Calcolo Funzione Di Ripartizione Esercizi Svolti

Calcolatore Funzione di Ripartizione

Guida Completa al Calcolo della Funzione di Ripartizione con Esercizi Svolti

La funzione di ripartizione (o funzione cumulativa di distribuzione, CDF – Cumulative Distribution Function) è uno degli strumenti fondamentali nella teoria della probabilità e nella statistica. Questa funzione descrive la probabilità che una variabile casuale X assuma un valore minore o uguale a un certo valore x, ossia:

F(x) = P(X ≤ x)

In questa guida approfondita, esploreremo:

  • La definizione matematica e le proprietà della funzione di ripartizione
  • Come calcolare la CDF per le distribuzioni più comuni (normale, uniforme, esponenziale, binomiale, Poisson)
  • Esercizi svolti passo-passo con soluzioni dettagliate
  • Applicazioni pratiche nella statistica inferenziale e nell’analisi dei dati
  • Errori comuni da evitare nel calcolo della funzione di ripartizione

1. Proprietà Fondamentali della Funzione di Ripartizione

La funzione di ripartizione gode di tre proprietà essenziali che la caratterizzano:

  1. Monotonia non decrescente: Se x₁ ≤ x₂, allora F(x₁) ≤ F(x₂).
  2. Limiti agli estremi:
    • limx→-∞ F(x) = 0
    • limx→+∞ F(x) = 1
  3. Continuità a destra: limx→a⁺ F(x) = F(a) per ogni a ∈ ℝ.

Queste proprietà sono valide per qualunque variabile casuale, sia essa discreta o continua.

2. Calcolo della Funzione di Ripartizione per Distribuzioni Comuni

2.1 Distribuzione Normale (Gaussiana)

Per una variabile casuale normale X ~ N(μ, σ²), la funzione di ripartizione è data da:

F(x; μ, σ) = ∫-∞x (1/(σ√(2π))) e-(t-μ)²/(2σ²) dt

Non esiste una formula chiusa per la CDF della distribuzione normale, pertanto si utilizzano:

  • Tavole statistiche per la distribuzione normale standard (Z ~ N(0,1))
  • Metodi numerici di approssimazione (ad esempio, l’algoritmo di Wichura)
  • Software statistico (R, Python, Excel, calcolatrici scientifiche)

Esercizio svolto: Calcolare P(X ≤ 1.5) per X ~ N(2, 0.25).

Soluzione:

  1. Standardizzare la variabile: Z = (1.5 – 2)/0.5 = -1
  2. Cercare su tavole P(Z ≤ -1) ≈ 0.1587
  3. Risultato finale: P(X ≤ 1.5) ≈ 0.1587

2.2 Distribuzione Uniforme Continua

Per X ~ U(a, b), la CDF è:

F(x) = {
0, se x < a
(x – a)/(b – a), se a ≤ x ≤ b
1, se x > b

Esercizio svolto: Calcolare P(X ≤ 3.5) per X ~ U(1, 5).

Soluzione: F(3.5) = (3.5 – 1)/(5 – 1) = 2.5/4 = 0.625

2.3 Distribuzione Esponenziale

Per X ~ Exp(λ), la CDF è:

F(x) = {
1 – e-λx, se x ≥ 0
0, se x < 0

2.4 Distribuzione Binomiale

Per X ~ Bin(n, p), la CDF è la somma delle probabilità da 0 a k:

F(k) = P(X ≤ k) = Σi=0k C(n, i) pi(1-p)n-i

2.5 Distribuzione di Poisson

Per X ~ Poisson(λ), la CDF è:

F(k) = P(X ≤ k) = Σi=0k (e-λ λi)/i!

3. Confronto tra Funzione di Ripartizione e Funzione di Densità

Caratteristica Funzione di Ripartizione (CDF) Funzione di Densità (PDF/PMF)
Definizione P(X ≤ x) Derivata della CDF (continuo) o P(X = x) (discreto)
Valori Sempre tra 0 e 1 Non necessariamente limitata (PDF può superare 1)
Uso principale Calcolo di probabilità cumulative Descrizione della forma della distribuzione
Relazione F(x) = ∫-∞x f(t) dt f(x) = dF(x)/dx (continuo)
Esempio (Normale Standard) Φ(1.96) ≈ 0.975 φ(0) ≈ 0.3989

4. Applicazioni Pratiche della Funzione di Ripartizione

La CDF trova applicazione in numerosi campi:

  • Statistica inferenziale: Calcolo di p-value nei test di ipotesi
  • Finanza: Valutazione del rischio (Value at Risk – VaR)
  • Ingegneria: Analisi di affidabilità dei sistemi
  • Medicina: Curve di sopravvivenza (funzione di sopravvivenza = 1 – CDF)
  • Machine Learning: Funzioni di attivazione (es. sigmoide come CDF della logistica)

Caso pratico: In finanza, il VaR al 95% di un portafoglio con rendimenti normalmente distribuiti (μ = 5%, σ = 10%) si calcola come:

  1. Trovare z tale che P(Z ≤ z) = 0.95 → z ≈ 1.645
  2. VaR = μ – zσ = 5% – 1.645×10% = -11.45%

5. Errori Comuni nel Calcolo della Funzione di Ripartizione

  1. Confondere CDF e PDF: La CDF dà probabilità cumulative, la PDF dà densità di probabilità in un punto.
  2. Dimenticare la standardizzazione: Per distribuzioni non standard (es. normale con μ ≠ 0, σ ≠ 1), è necessario standardizzare prima di usare le tavole.
  3. Trattare variabili discrete come continue: Per distribuzioni discrete, la CDF è una somma, non un integrale.
  4. Ignorare i limiti di definizione: Ad esempio, la CDF della distribuzione esponenziale è 0 per x < 0.
  5. Approssimazioni grossolane: Per distribuzioni binomiali con n grande, è meglio usare l’approssimazione normale con correzione di continuità.

6. Esercizi Avanzati con Soluzioni

Esercizio 1: Sia X una variabile casuale con funzione di ripartizione:

F(x) = {
0, se x < 0
x/4, se 0 ≤ x ≤ 2
1/2 + (x-2)/4, se 2 < x ≤ 4
1, se x > 4

Calcolare:

  1. P(X ≤ 1.5)
  2. P(1 ≤ X ≤ 3)
  3. La funzione di densità f(x)

Soluzione:

  1. P(X ≤ 1.5) = F(1.5) = 1.5/4 = 0.375
  2. P(1 ≤ X ≤ 3) = F(3) – F(1) = (1/2 + (3-2)/4) – (1/4) = 0.75 – 0.25 = 0.5
  3. La PDF si ottiene derivando la CDF:

    f(x) = {
    1/4, se 0 ≤ x ≤ 2
    1/4, se 2 < x ≤ 4
    0, altrimenti

Esercizio 2: Il tempo di vita di un componente elettronico segue una distribuzione esponenziale con media 500 ore. Calcolare la probabilità che il componente duri:

  1. Meno di 300 ore
  2. Più di 700 ore

Soluzione:

  1. λ = 1/500 = 0.002 → P(X < 300) = 1 - e-0.002×300 ≈ 0.4866
  2. P(400 < X < 600) = e-0.002×400 – e-0.002×600 ≈ 0.1353
  3. P(X > 700) = e-0.002×700 ≈ 0.2466

7. Risorse Esterne e Approfondimenti

Per approfondire lo studio delle funzioni di ripartizione, consultare le seguenti risorse autorevoli:

8. Strumenti Software per il Calcolo della CDF

Strumento Funzione per CDF Esempio (Normale Standard)
Excel =NORM.DIST(x, μ, σ, TRUE) =NORM.DIST(1.96, 0, 1, TRUE) → 0.975
R pnorm(x, mean=μ, sd=σ) pnorm(1.96) → 0.975
Python (SciPy) stats.norm.cdf(x, loc=μ, scale=σ) stats.norm.cdf(1.96) → 0.975
MATLAB normcdf(x, μ, σ) normcdf(1.96, 0, 1) → 0.975
Calcolatrici scientifiche Funzione “CDF” o “Distr” Varia a seconda del modello

9. Conclusione e Best Practices

Il corretto utilizzo della funzione di ripartizione è essenziale per:

  • Effettuare inferenze statistiche accurate
  • Prendere decisioni basate sui dati
  • Comprendere il comportamento delle variabili casuali

Consigli finali:

  1. Sempre verificare le proprietà della CDF (monotonia, limiti)
  2. Utilizzare strumenti software per distribuzioni complesse
  3. Praticare con esercizi su distribuzioni diverse
  4. Attenzione alle approssimazioni (es. normale per binomiale)
  5. Visualizzare la CDF con grafici per meglio comprenderne il comportamento

La padronanza della funzione di ripartizione apre le porte a una comprensione più profonda della teoria della probabilità e delle sue applicazioni in campi come la statistica bayesiana, l’econometria e il machine learning.