Calcolo delle P robabilitá. Esercizi svolti e quesiti per il CdS in Economia e Finanza

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Calcolo delle P robabilitá. Esercizi svolti e quesiti per il CdS in Economia e Finanza"

Transcript

1 Calcolo delle P robabilitá Esercizi svolti e quesiti per il CdS in Economia e Finanza Giuseppe Sanfilippo Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Università degli Studi di Palermo 5 settembre 2008 Versione 1.1 Per comunicare eventuali errori scrivere a giuseppesanfilippochioccioladssm.unipa.it indicando numero della sezione e dell esercizio. 1

2 INDICE p. 2 Indice 1 Costituenti, Coerenza, Numeri aleatori semplici. 3 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete Esercizi Svolti Quesiti Riepilogo esercizi sui numeri aleatori discreti e sulle Probabilità condizionate Esercizi Svolti Quesiti Numeri aleatori Continui Esercizi Svolti Quesiti Distribuzione normale Esercizi Svolti Quesiti Vettori aleatori Esercizi Svolti Quesiti

3 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 3 1 Costituenti, Coerenza, Numeri aleatori semplici. Esercizio 1.1 (Costituenti). Dati 2 eventi A, B con A B si hanno i seguenti costituenti (vedi Figura 1) C 1 = AB C 2 = A c B C 3 = A c B c. Infatti l intersezione AB c =, A B Ω Figura 1: A B Esercizio 1.2. Dati tre eventi A, B, C, con A C =, verificare se la valutazione P (A) = P (B) = P (C) = 0.4, P (A B) = P (B C) = 0.2 è coerente. Inoltre, considerato il numero aleatorio X = A A B B + B C, calcolare la previsione di X. I costituenti sono C 1 = AB c C c C 2 = ABC c C 3 = A c BC c C 4 = A c BC C 5 = A c B c C C 6 = A c B c C c. Il seguente sistema P (A) = 0.4 = x 1 + x 2 P (B) = 0.4 = x 2 + x 3 + x 4 P (C) = 0.4 = x 4 + x 5 P (AB) = 0.2 = x 2, P (BC) = 0.2 = x 4 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 1, x i 0, i = ammette la soluzione (0.2, 0.2, 0, 0.2, 0.2, 0.2) pertanto la valutazione è coerente. Infine P(X) = P( A ) P( A B )+P( B ) P( B C ) = P (A) P (A B) P (B)+P (B C) = 0.

4 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 4 Quesito 1.1. Provare che il sistema relativo alla valutazione di probabilità P = (0.4, 0.3, 0.2) su F = {A, B, A c B c } non ammette soluzioni. Esercizio 1.3. Siano A, B, C tre eventi tali che A e B siano incompatibili, inoltre (A B) C =. Determinare se la valutazione di probabilità P (A) = 2, P (B) = 1, P (C) = 1 è coerente, e in caso affermativo calcolare i valori di probabilità coerenti p per l evento A c B c C c. Si ha A B = A C = B C = e quindi i costituenti sono C 1 = A B c C c = A, C 2 = A c B C c = B, C 3 = A c B c C = C, C 4 = A c B c C c. Allora, per la coerenza, dev essere: P (A)+P (B)+P (C) 1, ed essendo P (A)+P (B)+P (C) = 1 l assegnazione è coerente. Inoltre, dalla relazione segue: p = P (A c B c C c ) = 0. P (A) + P (B) + P (C) + P (A c B c C c ) = 1, Quesito 1.2. Dati tre eventi A, B, C, con A BC, P (B) = P (C) = 0.6, P (BC) = x, P (A) = 0.1, determinare l insieme I dei valori x coerenti. Esercizio 1.4. Dati 3 eventi A, B, C, con A c B c C c =, verificare se le valutazioni di probabilità P (A) = 1, P (B) = 3, P (C) = 5 sono coerenti Risp.: Coerenti? Essendo A c B c C c =, dalle formule di De Morgan segue A B C = Ω e quindi P (A B C) = 1. D altra parte, dev essere: P (A B C) P (A) + P (B) + P (C) = 9 10 < 1, il che è assurdo. Pertanto le valutazioni non sono coerenti. Esercizio 1.5. L architettura di un software è costituita da 3 moduli M 1, M 2, M 3. Sia A i l evento il modulo M i funziona. E noto che se M 1 funziona allora M 2 funziona, se M 2 funziona allora M 3 funziona. Determinare l insieme C dei costituenti generati dagli eventi A i con i = 1, 2, 3 (tenendo conto dei vincoli logici dati). Supposto che P (A 1 ) = 1, P (A 4 3) = 6, determinare i 10 valori di probabilità coerenti p per A 2. Stabilire inoltre se A 1 e A 3 possono essere stocasticamente indipendenti. Siccome A 1 A 2 A 3, i costituenti sono C 1 = A 1 A 2 A 3 ; C 2 = A c 1 A 2 A 3 ; C 3 = A c 1 A c 2 A 3 ; C 4 = A c 1 A c 2 A c 3.

5 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 5 Dalla monotonia della probabilità segue che necessariamente 1 4 P (A 2) Essendo A 1 A 3, si ha che A 1 e A 3 non possono essere stocasticamente indipendenti. Infatti P (A 1 A 3 ) = P (A 1 ) P (A 1 )P (A 3 ). Esercizio 1.6. In base a un indagine sanitaria condotta su una fabbrica di carta viene valutata pari a 0.1 la probabilità dell evento E, che una persona che vi lavora da almeno 5 anni soffra di disturbi polmonari, 0.15 la probabilità dell evento H che soffra di cefalea, e 0.8 la probabilità dell evento S che sia sana. E coerente tale assegnazione? si no Gli eventi E ed H sono stocasticamente indipendenti? si no A). Gli eventi E ed H sono incompatibili con l evento S, cioè si ha E S =, H S =. I costituenti possibili sono dati da C 1 = E H S c = E H C 2 = E c H S c C 3 = E H c S c C 4 = E c H c S C 5 = E c H c S c. Il sistema per la verifica della coerenza è dato da x 1 + x 3 = P (E) x 1 + x 3 = 0.1 x 1 + x 2 = P (H) x 1 + x 2 = 0.15 x 4 = P (S) x 4 = 0.8 x 1 + x 2 + x 3 + x 4 + x 5 = 1 x 1 + x 2 + x 3 + x 4 + x 5 = 1 x i 0, i = 1, 2, 3, 4, 5 x i 0, i = 1, 2, 3, 4, 5 x 3 = 0.1 x 1 x 2 = 0.15 x 1 x 4 = 0.8 x 5 = x x i 0, i = 1, 2, 3, 4, 5 esso ammette soluzioni per ogni valore di x 1 [0.05, 0.1]. Quindi l assegnazione è coerente. Inoltre osserviamo che x 1 rappresenta P (E H), pertanto non potendo essere x 1 = = gli eventi E ed H non sono stocasticamente indipendenti. B) Osservato che E S = e H S =, si ha inoltre si ha P (E H) + P (S) 1 P (E) + P (H) P (E H) +P (S) 1 P (E H) P (E) + P (S) + P (H) 1 P (E H) 0.05 P (E H) min{p (E), P (H)} P (E H) 0.1 allora per P (E H) [0.05, 0.1] l assegnazione di probabilità data è coerente. Invece per P (E H) = = l assegnazione data non è coerente quindi E ed H non sono stocasticamente indipendenti.

6 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 6 Esercizio 1.7. La probabilità che uno studente scelto a caso tra gli iscritti al I anno di Ingegneria dopo la prima sessione non abbia ancora superato l esame di Analisi é 0.7, la probabilità che abbia fatto il liceo scientifico ed abbia superato l esame di Analisi é 0.2. Quali valori coerenti può assumere la probabilità p che abbia fatto il liceo classico ed abbia superato Analisi? p Consideriamo i seguenti eventi: A = Lo studente supera l esame di Analisi alla prima sessione ; S = Lo studente ha fatto il liceo scientifico ; C = Lo studente ha fatto il liceo classico. Essendo gli eventi S e C incompatibili si ha P ((A S) (A C)) = P (A S) + P (A C) P (A) p 0.3 p 0.1 Inoltre dovendo essere anche p 0 si ha p [0, 0.1] Esercizio 1.8. Siano dati 4 eventi A, B, C, D, con A B, C D, B D =, P (A) = P (C) = 1, P (B) = P (D) = p. 5 Determinare l insieme I dei valori p coerenti. Da P (B) P (A) segue p 1. 5 Da P (B D) = P (B) + P (D) = 2p 1, segue p 1 2. Pertanto I = [ 1 5, 1 2 ]. Esercizio 1.9. Dati gli eventi E 1, E 2, E 3, E 4, con E 1 E 2 =, E 1 E 3, E 2 E 3, E 4 E c 3 determinare l insieme C dei costituenti e stabilire per quali valori di p 2 = P (E 2 ) e di p 4 = P (E 4 ) l assegnazione P (E 1 ) = 2P (E 2 ), P (E 3 ) = 1 2, P (Ec 1E 3 ) = 1 4 è coerente. I costituenti possibili sono C = {E 1, E 2, E c 1E c 2E 3, E 4, E c 3E c 4}.

7 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 7 Osservando che si ha E 3 = E 1 E 3 E c 1E 3 = E 1 E c 1E 3 P (E 1 ) = P (E 3 ) P (E c 1E 3 ) = = 1 4 e quindi p 2 = 1 2 P (E 1) = 1 8. Per quanto riguarda p 4 osservando che E 4 E c 3 si ha 0 P (E 4 ) e quindi p 4 [0, 1 2 ]. Esercizio 1.10 (Es.1:EF06lug05). Dati 3 eventi A, B, C con A e C incompatibili e B C. Verificare che l assegnazione P (A) = 2 5, P (B) = 3 10, P (C) = 1 2 è coerente. Inoltre calcolare la previsione e la varianza di X = A 2 B + 3 C. Coerenza? SI NO P(X) = σ 2 (X) = La valutazione assegnata è coerente, infatti si ha P (A) + P (C) 1 e P (B) < P (C). La previsione è data da P(X) = P (A) 2P (B) + 3P (C) = = = Inoltre, osservando che X {0, 1, 3} e che P (X = 0) = 1 P (A) P (C) = 1 10, P (X = 1) = P (A) + P (B) = 7 10, P (X = 3) = P (C) P (B) = 2 10, si ha Pertanto, P(X 2 ) = = σ 2 (X) = P(X 2 ) [P(X)] 2 = = Esercizio 1.11 (Es.1:EF12gen05). Dati tre eventi E 1, E 2, E 3, con E 1 E 3 =, verificare se la valutazione P (E 1 ) = P (E 3 ) = 0.4, P (E 2 ) = 0.5, P (E 1 E 2 ) = P (E 2 E 3 ) = 0.2 è coerente. Inoltre, considerato il numero aleatorio X = 1 E E E 3, calcolare il codominio C X dei possibili valori di X e la previsione di X. coerente? SI, NO C X = { }, P(X) =

8 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 8 I costituenti sono C 1 = E 1 E c 2E c 3 C 2 = E 1 E 2 E c 3 C 3 = E c 1E 2 E c 3 C 4 = E c 1E 2 E 3 C 5 = E c 1E c 2E 3 C 6 = E c 1E c 2E c 3. Il seguente sistema P (E 1 ) = 0.4 = x 1 + x 2 P (E 2 ) = 0.5 = x 2 + x 3 + x 4 P (E 3 ) = 0.4 = x 4 + x 5 P (E 1 E 2 ) = 0.2 = x 2, P (E 2 E 3 ) = 0.2 = x 4 x 1 + x 2 + x 3 + x 4 + x 5 + x 6 = 1, x i 0, i = ammette la soluzione (x 1 = 0.2, x 2 = 0.2, x 3 = 0.1, x 4 = 0.2, x 5 = 0.2, x 6 = 0.1), quindi, la valutazione è coerente. Per il calcolo del codominio di X consideriamo i costituenti C 1 = E 1 E2E c 3 c X = 1 C 2 = E 1 E 2 E3 c X = = 3 C 3 = E1E c 2 E3 c X = 2 C 4 = E1E c 2 E 3 X = = 5 C 5 = E1E c 2E c 3 X = 3 C 6 = E1E c 2E c 3 c X = 0, pertanto C X = {0, 1, 2, 3, 5}. Infine P(X) = P( E 1 )+P(2 E 2 )+P(3 E 3 ) = P (E 1 )+2P (E 2 )+3P (E 3 ) = = 2.6. Esercizio 1.12 (Es1:EF16set05). Dati tre eventi A, B, C, con BC A B, P (A) = 0.4, P (B) = P (C) = 0.6, determinare l insieme I dei valori di probabilità coerenti per ABC e determinare se esiste un valore p I che renda A, B e C stocasticamente indipendenti. I = [0.2, 0.4], p? NO Quesito 1.3. Dati tre eventi E 1, E 2, E 3, con E 3 E 1 E 2, determinare l insieme C dei costituenti e stabilire in ciascuno dei seguenti due casi se l assegnazione di probabilità è coerente: (i) P (E 1 ) = 0.8, P (E 1 E 2 ) = 0.5, P (E 3 ) = 0.2; (ii) P (E 1 ) = 0.4, P (E 1 E 2 ) = 0.6, P (E 3 ) = 0.2. C = (0.8, 0.5, 0.2) coerente? (0.4, 0.6, 0.2) coerente? Quesito 1.4. Dati tre eventi E 1, E 2, E 3, con E 3 E 1 E 2, determinare l insieme C dei costituenti e stabilire in ciascuno dei seguenti due casi se l assegnazione di probabilità è coerente: (i) P (E 1 ) = 0.7, P (E 1 E 2 ) = 0.4, P (E 3 ) = 0.1; (ii) P (E 1 ) = 0.3, P (E 1 E 2 ) = 0.4, P (E 3 ) = 0.1. C = (0.7, 0.4, 0.1) coerente? (0.3, 0.4, 0.1) coerente? Quesito 1.5. Dati tre eventi A, B, C, con A B, BC =, sia X = A + 2 B C. Supposto P (A) = x, P (B) = 0.4, P (C) = y, calcolare l insieme I delle coppie (x, y) coerenti e il minimo m della previsione di X.

9 1 Costituenti, Coerenza, Numeri aleatori semplici. p. 9 Quesito 1.6. Dati tre eventi A, B, C, con AB =, C B, P (A) = x, P (B) = 1 2, P (C) = y, calcolare l insieme I delle coppie (x, y) coerenti. Posto, inoltre, X = A + B C e indicato con m la previsione di X, stabilire se risulta m = 1 per qualche (x, y) I. I = {(x, y) } ; (x, y) I m = 1? Quesito 1.7 (Es.1:EF13dic05). Dati tre eventi A, B, C con A e C incompatibili. Determinare i costituenti e verificare se l assegnazione P (A) = 0.5, P (B) = 0.2, P (C) = 0.4, P (AB) = 0.1 P (BC) = 0.1 è coerente. Inoltre, calcolare la probabilità dell evento (A B C). 1 a valutazione coerente SI No, Cost. P (A B C) =

10 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete 2.1 Esercizi Svolti Esercizio 2.1. Estrazioni del lotto. Sia X = 1 0 numero estratto, E = (X 45) e H = (X > 30). Si ha P (E) = 1 ep (H) = 2. Calcolare P (E H). 2 3 Esercizio 2.2. (Gioco della roulette russa) In una pistola a 6 colpi viene inserito un solo proiettile e il tamburo viene fatto girare vorticosamente. Quindi 6 prigionieri sono costretti a sottomettersi alla prova della roulette russa. Considerati gli eventi E i = il proiettile esplode all i-mo colpo, i = 1,..., 6, verificare che tali eventi hanno tutti probabilità 1, cioè che i 6 prigionieri hanno la stessa probabilità di morire. 6 Ovviamente, si ha P (E 1 ) = 1. Inoltre 6 Allora, osservando che P (E 2 E c 1) = 1 5, P (E 3 E c 1E c 2) = 1 4,, P (E 6 E c 1 E c 5) = 1. E 2 = E c 1E 2, E 3 = E c 1E c 2E 3,, E 6 = E c 1 E c 5E 6, applicando il teorema delle probabilità composte si ha P (E 2 ) = P (E c 1)P (E 2 E c 1) = = 1 6 ; P (E 3 ) = P (E c 1)P (E c 2 E c 1)P (E 3 E c 1E c 2) = = 1 6 ;... P (E 6 ) = P (E c 1)P (E c 2 E c 1)P (E c 3 E c 1E c 2) P (E c 5 E c 1 E c 4)P (E 6 E c 1 E c 5) = = = 1 6. Esercizio 2.3. (Problema del condannato) In un paese orientale un prigioniero è stato condannato a morte da uno sceicco. Prima dell esecuzione, lo sceicco offre una possibilità di salvezza al condannato, mettendogli a disposizione 2 urne U 1 e U 2, con 2 palline bianche e 2 nere. Il condannato deve distribuire a suo piacere le palline nelle due urne, con la condizione che nessuna urna rimanga vuota. Verrà poi scelta a caso un urna da cui verrà estratta una pallina. Se la pallina estratta sarà bianca il prigioniero sarà graziato.

11 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 11 Qual è la migliore ripartizione delle palline nelle due urne? Definiti gli eventi B = la pallina estratta è bianca, H 1 = viene utilizzata l urna U 1, H 2 = viene utilizzata l urna U 2, la decisione migliore per il condannato è quella che rende massima la probabilità di B. Supponiamo che il condannato inserisca h palline bianche e k palline nere in U 1, con 0 < h + k < 4, e le rimanenti 4 h k palline in U 2. Con tale strategia si ha P (B) ( = P (H 1 )P (B H 1 ) + P (H 2 )P (B H 2 ) = h + 2 h. ) h+k 4 h k = 1 2 Sostanzialmente, basta esaminare i seguenti casi (tra parentesi il simbolo indica una decisione equivalente che si può fare a meno di esaminare): 1. h = 0, k = 1 ( h = 2, k = 1) ; 2. h = 0, k = 2 ( h = 2, k = 0) ; 3. h = 1, k = 1 ; 4. h = 1, k = 0 ( h = 1, k = 2). Nel caso 1 si ha P (B) = 1 2 ( ) = 1 3 ; nel caso 2 si ha P (B) = 1 2 ( ) = 1 2 ; nel caso 3 si ha P (B) = 1 2 ( ) = 1 2 ; Nel caso 4 si ha P (B) = 1 2 ( ) = 2 3. La decisione migliore pertanto è la n. 4 (una pallina bianca in un urna e le rimanenti nell altra). Il problema si può generalizzare considerando n palline bianche ed n nere, con n > 2. Si può ve- rificare che la decisione migliore è sempre quella di mettere una pallina bianca in un urna e le rimanenti nell altra. A tale decisione corrisponde per P (B) il valore (massimo) P (B) = 1 ( 1 + n 1 ), 2 2n 1 che all aumentare di n sale verso 3 4. Esercizio 2.4. Un mazzo di 4 chiavi contiene un sola chiave adatta ad aprire una certa serratura. Provando a caso le chiavi una dopo l altra, occorre effettuare un numero aleatorio X di tentativi per aprire la serratura. Calcolare la varianza di X. V ar(x) = Soluzione

12 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 12 Indicando con E i l evento la chiave che apre la serratura viene individuata all i-mo tentativo, i = 1, 2, 3, 4, si ha P (X = 1) = P (E 1 ) = 1 4, P (X = 2) = P (Ec 1E 2 ) = = 1 4, P (X = 3) = P (E c 1E c 2E 3 ) = = 1 4, P (X = 4) = P (Ec 1E c 2E c 3) = = 1 4, da cui segue Allora IP (X) = = 5 2, IP (X2 ) = V ar(x) = IP (X 2 ) [IP (X)] 2 = = = Esercizio 2.5. Dati due numeri aleatori X, Y ugualmente distribuiti, si ponga U = X Y e V = X + Y. Calcolare la covarianza di U, V. Risp.: Cov(U, V ) = Si ha Cov(X Y, X + Y ) = Cov(X, X + Y ) Cov(Y, X + Y ) = Cov(X, X) + Cov(X, Y ) Cov(Y, X) Cov(Y, Y ). Essendo X e Y ugualmente distribuite si ha Cov(X, X) = var(x) = var(y ) = Cov(Y, Y ), inoltre Cov(X, Y ) = Cov(Y, X), pertanto si ha Cov(X Y, X + Y ) = 0 Esercizio 2.6. Da un lotto contenente 5 pezzi buoni e 3 difettosi si estraggono senza restituzione 3 pezzi. Sia E i l evento l i-mo pezzo estratto è buono. Calcolare la probabilità dell evento condizionato (E 2 E 3 E 2 E 3 ). P (E 2 E 3 E 2 E 3 ) = 2 5 Gli eventi E i hanno tutti probabilità 5 8. Inoltre Allora P (E 2 E 3 ) = P (E 1 E 2 ) = P (E 1 )P (E 2 E 1 ) = = 5 14 P (E 2 E 3 E 2 E 3 ) = P (E 5 2E 3 ) P (E 2 E 3 ) = Esercizio 2.7. Dati 3 eventi E 1, E 2, E 3, con E 1 E 2 E 3 = e con 14 = 2 5 P (E i ) = 2 5, i {1, 2, 3}, P (E i E j ) = 1, i j, i, j {1, 2, 3}, 3

13 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 13 calcolare la probabilità p dell evento condizionato (E 1 E 2 E 1 E 2 E 3 ). p = Tenendo conto che P (E 1 E 2 E 3 ) = 0, si ha p = P (E 1 E 2 E 1 E 2 E 3 ) = P (E 1 E 2 ) P (E 1 E 2 E 3 ) = = Esercizio 2.8. P (E 1 )+P (E 2 ) P (E 1 E 2 ) P (E 1 )+P (E 2 )+P (E 3 ) P (E 1 E 2 ) P (E 1 E 3 ) P (E 2 E 3 ) = = 5 6 Una ditta riceve merce da tre fornitori A, B, C nelle seguenti proporzioni: il 42% della merce è fornita da A, il 14% da B, e la restante merce da C. E noto che la probabilità che un pezzo sia difettoso è, rispettivamente, 0.05, 0.04, 0.1, a seconda che sia fornito da A, B, C. Calcolare la probabilità α che un pezzo estratto da quelli ricevuti dalla ditta sia difettoso. Inoltre, esaminato un pezzo e supposto che sia difettoso, calcolare la probabilità p che esso provenga dal fornitore B. α = p = Indicando con A (analogamente B, C) l evento il pezzo proviene dal fornitore A, si ha: P (A) = , P (B) =, P (C) =. Inoltre, definito l evento F = il pezzo estratto è difettoso, risulta: P (F A) = 1 1 1, P (F B) =, P (F C) =. La percentuale di pezzi difettosi che la ditta riceve è %; infatti: P (F ) = P (A)P (F A) + P (B)P (F B) + P (C)P (F C) = = = = La probabilità di B F (che un pezzo provenga dal fornitore B supposto che sia difettoso) si determina tramite il teorema di Bayes: P (B F ) = P (B)P (F B) P (F ) = = Esercizio 2.9. In una ditta che vende dispositivi di un certo tipo il 60 % proviene da una fabbrica A, il 30 % da una fabbrica B e il 10 % da C. Le percentuali di lampadine difettose prodotte da A, B, C sono rispettivamente il 2 %, il 4 % e il 5 %. Calcolare la probabilità α che un dispositivo venduto dalla ditta e risultato difettoso sia stato prodotto da C. Risp.: α = Indicando con D l evento il dispositivo è difettoso, si ha P (D A) = 0.02, P (D B) = 0.04, P (D C) = 0.05, con P (A) = 0.6, P (B) = 0.3,, P (C) = 0.1. Allora α = P (C D) = P (D C)P (C) P (D A)P (A)+P (D B)P (B)+P (D C)P (C) = = 5 29.

14 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 14 Esercizio Date tre urne A (contenente 3 palline bianche e 1 nera), B (contenente 1 pallina bianca e 3 nere) e C (contenente 1 pallina bianca e 1 nera), da C si estrae una pallina. Se è bianca (evento H) viene effettuata una seconda estrazione da A, in caso contrario (evento H c ) da B. Posto E = la seconda pallina estratta è nera, calcolare la probabilità che la prima pallina estratta sia bianca, supposto di aver osservato pallina nera nella seconda. Risp.: P (H E) = Si ha: P (H) = 1 2, P (E H) = 1 4, P (E Hc ) = 3 4, da cui segue: e quindi: P (H E) = P (E) = P (E H)P (H) + P (E H c )P (H c ) = = 1 2, P (E H)P (H) = P (E) 1 2 = 1 4. Esercizio Dati tre eventi A, B, C, con C AB, P (A) = 0.5, P (AB) = 0.3, P (C) = x, stabilire se esiste un valore x tale che P (C AB c C) = 0.5. Risp.: x = Si ha: P (AB c ) = P (A) P (AB) = = 0.2. Inoltre, dall ipotesi C AB, segue P (C) = x 0.3. Allora, tenendo conto che AB c C =, si ottiene: P (C AB c C) = P [C (ABc C)] P (AB c C) = P (C) P (AB c C) = P (C) P (AB c ) + P (C). Pertanto: P (C AB c C) = x x = 0.5 x = P (C) = 0.2. Esercizio Un lotto è costituito da 100 componenti, dei quali 40 sono stati costruiti da una macchina M 1 e 60 da una macchina M 2. Il generico componente risulta difettoso con probabilità 1 5 se prodotto da M 1 e con probabilità 2 5 se prodotto da M 2. Dal lotto viene estratto a caso un componente e viene esaminato. Definiti gli eventi E = Il pezzo esaminato risulta non difettoso ed H = Il pezzo esaminato è stato prodotto dalla macchina M 1, calcolare il rapporto r tra le probabilità P (H E) e P (H c E). r = 8 9 Si ha e quindi P (H E) = r = P (H)P (E H) P (E) P (H E) P (H c E) =, P (H c E) = P (Hc )P (E H c ) P (E) 40 P (H)P (E H) P (H c )P (E H c ) = = 8 9,

15 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 15 Esercizio Date tre urne A,B,C, contenenti ciascuna 1 pallina bianca e 1 nera, dalle urne B e C si estrae a caso una pallina che (senza osservarne il colore) viene inserita in A. Successivamente da A si estrae una pallina che risulta bianca (evento E). Definiti gli eventi F = la pallina estratta da B è bianca, K = la pallina estratta da C è bianca, H r = r delle 2 palline inserite in A sono bianche, r = 0, 1, 2, calcolare la probabilità dell evento condizionato H 1 E. P (H 1 E) = Osservando che gli eventi F e K sono indipendenti e che si ha H 0 = F c K c, H 1 = F K c F c K, H 2 = F K, P (H 0 ) = P (F c )P (K c ) = = 1 4 = P (F )P (K) = P (H 2), P (H 1 ) = P (F K c ) + P (F c K) = P (F )P (K c ) + P (F c )P (K) = = 1 2 Allora P (H 1 E) = P (EH 1) P (E) = P (H 1 )P (E H 1 ) P (H 0 )P (E H 0 )+P (H 1 )P (E H 1 )+P (H 2 )P (E H 2 ) = = = 1 2 = P (H 1). Esercizio Un lotto è formato da 100 componenti, di cui r costruiti con una apparecchiatura A e i rimanenti con una apparecchiatura B. Ciascuno dei componenti prodotti da A (risp. da B) è non difettoso con probabilità 4 (risp. 3 ). Dal lotto si prende a caso un pezzo che viene esaminato. 5 4 Considerati gli eventi H = il componente preso a caso è stato prodotto da A, E = il componente preso a caso è difettoso, determinare i valori di r tali che P (H E) > 1. 2 r Si ha Allora P (H) = r 100, P (Hc ) = 100 r, P (E H) = , P (E Hc ) = 1 4. da cui segue P (H E) = P (H)P (E H) P (H)P (E H) + P (H c )P (E H c ) = r r r P (H E) > 1, r {56, 57,..., 100}. 2 = 4r 500 r,

16 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 16 Esercizio Con riferimento all esempio 2.14, sia X il numero aleatorio di pezzi non difettosi fra gli r componenti prodotti dall apparecchiatura A. Sia inoltre E i l evento l i-mo pezzo prodotto da A è non difettoso, i = 1, 2,..., r. Supposto che E 1,..., E r siano stocasticamente indipendenti, calcolare: (i) la probabilità p h di ogni possibile valore h di X; Si ha X B(r, 4 ), ovvero X {0, 1, 2,..., r}, con 5 P (X = h) = ( r h ) ( ) h ( ) r h 4 1, h = 0, 1, 2,..., r. 5 5 Esercizio In un controllo di qualità, si estrae (senza restituzione) un campione di n = 6 pezzi da un lotto che ne contiene N = 30 fra i quali x difettosi. Il lotto viene accettato (sia H questo evento) se nel campione non c e alcun pezzo difettoso: calcolare la probabilità di H nell ipotesi x = 2. P (H) = Essendo le estrazioni senza restituzione si ha, nell ipotesi x = 2, ( 28 )( 2 6 P (H) = ) 0) = = 276 0, ( 30 6 Esercizio Dati due lotti A e B, ciascuno contenente 6 componenti buoni e 2 difettosi, da entrambi si effettuano 3 estrazioni con restituzione, ottenendo X pezzi difettosi fra quelli estratti da A ed Y pezzi difettosi fra quelli estratti da B. Considerato il numero aleatorio discreto Z = X +Y, calcolare: (i) la previsione m e la varianza σ 2 di Z; (Si noti che X e Y sono stocasticamente indipendenti). m = σ 2 = X e Y sono indipendenti ed ugualmente distribuiti, con distribuzione binomiale di parametri n = 3, p = 1. Pertanto IP (X) = IP (Y ) = np = 3 9, V ar(x) = V ar(y ) = npq =, quindi m = IP (Z) = IP (X) + IP (Y ) = 3 2 ; σ2 = V ar(z) = V ar(x) + V ar(y ) = 9 8 Esercizio Un lotto è costituito da 15 componenti simili, dei quali 10 costruiti da una macchina M 1 e 5 da una macchina M 2. Ogni componente, prodotto da M 1 o da M 2, è non difettoso con probabilità 0.8 e gli eventi E i = l i-esimo componente è difettoso, per i = 1,..., 15, sono stocasticamente indipendenti. Indicati con X e Y i numeri aleatori di pezzi difettosi fra quelli prodotti rispettivamente da M 1 e M 2, calcolare la probabilità dell evento (X + Y = 2), il coefficiente di correlazione ρ X+Y,Y dei numeri aleatori (X + Y ) e Y. Determinare inoltre la probabilità dell evento condizionato (X = 1 X + Y = 2). P (X+Y = 2) = ρ X+Y,Y = P (X = 1 X+Y = 2) =

