Variabili Casuali: Universit ' A Politecnica Delle Marche Dipartimento Di Economia

` POLITECNICA DELLE MARCHE
UNIVERSITA
Dipartimento di Economia
Variabili Casuali
Giulio Palomba
Variabili casuali
Indice
1 Introduzione
2 Variabili casuali discrete

2.1 Variabile casuale degenere . .
2.2 Variabile casuale Bernoulliana
2.3 Variabile casuale binomiale .
2.4 Variabile casuale geometrica .
2.5 Variabile casuale Poissoniana
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
9
13
16
3 Variabili casuali continue

3.1 Variabile casuale beta . . . .
3.2 Variabile casuale gamma . . .
3.3 Variabile casuale esponenziale
3.4 Variabile casuale logistica . .
3.5 Variabile casuale normale . .
3.6 Variabile casuale lognormale .
3.7 Variabile casuale Paretiana .
3.8 Variabile casuale uniforme . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
23
31
35
38
48
48
51
4 Distribuzioni derivate dalla v.c. normale

55
4.1 Variabile casuale chi quadrato . . . . . . . . . . . . . . . . . . 55
4.2 Variabile casuale t di Student . . . . . . . . . . . . . . . . . . 59
4.3 Variabile casuale F di Snedecor . . . . . . . . . . . . . . . . . 63
5 La variabile casuale multinormale
65
6 Funzione generatrice dei momenti
69
Appendice: alcuni risultati utili
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 è
quella che si effettua tra le variabili casuali discrete e quelle continue: ad
eccezione dei casi in cui è diversamente specificato, il supporto della variabile casuale discreta è dato dallinsieme dei numeri naturali (x N), mentre
il supporto della variabile casuale continua risulta essere quello dei numeri
reali (x R).
Variabili casuali
Variabili casuali discrete
2.1
Variabile casuale degenere
La variabile casuale degenere è caratterizzata dal fatto che tutta la probabilità è associata ad un solo evento casuale ().
La sua funzione di probabilità risulta:

1 se X =
[2.1]
p(x) =
0 altrove
Figura 2.1 Funzione di probabilit`

a della variabile casuale degenere
p(x)
1
I momenti di questa distribuzione sono:

1. E(X) =
2. V ar(X) = 0
7
Variabili casuali
La variabile casuale degenere è lunica ad avere varianza nulla, mentre tutte

le altre distribuzioni hanno sempre una varianza positiva. Ovviamente per
questo tipo di variabile casuale la moda, la mediana ed il valore atteso
coincidono.
2.2
Variabile casuale Bernoulliana
Ogniqualvolta si istaura unalternativa dicotomica allinterno di un esperimento casuale si utilizza la variabile casuale Bernoulliana1 . Linsieme ambi tra loro complementari; allevento
ente è costituito da soli due eventi E e E
E (evento successo), che si realizza con probabilità p, è assegnato il valore
(evento insuccesso), che si realizza con probabilità
1, mentre allevento E
(1 p), è assegnato il valore 0. In sintesi:
xi
1
0
p(xi )
p
1p
Data la tabella di cui sopra, la funzione di probabilità della variabile casuale

Bernoulliana è immediata:
p(x) = px (1 p)1x
dove x = 0, 1 e 0 p 1.
1
X
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
La moda e la mediana dipendono dalla probabilità di successo p:

- Se p 0.5 moda=X0.5 = 1
- Se p 0.5 moda=X0.5 = 0
1
La variabile casuale Bernoulliana è detta anche variabile casuale bipuntuale.
[2.2]
2. Variabili casuali discrete
Figura 2.2 Funzione di probabilit`

a della variabile casuale Bernoulliana dove risulta
p > 0.5
p(x)
p
1-p
x
0
Il momento di ordine s della variabile casuale Bernoulliana è sempre pari a

p, infatti:
E(X s ) = 0s p0 (1 p)1 + 1s p1 (1 p)0
E(X s ) = 0 (1 p) + 1 p = p
Da questa proprietà deriva che:

1. E(X) = p
2. V ar(X) = E(X 2 ) [E(X)]2
V ar(X) = p p2
V ar(X) = p(1 p)
2.3
Variabile casuale binomiale
Si considerino n prove indipendenti2 che danno esito di tipo dicotomico. Le

prove danno luogo perciò ad n variabili casuali Bernoulliane (Xi ).
Ipotizzando costante la probabilità di succeso p, la variabile casuale binomiale (B) è data dalla somma di tutte le variabili casuali Bernoulliane ottenute,
2
Una prova è indipendente da unaltra quando lesito delluna non influenza lesito
dellaltra.
Variabili casuali
quindi si ha:
n
X
B=
Xi
[2.3]
i=1
La variabile casuale binomiale indica il numero di volte che in n prove si è

realizzato levento successo quindi essa può assumere n + 1 valori in quanto
risulta:
0Bn
Per determinare la funzione di probabilità della variabile casuale binomiale
occorre stabilire quante volte si realizza levento successo; poiche gli eventi
sono tra loro incompatibili per definizione, lordine dei risultati ottenuti non
influenza il calcolo delle probabilità.
A questo punto si può ipotizzare che le prime x prove diano esito E, mentre
Lesperimento casuale può essere
le rimanenti n x prove diano esito E.
riassunto attraverso la segente tabella:
eventi
probabilità
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
Dato che le prove sono indipendenti, per ricavare la funzione di probabilità

della variabile casuale binomiale, si utilizza il principio della probabilità
composta,3 quindi risulta:
E
. . . E)
p(B) = P r(E E . . . E E
r(E)
. . . P r(E)
p(B) = P r(E)P r(E) . . . P r(E)P r(E)P

p(B) = p p . . . p (1 p) (1 p) . . . (1 p)
si verifica n x
Tenendo conto che levento E si realizza x volte e levento E
volte, la funzione di probabilità 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 è definita dalla seguente
espressione:
!
Pr
n
\
Ei
i=1
n
Y
i=1
10
P r(Ei )

n
dove
è il coefficiente binomiale4 che indica il numero delle
x
configurazioni equiprobabili5 che soddisfano la funzione di probabilità.
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
Il coefficiente binomiale si ottiene mediante lutilizzo di alcune semplici

regole di calcolo combinatorio, infatti:

n(n 1)(n 2) . . . (n x + 1)
n
=
x
1 2 ... x

n(n 1)(n 2) . . . (n x + 1) (n x)(n x 1) . . . 1
n
=
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 è 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
Il coefficiente binomiale si ottiene ponendo a = p e b = 1 p.

5
Dati n ed x, esistono diverse combinazioni di successi ed insuccessi che generano lo
stesso risultato se sostituite allinterno della funzione. Attraverso il coefficiente binomiale
è possibile calcolare il loro numero esatto.
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 è 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 è 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!
dove per convenzione vale la relazione 0! = 1.

