Complemento: momenti di una distribuzione Momenti di una distribuzione Sia x una variabile aleatoria continua definita su un insieme E=(a,b) e f(x) una densità di probabilità. Si definisce momento r-esimo, rispetto al punto x0∈R, non necessariamente appartenente ad E, la quantità: b ( r, x 0 ) x = ∫ (x − x0 )r f (x)dx a Tale definizione può essere facilmente adattata al caso di una variabile aleatoria discreta , rispetto ad un punto v 0∈R, caratterizzata da una distribuzione di probabilità p : +∞ ( r, 0) = ∑( − =0 0 ) r pv La definizione di momento di una distribuzione è assai generale e include come casi notevoli alcuni stimatori statistici già noti. r=0 b (0, x0 ) x b = ∫ (x − x 0 ) f(x)dx = ∫ f (x)dx = 1 0 a ∀x0∈R, a che esprime la condizione di normalizzazione per la distribuzione f(x). r=1 b (1,x 0 ) x = ∫ (x − x 0) f (x)dx . a Tale momento assume particolare interesse nel caso in cui x0=0, detto primo momento canonico, (1,0) , più semplicemente denotato con x(1) , il quale coincide con la definizione di valore medio x della variabile x: b (1) x = ∫ xf (x)dx = x . a r=2 b (2, x0 ) x = ∫ (x − x 0 )2 f(x)dx . a Nel caso in cui sia x0= x , si ha il secondo momento canonico, della variabile x: VINCENZO GUIDI http://www.fe.infn.it/didattica/ing/ (2) x , che coincide con la varianza METODI DI OSSERVAZIONE E MISURA I NGEGNERIA CIVILE Complemento: momenti di una distribuzione b (2) x = ∫ (x − x 0 ) 2 f (x)dx = 2 x . a r>2 Per i momenti superiori al secondo la definizione di momento canonico è sempre riferita rispetto al punto x0= x . n Esempio 1 Calcolare i primi quattro momenti canonici della distribuzione esponenziale, f (x) = e− x/ L , con L L≥0, definita per x≥0. n [Risposta: (0) x =1 , (1) x = L, (2) x = L2 , (3) x = 2L3 ] Nel caso di momenti di secondo ordine, si può esprimere un momento rispetto ad un punto qualsiasi rispetto a quello canonico. Proposizione (2, x0 ) x = (2) x + (x0 − x )2 . Infatti, aggiungendo e sottraendo x nel quadrato, si ha: b (2, x0 ) x b = ∫ (x − x 0 )2 f(x)dx = ∫ [(x − x ) −(x 0 − x )] f (x)dx ; 2 a a decomponendo il quadrato, si ottiene: b (2, x0 ) x = (2) x + (x0 − x )2 − 2(x0 − x )∫ (x − x ) f(x)dx , a che dimostra l’asserto, in quanto l’integrale nell’ultimo termine è nullo, essendo la “somma” degli scarti. n Applicazione alla meccanica Un insieme di punti materiali su una retta è composto da N elementi di massa m1,…, mN, posti rispettivamente alle ascisse x1,…, xN. Se si definiscono le probabilità pj = mj/m (in questo modo la N distribuzione {pj} risulta normalizzata), dove m = ∑ m j è la massa totale del sistema, il primo j =1 VINCENZO GUIDI http://www.fe.infn.it/didattica/ing/ METODI DI OSSERVAZIONE E MISURA I NGEGNERIA CIVILE Complemento: momenti di una distribuzione momento canonico della distribuzione rappresenta il centro di massa, xG, del sistema di punti materiali: N ∑x m j (1) x = j=1 m j = xG Nel caso di un corpo materiale di massa m, caratterizzato da una densità lineare di massa (x) = dm/dx su di un intervallo E=(a,b), si definisce la distribuzione f(x) = (x)/m come densità di probabilità (che risulta essere ovviamente normalizzata). Il primo momento di tale distribuzione è il centro di massa del corpo: b (1) x b 1 1 = ∫ x (x)dx = ∫ xdm(x) =x G ma ma Il secondo momento della distribuzione f(x) = (x)/m, rispetto ad un punto x0, non è altro che il momento d’inerzia del corpo materiale rispetto al punto x0 stesso diviso per la massa del corpo: (2, x0 ) x b b Ix 1 1 2 = ∫ (x − x 0 ) (x)dx = ∫ (x − x0 )2 dm(x) = 0 . ma ma m Ovviamente il secondo momento canonico è il momento d’inerzia baricentrico diviso per la massa: b (2) x 1 I = ∫ (x − x G )2 (x)dx = G ma m L’analogia fra la definizione statistica di momento e la meccanica di sistemi “unidimensionali” non si limita a livello definitorio, bensì permette di trasferire concetti e risultati fra un ambito e l’altro. Ad esempio, la proposizione dimostrata al punto precedente, che lega i secondi momenti a quello canonico, può essere riformulata nel seguente ben noto teorema di meccanica elementare: Teorema di Huygens-Steiner Ix 0 = IG + m(x − xG )2 , che risulta essere facilmente dimostrato, applicando il risultato della proposizione al punto precedente nel caso di f(x) = (x)/m. n VINCENZO GUIDI http://www.fe.infn.it/didattica/ing/ METODI DI OSSERVAZIONE E MISURA I NGEGNERIA CIVILE Complemento: momenti di una distribuzione Altri stimatori statistici basati sui momenti Coefficiente di variazione Si definisce coefficiente di variazione il rapporto fra lo scarto quadratico medio e il primo momento canonico (la media): Qx = x . x Il coefficiente di variazione è uno stimatore del grado di dispersione della distribuzione della variabile aleatoria considerata; la sua natura adimensionale è particolarmente utile ad istituire confronti fra variabili casuali diverse. Coefficiente di asimmetria Tale stimatore quantifica il grado di asimmetria (in inglese skewness) della funzione densità di probabilità; analogamente il coefficiente di variazione è adimensionale ed è definito dal seguente rapporto: x = (3) x 3 x Se una distribuzione è simmetrica rispetto al valore medio (per esempio la distribuzione normale), il coefficiente di asimmetria è nullo. Qualitativamente parlando, le distribuzioni limitate inferiormente ed aventi una lunga coda per valori elevati della variabile aleatoria presentano valori positivi di x . Esempio 2 Calcolare il coefficiente di asimmetria della distribuzione esponenziale, f (x) = e− x/ L , con L≥0, L definita per x≥0. n [Risposta: dall’esempio 1 si ha x = (3) x 3 x = 2L3 = 2 > 0 , in accordo con le considerazioni L3 precedenti sulla natura della funzione] VINCENZO GUIDI http://www.fe.infn.it/didattica/ing/ METODI DI OSSERVAZIONE E MISURA I NGEGNERIA CIVILE