17 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 17 Osserviamo che X Bin(10, 0.2), Y Bin(5, 0.2) e X + Y Bin(15, 0.2). Quindi ( ) 15 P (X + Y = 2) = (0.2) 2 (0.8) = (0.2) 2 (0.8) Il coefficiente di correlazione ρ X+Y,Y tra X + Y e Y è dato da ρ X+Y,Y = cov(x + Y, Y ) σ X+Y σ Y = =0 { }} { cov(x, Y ) +cov(y, Y ) σ X+Y σ Y = σ 2 Y σ X+Y σ Y = σ Y σ X+Y = = 1 3. Inoltre si ha P (X = 1 X + Y = 2) = P (X=1,X+Y =2) P (X+Y =2) = P (X=1,Y =1) P (X+Y =2) = P (X=1) P (Y =1) P (X+Y =2) = = (10 1 )(0.2) 1 (0.8) 9 ( 5 1)(0.2) 1 (0.8) 4 ( 15 2 )(0.2) 2 (0.8) 13 = (10 1 )( 5 1) ( 15 2 ) = Esercizio Un lotto formato da 8 componenti elettronici, uno dei quali é difettoso, é stato suddiviso a caso in 2 gruppi, A e B, di 4 componenti ciascuno. Dal gruppo A vengono prelevati a caso 2 componenti. Definiti gli eventi E = i 2 componenti prelevati da A sono entrambi non difettosi, H = il componente difettoso sta nel gruppo B, calcolare la probabilità dell evento condizionato H E. Risp.: P (H E) = Si ha: ( 3 ) ( 1 ) Allora: P (H) = 4 8 = 1 2, P (E H) = 1, P (E Hc ) = 2 0 ( ) = P (H E) = P (EH) P (E) = P (E H)P (H) P (E H)P (H) + P (E H c )P (H c ) = = Esercizio Un lotto é composto da 4 pezzi, dei quali 2 prodotti da una macchina M 1 e 2 prodotti da una macchina M 2. Il singolo pezzo prodotto da M 1 (rispettivamente M 2 ) risulta difettoso, indipendentemente dagli altri pezzi, con probabilitá p 1 (rispettivamente p 2 ). Definiti gli eventi A = esattamente uno dei 4 pezzi é difettoso, K = uno dei pezzi prodotti da M 1 é difettoso, calcolare la probabilità dell evento condizionato K A. Risp.: P (K A) = Indicando con X (rispettivamente Y ) il numero di pezzi difettosi prodotti da M 1 (rispettivamente

18 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 18 M 2 ), si ha e quindi: A = (X + Y = 1) = AK AK c = (X = 1, Y = 0) (X = 0, Y = 1), P (A) = P (X = 1, Y = 0) + P (X = 0, Y = 1) = P (X = 1)P (Y = 0) + P (X = 0)P (Y = 1) = ( 2 1 ) ( 2 p 1 (1 p 1 ) 0 ) ( 2 (1 p 2 ) = 2p 1 (1 p 1 )(1 p 2 ) 2 + 2(1 p 1 ) 2 p 2 (1 p 2 ). ) (1 p 1 ) 2 ( 2 1 ) p 2 (1 p 2 ) = Allora: P (K A) = P (AK) P (A) = P (X=1,Y =0) P (X=1,Y =0)+P (X=0,Y =1) = = 2p 1 (1 p 1 )(1 p 2 ) 2 2p 1 (1 p 1 )(1 p 2 ) 2 +2(1 p 1 ) 2 p 2 (1 p 2 ) = p 1 (1 p 2 ) p 1 (1 p 2 )+p 2 (1 p 1 ) Esercizio Da un lotto contenente 4 lampadine buone e 4 difettose se ne prendono 4 in blocco. Sia X il numero aleatorio di lampadine buone fra le 4 estratte. Calcolare la varianza di X. V ar(x) = 4 7 X ha distribuzione ipergeometrica di parametri N = 8, n = 4, p = 1 2. Pertanto V ar(x) = npq(1 n 1 N 1 ) = 4 7 Esercizio Un azienda possiede 10 autobus ognuno dei quali la mattina, indipendentemente dagli altri autobus, con una certa probabilità p riesce a mettersi in moto. Calcolare la probabilità α che, in una data mattina, almeno un autobus riesca a partire. Risp.: α = l numero aleatorio X di autobus che partono in una data mattina ha una distribuzione binomiale di parametri 10, p. Allora: α = P (X 1) = 1 P (X = 0) = 1 (1 p) 10 = 1 q 10. Esercizio Date due urne U (contenente 2 palline bianche e 3 nere) e V (contenente 4 palline nere e 1 bianca), si consideri il seguente esperimento aleatorio. Piero effettua un estrazione da U, vincendo una somma S se esce pallina bianca (evento A). In tal caso l esperimento termina. In caso contrario, Carlo effettua tre estrazioni con restituzione da V e vince la somma S se almeno una volta esce pallina bianca. Sia E i l evento nell i-ma prova viene estratta pallina bianca e B l evento Carlo vince la somma S. Calcolare P (B). Risp.: P (B) =

19 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 19 Si ha: da cui: P (A) = P (E 1 ) = 2 5, B = Ac (E 2 E 3 E 4 ), P (B) = P (A c )P (E 2 E 3 E 4 A c ) = P (A c )[1 P (E c 2E c 3E c 4 A c )] = = 3[1 ( )3 ] = 3 64 (1 ) = Esercizio Dati n eventi E 1,..., E n indipendenti ed equiprobabili, con P (E i ) = 1, stabilire 2 la condizione che dev essere soddisfatta da n affinchè la probabilitá α dell evento A = gli eventi E 1,..., E n sono tutti veri condizionata all evento H = almeno uno degli eventi E 1,..., E n é vero sia minore di 1, dove k è un numero intero fissato. k Risp.: Si ha: α = P (E 1 E n ) P (E 1 E n ) = P (E 1 E n ) 1 P (E1 c En) = ( 1 2 )n c 1 ( 1 a 2n k 2 )n 1, k cioè, se e solo se: 2 n k + 1. Esercizio Da un urna U contenente 1 pallina bianca e 2 nere si effettuano due estrazioni senza restituzione e, se almeno una volta esce pallina bianca, Tizio vince una somma S e il gioco si interrompe. In caso contrario, da un urna V contenente 2 palline bianche e 1 nera si effettuano due estrazioni senza restituzione e, se almeno una volta esce pallina nera, Tizio vince la somma S. Sia X la vincita aleatoria in tale gioco. Calcolare l importo Σ che Tizio deve pagare per aver diritto a ricevere X. Risp.: Σ = Sia E i l evento nell i-ma estrazione esce pallina bianca. Allora X = S se e solo se si verifica l evento E 1 E 2 E c 3 E c 4, cioè: X = S E 1 E 2 E c 3 E c 4. Poichè: Σ = IP (X), si ottiene: Σ = IP (X) = S P (E 1 E 2 E c 3 E c 4) = S[1 P (E c 1E c 2E 3 E 4 )] = S( ) = 8S. 2 9 Esercizio Da un lotto contenente 5 barre di acciaio viene scelta a caso una barra. Utilizzando opportune unità di misura, i valori (x i, y i ), i = 1,..., 5, delle lunghezze e dei pesi delle 5 barre sono: (1, 1.5), (1.2, 1.8), (1.4, 2.1), (1.5, 2.25), (0.8, 1.2). Indicando con (X, Y ) i valori aleatori della lunghezza e del peso della barra estratta, calcolare il coefficiente di correlazione di X, Y. Stabilire, inoltre, se gli eventi (X > 1) e (Y > 2) sono