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 è:
12
P r(B 1) = P r(B = 0) + P r(B = 1)

P r(B 1) = 0.817 + 0.167 = 0.984
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
0.30 0.76 = 0.117649

0.31 0.75 = 0.302526

0.32 0.74 = 0.324135

0.33 0.73 = 0.185220

0.34 0.72 = 0.059535

0.35 0.71 = 0.010206

0.36 0.70 = 0.000729
Quando B = 2 si ottiene il valore pi`

u alto della probabilit`
a, quindi
moda = 2
Dato che valgono rispettivamente P r(X 1) = P r(B = 0) + P r(B = 1) = 0.420175 e
P r(X 2) = P r(B = 0) + P r(B = 1) + P r(B = 2) = 0.7443, la mediana risulta essere:
X0.5 = 2
Il valore atteso è pari a:
E(B) = np = 6 0.3 = 1.8
La varianza è pari a:
V ar(B) = np(1 p) = 6 0.3 0.7 = 1.26
2.4
Variabile casuale geometrica
La variabile casuale geometrica è una variabile casuale discreta che assume

uninfinità numerabile di valori. Essa corrisponde al numero di estrazioni
necessarie affinche si ottenga levento E, detto evento successo. Come
nella variabile casuale Bernoulliana linsieme ambiente è costituito dagli
che si verificano rispettivamente con probabilità
eventi complementari E e E
p e (1 p). Effettuando lesperimento casuale può accadere che:
13
Variabili casuali
- Alla prima estrazione si ottiene E: lesperimento termina.

si effettua unaltra estrazione.
- Alla prima estrazione si ottiene E:
In questo caso alla seconda estrazione si pone la stessa alternativa.
Lesperimento casuale viene ripetuto finche non si ottiene levento E.
Dato che la variabile casuale geometrica è il numero di estrazioni necessarie
per ottenere levento successo, risulta che il supporto è dato da tutti i numeri
interi tali che:
x [1, +)
Dato che levento successo si realizza allx-esima estrazione, significa che
nelle precedenti (x 1) estrazioni si sono verificati solo insuccessi. La funzione di probabilità della variabile casuale geometrica è perciò la seguente:
p(x) = p(1 p)x1
[2.6]
Sfruttando il concetto di convergenza di una serie geometrica6 è possibile

dimostrare la condizione fondamentale:
p(x) = 1
x=1
Dimostrazione:
X
x=1
X
x=1
X
x=1
p(x) =
X
x=1
p(x) = p + p(1 p) + p(1 p)2 + p(1 p)3 + . . .

p(x) = p[1 + (1 p) + (1 p)2 + (1 p)3 + . . .]
p(x) = p
x=1
p(1 p)x1
1
=1
p
Dato 0 p 1, si costruisce la serie geometrica Sn .

Sn =
(1 p)x1
x=1
Sn = [1 + (1 p) + (1 p)2 + (1 p)3 + . . .]
Il risultato fondamentale per tale tipo di serie è:
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
I momenti della variabile casuale geometrica sono:
X
1. E(X) =
xp(1 p)x1
x=1
E(X) = p
x(1 p)x1
x=1
Dato che x(1p)x1 è la derivata rispetto a p della funzione (1p)x :
(1 p)x
p
x=1
X
E(X) = p
(1 p)x
p
E(X) = p
x=1
Per la convergenza della serie geometrica Sn , si ottiene:

(1/p)
p

1
E(X) = p 2
p
1
E(X) =
p
E(X) = p
2. V ar(X) = E(X 2 ) [E(X)]2

V ar(X) =
x2 p(1 p)x1
x=1
V ar(X) = p
1
p2
[x(x 1) + x](1 p)x1
x=1
V ar(X) = p(1 p)
1
p2
x(x 1)(1 p)x2 + p
x=2
x(1 p)x1
x=1
1
p2
Il secondo addendo è il valore atteso della variabile casuale geometrica.

Dato che x(x1)(1p)x2 è la derivata seconda rispetto a p di (1p)x :
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
Per la convergenza della serie geometrica Sn , si ottiene:

V ar(X) = p(1 p)
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
Variabile casuale Poissoniana
La variabile casuale Poissoniana7 è una variabile casuale discreta che assume

uninfinità numerabile di valori, infatti il suo supporto è:
x [0, +]
Essa è solitamente utilizzata per descrivere il numero delle manifestazioni
di un dato fenomeno allinterno di un intervallo di tempo o in uno spazio.
Essa inoltre è impiegata quando non è noto lestremo superiore dellinsieme
di definizione degli eventi x. La sua funzione di probabilità è:
p(x) =
e x
x!
[2.7]
dove > 0. Per dimostrare la condizione fondamentale si utilizza lo sviluppo

in serie di McLaurin8 relativo al termine e , infatti:
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 è detta anche Legge dei piccoli numeri o Legge degli eventi
rari.
8
Lo sviluppo in serie di McLaurin è 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 è 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 proprietà 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 è 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 è P r(X > 1).
p(x) = e
x
x!
P r(X > 1) = 1 P r(X 1)
17
Variabili casuali
P r(X > 1) = 1 P r(X = 0) P r(X = 1)

31
30
e3
0!
1!
P r(X > 1) = 1 e3 3e3
P r(X > 1) = 1 e3
P r(X > 1) = 1 4e3

P r(X > 1) = 0.800852
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 è 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

Sfruttando il limite notevole lim
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 probabilità 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
Poiche le ipotesi del teorema (n e p 0) sono rispettate, si pu`

o utilizzare lapprossimazione attraverso la variabile casuale Poissoniana con = np = 2.
P r(X = 1) = e2
21
1!
P r(X = 1) = 2e2
P r(X = 1) = 0.270671
19
Variabili casuali
20
Variabili casuali continue
3.1
Variabile casuale beta
La distribuzione beta ha la seguente funzione di densità:
xa1 (1 x)b1
se x [0, 1]
B(a, b)
f (x) =
0
altrove
[3.1]
dove a, b > 0 sono i parametri che determinano la forma della funzione di

densità e B(a, b) è la funzione beta1 . Per x [0, 1] la condizione fondamentale è la seguente:
Z 1
1
xa1 (1 x)b1 dx = 1
[3.2]
B(a,
b)
0
Dimostrazione:
Poiche la funzione beta restituisce un valore reale è possibile portarlo al di fuori dellintegrale quindi risulta:
Z
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
Il generico momento dallorigine di ordine k della distribuzione beta è dato

dalla seguente espressione:
E(X k ) =
1
(k + a)(a + b)
(k + a + b)(a)
Per la definizione e le propriet`

a della funzione beta si veda lAppendice.
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 ) =
Dalla [3.3] deriva che:

a
1. E(X) =
a+b
Dimostrazione:
Sostituendo k = 1 allinterno della [3.3] risulta:
(a + 1)(a + b)
(a + b + 1)(a)
a!(a + b 1)!
E(X) =
(a + b)!(a 1)!
a
E(X) =
a+b
E(X) =
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
3. Variabili casuali continue

ab
(a + b)2 (a + b + 1)
V ar(X) =
Quando a = b = 1 risulta B(a, b) = 1 quindi la variabile casuale beta

assume la forma di una variabile casuale uniforme2 con la seguente funzione
di densità:

1
se x [0, 1]
f (x) =
[3.4]
0
altrove
3.2
Variabile casuale gamma
La variabile casuale gamma è definita nellinsieme x [0, +) ed ha la

seguente funzione di densità:
x c1 ex/b
f (x) =
b
b(c)
[3.5]
dove il parametro di spostamento b > 0 e il parametro di scala c > 0

sono quelli che caratterizzano la forma della funzione di densità e (c) è la
funzione gamma3 .
Allinterno del supporto della variabile casuale gamma deve valere:
Z +
f (x)dx = 1
[3.6]
0
Dimostrazione:
Dato che la funzione gamma restituisce un numero reale per ogni valore dellargomento
c > 0, è possibile portarla fuori dallintegrale.
Z
f (x)dx =
0
1
b(c)
c1
x
b
ex/b dx
Ponendo t = x/b si ha dx = b dt, quindi risulta:

Z
f (x)dx =
0
f (x)dx =
0
1
b(c)
b
b(c)
tc1 et b dt
tc1 et dt
Poiche lespressione allinterno dellintegrale equivale a (c) si ha:

Z
f (x)dx = 1
0
I momenti della variabile casuale gamma sono:

2
3

a della variabile casuale uniforme si veda la sezione 3.8.
a della funzione gamma si veda lAppendice.
23
Variabili casuali
Figura 3.1 Funzione di densit`

a della variabile casuale gamma
f(x)
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
Ponendo t = x/b si ha dx = b dt, quindi:

E(X) =
b
(c)
tc et dx
Integrando per parti4 si ottiene:

E(X) =
b
tc et +
(c)
c tc1 et dt
Poiche lintegrale equivale a c(c) risulta:

c t

t e + c(c)+
0
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)
Imponendo il solito cambio di variabile t = x/b con dx = b dt si ha:

Z
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
In particolare sono state poste:

f 0 = et
g = tc
25
f = et
g 0 = ctc1
Variabili casuali
Integrando in modo ricorsivo per parti si ottiene5 :

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
Poiche lintegrale equivale alla funzione (c) risulta6 :

V ar(X) =
+
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
` DELLA V.C. GAMMA:

PROPRIETA
1. La funzione di densità della variabile casuale gamma è asimmetrica
con 3 > 0 per c.
2. Quando c = 1 la funzione di densità della variabile casuale gamma è
quella di una variabile casuale esponenziale7 con parametro = 1/b.
n
la funzione di densità della variabile casuale
2
gamma è quella di una variabile casuale chi-quadrato8 con n g.d.l.
3. Quando b = 2 e c =
4. La somma di n variabili casuali gamma di parametri b e ci è a sua

volta una variabile casuale gamma con parametro di spostamento b e
parametro di scala pari a:
=
n
X
ci
i=1
5
In questo caso sono posti:

f 0 = et
g = tc+1
f = et
g 0 = (c + 1)tc
Si veda in proposito lAppendice.

Si veda in proposito la sezione 3.3.
8
Si veda in proposito la sezione 4.1.
7
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
>
>
>
>
>
>
:
dove le Xi sono variabili casuali gamma indipendenti con parametri b e ci . Poiche

tutte le funzioni sono biunivoche si hanno le seguenti inverse:
8
n
X
>
>
>
X1 = Y1
Yi
>
>
>
<
i=2
X2 = Y2
..
.
Xn = Yn
>
>
>
>
>
>
:
La matrice Jacobiana risulta essere la seguente:

2
6
6
6
J =6
6
4
1
1
0
..
.
0
1
0
0
..
.
0
1
0
1
..
.
0
...
...
...
...
1
0
0
..
.
1
3
7
7
7
7
7
5
Il determinante di tale matrice è |J| = 1. Per la condizione di indipendenza la

funzione di densit`
a congiunta delle Xi è data da:
(
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 )
La distribuzione della somma di n variabili casuali gamma si ottiene calcolando la

funzione di densit`
a marginale di Y1 data da:
Z
y1
f (y1 ) =
y1 y2
Pn1
y1
i=2
yi
...
0
f (y1 , y2 , . . . , yn )dy2 dy3 . . . dyn

0
Calcolando lintegrale rispetto a yn si ha:

Z
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
Dato che lintegrale corrisponde alla funzione beta B(cn , c1 ), risulta:

y1
f (y1 , y2 , . . . , yn1 ) = n
n1
X
!c1 +cn 1
B(cn , c1 )
yi
i=2
Applicando lo stesso metodo e generalizzando per 2 < j < n, per le propriet`

a della
funzione beta si pu`
o dimostrare che:
Pj1
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
Applicando questo risultato per j = 2 si ottiene la funzione di densit`

a marginale10
10
Si noti che in questo caso lunica differenza rispetto alla formula risolutiva proposta è
data dal fatto che la quantit`
a tra parentesi è pari a y1 .
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()
5. Prese due variabili casuali gamma X1 e X2 indipendenti con parametro

di spostamento b = 1 e con parametro di scala rispettivamente pari
a c1 e c2 , il rapporto X1 /(X1 + X2 ) ha una la distribuzione di una
variabile casuale beta con parametri c1 e c2 .
Dimostrazione:
Applicando il metodo delle trasformazioni si ha:
8
<
X1
X1 + X2
: Y =X
2
2
Y1 =
Le funzioni inverse sono le seguenti:

8
<
Y1 Y2
1 Y1
: X =Y
2
2
La matrice Jacobiana è:
X1 =
1
6 (1 Y1 )2
6
4
1
1 Y1 7
7
5
Poiche il determinante di tale matrice è |J| = (1 Y1 )2 , la funzione di densit`

a
congiunta di X1 e X2 è la seguente:
f (x1 , x2 ) =
xc11 1 x2c2 1 ex1 x2

(c1 )(c2 )
Applicando le trasformazioni:
y y
1 2 y
1y
2
y c1 1 y2c1 1 (1 y1 )(c1 1) y2c2 1 e

f (y1 , y2 ) = 1
(c1 )(c2 )
2
1y
y c1 1 y2c1 +c2 1 (1 y1 )c1 1 e

f (y1 , y2 ) = 1
(c1 )(c2 )
29
(1 y1 )2
Variabili casuali
Integrando rispetto a y2 si ottiene la funzione di densit`

a marginale di y1 quindi la
distribuzione del rapporto X1 /(X1 + X2 ).
f (y1 ) =
y1c1 1 (1 y1 )c1 1
(c1 )(c2 )
2
1y
y2c1 +c2 1 e
dy2
Ponendo t = y2 (1 y1 )1 con dy2 = (1 y1 )dt risulta:

f (y1 ) =
f (y1 ) =
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
Poiche lintegrale restitruisce la funzione gamma (c1 + c2 ), per le propriat`

a della
funzione beta si ottiene:
y1c1 1 (1 y1 )c2 1
(c1 + c2 )
(c1 )(c2 )
1
f (y1 ) =
y c1 1 (1 y1 )c2 1
B(c1 + c2 ) 1
f (y1 ) =
6. La funzione di ripartizione della variabile casuale gamma ha la seguente

forma:
c1
X
(x/b)i
x/b
F (x) = 1 e
[3.7]
i!
i=0
Dimostrazione:
La probabilit`
a P r(X < x) è data dalla segente espressione:
Z
c1
F (x) =
0
11
Integrando per parti
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
Integrando successivamente alla stessa maniera si ha:
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
In questo caso sono stati posti:

8
c1
x
>
>
f0 =
>
<
b
>
>
>
: g = ex/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
In riferimento allo sviluppo in serie di McLaurin12 lespressione per la funzione di

ripartizione diventa la seguente:
"
x/b
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
Variabile casuale esponenziale
La variabile casuale esponenziale spesso è utilizzata per descrivere il tempo

di attesa che si verifichi un dato evento. La sua funzione di densità è la
seguente:
x
e
se x 0
f (x) =
[3.8]
0
se x < 0
dove R+ . Per x 0 deve risultare:
+
ex dx = 1
Dimostrazione:
Z
ex dx = 1 ex
ex dx = 1 e 1 + e0
ex dx = 1
La variabile casuale esponenziale presenta una discontinuità in corrispondenza del punto x = 0, infatti risulta13 :
lim f (x) 6= f (0)
x0
12
13
Si veda in proposito la nota 8 di pag. 16.

Si veda la Figura 3.2.
31
Variabili casuali

a della variabile casuale esponenziale
f(x)
x
0
Il parametro rappresenta il valore massimo assunto dalla funzione di densità 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
I momenti della variabile casuale esponenziale sono:

Z +
1. E(X) =
x ex dx
0
Integrando per parti14 si ottiene:

14
In questo caso sono state poste:

(
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) =
2. V ar(X) = E(X 2 ) [E(X)]2

Z +

1
2
x
x e dx 2
V ar(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
Dato che il termine sotto integrale è il valore atteso della variabile

casuale esponenziale, si ha:

+ 2 1
1

V ar(X) = x2 ex
+ 2

0
1
2
V ar(X) = 2 2
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 proprietà della
variabile casuale gamma sono perciò valide in questo caso.
Esempio 3.1 Il tempo per effettuare unoperazione presso uno sportello bancario è una
variabile casuale esponenziale con valore atteso pari a 6 minuti. Calcolare:
15
Dove sono stati posti:

(
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.
Ponendo X=tempo dattesa e, sapendo che E(X) = 6, risulta:

1
6
1. Probabilit`
a di unattesa superiore ai 10 minuti:
=
P r(X > 10) = 1 P r(X < 10)

Z
P r(X > 10) = 1

10
1 x/6
e
dx
6
10

P r(X > 10) = 1 1 ex/6
P r(X > 10) = 1 1 + e5/3

P r(X > 10) = 0.144
2. Probabilit`
a condizionata: il cliente aspetta 10 minuti sapendo che gi`
a attende da 4.
P r(X > 10) P r(X > 4)
P r(X > 4)
P r(X > 10)
P r(X > 10|X > 4) =
P r(X > 4)
P r(X > 10|X > 4) =
P r(X > 10|X > 4) =
e5/3
e2/3
P r(X > 10|X > 4) = e1

P r(X > 10|X > 4) = 0.31
34
3.4
Variabile casuale logistica
La variabile casuale logistica è definita per x (, +) ed ha la seguente

funzione di densità:
xa
e b
f (x) =
[3.9]

xa 2
b 1 + e b
dove a (, +) è il parametro di spostamento e b > 0 è il parametro
di scala.
a della variabile casuale logistica
La condizione fondamentale è verificata in quanto vale:

Z +
f (x)dx = 1
[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
DELLA V.C. LOGISTICA:

PROPRIETA
La funzione di densità della variabile casuale logistica è simmetrica
rispetto allasse x = a
35
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
ey/b 1 + 2ey/b + e2y/b = ey/b 1 + 2ey/b + e2y/b
ey/b + 2 + ey/b = ey/b + 2 + ey/b
Dalla precedente proprietà deriva che:

moda = X0.5 = E(X) = a
[3.11]
Quando b = 1 la funzione di densità della variabile casuale logistica

può essere espressa dalla relazione:
f (x) = F (x)[1 F (x)]
dove F (x) =
[3.12]
1
è la funzione di ripartizione.
(1 + exa )
I momenti di questa distribuzione sono:

1. E(X) = a
2. V ar(X) =
b2 2
3
Dimostrazione:
Data la complessit`
a degli integrali che si ottengono applicando la definizione standard di
momento, questa dimostrazione è 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

xa
1y
=
b
y

1y
- x = a b ln
y

1
y
b
2 dy =
dy
- dx = b
1y
y
y(1 y)
- se x y 0
-
- 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
G(t) = eat B(1 + bt, 1 bt)

dove B(1 + bt, 1 bt) rappresenta la funzione Beta. Per le propriet`
a di tale funzione la
f.g.m. della variabile casuale logistica risulta essere:
G(t) = eat
(1 + bt)(1 bt)
(2)
Dato che (2) = 1 si ha:

G(t) = eat (1 + bt)(1 bt)
Per il calcolo dei momenti occorre calcolare la derivata rispetto a t.
G0 (t) = aeat (1 + bt)(1 bt) + beat [0 (1 + bt)(1 bt) (1 + bt)0 (1 bt)]
dove con 0 si indica la derivata prima della funzione Gamma rispetto al proprio argomento. Valutando in t = 0 si ottiene:
G0 (0) = a(1)(1) + 2b0 (1)(1)
Per le propriet`
a della funzione digamma16 risulta 0 (1) = 0, quindi il valore atteso
della variabile casuale logistica risulta essere:
E(X) = G0 (0) = a
Per il calcolo della varianza occorre derivare due volte la funzione G(t).
00
G (t)
a2 eat (1 + bt)(1 bt) + 2abeat [0 (1 + bt)(1 bt) (1 + bt)0 (1 bt)] +
b2 eat [00 (1 + bt)(1 bt) 20 (1 + bt)0 (1 bt) + (1 + bt)00 (1 bt)]
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 è 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
La varianza della variabile casuale logistica sar`

a perci`
o:
V ar(X) = E(X 2 ) [E(X)]2
V ar(X) = a2 +
b2 2
a2
3
b2 2
3
V ar(X) =
3.5
Variabile casuale normale
La variabile casuale normale o Gaussiana è una variabile casuale continua definita in tutto lasse dei numeri reali; la sua funzione di densità è 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, è evidenziato in Figura 3.4.
a della variabile casuale normale
+3
Affinche la [3.13] sia effettivamente una funzione di densità deve risultare:

Z
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
La funzione integranda allinterno dellintegrale di cui alla [3.14] diventa perci`

o la funzione
di densit`
a di una variabile casuale normale standardizzata17 :
Z
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
Esprimendo le variabili y e z in termini delle loro coordinate polari18 si ottiene:

y = cos
z = sin
Sostituendo le coordinate polari allinterno dellintegrale doppio, si ottiene19 :

A2 =
A2 =
1
2
1
2
exp
0
+ Z
2 cos2 + 2 sin2
2
exp
0
dd

2
dd
dove è il determinante della matrice Jacobiana20 . Risolvendo la (3.15) si ottiene:

Z
A2 =
exp
0
2
2

+

2
2
A = exp
2
0
17
Si veda lequazione [3.16].

Coordinate polari: nello spazio R2 generato dal piano yz ad eccezione del punto
O(0, 0) un qualsiasi punto dato dalla coppia di valori (y, z) pu`
o essere espresso in termini
di coordinate che tengono conto sia della sua distanza euclidea dallorigine, sia dallangolo
di rotazione degli assi cartesiani.
19
Sia T : Rn uninsieme di funzioni continue e differenziabili in . Si consideri la
matrice Jacobiana:
ti (x)
J(x) =
xj
Se per x vale la condizione sul determinante |J(x)| 6= 0, per una funzione f non negativa
risulta:
Z
Z
f (y)dy =
f [T (x)]|J(x)|dx
18
dove = T ().
20
In riferimento alla nota precedente, T è 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 è completamente caratterizzata dai due parametri e e per questa ragione essa è 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
Standardizzando la variabile casuale si ha x = z + e dx = dz quindi risulta:

Z
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 è 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 è perci`
o il seguente:
21
Tale soluzione pu`

o essere ottenuta in modo pi`
u immediato semplicemente applicando
il seguente teorema.
Teorema
Date le seguenti ipotesi:
- f (x) è una funzione dispari cioè risulta f (x) = f (x)
- gli estremi di integrazione sono opposti
Risulta:
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 è 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 è stato spezzato in due integrali equivalenti in quanto la funzione integranda è una funzione pari. Effettuando il cambio di variabile
y = z 2 /2 si ottiene
per entrambe le partizioni la funzione monot`

ona z = 2y, quindi dz = (2y)1/2 .
Sostituendo si ha:

+
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

Lintegrale corrisponde alla funzione
3
2
1
, quindi si ha23 :
2
E(X 2 ) = 2 + 2
La varianza della variabile casuale normale sar`
a perci`
o:
22
23
cfr. variabile casuale normale standardizzata (equazione [3.16]).

