Che materia stai cercando?

Anteprima

ESTRATTO DOCUMENTO

Somma di v.c. normali: 2

Se x1,x2,..,xn sono variabili casuali indipendenti con E(xi)=u e var(xi)= σ per ogni i, allora x =1/nΣxi, E(x

)=u, var(x

)=

2

σ /n. 2s2 2

Dimostriamo: se n=2: S =x1+x2 N(u , σ ) con u =2u e σ =2σ ; ad S aggiungo X : S =x1+x2+x3 N(u , σ ); in generale:

2 s s s2 3 3 s s

2sn 2

Sn=Σxi N(u , σ ) e σ =n*σ ; usando una tras ormazione di scala: x

=S/n; dato che x è una tras ormazione lineare di S,

s s 2x 2 2sn 2 2 2

anc e x sar una v.c. casuale normale con u =(1/n)*u =(1/n)*u*n=u; σ =(1/n )*σ =(1/n )* n*σ = σ /n.

x sn

Disuguaglianza di Chebicheff:

Fissato c>=0 osserviamo i valori di X centrati in u con ampiezza 2c ovvero u-c e u+c;

2 2 2

Var(x)= σ =E[(x-u) ]= Σ(x-u) p(X=x). Dividiamo la sommatoria in due parti; la prima parte riguardanti le x interne

all’intervallo, la seconda quelle esterne all’intervallo.

2 2 2

Var(x)= Σ(x-u) *p(X=x) + Σ(x-u) *p(X=x) ottenendo: var(x)>=Σ(x-u) *p(X=x), le x della seconda sommatoria sono tutte

2 2 2 2 2

tali che (|x-u|>=c), sostituiamo (x-u) con c : Σ(x-u) *p(X=x)>=Σc *p(X=x) quindi var(x)>= Σc *p(X=x)=

2 2 2

c Σp(X=x)=c p(|x-u|>=c) da cui p(|x-u|>=c)<=var(x)/c .

Legge dei grandi numeri:

La disuguaglianza di Chebicheff è valida per qualsiasi v.c. ed anche per la v.c. X/n essendo x una v.c. binomiale. La

legge dei grandi numeri afferma che per n grande la divergenza fra la v.c. fr relativa X/n e la sua aspettativa p è

molto limitata e all’aumentare di n la divergenza ra X/n e p=(A) tende a ridursi.

2 2

E(x/n)=1/n*E(x)=1/n*n*p=p; Var(x/n)=(1/n) *Var(x)=npq/n =nq/n. Dove la v.c x/n rappresenta nel modello

probabilistico la fr relativa. Applicando la disuguaglianza di Chebicheff a x/n si ha:

2 2

P[|x/n-E(x/n)|>=c]<=var(x/n)/c ; P[|x/n-E(x/n)|>=c]<=pq/nc valida per qualsiasi n. All’aumentare di n il rapporto

2

pq/nc tende a 0. Ne consegue che P[|x/n-p|>=c]>=0 è una probabilità ed al crescere di n tende a 0. Quindi

otteniamo lim da n a ∞ P[|x/n-p|>=c]>=0.

Teorema del limiti centrale: 2

Siano x1,x2,..,xn v.c. indipendenti e identicamente distribuite con aspettativa E(xi)>u, var(xi)= σ , dove i=1,..,n sono

quantità finite. La somma delle v.c è Sn=x1+x2+..+xn. L’aspettativa di Sn è: 2

E(Sn)=E(x1+x2+..+xn)=E(x1)+E(x2)+..+E(xn)=nu. La var(Sn)=var(x1+x2+..+xn)=nσ . Data l’indipendenza della v.c. X al

2

crescere di n la funzione cumulata della v.c. Sn-nu/σ √n converge alla unzione di ripartizione della v.c.

standardizzata. Quindi P((Sn-nu/ σ√n)<=z)=F(z).

Funzione generatrice dei momenti:

Si dice che la v.c. X possiede la f.g.m. se esiste δ >0 tale che m t<∞ per ogni t∈(- δ, δ). Allora m (t) è detta f.g.m. di X.

x x

tx

1) Sia una v.c. tale che E(e )< ∞ per ogni t∈(- δ, δ). Allora X ha momenti di ogni ordine e per ogni t∈(- δ, δ) risulta:

r r r

mx(t)=Σ(t /r!)*u dove u =(d /dt )*mx(t)|

r r t=0

2) Siano m (t) e m (t) le f.g.m. delle v.c. X e Y, si suppone che esista δ tale che per ogni t∈(- δ, δ) valga m (t). Allora le

x y x

due v.c. hanno la stessa distribuzione, cioè Fx(v)=fy(v), per ogni v reale.

3) Sia m (t) la f.g.m. della v.c. xi,i=1..n; siano le v.c. xi indipendenti. Allora my(t)= πm (t), con y= Σxi.7

xi xi

Variabili casuali discrete:

V.c. binomiale:

La v.c. binomiale esprime la somma di n variabili casuali indicatore indipendenti aventi la medesima probabilità di

x n-x t n

successo. P(X=x)={(n x)p (1-p) , x=0,1..n e 0 altrove. E(x)=np; Var(x)=npq. F.g.m.=m(x)t=[(1-p)+pe ] .

V.c. ipergeometrica:

p(X=x)= (n r) (N-r n-x)/(N n), max (0,n+r-N)<=x<=min(r,n). E(x)=n*(n/r); var(x)=n*(n/r)*(1-(n/r))*(N-n/N-1). È ben

approssiamata la v.c. binomiale se n<N/10.

V.c. di Poisson:

- λ x λ(et-1)

P(X=x)=e *λ , x=0,1,n, λ>0. λ=aspettativa; E(x)= λ; var(x)= λ; mx(t)=e .

Teorema: sia X1 una v.c. di Poisson di parametro λ1 e X2 una v.c. di Poisson di parametro λ2, siano X1 e x2

indipendenti in probabilità, allora la v.c. X=X1+X2 + una v.c. di Poisson con parametro (λ1+ λ2),

λ1(et-1) λ2(et-1) (λ1+ λ2)(et-1)

mx(t)=mx1(t)*mx2(t)= e * e = e .

Impieghi:

-la probabilit c e nell’intervallo di ampiezza si abbia x=1 è approssimativamente proporzionale ad :

P{X=1}=vh+0(h).

-la probabilit c e nell’evento di ampiezza si abbia x>=2 è trascurabile relativamente alla probabilit di avere x=1:

P{X>=2}/P{X=1}=0(h).

-Il numero di presenze del fenomeno in intervalli temporali incompatibili sono indipendenti in probabilità.

-Se le 3 condizioni si verificano si dimostra che il numero di accadimenti X di un fenomeno in un intervallo di tempo

di ampiezza t segue la distribuzione di Poisson con parametro λ.

V.c. casuali continue

V.c. Gamma:

La v.c. Gamma è distribuita secondo una gamma di parametri α>0 e ϴ>0 se la funzione di densità è data da

α α-1 -ϴy α-1 -x

F(y)={(ϴ /T(α))*y *e con y>0, e 0 altrove. Dove T(α)=∫da0 a ∞ x *e dx.

Proprietà: r r

T(α+1)= αT(α); T(n)=(n-1)!; E(Y )=(1/ ϴ )*(r+α-1)* (r+α-2)*..* α.

2 2 2 α

Per r=1 si ottiene E(X)= α/ϴ; per r=2 si ottiene E(X )= (α*( α+1))/ϴ dove var(x)= α/ϴ , mx(t)=( ϴ/ ϴ-t) .

Casi particolari: - ϴy 2

-α=1, v.c. di parametro ϴ: f(y, ϴ)={ ϴe con y>0, ϴ>0, e 0 altrove; E(Y)=1/ϴ; var(Y)=1/ϴ ; Fy(Y)=P{Y<=y};

-ϴb -ϴa -ϴa -ϴb

P{a<=y<=b}=Fy(b)-Fy(a)=(1- e )-(1- e )= e - e . k/2 (k/2)-1 (-1/2y)

-α=k/2, ϴ=1/2, v.c. chiquadrato con k g.d.l.: f(y,k)={((1/2) /Tk)*y *e con y>0, e 0 altrove.

2 k/2

EY)=(k/2)/(1/2) dove l’aspettativa coincide con i g.d.l.; var(y)= (k/2)/(1/2) =2k;my(t)=(1/1-2t) ;

(k1+k2)/2

La somma di 2 chiquadrato indipendenti è uguale ad un c iquadro Xi≈χ(ni); mx1+x2(t)=(1/1-2t) la funzione si

distribuisce con gradi di libertà k1+k2.

Variabile casuale normale: 2

La v.c. normale f(x;u; σ)=1/( σ/√2π)*e-1/2((x-u)/σ) ,

2 2

sia X1 una v.c. normale di aspettativa u1 e var σ1 , sia X2 una v.c. normale di aspettativa u2 e var σ2 , siano X1 e X2

2 2

indipendenti in probabilità, allora la v.c. X=X1+X2 è una v.c. normale di aspettativa u1+u2 e carianza σ1 + σ2 ,

(u1+u2)t+1/2(σ12 σ22)t2

mx(t)=mx1(t)*mx2(t)=e .

2

Y=X 2

Sia X una v.c. normale standardizzata, allora la v.c. Y=X è una v.c. chiquadro con n g.d.l..

2 -x2/2 -

Dimostrazione: Fy(y)=P{Y<=y}=P{Z <=y}=P{-√y<=Z<=√y}=∫ da -√y a √y 1/(√2y π)e dx=2∫da 0 a √y 1/(√2y π)e

x2/2 -v/2 1/2 1/2 1/2-1 -v/2

dx=2∫da 0 a y (1/√2)*(1/√ π)*(1/2√v)*e dv=∫da o a y (1/2) *(1/T )*v e dv, che è la funzione cumulata

della probabilità di una v.c. chiquadro con 1 g.d.l..

5°proprietà ta ty t/a+bx) ta btx ta

Sia X dotata di f.g.m. allora posto Y=a+bx, esiste my(t)=e *mx(bt). my(t)=E(e )=E(e )=e *E(e )=e *mx(bt).

2 2 2 ta btu+1/2 σ2b2t2 (a+bu)+1/2 σ2b2t2

X≈N(u, σ ). Y=a+bx≈N(a+bu,b σ ). my(t)=e *e =e .

Teorema sul campionamento da distribuzione normale:

2

siamo (x1,x2,..,xn) v.c. normali di aspettativa u e var σ ed indipendenti in probabilità.

-Dedurre la distribuzione x

=1/n Σxi….. la v.c. x

=1/n Σxi (media campionaria) si distribuisce come una normale di

2 2

aspettativa u e var σ /n. vvero x

=1/n Σxi≈N(u; σ /n).

2 t/n

Yn=X1+X2+..+Xn; Yn≈N(nu,nσ ); x

=Yn/n ovvero trasformazione lineare a=0 e b=1/n; mx

(t)=myn(t/n)=e *un*1/2n

2 2 2 tu+1/2t2σ2/n

σ *(t / σ )=e . 2

Per il teorema dell’unicit della .g.m. x a distribuzione normale con aspe a va u e var σ /n. A

2 2

-la v.c. x e S =(1/n-1) Σ(xi- x ) sono indipendenti.B

2 2 2 2= 2 2

-dedurre la distribuzione V=Σ(xi- u) / σ ….. la v.c. (n-1)S / σ Σ(xi- x ) / σ si distribuisce come una chiquadro con n-1

2 2= 2 2 2 2 2 2 2 2 2 2 2 2

g.d.l.; (n-1)S / σ Σ(xi- x

) / σ ≈χ (n-1); Σ(xi- u) / σ =( Σ(xi- x

) / σ )+n Σ(xi- u) / σ --> Σ((xi- u)/ σ) =(Σ(xi- x ) / σ )+((x

-

2

u)/σ/√n) .C

Otteniamo che A=B+C e mA(t)=mB(t)*mC(t).

