
4.96
4.25
3.78
3.45
3.20
3.00
2.85
2.72
2.61
2.52
2.45
2.38
2.32
2.27
2.22
2.18
2.14
2.11
2.08
2.05
2.03
2.00
1.98
1.96
1.94
1.80
1.67
1.53
1.39
1014.02
39.49
13.95
8.31
6.07
4.90
4.20
3.73
3.39
3.14
2.94
2.79
2.66
2.55
2.46
2.38
2.32
2.26
2.20
2.16
2.11
2.08
2.04
2.01
1.98
1.95
1.93
1.91
1.89
1.87
1.72
1.58
1.43
1.27
1018.26
39.50
13.90
8.26
6.02
4.85
4.14
3.67
3.33
3.08
2.88
2.72
2.60
2.49
2.40
2.32
2.25
2.19
2.13
2.09
2.04
2.00
1.97
1.94
1.91
1.88
1.85
1.83
1.81
1.79
1.64
1.48
1.31
1.00
85
Variabili casuali
= 0.001
HH n
m HH
H
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
4052.18
98.50
34.12
21.20
16.26
13.74
12.25
11.26
10.56
10.04
9.65
9.33
9.07
8.86
8.68
8.53
8.40
8.29
8.18
8.10
8.02
7.95
7.88
7.82
7.77
7.72
7.68
7.64
7.60
7.56
7.31
7.08
6.85
6.63
4999.50
99.00
30.82
18.00
13.27
10.92
9.55
8.65
8.02
7.56
7.21
6.93
6.70
6.51
6.36
6.23
6.11
6.01
5.93
5.85
5.78
5.72
5.66
5.61
5.57
5.53
5.49
5.45
5.42
5.39
5.18
4.98
4.79
4.61
5403.35
99.17
29.46
16.69
12.06
9.78
8.45
7.59
6.99
6.55
6.22
5.95
5.74
5.56
5.42
5.29
5.18
5.09
5.01
4.94
4.87
4.82
4.76
4.72
4.68
4.66
4.60
4.57
4.54
4.51
4.31
4.13
3.95
3.78
5624.58
99.25
28.71
15.98
11.39
9.15
7.85
7.01
6.42
5.99
5.67
5.41
5.21
5.04
4.89
4.77
4.67
4.58
4.50
4.43
4.37
4.31
4.26
4.22
4.18
4.14
4.11
4.07
4.04
4.02
3.83
3.65
3.48
3.32
5763.65
99.30
28.24
15.52
10.97
8.75
7.46
6.63
6.06
5.64
5.32
5.06
4.86
4.69
4.56
4.44
4.34
4.25
4.17
4.10
4.04
3.99
3.94
3.90
3.85
3.82
3.78
3.75
3.73
3.70
3.51
3.34
3.17
3.02
5858.99
99.33
27.91
15.21
10.67
8.47
7.19
6.37
5.80
5.39
5.07
4.82
4.62
4.46
4.32
4.20
4.10
4.01
3.94
3.87
3.81
3.76
3.71
3.67
3.63
3.59
3.56
3.53
3.50
3.47
3.29
3.12
2.96
2.80
5928.36
99.36
27.67
14.98
10.46
8.26
6.99
6.18
5.61
5.20
4.89
4.64
4.44
4.28
4.14
4.03
3.93
3.84
3.77
3.70
3.64
3.59
3.54
3.50
3.46
3.42
3.39
3.36
3.33
3.30
3.12
2.95
2.79
2.64
5981.07
99.37
27.49
14.80
10.29
8.10
6.84
6.03
5.47
5.06
4.74
4.50
4.30
4.14
4.00
3.89
3.79
3.71
3.63
3.56
3.51
3.45
3.41
3.36
3.32
3.29
3.26
3.23
3.20
3.17
2.99
2.82
2.66
2.51
6022.47
99.39
27.35
14.66
10.16
7.98
6.72
5.91
5.35
4.94
4.63
4.39
4.19
4.03
3.89
3.78
3.68
3.60
3.52
3.46
3.40
3.35
3.30
3.26
3.22
3.18
3.15
3.12
3.09
3.07
2.89
2.72
2.56
2.41
6055.85
99.40
27.23
14.55
10.05
7.87
6.62
5.81
5.26
4.85
4.54
4.30
4.10
3.94
3.80
3.69
3.59
3.51
3.43
3.37
3.31
3.26
3.21
3.17
3.13
3.09
3.06
3.03
3.00
2.98
2.80
2.63
2.47
2.32
86
Tavole statistiche
= 0.001
HH
12
m HH
H
1 6106.32
2
99.42
3
27.05
4
14.37
5
9.89
6
7.72
7
6.47
8
5.67
9
5.11
10
4.71
11
4.40
12
4.16
13
3.96
14
3.80
15
3.67
16
3.55
17
3.46
18
3.37
19
3.30
20
3.23
21
3.17
22
3.12
23
3.07
24
3.03
25
2.99
26
2.96
27
2.93
28
2.90
29
2.87
30
2.84
40
2.66
60
2.50
120
2.34
2.18
15
20
24
30
40
60
120
6157.28
99.43
26.87
14.20
9.72
7.56
6.31
5.52
4.96
4.56
4.25
4.01
3.82
3.66
3.52
3.41
3.31
3.23
3.15
3.09
3.03
2.98
2.93
2.89
2.85
2.81
2.78
2.75
2.73
2.70
2.52
2.35
2.19
2.04
6208.73
99.45
26.69
14.02
9.55
7.40
6.16
5.36
4.81
4.41
4.10
3.86
3.66
3.51
3.37
3.26
3.16
3.08
3.00
2.94
2.88
2.83
2.78
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.37
2.20
2.03
1.88
6234.63
99.46
26.60
13.93
9.47
7.31
6.07
5.28
4.73
4.33
4.02
3.78
3.59
3.43
3.29
3.18
3.08
3.00
2.92
2.86
2.80
2.75
2.70
2.66
2.62
2.58
2.55
2.52
2.49
2.47
2.29
2.12
1.95
1.79
6260.65
99.47
26.50
13.84
9.38
7.23
5.99
5.20
4.65
4.25
3.94
3.70
3.51
3.35
3.21
3.10
3.00
2.92
2.84
2.78
2.72
2.67
2.62
2.58
2.54
2.50
2.47
2.44
2.41
2.39
2.20
2.03
1.86
1.70
6286.78
99.47
26.41
13.75
9.29
7.14
5.91
5.12
4.57
4.17
3.86
3.62
3.43
3.27
3.13
3.02
2.92
2.84
2.76
2.69
2.64
2.58
2.54
2.49
2.45
2.42
2.38
2.35
2.33
2.30
2.11
1.94
1.76
1.59
6313.03
99.48
26.32
13.65
9.20
7.06
5.82
5.03
4.48
4.08
3.78
3.54
3.34
3.18
3.05
2.93
2.83
2.75
2.67
2.61
2.55
2.50
2.45
2.40
2.36
2.33
2.29
2.26
2.23
2.21
2.02
1.84
1.66
1.47
6339.39
99.49
26.22
13.56
9.11
6.97
5.74
4.95
4.40
4.00
3.69
3.45
3.25
3.09
2.96
2.84
2.75
2.66
2.58
2.52
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.17
2.14
2.11
1.92
1.73
1.53
1.32
6365.86
99.50
26.13
13.46
9.02
6.88
5.65
4.86
4.31
3.91
3.60
3.36
3.17
3.00
2.87
2.75
2.65
2.57
2.49
2.42
2.36
2.31
2.26
2.21
2.17
2.13
2.10
2.06
2.03
2.01
1.80
1.60
1.38
1.00
87
Indice analitico
funzione di densit`
a , 21
variabile casuale esponenziale, 31
variabile casuale gamma, 23
variabile casuale logistica, 35
variabile casuale lognormale, 48
congiunta, 29
marginale, 27
congiunta, 27
marginale, 29, 30
funzione di ripartizione
variabile casuale gamma, 30
variabile casuale logistica, 36
variabile casuale
beta, 21, 29
chi-quadrato, 26
esponenziale, 26, 31
gamma, 23, 33
logistica, 35
lognormale , 48
uniforme, 23
moda
variabile
variabile
momenti
variabile
variabile
variabile
variabile
variabile
casuale esponenziale, 32
casuale logistica, 36
casuale
casuale
casuale
casuale
casuale
beta, 21
esponenziale, 32
gamma, 23
logistica, 36
t di Student, 61
parametro
di scala, 23, 26, 29, 33, 35, 48
di spostamento, 23, 26, 35, 48
probabilit`
a
condizionata, 34
serie di McLaurin, 31
determinante, 27
f.g.m.
variabile casuale logistica, 37
funzione
beta, 21, 28, 30, 37, 61, 62
digamma, 37
gamma, 23, 30, 31, 61, 62
generatrice dei momenti, 36
trigamma, 37
integrale
definito, 60
per parti, 25, 26, 30
per sostituzione, 25, 28
matrice Jacobiana, 27, 29
mediana
variabile casuale esponenziale, 32
variabile casuale logistica, 36
metodo delle trasformazioni, 27
88