Per la definizione ed alcune propriet`
a della funzione gamma (c) si veda lAppendice.
41
Variabili casuali
V ar(X) = E(X 2 ) [E(X)]2

V ar(X) = 2 + 2 2
V ar(X) = 2
` DELLA V.C. NORMALE

PROPRIETA
1. La sua funzione di densità (Figura 3.4) è simmetrica24 rispetto alla
retta x = . Per la variabile casuale normale lindice di asimmetria è
sempre nullo, quindi risulta:
3 = 0
In corrispondenza del punto x = si ha un punto di massimo assoluto della funzione di densità. Dato che tale punto è anche centro di
simmetria e valore medio, è sempre verificata la seguente uguaglianza:
moda = X0.5 =
2. Lasse delle ascisse è asintoto orizzontale della funzione di densità in
quanto risulta:
lim f (x) = 0
x
3. In corrispondenza dei punti x1 = e x2 = + la funzione

di densità della variabile casuale normale mostra due punti di flesso,
quindi la curva cambia concavità.
4. Quasi tutta la probabilità è contenuta allinterno dellintervallo chiuso
[ 3, + 3], infatti risulta:
P r( 3 X + 3) = 0.99
5. La variabile casuale normale funge da riferimento per il valore della
curtosi poiche essa è una distribuzione mesocurtica e, per qualsiasi
valore di e , vale sempre:
4 = 3
Per le distribuzioni platicurtiche risulta P r(3 X +3) = 1,
cioè tutta la probabilità è contenuta allinterno dellintervallo. Per le
distribuzioni leptocurtiche la probabilità contenuta allinterno dello
stesso intervallo è minore di quella che sarebbe contenuta dalla variabile casuale normale, quindi risulta P r( 3 X + 3) <
0.99.
24
Se = 0 la funzione di densit`
a della variabile casuale normale è una funzione pari,
cioè simmetrica rispetto allasse delle ordinate.
42
Il valore medio della variabile casuale normale determina la posizione della

funzione di densità nel grafico. Date due variabili casuali normali con la
stessa funzione di densità a meno del parametro relativo alla media, se 1 <
2 , il grafico che si ottiene è quello della Figura 3.5 (a).
La varianza della variabile casuale normale determina la forma della funzione
di densità nel grafico: la Figura 3.5 (b) mostra invece due variabili casuali
normali con la stessa funzione di densità a meno del parametro relativo alla
varianza con 1 < 2 . A seconda del valore dei parametri e si può quindi
determinare un numero infinito di variabili casuali normali.

a di variabili casuali normali con differenti medie
(a) e con differenti varianze (b)
(a)
(b)
2 1 + 1 + 2
Per calcolare il valore della probabilità si ricorre allutilizzo delle tavole25 della variabile casuale normale standardizzata (Z) che ha la seguente
25
Le tavole della distribuzione normale standardizzata sono contenute a pag. 77.
43
Variabili casuali
espressione analitica per la funzione di densità:

1 2
1
f (z) = exp z
2
2
[3.16]
La variabile casuale normale standardizzata gode di tutte le proprietà della

variabile casuale normale ed in pi`
u essa ha media nulla e varianza unitaria.
Tale variabile casuale è cos` definita:
Z N (0, 1)
[3.17]

a della variabile casuale normale standardizzata
f(z)
Per ottenere la [3.16] basta applicare la formula:

X
[3.18]
Questa formula trasforma una qualsiasi variabile casuale normale nella forma
standardizzata senza determinare perdite di proprietà26 . 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 è molto complessa e bisogna ricorrere alle coordinate polari poiche in quelle cartesiane non esiste una funzione la cui derivata è pari alla
[3.16].
44
Dato che esistono le tavole della variabile casuale normale standardizzata è

facilmente ottenibile il valore dellarea sottesa dalla sua funzione di densità
allinterno di qualsiasi intervallo appartenente al suo dominio.
Esempio 3.2 Calcolare la probabilità P r(Z < 1.5).

f(z)
z
1.5
Il calcolo della probabilit`

a equivale a quello dellarea colorata del grafico che corrisponde a
quei valori della variabile casuale tali che Z < 1.5. Analiticamente risulta:
Z
1.5
P r(Z < 1.5) =
f (z)dz
Z 0
P r(Z < 1.5) =
1.5
f (z)dz +
f (z)dz
0
P r(Z < 1.5) = 0.5 + 0.4332

P r(Z < 1.5) = 0.9332
Esempio 3.3 Calcolare la probabilità P r(Z < 1).

Dato che la curva della variabile casuale normale standardizzata è simmetrica rispetto
allasse delle ordinate, calcolare P r(Z < 1) equivale alla determinazione dellarea che
indica P r(Z > 1).
Analiticamente ci`
o si traduce nella seguente espressione:
Z
P r(Z < 1) =
45
f (z)dz
f (z)dz =
Variabili casuali
f(z)
-1
z
1
Calcolo della probabilit`

a:
Z
P r(Z < 1) =
f (z)dz
1
P r(Z < 1) =
f (z)dz
0
f (z)dz
0
P r(Z < 1) = 0.5 0.3413

P r(Z < 1) = 0.1587
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
P r(1 X 4) = P r(1 Z 0.5)

I due valori di probabilit`
a si eguagliano quindi si possono utilizzare le tavole della variabile
casuale normale standardizzata.
La probabilit`
a P r(1 X 4) equivale allarea colorata tracciata nel grafico.
46

f(z)
-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
P r (1 Z 0.5) = 0.1915 + 0.3413

P r (1 Z 0.5) = 0.5328
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 è la probabilit`
a che ogni sfera non esca dai limiti di tolleranza?
La probabilit`
a è data da:

P r(2450 < X < 2550) = P r

P r(2450 < X < 2550) = P r
2450
X
2550
<
<
2450 2500
2550 2500
<Z<
20
20
P r(2450 < X < 2550) = P r(2.5 < Z < 2.5)

La probabilit`
a P r(2.5 < Z < 2.5) equivale allarea colorata tracciata nel grafico.
47
Variabili casuali
f(z)
-2.5
z
2.5
0
Z
2.5
P r(2.5 < Z < 2.5) =
f (z)dz
2.5
0
P r(2.5 < Z < 2.5) =
f (z)dz +
2.5
Z 2.5
P r(2.5 < Z < 2.5) = 2
2.5
f (z)dz
0
f (z)dz
0
P r(2.5 < Z < 2.5) = 2 0.4938

P r(2.5 < Z < 2.5) = 0.9876
3.6
Variabile casuale lognormale
Si consideri la variabile casuale X con supporto x [0, +) e la sua trasformazione Y = ln X. Se Y N (, 2 ) la funzione di densità della variabile
casuale lognormale è 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
Variabile casuale Paretiana
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 è caratterizzata da due parametri:
48
Un parametro di scala (shape parameter ) che determina la forma

della funzione di densità,
Un parametro di spostamento (shift parameter ) che determina il
valore minimo assunto dalla variabile casuale28 .
La sua funzione di densità ha la seguente espressione analitica:
+1 se x
x
f (x) =
0
se x <
[3.21]
dove > 0 e > 0.

a della variabile casuale Paretiana
f(x)
/
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
Ad esempio potrebbe rappresentare il livello minimo di reddito per un consumatore.
49
Variabili casuali
Z

1 +

f (x)dx =
x
f (x)dx =
=1
f (x)dx = 1
Anche la variabile casuale Paretiana, come lesponenziale, presenta un punto

di discontinuità in corrispondenza di x = ; tale punto costituisce il valore
modale della distribuzione poiche la funzione di densità assume valore massimo.
La mediana della variabile casuale Paretiana si ottiene dal seguente integrale:
Z X0.5
f (x)dx = 0.5
Risolvendo per X0.5 :

X0.5
1

= 0.5
x

1
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) =
+
dove > 2 affinche il valore della varianza sia positivo.
3.8
Variabile casuale uniforme
La variabile casuale uniforme o rettangolare è una variabile casuale continua

con funzione di densità cos` definita:
1
se a x b
ba
f (x) =
[3.22]
0
altrove
La variabile casuale uniforme ha una funzione di densità simmetrica con
centro di simmetria in x = (a + b)/2, punto medio dellintervallo chiuso
[a, b].
Dato che la funzione di densità è 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

a della variabile casuale uniforme
f(x)
1
b-a
x
a
I momenti della variabile casuale uniforme sono:

Z b
x
1. E(X) =
dx
b
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
Il punto x = (a + b)/2, oltre a fungere da centro di simmetria della funzione

di densità, coincide con il valore atteso e con la mediana, infatti risulta:
Z
a
a+b
2
1
dx = 0.5
ba
La variabile casuale uniforme è una distribuzione plurimodale in quanto tutti i punti compresi nellintervallo [a, b] costituiscono la moda.
Dato che la funzione di densità della variabile casuale uniforme è simmetrica
` inoltre facilmente dimostrabile che tale distribuzione è
si ha che 3 = 0. E
platicurtica in quanto mostra un valore di curtosi minore di 3.
53
Variabili casuali
54
4 Distribuzioni derivate dalla v.c. normale
In questo paragrafo vengono introdotte tre variabili casuali che derivano

direttamente dalla distribuzione normale e che, insieme ad essa, risultano
essere molto importanti nellinferenza statistica nonche in econometria1 : esse
sono le variabili casuali continue chi quadrato, t di Student e F di
Snedecor. Alcuni particolari quantili di queste distribuzioni sono contenuti
nelle tavole statistiche poste nella sezione finale di questo testo.
4.1
Variabile casuale chi quadrato
Date n variabili casuali normali standardizzate indipendenti, si definisce la

variabile casuale chi quadrato con n gradi di libertà2 (2n ) come la somma
dei loro quadrati. Formalmente si ha:
2n
n
X
Zi2
[4.1]
i=1
Dato che la somma di quadrati non può assumere valori negativi, la variabile
casuale chi quadrato è definita nellintervallo [0, +). La sua funzione di
densità è 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) è la funzione gamma .
1
Tali distribuzioni sono ampiamente utilizzate nellambito della costruzione degli

intervalli di confidenza e in quello dei test statistici.
2
Dora in avanti sar`
a sempre adottata labbreviazione g.d.l.
3
La funzione gamma è cos` definita:
Z
(n) =
xn1 ex dx
Essa gode della propriet`

a (n + 1) = n(n). Poiche (1) = 1, per valori interi di n si ha
(n) = (n 1)!
55
Variabili casuali
I momenti della variabile casuale chi quadrato sono:

n
x
Z +
x 2 1 e 2
x n n dx
1. E(2n ) =
0
22
2
n
Z +
x
2e 2
x
n dx
E(2n ) =
n
0
22
2
Z +
x
n
1
2
x 2 e 2 dx
E(n ) = n n
0
22
2
x
Ponendo t = si ottiene dx = 2dt, quindi si ha:
2
Z +
n
n
2
t 2 et dt
E(2n ) = n n 2 2
0
22
2Z
+ n
2
E(2n ) = n
t 2 +11 et dt
0
2
Per le proprietà della
gamma si ha perciò:

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 proprietà 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
4. Distribuzioni derivate dalla v.c. normale
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 densità 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).
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
` DELLA V.C. CHI QUADRATO:

PROPORIETA
1. La funzione di densità della variabile casuale chi quadrato è asimmetrica con 3 > 0 per n.
2. La curtosi della variabile casuale chi quadrato è pari a 4 = 3 + 12/n,
quindi tale distribuzione è leptocurtica.
3. Allaumentare del numero dei suoi g.d.l. la funzione di densità tende
ad approssimarsi a quella di una variabile casuale normale4 con media
n e varianza 2n.
4. La variabile casuale chi quadrato gode della legge di additività, infatti,
prese due distribuzioni indipendenti con differente numero di g.d.l.,
risulta:
2n + 2m = 2n+m
Dimostrazione:
Dato che per definizione risulta 2n =
n
X
Zi2 e 2m =
i=1
2n + 2m =
Zi2 , la loro somma è:
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
5. La funzione di densità della variabile casuale chi quadrato è un caso

particolare di quella della variabile casuale Gamma che ha la seguente
funzione di densità:
x c1 e xb
f (x) =
[4.3]
b
b(c)
In questo caso basta porre b = 2 e c =
n
.
2
6. Quando n = 2, la funzione di densità coincide con quella di una variabile casuale esponenziale con = 1/2.
4
Questa propriet`
a è unapplicazione del Teorema del limite centrale di Lindeberg-Levy.
58
4.2
Variabile casuale t di Student
Considerando una variabile casuale normale standardizzata ed una variabile

casuale chi quadrato con n g.d.l. tra loro indipendenti, il seguente rapporto
definisce la variabile casuale t di Student con n g.d.l. (tn ):
Z
tn = r
2n
n
[4.4]
Analiticamente la sua funzione di densità deriva direttamente dalla [4.4] ed

assume la seguente forma:
t2
f (tn ) = K(n) 1 +
n

n i1
n + 1 h
dove K(n) =
.
n
2
2

n+1
2
[4.5]
Dimostrazione:
Si consideri la variabile casuale tn condizionata dallevento 2n = k:
r
tn |k = Z
n
k
Poiche Z N (0, 1) i suoi momenti sono:

r
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
Dato che k ha distribuzione chi quadrato con n g.d.l. la funzione di densit`

a congiunta
risulta essere:
f (t, k) = f (tn |k)f (k)
1
f (t, k) =
2
f (t, k) =
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
Integrando rispetto allevento condizionante k si ottiene la distribuzione marginale di t,

quindi la funzione di densit`
a della variabile casuale t di Student.
1
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
Poiche lintegrale restituisce la funzione

dy quindi sostitutendo si ha:
t2
2y 1 +
n
t2
n
1+
1
h
n+1
2
risulta5 :

i1
n
t2
n
1+
2
n
n+1
2

a della variabile casuale t di Student
f(t n )
n=10
n=3
tn
0
Dato che il supporto della variabile casuale è rappresentato dallasse dei

numeri reali e poiche allinterno della [4.5] compare soltanto il quadrato
della variabile t, si evince che tale funzione di densità è simmetrica (Figura
4.2). La condizione fondamentale è assicurata dal seguente integrale definito:
Z
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 è
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
Imponendo la trasformazione con dt =