20 2 Probabilità Condizionate, Teorema di Bayes, Distribuzioni discrete p. 20 indipendenti. Risp.: ρ = Risp.: Indipendenti? In generale, occorrerebbe applicare la formula ρ = Cov(X,Y ) σ X σ Y, calcolando preliminarmente la covarianza e gli scarti quadratici medi. X, Y e XY hanno distribuzione uniforme, rispettivamente, sugli insiemi {0.8, 1, 1.2, 1.4, 1.5}, {1.2, 1.5, 1.8, 2.1, 2.25} e {0.96, 1.5, 2.16, 2.94, 3.375}, e quindi le previsioni di X, Y e XY sono, rispettivamente, 1.18, 1.77 e Quindi Cov(X, Y ) = Inoltre, le previsioni di X 2, Y 2 sono, rispettivamente, e da cui si ottiene σ X = , σ Y = Pertanto ρ = 1. Lo stesso risultato si ottiene direttamente osservando che, per ogni (x i, y i ), si ha y i = 3x 2 i e quindi Y = 3 X, da cui segue ρ = 1. 2 Si ha: P (X > 1) = 1 P (X = 0.8) P (X = 1) = 3 5, P (Y > 2) = P (Y = 2.1) + P (Y = 2.25) = 2 5, P (X > 1, Y > 2) = P (X = 1.4, Y = 2.1) + P (X = 1.5, Y = 2.25) = 2 5. Poichè P (X > 1, Y > 2) P (X > 1)P (Y > 2), gli eventi (X > 1) e (Y > 2) non sono indipendenti. Esercizio L insieme dei valori possibili di un numero aleatorio discreto X è C = {0, 1,..., 8}, con ( ) 8 ( P (X = h) = 1 ) h ( 2 ) 8 h h 3 3, h = 0, 1,..., 8. Calcolare: la previsione m di X; la probabilità dell evento (X 6). m = P (X 6) = Il n.a. X ha distribuzione binomiale di parametri n = 8, p = 1. La previsione è data da 3 Per calcolare P (X 6) osserviamo che con quindi si ha m = IP (X) = n p = 8 3. P (X 6) = 1 P (X 7) = 1 [P (X = 7) + P (X = 8)] P (X = 7) = ( 8 7 ) ( 1 3 ) 7 ( ) 1 2 = = 16 3, P (X = 8) = P (X 6) = =

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete Corso di Calcolo delle Probabilità e Statistica Esercizi su variabili aleatorie discrete Es.1 Da un urna con 10 pallina bianche e 15 palline nere, si eseguono estrazioni con reimbussolamento fino all estrazione

Dettagli

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo docente Giuseppe Sanfilippo http://www.unipa.it/sanfilippo giuseppe.sanfilippo@unipa.it

Dettagli

Esercizi di probabilità discreta

Esercizi di probabilità discreta Di seguito, potete trovare i testi (con risposta) degli esercizi svolti (o proposti) nel corso di esercitazioni dell insegnamento di Matematica applicata. 1 Esercizi di probabilità discreta Algebra degli

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2009/2010. C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico.

Probabilità e Statistica Esercitazioni. a.a. 2009/2010. C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico. Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico Probabilità Ines Campa e Marco Longhi Probabilità e Statistica - Esercitazioni

Dettagli

Corso di Probabilità e Statistica

Corso di Probabilità e Statistica Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di Probabilità e Statistica (Prof.ssa L.Morato) Esercizi a cura di: S.Poffe sara.poffe@stat.unipd.it A.A.

Dettagli

Calcolo delle probabilitá: esercizi svolti fino all 8 febbraio

Calcolo delle probabilitá: esercizi svolti fino all 8 febbraio Calcolo delle probabilitá: esercizi svolti fino all 8 febbraio Alessandro Sicco sicco@dm.unito.it Lezione 1. Calcolo combinatorio, formula delle probabilitá totali, formula di Bayes Esercizio 1.1. 7 bambini

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda

Dettagli

Esercizi di Probabilità e statistica. Francesco Caravenna Paolo Dai Pra

Esercizi di Probabilità e statistica. Francesco Caravenna Paolo Dai Pra Esercizi di Probabilità e statistica Francesco Caravenna Paolo Dai Pra Capitolo 1 Spazi di probabilità discreti 1.1 Proprietà fondamentali Esercizio 1 Esprimere ciascuno dei seguenti eventi in termini

Dettagli

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Si tratta di problemi elementari, formulati nel linguaggio ordinario Quindi, per ogni problema la suluzione proposta è sempre

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Probabilità e Statistica Esercitazioni. a.a. 2006/2007 Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile

Dettagli

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

Dettagli

A = { escono 2 teste e due croci (indipendentemente dall ordine) } B = { al primo tiro esce testa }.

A = { escono 2 teste e due croci (indipendentemente dall ordine) } B = { al primo tiro esce testa }. ESERCIZI ELEMENTARI DI CALCOLO DELLE PROBABILITÀ Teorema della somma 1) Giocando alla roulette, calcolare la probabilità che su una estrazione esca: a) Un numero compreso tra 6 e 12 (compresi) oppure maggiore

Dettagli

PARTE PRIMA PROBABILITA

PARTE PRIMA PROBABILITA i PARTE PRIMA PROBABILITA CAPITOLO I - Gli assiomi della probabilità 1.1 Introduzione........................................................... pag. 1 1.2 Definizione assiomatica di probabilità.......................................

Dettagli

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità David Barbato Questa raccolta comprende sia gli esercizi dell esercitazione del 14 febbraio sia gli esercizi di ricapitolazione sulle

Dettagli

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

1 Probabilità. 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio

1 Probabilità. 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio Indice 1 Probabilità 1 1.1 Primi esercizi di probabilità con l uso del calcolo combinatorio.. 1 1.2 Probabilità condizionata, indipendenza e teorema di Bayes.... 2 1 Probabilità 1.1 Primi esercizi di probabilità

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Esercizi di Calcolo delle Probabilità (calcolo combinatorio)

Esercizi di Calcolo delle Probabilità (calcolo combinatorio) Esercizi di Calcolo delle Probabilità (calcolo combinatorio 1. Lanciamo due dadi regolari. Qual è la probabilità che la somma delle facce rivolte verso l alto sia pari a 7? 1/6 2. Due palline vengono estratte

Dettagli

Il prodotto di tre numeri in progressione aritmetica è 16640, il più piccolo è 20. Calcolare i tre numeri.