Distribuzione t di Student: 2 (k+1)/2

Densit : (x)=T((k+1)/2)/T(k/2)*(1/√k π)*(1/(1+(x /k)) , con XЄR e k>0. È una funzione simmetrica monotona

decrescente, non ha f.g.m. poiché non esistono tutti i momenti, u esiste per r<k. E(X)=0 e var(X)=k/(k-2) dove (k>2).

r

Sia Z una v.c. distribuita come una normale standardizzata. Sia U una v.c. distribuita come una chiquadrato con k

g.d.l.. Siano Z e U indipendenti in probabilità. Allora la v.c. X=Z/√(U/k si distribuisce secondo una t di Student con k

g.d.l. 2

Sia (X1,X2,..,Xn) un campione casuale proveniente dalla v.c. normale di aspettativa u e var σ allora la v.c. T=(x -

2 2

u)/(S/√n) a distribuzione t di Student con (n-1) g.d.l. Avendo le v.c. Z=(x

- u)/(σ/√n) e U=(n-1)S / σ e poic sono

2 2 2

indipenden possiamo o enere le v.c.: T=[(x

-u)/(σ/√n)]/ (√[(n-1)S / σ ]/n-1)= (x

- u)/ (√S /n) la cui distribuzione è t di

Student con (n-1) g.d.l.

Distribuzione F di Fischer:

Siano U e V due v.c. chiquadro indipendenti con m e n g.d.l. allora la v.c. X=(U/m)/(V/n) è distribuita come una F di

Fischer con m e n g.d.l. m rappresenta i gradi di libertà del numeratore, n quelli del denominatore. E(X)=n/(n/2) con

2 2 r

n>2; Var(X)=[2n (m+n-2)]/[m(n-2) (n-4)] con n>4; u =E(X ) esiste solo per r<n/2, Non ha f.g.m..

r

Siano U e V due v.c. chi-quadrato indipendenti con m e n g.d.l. rispettivamente. Allora la v.c.

X=(U/m)/(V/n) è distribuita come una v.c. F con m e n g.d.l. 2 2

Siano (X1,X2,..,Xn) e (Y1,Y2,..,Yn) campioni casuali indipendenti con rispettiva varianza σ x σ y e aspettativa ux e uy,

2 2 2 2 2 2

proveniente da delle v.c. normali. Allora x=[(Σ(xi- x ) / σ )/(m-1)]/ [(Σ(yi- ӯ) / σ )/(n-1)]=S x/S y che sono le varianze

campionarie corrette; ha distribuzione F di Fischer con (m-1) e (n-1) g.d.l.

Se X ha distribuzione F di Fischer con m e n g.d.l. allora Y=1/X ha distribuzione F di Fischer con n e m g.d.l. Determina

il quantile: P{Y<=ya}=P{X=1/Y>=1/ya}=α-->P{X<=1/ya}=1-α-->y =1/x .

α (1-α)


ACQUISTATO

4 volte

PAGINE

8

PESO

717.52 KB

AUTORE

menguz

PUBBLICATO

+1 anno fa


DETTAGLI
Corso di laurea: Corso di laurea in economia e commercio
SSD:
A.A.: 2015-2016

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher menguz di informazioni apprese con la frequenza delle lezioni di Statistica per il marketing e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Milano Bicocca - Unimib o del prof Zini Alessandro.

Acquista con carta o conto PayPal

Scarica il file tutte le volte che vuoi

Paga con un conto PayPal per usufruire della garanzia Soddisfatto o rimborsato

Recensioni
Ti è piaciuto questo appunto? Valutalo!

Altri appunti di Corso di laurea in economia e commercio

Management: Cuomo Economia 2°anno
Appunto
Riassunto esame Economia aziendale, prof. Capocchi, libro consigliato Economia aziendale Saita
Appunto
Riassunto esame Elementi di marketing, prof. Chiacchierini, libro consigliato Il marketing del nuovo millenio, Kotler, Keller
Appunto
Statistica descrittiva - Appunti II parziale
Appunto