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
Momenti della variabile casuale t di Student:

1. E(tn ) = 0
2. V ar(tn ) =
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.
` DELLA V.C. t DI STUDENT:

PROPRIETA
1. Come detto in precedenza la funzione di densità è simmetrica quindi
il coefficiente di Fisher è sempre nullo (3 = 0).
2. La distribuzione t di Student è leptocurtica, infatti la sua curtosi risulta essere 4 > 3. Nella Figura 4.3. la funzione di densità della t di
Student è stata tracciata insieme a quella di una variabile casuale normale standardizzata (curva tratteggiata): da tale grafico si evince che
le sue code contengono una massa di probabilità pi`
u alta.
3. Allaumentare dei g.d.l. la distribuzione t di Student tende a quella
della variabile casuale normale standardizzata6 .
6
Questa propriet`
a è dimostrata attraverso il Teorema Centrale del Limite di LindergLevy. Si veda in proposito la Figura 4.2.
62
Figura 4.3 Variabili casuali t di Student (t) e normale standardizzata (Z) a

confronto
f(x)
t
x
-3
4.3
Variabile casuale F di Snedecor
Date due variabili casuali 2n e 2m indipendenti, si definisce variabile casuale

F di Snedecor il seguente rapporto:
Fn,m
2n
= n2
m
m
[4.6]
Poiche nella sua definizione entra le variabile casuale chi quadrato, la F di

Snedecor è definita anchessa nellintervallo [0, +). La sua funzione di
densità è la seguente:

n n 1
n+m
2
n
F
2
n m m
f (Fn,m ) =
[4.7]
n n+m
2
m
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)
` DELLA V.C. F DI SNEDECOR:

PROPRIETA
` determinata in base al valore dei parametri n ed m.
1. E
63
Variabili casuali
2. La funzione di densità della variabile casuale Fn,m non coincide con

quella della variabile casuale Fm,n .
3. La distribuzione è asimmetrica e leptocurtica.
4. Quando n + risulta:
Fn,m
2m
m
Quando invece m + si ha:

Fn,m
64
2n
n
La variabile casuale multinormale
Il vettore X costituito da n variabili casuali ha una distribuzione multinormale se risulta:

X N (, )
dove è il vettore contenente gli n valori attesi delle variabili casuali presenti
in X e è la matrice n n delle varianze e delle covarianze. La funzione di
densità congiunta della variabile casuale multinormale è la seguente:

1
f (x) = (2)n/2 ||1/2 exp (x )0 1 (x )
[5.1]
2
dove || è il determinante1 della matrice delle varianze e delle covarianze ed
il vettore (x )0 è il vettore trasposto di (x ).
` DELLA VARIABILE CASUALE MULTINORMALE:
PROPRIETA
1. Il valore di n determina la dimensione del vettore X quindi della variabile casuale multinormale stessa. Ovviamente, se n = 1, la sua funzione di densità coincide con lequazione [3.13] in quanto tutti i vettori
e la matrice diventano scalari.
2. Si consideri la variabile casuale Y = a + B 0 X, dove a è una costante,
mentre B è una matrice n k. Se X N (, ) risulta:
Y N (a + B 0 , B 0 B)
[5.2]
3. Si consideri il vettore X cos` partizionato:

X1
1
11 12
N
,
X2
2
21 22
Da tale distribuzione possono essere ottenute:
1
Per tutte le definizioni relative agli argomenti di algebra delle matrici si rimanda
allAppendice.
65
Variabili casuali
(a) le distribuzioni marginali

X1 N (1 , 11 )
X2 N (2 , 22 )
(b) le distribuzioni condizionali
1
X1 |X2 N 1 + 12 1
22 (X2 2 ), 11 12 22 21
1
X2 |X1 N 2 + 21 1
11 (X1 1 ), 22 21 11 12
4. Quando il vettore dei valori attesi è composto da tutti elementi nulli

e la matrice delle varianze e delle covarianze coincide con la matrice
identità, si ottiene la variabile casuale multinormale standardizzata Z.
Per = 0 e = In la funzione di densità congiunta diventa perciò la
seguente:

1 0
n/2
[5.3]
f (z) = (2)
exp z z
2
Dato che per definizione tutte le covarianze sono nulle allinterno della
matrice In , nella variabile casuale multinormale standardizzata tutte
le variabili casuali che compongono il vettore Z sono incorrelate.
Esempio 5.1 La variabile casuale X è distribuita come una multinormale trivariata,

con
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 .
La soluzione ai diversi quesiti proposti risiede nelle propriet`

a della variabile casuale multinormale, infatti:
1. Il valore atteso di X2 va ricercato in corrispondenza del secondo elemento del vettore
delle medie , infatti risulta:
E(X2 ) = 2
2. La varianza di X3 è il terzo elemento della diagonale principale delle matrice ,
quindi:
V ar(X3 ) = 1
66
5. La variabile casuale multinormale
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 è pari a:
f (x1 |x2 ) =
f (x1 , x2 )
f (x2 )
f (x1 , x2 ) è la funzione di densit`

a congiunta di X1 e X2 . Essa ha lequazione di una
variabile casuale normale bivariata, cioè:
f (x1 , x2 )
f (x1 , x2 )
(2)1 ||1/2 exp{(x )0 1 (x )}
1
p
exp
2
2(1
2 )
21 2 1
"
x2 2
2
2
x1 1
1

x1 1
1
x2 2
2
2
#)
dove è il coefficiente di correlazione.

La funzione di densit`
a marginale f (x2 ) ha invece lequazione di una normale univariata, cioè:
(

2 )
1 x2 2
1
exp
f (x2 ) =
2
2
22
Eseguendo il rapporto, dopo alcune semplificazioni si ottiene:
8
>
<
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 )
che a sua volta è una funzione di densit`

a di una variabile casuale normale di media
M e varianza S 2 . Si pu`
o agevolmente notare che tale risultato è quello enunciato
dalla propriet`
a 3. (b) della variabile casuale multinormale di cui sopra.
A questo punto si pu`
o concludere che:
12
(x2 2 )
22
0.5
E(X1 |X2 ) = 0 +
(x2 2)
1
1
E(X1 |X2 ) = x2 1
2
E(X1 |X2 ) = 1 +
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 è agevole concludere che:
V ar(X1 |X3 ) = 12 (1 2 )
dove in questo caso è 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 è anchessa una variabile casuale normale.
In questo caso perci`
o risulta:
0 X N (0 , 0 )
Il valore atteso è pari:
2
0
0
4
2 5=1
1
La varianza è:
2
0 =
1
4 0.5
0
0.5
1
0.5
La distribuzione di 0 X è quindi:
0 X N (1, 5)
68
32
0
1
0.5 5 4 1 5 = 5
1
1
Funzione generatrice dei momenti
La funzione generatrice dei momenti1 è un ottimo strumento per il calcolo dei

momenti di una qualsiasi variabile casuale soprattutto quando tale calcolo
risulta piuttosto complesso. La f.g.m. è una trasformazione integrale che
associa una particolare funzione (se questa esiste) alle funzioni di probabilità
e/o di densità. Analiticamente la f.g.m. ha la seguente espressione:
X
etx p(x)
Caso discreto
xS
G(t) =
[6.1]
Z +
etx f (x)dx Caso continuo
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, cioè 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 proprietà fondamentale della funzione di probabilità e/o
di densità, 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, cioè:
s G(t0 )
= E(X s )
ts
3. La f.g.m. determina in modo univoco la funzione di ripartizione quando questa esiste.
1
Dora in avanti sar`

a chiamata semplicemente f.g.m.
69
Variabili casuali
4. Se la f.g.m. esiste, essa è unica.

