Distribuzione Binomiale

Transcript

1 Statistica e analisi dei dati Data: 2 Maggio 2016 Distribuzione Binomiale Docente: Prof. Giuseppe Boccignone Scriba: Nicoló Pisaroni 1 Conteggi e tempi di attesa Consideriamo il seguente schema, facendo riferimento ad un generico tempo t che puó essere misurato nel continuo o nel discreto. Nel caso discreto i valori t = 1, 2, 3, possono essere considerati una successione di prove (e.g., lancio ripetuto di una moneta) 1. Esperimento di conteggio: fissiamo l intervallo di tempo T e contiamo il numero X di eventi di interesse: (a) nel caso di tempo discreto (numero di prove) la V.A X segue una distribuzione binomiale; (b) nel caso continuo la V.A X segue una distribuzione di Poisson; 2. Esperimento sui tempi di attesa: non fissiamo T, ma determiniamo quanto tempo X = toccorre aspettare per l occorrenza del primo evento di interesse. (a) nel caso di tempo discreto (numero di prove) la V.A X segue una distribuzione geometrica; (b) nel caso continuo la V.A X segue una distribuzione esponenziale negativa; Fatta eccezione per la distribuzione esponenziale, tutto le altre sono distribuzioni discrete. 2 Distribuzione Binomiale Fissiamo un numero di prove, ad esempio T = n = 3, e vogliamo contare quanti successi X = si verificano su n prove. Consideriamo come esempio il lancio ripetuto di una moneta dove ciascun lancio é Bernoulliano ovvero é campionato dalla distribuzione Bern(p) Schematizziamo l albero di probabilitá dell esperimento come in Figura??. Ne risulta le seguente distribuzione di massa (PMF) per = 0, 1,, n P ( = 0) = 1p 0 q 3 (1) P ( = 1) = 3p 1 q 2 (2) P ( = 2) = 3p 2 q 1 (3) P ( = 3) = 1p 3 q 0 (4) Notiamo che la PMF é sintetizzabile in due componenti 1. Componente di conteggio ( ): cioè quante sequenze per hanno contribuito a determinare la probabilitá di ciascun risultato = 0, 1,, n (cfr, Figura??); 1

2 2 Distribuzione Binomiale Figura 1: Chance tree per il lancio di tre monete con X Bern(p) con q = 1 p 2. Componente probabilistica(p q n ): cioè la probabilit della sequenza con successi su n. Supponiamo ora che il risultato di un esperimento di n = 3 abbia dato = 2 teste e n = 1 croci. Risultati distinguibili: se i risultati sono distinguibili, non ho solo sequenze del tipo T T e CC ma posso distinguere ad esempio un risultato T 1 da una seconda testa T 2. La situazione é riassunta in tabella??. T 1 T 2 C 1 T 1 C 1 T 2 C 1 T 1 T 2 T 2 T 1 C 1 T 2 C 1 T 1 C 1 T 2 T 1 Tabella 1: Schema con risultati distinguibili Nel nostro caso si potrebbero avere 6 possibili risultati, ovvero le permutazioni. = 3! = = 6 (5) Teste non distinguibili: Nel caso in cui T 1 = T 2 = T. La tabella precedente collassa come nella tabella seguente Nell ultima riga abbiamo solo 3 possibili casi, ovvero: T 1 T 2 C 1 T 1 C 1 T 2 C 1 T 1 T 2 T 2 T 1 C 1 T 2 C 1 T 1 C 1 T 2 T 1 TTC 1 TC 1 T C 1 T T Tabella 2: Schema con teste indistinguibili dove! conteggia le possibili permutazioni sulle teste T 1 T 2 e T 2 T 1.! = 6 = 3, (6) 2 Nell esempio avevamo un unico risultato C 1 (n = 1), ma nel caso n = 3, = 1, n = 2 potremmo ripetere lo stesso ragionamento per il risulati croce dividendo per (n )!. Dunque nel caso pi generale di risultati indistinguibili per tempo di accadimento si dividerebbe per!(n )! ottenendo così C(n, ) = (7) (n )!