Il prodotto di tre numeri in progressione aritmetica è 16640, il più piccolo è 20. Calcolare i tre numeri. Scrivi i primi termini delle seguenti successioni: =1; =; = + Individua la legge che genera ognuna delle seguenti successioni: -1,, -, 4, -5, In una progressione aritmetica la somma del primo, quarto,

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 9 giugno 006 Spazi di probabilità finiti e uniformi Esercizio Un urna contiene 6 palline rosse, 4 nere, 8 bianche. Si estrae una pallina; calcolare

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Probabilità e Statistica Esercitazioni. a.a. 2006/2007 Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti.

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti. PROVE D'ESAME DI CPS A.A. 009/00 0/06/00 () (4pt) Olimpiadi, nale dei 00m maschili, 8 nalisti. Si sa che i 4 atleti nelle corsie centrali hanno probabilità di correre in meno di 0 secondi. I 4 atleti delle

Dettagli

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Esercizi 4 (2) È dato su uno spazio campionario Ω = {a, b, c, d, e} dotato della funzione di probabilità seguente:

Esercizi 4 (2) È dato su uno spazio campionario Ω = {a, b, c, d, e} dotato della funzione di probabilità seguente: I seguenti quesiti ed il relativo svolgimento sono coperti dal diritto d autore, pertanto essi non possono essere sfruttati a fini commerciali o di pubblicazione editoriale senza autorizzazione esplicita

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

ESERCITAZIONE DI PROBABILITÀ 1

ESERCITAZIONE DI PROBABILITÀ 1 ESERCITAZIONE DI PROBABILITÀ 2/03/205 Primo foglio di esercizi Esercizio 0.. Una classe di studenti è costituita da 6 ragazzi e 4 ragazze. I risultati dell esame vengono esposti in una graduatoria in ordine

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 9 giugno 6 Spazi di probabilità finiti e uniformi Esercizio Un urna contiene 6 palline rosse, nere, 8 bianche. Si estrae una pallina; calcolare la

Dettagli

Traccia della soluzione degli esercizi del Capitolo 1

Traccia della soluzione degli esercizi del Capitolo 1 Traccia della soluzione degli esercizi del Capitolo 1 Esercizio 1 Esprimere ciascuno dei seguenti eventi in termini degli eventi A, B, C. 1. Almeno un evento si verifica. 2. Al più un evento si verifica..

Dettagli

MODULI DI LINEAMENTI DI MATEMATICA

MODULI DI LINEAMENTI DI MATEMATICA R. MANFREDI - E. FABBRI - C. GRASSI TRIENNIO licei scientifici MODULI DI LINEAMENTI DI MATEMATICA per il triennio della scuola secondaria di secondo grado L CALCOLO DELLE PROBABILITÀ E ELEMENTI DI STATISTICA

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

Probabilità e Maturità

Probabilità e Maturità Probabilità e Maturità Un analisi dei quesiti di Andrea Centomo Liceo F. Corradini di Thiene (VI) Montegrotto, 24 luglio 2014 2 Tre epoche... 1993 2000 2001 2014 2015 Tabella 1. Epoche dei quesiti di maturità

Dettagli

Valori caratteristici di distribuzioni

Valori caratteristici di distribuzioni Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di

Dettagli

Lezioni di STATISTICA MATEMATICA A

Lezioni di STATISTICA MATEMATICA A Università di Modena e Reggio Emilia Facoltà di Ingegneria Lezioni di STATISTICA MATEMATICA A Corso di Laurea in Ingegneria Meccanica Corso di Laurea in Ingegneria dei Materiali - Anno Accademico 010/11

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Quesito 1a. Quesito 2a. ce y 1+x. (x,y) R R + f(x,y) = 0 altrove

Quesito 1a. Quesito 2a. ce y 1+x. (x,y) R R + f(x,y) = 0 altrove Corso di laurea in Ing. Gestionale, a.a. 2001/2002 Prova scritta di Metodi Matematici e Statistici del 25 giugno 2002 Si effettuano n prove ciascuna delle quali consiste nello scegliere una moneta tra

Dettagli

Eserciziario di Calcolo delle Probabilità. Piero Quatto, Riccardo Borgoni, Elena Colicino, Daniela Mariosa

Eserciziario di Calcolo delle Probabilità. Piero Quatto, Riccardo Borgoni, Elena Colicino, Daniela Mariosa Eserciziario di Calcolo delle Probabilità Piero Quatto, Riccardo Borgoni, Elena Colicino, Daniela Mariosa 1 PARTE 1 Probabilità e variabili casuali discrete Sezione 1. Insieme e calcolo combinatorio Esercizio

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/2/215 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema di

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 19 marzo 2007 Spazi di probabilità finiti e uniformi Esercizio 1 Un urna contiene due palle nere e una rossa. Una seconda urna ne contiene una bianca

Dettagli

Lezioni di CPS. Fabrizio Caselli

Lezioni di CPS. Fabrizio Caselli Lezioni di CPS Fabrizio Caselli Contents Chapter. Statistica descrittiva 5. Popolazione, campione e caratteri 5 2. Classi e istogrammi 6 3. Indici di posizione o centralità e di dispersione 6 4. Correlazione

Dettagli

UNIVERSITÀ DEGLI STUDI DI FERRARA

UNIVERSITÀ DEGLI STUDI DI FERRARA UNIVERSITÀ DEGLI STUDI DI FERRARA Anno Accademico 2012/2013 REGISTRO DELL ATTIVITÀ DIDATTICA Docente: ANDREOTTI MIRCO Titolo del corso: MATEMATICA ED ELEMENTI DI STATISTICA Corso: CORSO UFFICIALE Corso

Dettagli

metodi matematici per l ingegneria prove scritte d esame 1 Indice

metodi matematici per l ingegneria prove scritte d esame 1 Indice metodi matematici per l ingegneria prove scritte d esame Indice. Novembre 4 - Prova in itinere. Luglio 5.. Febbraio 6 4 4. Giugno 6. 5 5. Luglio 6 6 . Novembre 4 - Prova in itinere Esercizio. Una scatola

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

Test sul calcolo della probabilità

Test sul calcolo della probabilità Test sul calcolo della probabilità 2 Test sul calcolo della probabilità Test sul calcolo della probabilità. La probabilità p di un evento E, quando si indica con E il suo complementare, è : a) 0 se E è

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Esercizi sul calcolo delle probabilità

Esercizi sul calcolo delle probabilità Esercizi sul calcolo delle probabilità Svolti e da svolgere (per MAR 13 marzo) Dati due eventi A e B dello spazio campionario Ω. Si sappia che P(A c )=0,3 P(B)=0,4 e P(A B c )=0,5 si determinino le probabilità

Dettagli

IL CALCOLO DELLE PROBABILITA

IL CALCOLO DELLE PROBABILITA IL CALCOLO DELLE PROBABILITA 0. Origini Il concetto di probabilità sembra che fosse del tutto ignoto agli antichi malgrado si sia voluto trovare qualche cenno di ragionamento in cui esso è implicitamente

Dettagli

SCHEDA DIDATTICA N 1

SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

Esercitazioni di Statistica con Matlab

Esercitazioni di Statistica con Matlab Dalmine, 28 aprile 2004 Esercitazioni di Statistica con Matlab Dott. Orietta Nicolis orietta.nicolis@unibg.it 1 0.8 0.6 0.4 0.2 0-0.2-0.4 40 30 20 10 0 0 5 10 15 20 25 30 35 V.c.d. di Poisson P(X = x)

Dettagli

Calcolo delle probabilità. 3. La probabiltà nella concezione frequentista. 4. La probabiltà nella concezione soggettiva