Esempio 6.1 Calcolare il valore atteso della variabile casuale uniforme U (a, b) attraverso la f.g.m.
Z
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
La derivata in t = 0 assume una forma indeterminata, quindi occorre calcolare il limite:

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!
Per t 0 tutti i termini in cui la variabile t compare al numeratore si annullano.

Effettuando le opportune semplificazioni si ha:

1
b2 a2
lim
t0 b a
2
a+b
2
Il valore cos` ottenuto coincide con il valore atteso della variabile casuale uniforme.
Esempio 6.2 Calcolare la varianza della distribuzione binomiale attraverso la f.g.m.

G(t) =
G(t) =
n
X
etx
x=0
n
X
x=0
n
x
70
n
x
px (1 p)nx
(et p)x (1 p)nx
6. Funzione generatrice dei momenti
Tale formula è riconducibile allo sviluppo del polinomio di Newton enunciato alla nota 4,
quindi la f.g.m. della variabile casuale binomiale è:
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 ) =
E(B 2 ) = n(n 1)p2 + np

E(B 2 ) = n2 p2 + np(1 p)
La varianza risulta essere perci`
o:
V ar(B) = E(B 2 ) [E(B)]2
V ar(B) = np(1 p)
Esempio 6.3 Calcolare la varianza della variabile casuale di Poisson attraverso la

f.g.m.
G(t) =
etx
x=0
e x
x!
X
(et )x
G(t) = e
x!
x=0
Dallo sviluppo in serie di McLaurin si ottiene:

t
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
E(X 2 ) = [et + (et )2 ]e(e
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
6. Funzione generatrice dei momenti
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 è perci`
o pari a 2 .
73
Variabili casuali
74
Appendice: alcuni risultati utili
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 perciò essere3 :
E(X) = G0 (t = 0) = a
Funzione Beta
Metodo delle trasformazioni
2
La funzione digamma è 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
Quando k = 1 si ottiene la digamma 1 (x), mentre per k = 2 si a la trigamma 2 (x).

3
Per i valori della funzione digamma si veda in proposito www.mathworld.com
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 è
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
Quantili della variabile casuale t di Student

La tabella restituisce i quantili della distribuzione t di Student in corrispondenza di
un dato valore n dei g.d.l. e di un dato valore
di probabilit`
a equivalente allarea colorata
della figura. Si tenga presente che la funzione
di densit`
a di questa variabile casuale è simmetrica e che per n essa converge ad
una variabile casuale normale.
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
Quantili della variabile casuale chi quadrato

La tabella restituisce i quantili della distribuzione chi quadrato in corrispondenza di
un dato valore n dei g.d.l. e di un dato valore di probabilit`
a equivalente allarea colorata della figura. Si tenga presente che questa variabile casuale converge ad una variabile
casuale normale quando n .
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
Quantili della variabile casuale F di Snedecor

Tutte le tabelle che seguono restituiscono i quantili della distribuzione
F di Snedecor per un prefissato valore di probabilit`
a in corrispondenza dellincrocio dei valori n e m
relativi ai suoi g.d.l.
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
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.
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
metodo delle trasformazioni, 27
88

Variabili Casuali: Universit ' A Politecnica Delle Marche Dipartimento Di Economia

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Variabili Casuali: Universit ' A Politecnica Delle Marche Dipartimento Di Economia

Uploaded by

Copyright:

Available Formats

` POLITECNICA DELLE MARCHE

2 Variabili casuali discrete

3 Variabili casuali continue

4 Distribuzioni derivate dalla v.c. normale

6 Funzione generatrice dei momenti

Appendice: alcuni risultati utili

Variabili casuali discrete

Variabile casuale degenere

Figura 2.1 Funzione di probabilit`

I momenti di questa distribuzione sono:

La variabile casuale degenere `e lunica ad avere varianza nulla, mentre tutte

Variabile casuale Bernoulliana

Data la tabella di cui sopra, la funzione di probabilit`a della variabile casuale

La moda e la mediana dipendono dalla probabilit`a di successo p:

La variabile casuale Bernoulliana `e detta anche variabile casuale bipuntuale.

2. Variabili casuali discrete

Figura 2.2 Funzione di probabilit`

Il momento di ordine s della variabile casuale Bernoulliana `e sempre pari a

Da questa propriet`a deriva che:

Variabile casuale binomiale

Si considerino n prove indipendenti2 che danno esito di tipo dicotomico. Le

La variabile casuale binomiale indica il numero di volte che in n prove si `e

Dato che le prove sono indipendenti, per ricavare la funzione di probabilit`a

p(B) = P r(E)P r(E) . . . P r(E)P r(E)P

2. Variabili casuali discrete

Il coefficiente binomiale si ottiene mediante lutilizzo di alcune semplici

Il coefficiente binomiale si ottiene ponendo a = p e b = 1 p.

dove per convenzione vale la relazione 0! = 1.

2. Variabili casuali discrete

P r(B 1) = P r(B = 0) + P r(B = 1)

0.30 0.76 = 0.117649

0.31 0.75 = 0.302526

0.32 0.74 = 0.324135

0.33 0.73 = 0.185220

0.34 0.72 = 0.059535

0.35 0.71 = 0.010206

0.36 0.70 = 0.000729

Quando B = 2 si ottiene il valore pi`

Variabile casuale geometrica

La variabile casuale geometrica `e una variabile casuale discreta che assume

- Alla prima estrazione si ottiene E: lesperimento termina.

Sfruttando il concetto di convergenza di una serie geometrica6 `e possibile

p(x) = p + p(1 p) + p(1 p)2 + p(1 p)3 + . . .

Dato 0 p 1, si costruisce la serie geometrica Sn .

2. Variabili casuali discrete

I momenti della variabile casuale geometrica sono:

Dato che x(1p)x1 `e la derivata rispetto a p della funzione (1p)x :

Per la convergenza della serie geometrica Sn , si ottiene:

2. V ar(X) = E(X 2 ) [E(X)]2

[x(x 1) + x](1 p)x1

x(x 1)(1 p)x2 + p

Il secondo addendo `e il valore atteso della variabile casuale geometrica.

Per la convergenza della serie geometrica Sn , si ottiene:

Variabile casuale Poissoniana

La variabile casuale Poissoniana7 `e una variabile casuale discreta che assume

dove > 0. Per dimostrare la condizione fondamentale si utilizza lo sviluppo

2. Variabili casuali discrete

P r(X > 1) = 1 P r(X 1)

P r(X > 1) = 1 P r(X = 0) P r(X = 1)

P r(X > 1) = 1 4e3

2. Variabili casuali discrete

Sfruttando il limite notevole lim

Poiche le ipotesi del teorema (n e p 0) sono rispettate, si pu`