3 Distribuzione Binomiale 3 ovvero il coefficiente binomiale C(n, ) che conteggia le combinazioni di n elementi di classe, senza ripetizione. Ricomponendo parte combinatoria e parte probabilistica otteniamo la distribuzione di probabilit di successi su n prove ovvero la distribuzione binomiale Bin( n, p) =!(n )! p q n = p q n (8) Il termine binomiale deriva dal teorema binomiale (o anche formula di Newton, binomio di Newton, sviluppo binomiale) che esprime lo sviluppo della potenza n-esima di un binomio qualsiasi con la formula seguente: (a + b) n = a b n (9) Usando la formula di Newton, é immediata la dimostrazione che Bin( n, p) é normalizzata. Infatti, per a = p, b = q e ricordando che q + p = 1 Bin( n, p) = p q n = (p + q) n = 1 n = 1 (10) 2.1 Forma della binomiale Bin(n, p) al variare di p e n Al variare dei parametri p e n varia la forma della distribuzione, come mostrato in Figura??. Se p è piccolo (0.1) la probabilitá di successo é bassa (eventi rari) e nel limite n viene approssimata da una Poissoniana. Se p = 0.5, nel limite n tende alla distribuzione continua Gaussiana (Teorema di De Moivre-Laplace, dimostrato pi avanti nel corso) 3 Calcolo del valore atteso e della varianza Valore medio Per definizione E[] = n Bin( n, p). Pertanto: E[] = p q n = Porto fuori dallla sommatoria, n e p!(n )! p q n = =1 ( 1)!(n!) p q n = (11) =1 Ponendo n = (n 1) ( 1): ( 1)!(n )! p q n = np = np =1 =1 (n 1)! ( 1!)(n )! p 1 q n (12) (n 1)! ( 1)!((n 1) ( 1))! p 1 q ((n 1) ( 1)) (13)

4 4 Distribuzione Binomiale Figura 2: Forma della binomiale Bin(n, p) al variare di p e n ottenuta con l istogramma normalizzato di punti campionati dalla distribuzione. In alto a sinistra: n = 15, p = 0.1. In altro, centrale: n = 15, p = 0.5. In alto a destra: n = 15, p = 0.9. I due grafici in basso mostrano il tendere della Binomiale alla distribuzione di Poisson (sinistra, n = 100, p = 0.04 ) e Normale (destra, n = 100, p = 0.5). In quest ultimo caso si traccia anche l approssimazione Gaussiana (curva continua) nel limite stabilito dal Teorema di De-Moivre Laplace, µ = np, σ = npq. Per la simulazione si veda il codice Matlab demobin.m

5 Distribuzione Binomiale 5 Con le sostituzioni: n 1 = m 1 = j si ha che n = m + 1, e che per = 1 vale j = 0. Quindi, E[] = np m+1 ( ) m pq m j (14) j Ma ( ) m j = 0 se j = m + 1, pertanto usando il teorema binomiale m ( ) m E[] = np pq m j = np(p + q) m = np (15) j Varianza. Applicando la definizione di varianza e il valore atteso E[] = np appena calcolato: σ 2 = var() = E[ 2 ] E[] 2 = E[ 2 ] n 2 p 2 (16) Calcolo il momento secondo ponendo 2 = 2 + = ( 1) + : E[ 2 ] = = n ( 1)!(n )! p q n + n!(n )! p q n = = n ( 1)!(n )! p q n + E[](17) =2 2!(n )! = Sostituisco E[] = np: E[ 2 ] = ( 2)!(n )! p 2 q n + np = n(n 1)p 2 ( 2)!(n )! p 2 q n + np (18) Pongo: e usando il binomio di Newton: =2 2 = j = j + 2 = 2 j = 0 n 2 E[ 2 ] = n(n 1)p 2 (n 2)! j!(n j 2)! pj q n j 2 + np = n(n 1)p 2 = n 2 p 2 np 2 + np (19) dove si é utilizzata la sostituzione m = n 2 e il binomio di Newton con (p + q) m = (1) m Infine: σ 2 = E[ 2 ] E[] 2 = n 2 p 2 np 2 + np n 2 p 2 = np(1 p) = npq (20) da cui la deviazione standard: σ = npq (21)