Calcolo delle probabilità. 3. La probabiltà nella concezione frequentista. 4. La probabiltà nella concezione soggettiva Calcolo delle probabilità. Gli eventi - definizioni propedeutiche 2. La probabiltà nella concezione classica. La probabiltà nella concezione frequentista 4. La probabiltà nella concezione soggettiva. La

Dettagli

Politecnico di Milano Esercizi di Calcolo delle Probabilità cod. 061195 Per gli allievi ING AUT, ELN, INF e TEL Anno accademico 2008-2009 1

Politecnico di Milano Esercizi di Calcolo delle Probabilità cod. 061195 Per gli allievi ING AUT, ELN, INF e TEL Anno accademico 2008-2009 1 Politecnico di Milano Esercizi di Calcolo delle Probabilità cod. 061195 Per gli allievi ING AUT, ELN, INF e TEL Anno accademico 2008-2009 1 Ilenia Epifani 11 giugno 2009 1 Il contenuto di queste dispense

Dettagli

Università degli Studi di Milano

Università degli Studi di Milano Università degli Studi di Milano Laurea in Scienza della Produzione e Trasformazione del Latte Note di Calcolo delle Probabilità e Statistica STEFANO FERRARI Analisi Statistica dei Dati Note di Calcolo

Dettagli

Elementi di calcolo delle probabilità

Elementi di calcolo delle probabilità Elementi di calcolo delle probabilità Definizione di probabilità A) Qui davanti a me ho un urna contenente 2 palline bianche e 998 nere. Mi metto una benda sugli occhi, scuoto ripetutamente l urna ed estraggo

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

(concetto classico di probabilità)

(concetto classico di probabilità) Probabilità matematica (concetto classico di probabilità) Teoria ed esempi Introduzione Il calcolo delle probabilità è la parte della matematica che si occupa di prevedere, sulla base di regole e leggi

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

Politecnico di Milano Appunti di calcolo delle probabilità per il corso di Fondamenti di Statistica e Segnali Biomedici [Mod 1] 1

Politecnico di Milano Appunti di calcolo delle probabilità per il corso di Fondamenti di Statistica e Segnali Biomedici [Mod 1] 1 Politecnico di Milano Appunti di calcolo delle probabilità per il corso di Fondamenti di Statistica e Segnali Biomedici [Mod 1] 1 Ilenia Epifani 1 Il contenuto di queste dispense è protetto dalle leggi

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità Luca Mari, versione 2.3.15 Contenuti La generazione combinatoria di campioni...1 L algebra dei campioni...4 Il calcolo delle frequenze relative dei campioni...5 Indipendenza

Dettagli

Esercizi di Probabilità e Statistica

Esercizi di Probabilità e Statistica Esercizi di Probabilità e Statistica Samuel Rota Bulò 5 maggio 007 Varabili aleatorie continue, distribuzioni continue e funzione generatrice di momenti. Esercizio Dimostrare la mancanza di memoria della

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Esercitazione 5 Soluzioni

Esercitazione 5 Soluzioni Esercitazione 5 Soluzioni. (Esercizio 5. del Ross) Sia X una variabile aleatoria la cui densità è c( 2 ) < < 0 altrimenti. (a) Qual è il valore di c? (b) Scrivere la funzione di ripartizione di X. 2. (Esercizio

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

COMPITO n. 1. 3. Siano X, Y due variabili aleatorie tali che il vettore (X, Y ) sia distribuito uniformemente

COMPITO n. 1. 3. Siano X, Y due variabili aleatorie tali che il vettore (X, Y ) sia distribuito uniformemente COMPITO n. 1 a) Nel gioco del poker ad ogni giocatore vengono distribuite cinque carte da un normale mazzo di 52. Quant è la probabilità che un giocatore riceva una scala di re (ovvero 9, 10, J, Q, K anche

Dettagli

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015 Università di Milano Bicocca Esercitazione 6 di Matematica per la Finanza 14 Maggio 2015 Esercizio 1 Un agente presenta una funzione di utilitá u(x) = ln(1 + 6x). Egli dispone di un progetto incerto che

Dettagli

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini

Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali Note A.A. 2009-10 C. Meneghini 1 Elementi di calcolo delle probabilitá, teorema di Bayes e applicazioni 1.1 Definizione di probabilitá

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

TEORIA DELLA PROBABILITÀ I

TEORIA DELLA PROBABILITÀ I TEORIA DELLA PROBABILITÀ I Dipartimento di Matematica ITIS V.Volterra San Donà di Piave Versione [2015-16] Indice 1 Probabilità 1 1.1 Introduzione............................................ 1 1.2 Eventi...............................................

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità à 1. Introduzione Calcolo delle Probabilità Il Calcolo delle Probabilità nasce dagli studi matematici sui giochi d azzardo. Il Calcolo delle Probabilità è lo strumento che permette all uomo di assumere

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Metodi quantitativi per il trade marketing Modulo 1 Valutazione dei rischi per il marketing a.a. 2010/2011

Metodi quantitativi per il trade marketing Modulo 1 Valutazione dei rischi per il marketing a.a. 2010/2011 Metodi quantitativi per il trade marketing Modulo Valutazione dei rischi per il marketing a.a. 200/20 Problemi per esercitazione individuale (non svolti in aula NB: i problemi assegnati per esercitazione

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

COORTI 2006/07 2010/11 Facoltà di Economia sede di Milano, corsi di laurea triennali diurni

COORTI 2006/07 2010/11 Facoltà di Economia sede di Milano, corsi di laurea triennali diurni COORTI 2006/07 2010/11 Facoltà di Economia sede di Milano, corsi di laurea triennali diurni immatricolati al primo anno (1), % iscritti al secondo anno (2), al terzo (3) % laureati Note entro di maggio

Dettagli

6. I numeri reali e complessi ( R e C ). x2 = 2. 6.1 I numeri reali R.

6. I numeri reali e complessi ( R e C ). x2 = 2. 6.1 I numeri reali R. 6. I numeri reali e complessi ( R e C ). 6.1 I numeri reali R. Non tratteremo in modo molto approfondito gli ulteriori ampliamenti che dai numeri razionali ci portano a quelli reali, all insieme, e R d

Dettagli

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo

S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 2008/2009. Metodo Monte Carlo S.I.C.S.I. Scuola Interuniversitaria Campana di Specializzazione all Insegnamento VIII ciclo - a.a. 008/009 Metodo Monte Carlo Laboratorio di Didattica della Matematica Applicata 1 L. Parisi A. Stabile

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

matematica probabilmente

matematica probabilmente IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e

Dettagli

Esercizi di calcolo combinatorio

Esercizi di calcolo combinatorio CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi di calcolo combinatorio Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability di Sheldon Ross, quinta

Dettagli

Cenni di statistica descrittiva

Cenni di statistica descrittiva Cenni di statistica descrittiva La statistica descrittiva è la disciplina nella quale si studiano le metodologie di cui si serve uno sperimentatore per raccogliere, rappresentare ed elaborare dei dati

Dettagli

CAPITOLO 12. Calcolo delle Probabilità. 12.1 Introduzione al Calcolo delle Probabilità

CAPITOLO 12. Calcolo delle Probabilità. 12.1 Introduzione al Calcolo delle Probabilità CAPITOLO 12 Calcolo delle Probabilità 12.1 Introduzione al Calcolo delle Probabilità Una storia d amore Luca abita a Lecco, Bianca a Brindisi. Lui è innamorato perso. Anche lei ama lui, ma, ultimamente,

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità CAPITOLO TEORIA Il dilemma di Monty Hall In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il problema di Monty Hill nel film 21 Elementare!! Statistiche, cambio di variabili. 1 Il coefficiente di correlazione tra Indicee Stipendio vale 0,94. E possibile asserire che

Dettagli