Calcolatore della Funzione di Ripartizione
Inserisci i parametri dello spazio campionario per calcolare la funzione di ripartizione (CDF) e visualizzare il grafico corrispondente.
Risultati
Guida Completa: Come Calcolare la Funzione di Ripartizione dallo Spazio Campionario
La funzione di ripartizione (CDF, Cumulative Distribution Function) è uno degli strumenti fondamentali nella teoria della probabilità e nella statistica. Essa descrive la probabilità che una variabile casuale X assuma un valore minore o uguale a un certo valore x, formalmente:
F(x) = P(X ≤ x)
1. Fondamenti Teorici
La CDF è definita per ogni tipo di variabile casuale, sia essa discreta o continua. Le sue proprietà principali includono:
- Monotonicità non decrescente: Se x₁ ≤ x₂, allora F(x₁) ≤ F(x₂).
- Limiti asintotici:
- limₓ→-∞ F(x) = 0
- limₓ→+∞ F(x) = 1
- Continuità a destra: limₓ→ₐ⁺ F(x) = F(a).
2. Calcolo per Variabili Discrete
Per una variabile casuale discreta con valori possibili x₁, x₂, …, xₙ e probabilità associate p₁, p₂, …, pₙ, la CDF è data da:
F(x) = Σ pᵢ per tutti gli i tali che xᵢ ≤ x
Esempio pratico: Consideriamo il lancio di un dado equo (6 facce). La CDF sarà:
| x | F(x) = P(X ≤ x) |
|---|---|
| x < 1 | 0 |
| 1 ≤ x < 2 | 1/6 ≈ 0.1667 |
| 2 ≤ x < 3 | 2/6 ≈ 0.3333 |
| 3 ≤ x < 4 | 3/6 = 0.5 |
| 4 ≤ x < 5 | 4/6 ≈ 0.6667 |
| 5 ≤ x < 6 | 5/6 ≈ 0.8333 |
| x ≥ 6 | 1 |
3. Calcolo per Variabili Continue
Per variabili continue, la CDF è ottenuta integrando la funzione di densità di probabilità (PDF):
F(x) = ∫₋∞ˣ f(t) dt
Dove f(t) è la PDF. Le distribuzioni continue più comuni includono:
- Distribuzione Normale:
CDF: F(x) = (1/σ√(2π)) ∫₋∞ˣ e^(-(t-μ)²/(2σ²)) dt
Non ha forma chiusa, si usa la funzione errore (erf) o tavole statistiche.
- Distribuzione Uniforme (a ≤ x ≤ b):
CDF: F(x) = (x – a)/(b – a) per a ≤ x ≤ b
- Distribuzione Esponenziale (λ > 0):
CDF: F(x) = 1 – e^(-λx) per x ≥ 0
4. Confronto tra Distribuzioni Comuni
La tabella seguente confronta le CDF di tre distribuzioni continue fondamentali:
| Distribuzione | CDF F(x) | Media | Varianza | Applicazioni Tipiche |
|---|---|---|---|---|
| Normale N(μ, σ²) | Φ((x-μ)/σ) | μ | σ² | Misure biologiche, errori di misura |
| Uniforme U(a,b) | (x-a)/(b-a) | (a+b)/2 | (b-a)²/12 | Generazione numeri casuali, attese uniformi |
| Esponenziale Exp(λ) | 1 – e^(-λx) | 1/λ | 1/λ² | Tempi di attesa, affidabilità |
5. Applicazioni Pratiche
La CDF trova applicazione in numerosi campi:
- Ingegneria: Analisi di affidabilità (tempo fino al guasto).
- Finanza: Valutazione del rischio (Value at Risk, VaR).
- Medicina: Sopravvivenza dei pazienti (curve di Kaplan-Meier).
- Machine Learning: Funzioni di attivazione (es. sigmoide).
Ad esempio, in finanza quantitativa, la CDF della distribuzione normale standard è usata per calcolare i prezzi delle opzioni nel modello Black-Scholes:
C = S₀ N(d₁) – K e^(-rT) N(d₂)
Dove N(·) è la CDF della normale standard.
6. Metodi di Calcolo Numerico
Per distribuzioni senza forma chiusa (es. normale), si utilizzano:
- Approssimazioni polinomiali (es. algoritmo di Abramowitz e Stegun).
- Metodi di quadratura (Simpson, Gauss-Hermite).
- Tavole statistiche (precalcolate per valori standard).
- Software specializzato (R, Python SciPy, MATLAB).
In Python, ad esempio, si può usare:
from scipy.stats import norm
cdf_value = norm.cdf(x, loc=mu, scale=sigma)
7. Errori Comuni da Evitare
Nel calcolo della CDF, è facile incorrere in errori:
- Normalizzazione: Dimenticare che le probabilità discrete devono sommare a 1.
- Dominio: Applicare la CDF fuori dal suo dominio (es. esponenziale per x < 0).
- Approssimazioni: Usare approssimazioni grossolane per distribuzioni asimmetriche.
- Unità di misura: Confondere le unità nei parametri (es. σ in metri vs cm).
8. Risorse Autorevoli
Per approfondire, consultare:
- NIST Engineering Statistics Handbook – CDF: Guida dettagliata con esempi pratici.
- Stanford University – Lecture on CDF: Materiale accademico sulla derivazione matematica.
- CDC – Probability Distributions: Applicazioni in epidemiologia.