Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
A<br />
A<br />
s<br />
a<br />
=<br />
(<br />
Μ<br />
Μ<br />
Μ<br />
=<br />
( Μ<br />
( 4 )<br />
( 2 )<br />
( 3)<br />
( 2 )<br />
( E[<br />
x])<br />
( E[<br />
x]))<br />
( E[<br />
x])<br />
( E[<br />
x]))<br />
2<br />
3<br />
− 3<br />
Si noti che si tratta di coefficienti resi adimensionali nella definizione. In generale infatti il<br />
momento n-esimo ha dimensioni [x] n e pertanto la media ha dimensioni [x] e la varianza ha<br />
dimensioni [x] 2 .<br />
Naturalmente le definizioni date, in particolare quelle di valore atteso e di varianza, si estendono a<br />
combinazioni e funzioni di una o più variabili casuali. Vedremo nel seguito come si trattano questi<br />
casi.<br />
(2.5.6) Densità di probabilità di una funzione di variabile casuale<br />
Se x é una variabile casuale (l’argomento vale anche per il caso discreto), una qualsiasi funzione di<br />
x, y=y(x) risulta anch’essa una variabile casuale, nel senso che l’occorrenza di diversi valori di x<br />
secondo le modalità della sua funzione di distribuzione, determina anche l’occorrenza dei valori di<br />
y secondo le modalità di una funzione di distribuzione che dipenderà dalla distribuzione di x e dalla<br />
funzione y(x). Senza entrare nei dettagli matematici vediamo come si ricava la densità di probabilità<br />
di y, data quella di x e data la funzione y=y(x). Chiamiamo f(x) la densità di probabilità di x e g(y)<br />
quella di y.<br />
Supponiamo per semplicità che la funzione y(x) sia monotona nell’intervallo di definizione della<br />
variabile x. In tal caso l’inversione della funzione, cioè il passaggio dalla y(x) alla x(y), avviene<br />
senza difficoltà e la funzione x(y) é una funzione “monodroma” ovvero per ogni y vi é un solo x.<br />
Data la relazione tra x ed y dovrà essere per ogni valore di x (che chiamiamo x ):<br />
p ( x < x < x + dx)<br />
= p(<br />
y(<br />
x)<br />
< y < y(<br />
x + dx))<br />
= p(<br />
y(<br />
x)<br />
< y < y(<br />
x)<br />
+ dy)<br />
e dunque<br />
f ( x)<br />
dx = g(<br />
y)<br />
dy<br />
da cui la relazione cercata:<br />
dx(<br />
y)<br />
g ( y)<br />
= f ( x(<br />
y))<br />
dy<br />
dove il modulo é stato inserito per assicurare la positività della nuova densità di probabilità cosi’<br />
ottenuta. Si tratta pertanto di invertire la funzione y(x), di calcolare la derivata della x(y) e di<br />
moltiplicarne il modulo per la funzione f(x) in cui al posto della x mettiamo esplicitamente la x(y).<br />
La g(y) cosi’ ottenuta é anche automaticamente normalizzata<br />
b<br />
y ( b )<br />
1 = ∫ f ( x)<br />
dx = ∫ g(<br />
y)<br />
dy = 1<br />
a<br />
y ( a )<br />
se risulta normalizzata la f(x) di partenza.<br />
In Fig.2.5é illustrato graficamente il caso in cui da una variabile x uniforme tra 0 e 1, si passa ad<br />
una y=αx 2 . Il fatto che la y in questo caso non mantenga la stessa distribuzione della x uniforme é<br />
comprensibile osservando che se considero i 2 intervalli [0,1/2] e [1/2,1] equiprobabili in x, questi<br />
danno luogo a due intervalli di diversa grandezza in y ma che devono restare equiprobabili. Dunque<br />
la y non può essere uniforme.<br />
Le definizioni di valore atteso e varianza si estendono banalmente. Il valore atteso può essere<br />
espresso nella forma:<br />
y b<br />
= )<br />
b<br />
E [ y]<br />
∫ yg(<br />
y)<br />
dy = ∫ y(<br />
x)<br />
f ( x)<br />
dx<br />
(<br />
y ( a )<br />
a<br />
59