Distribuzioni troncate: esempio

Presentazione sul tema: "Distribuzioni troncate: esempio"— Transcript della presentazione:

1 Distribuzioni troncate: esempio
Un vecchio amico: il dado P(x)=1/6 Se supponiamo che 3 facce (1,2,3) siano “ cancellate” P(x/x>3)= p(x)/p(x>3)= (1/6)/(3/6)= 1/3 E(X) = ( )*1/6 = 21/6 = 3.5 E(x/x>3)= (4+5+6)*1/3= 15/3 = 5 V(x) = 2.92 V(x/x>3)= 0.67 Sono stai “eliminati” i valori più “piccoli” TRONCAMENTO A SINISTRA

2 Se invece immaginiamo che siano cancellate le facce 4,5,6:
P(x/x<4)= p(x)/p(x<4)= (1/6)/(3/6)= 1/3 E(X) = ( )*1/6 = 21/6 = 3.5 E(x/x<4)= (1+2+3)*1/3= 6/3 = 2 V(x) = 2.92 V(x/x>3)= 0.67 Sono stai “eliminati” i valori più “grandi” TRONCAMENTO A DESTRA

3 Effetti del Troncamento:
Rispetto alla distribuzione “non troncata” La funzione di densità si modifica (“aumenta”) La media si modifica (aumenta se tronc.sx, diminuisce se tronc. A dx) 3. La varianza diminuisce in ogni caso Ovviamente “ignorare” il troncamento porta a stime distorte

4 Funzione di densità di probabilità: quale relazione con la densità “non troncata”?
In generale avremo (dalla definizione di probabilità condizionata)

5 F(a) F(b)

6

7 Per un troncamento a sinistra:
Per un troncamento a destra: Questo rapporto è noto come “Inverse Mill’s Ratio” o anche “Hazard function” Equivale a “scalare” la troncata in modo che l’integrale assommi a 1

8 Esempio: Distribuzione normale Troncamento a sx
Dove densità della N(0,1) NON troncata (è una funzione) ripartizione della N(0,1) nel punto di troncamento (è un numero)

9 Esempio: Distribuzione normale Troncamento a dx
Cambia solo il denominatore

10

11 Esempio: Tronchiamo a sx nel punto 10 cioè circa euro

12 Dati sulle distribuzioni (troncata nel punto ln(reddito)=10)
NON troncata Troncata Numerosità 4609 1592 % 100% 35% media LN 9,767 10,364 Varianza LN 0,373 0,109 Sdev LN 0,611 0,330 cv 6% 3% DATI ORIGINALI Media 20800 33915 Varianza Sdev 14185 16577 68% 49% En passant notiamo che exp(medie dei logaritmi) ammontano rispettivamente a e

13 Calcoliamo la funzione di densità per x=40.000 ln(x)=10,6
Nella distribuzione originale il valore standardizzato (10,6-9,77)/0.61= 1,36 e p(1,36)= 0,1578 Nella troncata:

14 (a)=p(x)/p(x>a)=(x)/(1-()) (Inverse Mill’s ratio)
Vista la relazione sulla densità è agevole ricavare quella sui parametri: Basta calcolare l’integrale che definisce media e varianza per la troncata Definiamo: = E(x) ²=V(x) (a)=p(x)/p(x>a)=(x)/(1-()) (Inverse Mill’s ratio) (a)= (a)*((a)-a) Allora: E(x/x>a) =  +  (a) V(x) = ²[1- (a)]

15 Valori di  e  al variare del punto di troncamento
Lambda 1-F(x) delta f(x)

16

17

18 Un esempio (artificiale):
Il 2% più ricco (coloro che hanno un reddito superiore a €) della popolazione italiana ha un reddito medio di €. Supponendo che la distribuzione dei redditi sia log-normale, qual è una stima del reddito medio dell’intera popolazione? Si ha: ln(100)=4, ln(142)=4,956

19 I dati indicano che: E( y/y > 4,605) = 4,956 Prob(y > 4,605) = 0,02 Ricordando che:

20 Quindi le equazioni diventano: