VARIABILI ALEATORIE E VALORE ATTESO

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "VARIABILI ALEATORIE E VALORE ATTESO"

Transcript

1 VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della somma di variabili aleatorie 92

2 Variabili aleatorie Quando si realizza un esperimento casuale non sempre si è interessati in ugual modo a tutte le informazioni ricavabili dal suo esito. Spesso si può individuare una singola quantità numerica che racchiude tutto ciò che in realtà vogliamo sapere. Quantità di interesse che sono determinate dal risultato di un esperimento casuale sono dette variabili aleatorie. Siccome il valore di una variabile aleatoria è determinato dall esito dell esperimento, possiamo assegnare delle probabilità ai suoi valori possibili. 93

3 Variabili aleatorie 94

4 Variabili aleatorie 95

5 Variabili aleatorie Variabili aleatorie con un numero finito o numerabile di valori possibili sono dette discrete. Esistono anche variabili aleatorie dette continue, che possono assumere un insieme continuo di valori possibili, come può essere un intervallo di numeri reali. DEFINIZIONE La funzione di ripartizione F di una variabile aleatoria X è definita, per ogni numero reale x, tramite F( x) = P( X x) Quindi F(x) esprime la probabilità che la variabile aleatoria X assuma un valore minore o uguale a x. Useremo la notazione X~F per indicare che F è la funzione di ripartizione di X. Tutte le questioni di probabilità che si possano sollevare su una variabile aleatoria, ammettono una risposta in termini della sua funzione di ripartizione. Ad esempio, volendo calcolare P(a<X b), basta notare che {X b} è l unione dei due eventi disgiunti {X b} e {a<x b}. Quindi per l Assioma 3 da cui P( X b) = P( X a) + P( a < X b) P( a < X b) = P( X b) P( X a) = F( b) F( a) 96

6 Variabili aleatorie 97

7 Variabili discrete e continue Si dice discreta una variabile aleatoria che può assumere una quantità finita o numerabile di valori. DEFINIZIONE Se X è una variabile aleatoria discreta, la sua funzione di massa di probabilità o funzione di massa si definisce nel modo seguente, p( a) = P( X = a) La funzione p(a) è non nulla su un insieme al più numerabile di valori. Infatti se x 1,x 2, sono i valori possibili di X, allora p( x ) > 0 i = 1,2,... i p( x) = 0 tutti gli altri valori di x Siccome X deve assumere uno dei valori x 1,x 2, necessariamente la funzione di massa di probabilità deve soddisfare la seguente equazione p( x ) = 1 i= 1 i 98

8 Variabili discrete e continue 99

9 Variabili discrete e continue Per una variabile aleatoria discreta, la funzione di ripartizione F può essere espressa in funzione della funzione di massa di probabilità p, tramite F( a) = p( x) x a dove si intende che la serie è limitata ai soli valori possibili di X minori o uguali ad a. Si noti che la F che ne risulta è una funzione a gradini. Supponendo che X abbia la stessa funzione di massa di probabilità dell esempio precedente con La funzione di ripartizione F di X è data da 100

10 Variabili discrete e continue Una variabile aleatoria si dice continua se esiste una funzione non negativa f, definita su tutti i reali, avente la proprietà che per ogni insieme B di numeri reali DEFINIZIONE P( X B) = f ( x) dx B La funzione f che compare nell equazione sopra è la funzione di densità di probabilità o più semplicemente la densità della variabile aleatoria X. Tale equazione dice che la probabilità che una variabile aleatoria continua X appartenga a un insieme B si può trovare integrando la sua densità su tale insieme. Poiché X deve assumere un qualche valore reale, la sua densità deve soddisfare + 1 = P( X R) = f ( x) dx Tutte le probabilità che riguardano una variabile continua possono essere espresse in termini di integrali della sua densità. Ad esempio se poniamo B=[a,b] b a P( a X b) = f ( x) dx a a P( X = a) = f ( x) dx = 0 101

11 Variabili discrete e continue Una relazione che lega la funzione di ripartizione F alla densità f è la seguente F( a) = P( X (, a]) = f ( x) dx Derivando entrambi i membri si ottiene allora la relazione fondamentale d F ( a ) = f ( a ) da cioè la densità è la derivata della funzione di ripartizione. a 102

12 Variabili discrete e continue 103

13 Variabili discrete e continue Quando conosciamo la funzione di massa di probabilità di variabile discreta, o la funzione di densità di probabilità di una continua, o la funzione di ripartizione di una variabile aleatoria qualsiasi, abbiamo abbastanza informazioni da poter calcolare la probabilità di ogni evento che dipende solo da tale variabile aleatoria. Si dice in questo caso che conosciamo la distribuzione o legge della variabile aleatoria considerata. Perciò affermare che X e Y hanno la stessa distribuzione, vuol dire che le rispettive funzioni di ripartizione sono identiche, X~F X F Y ~Y e quindi anche che P(X œa) = P(YœA) per ogni insieme A R. 104

14 Coppie e vettori di variabili aleatorie Ci sono situazioni in cui la scelta di ridurre un esperimento casuale allo studio di una sola variabile aleatoria, è destinata a fallire a priori, perché l oggetto di interesse sono proprio le relazioni presenti tra due o più grandezze numeriche. Per specificare la relazione tra due variabili aleatorie X e Y, il punto di partenza è estendere il concetto di funzione di ripartizione. DEFINIZIONE Siano X e Y due variabili aleatorie che riguardano lo stesso esperimento casuale. Si dice funzione di ripartizione congiunta di X e Y, e si indica con la lettera F, la funzione di due variabili seguente F( x, y) = P( X x, Y y) dove la virgola nell argomento di P() denota l intersezione tra eventi. 105

15 Coppie e vettori di variabili aleatorie La conoscenze di questa funzione permette di calcolare le probabilità di tutti gli eventi che dipendono, singolarmente o congiuntamente, da X e Y. Ad esempio la funzione di ripartizione di X (indicata con F X ) può essere ottenuta dalla funzione di ripartizione congiunta F così FX ( x ) = P ( X x ) = P ( X x, Y < ) = F ( x, ) e analogamente la funzione di ripartizione di Y FY ( y ) = F (, y ) 106

16 Coppie e vettori di variabili aleatorie Distribuzione congiunta per variabili discrete DEFINIZIONE Se X e Y sono variabili aleatorie discrete che assumono i valori x 1,x 2, e y 1,y 2, rispettivamente, la funzione p( x, y ) = P( X = x, Y = y ) i = 1,2,... j = 1,2,... i j i j è la loro funzione di massa di probabilità congiunta. Le funzioni di massa individuali di X e Y si possono ricavare da quella congiunta con alcune osservazioni. { X = x } = { X = x, Y = y } i i j j px ( xi ) = P( X = xi ) = P { X = xi, Y = y j} = P( X = xi, Y = y j ) = p( xi, y j ) j j j py ( y j ) = p( xi, y j ) i N.B. Conoscere le funzioni di massa individuali non permette di ricavare la 107 funzione di massa congiunta

17 Coppie e vettori di variabili aleatorie Distribuzione congiunta per variabili discrete 108

18 Coppie e vettori di variabili aleatorie Distribuzione congiunta per variabili continue Due variabili aleatorie X e Y sono congiuntamente continue se esiste una funzione non negativa f(x,y), definita per tutti gli x e y, avente la proprietà che per ogni sottoinsieme C del piano cartesiano P(( X, Y ) C) = f ( x, y) dxdy ( x, y) C DEFINIZIONE La funzione di due variabili f, che compare nell equazione sopra, è la densità congiunta delle variabili aleatorie X e Y. 109

19 Coppie e vettori di variabili aleatorie Distribuzione congiunta per variabili continue Se A e B sono sottoinsiemi qualsiasi dei reali e se si denota con C=A x B il loro prodotto cartesiano in R 2, ovvero 2 la densità congiunta f soddisfa C = {( x, y) R : x A, y B} P( X A, Y B) = f ( x, y) dxdy B A e quindi ponendo A=(-,a] e B=(-,b] si può scrivere la funzione di ripartizione congiunta di X e Y come F( a, b) = P( X a, Y b) = P( X A, Y B) = = f ( x, y) dxdy = f ( x, y) dxdy B A da cui derivando, nelle due direzioni in tutti i punti in cui le derivate parziali sono definite. b f ( a, b) a 2 F( a, b) = a b 110

20 Coppie e vettori di variabili aleatorie Distribuzione congiunta per variabili continue 111

21 Coppie e vettori di variabili aleatorie Variabili aleatorie indipendenti In analogia a quanto definito precedentemente per gli eventi, due variabili aleatorie sono indipendenti se tutti gli eventi relativi alla prima sono indipendenti da tutti quelli relativi alla seconda. DEFINIZIONE Due variabili aleatorie che riguardano lo stesso esperimento casuale si dicono indipendenti se, per ogni coppia di insiemi di numeri reali A e B, è soddisfatta l equazione P( X A, Y B) = P( X A) P( Y B) ovvero, se per ogni scelta di A e B, gli eventi {X A} e {Y B} risultano indipendenti. In caso contrario X e Y si dicono dipendenti. 112

22 Coppie e vettori di variabili aleatorie Variabili aleatorie indipendenti Usando gli assiomi della probabilità è possibile dimostrare che questa definizione è equivalente alla richiesta che per ogni coppia di reali a e b, P( X a, Y b) = P( X a) P( Y b) ovvero che la funzione di ripartizione congiunta sia il prodotto delle marginali F( a, b) = F ( a) F ( b) a, b R X Y Se le variabili aleatorie considerate sono discrete, l indipendenza è anche equivalente a chiedere che la funzione di massa congiunta sia il prodotto delle marginali p( x, y) = p ( x) p ( y) x, y R X Y Nel caso di variabili aleatorie congiuntamente continue, invece, X e Y sono indipendenti se e solo se la densità congiunta è il prodotto delle marginali f ( x, y) = f ( x) f ( y) x, y R X Y N.B. Il senso della definizione e delle forme equivalenti date è che due variabili aleatorie sono indipendenti se conoscere il valore di una non cambia la 113 distribuzione dell altra

23 Coppie e vettori di variabili aleatorie Variabili aleatorie indipendenti 114

24 Coppie e vettori di variabili aleatorie Generalizzazione a più di 2 variabili aleatorie Tutti gli argomenti di tale sezione si possono estendere in maniera più o meno naturale ad un numero arbitrario n di variabili aleatorie. La funzione di ripartizione congiunta di X 1,..,X n è la funzione di n variabili F, data da F( a, a,..., a ) = P( X a, X a,..., X a ) 1 2 n n n Se queste variabili aleatorie sono discrete è possibile definire la funzione di massa di probabilità congiunta p, che è data da p( x, x,..., x ) = P( X = x, X = x,..., X = x ) 1 2 n n n Altrimenti le variabili aleatorie X 1,X 2,..,X n sono congiuntamente continue se esiste una densità di probabilità congiunta f, funzione di n variabili a valori positivi tale, per ogni sottoinsieme C di R n, P(( X, X,..., X ) C) = f ( x, x,..., x ) dx dx dx 1 2 n 1 2 n 1 2 n ( x,..., x ) C 1 n 115

25 Coppie e vettori di variabili aleatorie Generalizzazione a più di 2 variabili aleatorie Anche il concetto di indipendenza si estende a più di due dimensioni. In generale n variabili aleatorie X 1,X 2,..,X n si dicono indipendenti se per ogni n-upla A 1,A 2,..,A n di sottoinsiemi di R, è soddisfatta l equazione n P( X A,..., X A ) = P( X A ) 1 1 n n i i i= 1 116

26 Coppie e vettori di variabili aleatorie Generalizzazione a più di 2 variabili aleatorie 117

27 Coppie e vettori di variabili aleatorie Distribuzioni condizionali Le relazioni esistenti tra due variabili aleatorie possono essere chiarite dallo studio della distribuzione condizionata di una delle due, dato il valore dell altra. Si ricorda che presi comunque due eventi E e F con P(E)>0, la probabilità di E condizionata a F è data dall espressione P( E F) = P( E F) P( F) E naturale applicare questo schema alle variabili aleatorie discrete. DEFINIZIONE Siano X e Y due variabili aleatorie discrete con funzione di massa congiunta p(.,.). Si dice funzione di massa di probabilità condizionata di X dato Y, e si indica con p X Y (..), la funzione di due variabili così definita P( X = x, Y = y) px Y ( x y) = P( X = x Y = y) = = P( Y = y) p( x, y) = x, y con py ( y) > 0 p ( y) Y 118

28 Coppie e vettori di variabili aleatorie Distribuzioni condizionali 119

29 Coppie e vettori di variabili aleatorie Distribuzioni condizionali 120

30 Coppie e vettori di variabili aleatorie Distribuzioni condizionali Se X e Y sono variabili congiuntamente continue, non è possibile usare la definizione condizionata valida per quelle discrete, infatti si sa che P(Y=y)=0 per tutti i valori di y. DEFINIZIONE Siano X e Y due variabili aleatorie con funzione di densità congiunta f. Si dice densità condizionata di X rispetto a Y, e si indica con f X Y (.,.), la funzione di due variabili seguente, che è definita per ogni x e per tutte le y per le quali f Y (y)>0: f X Y ( x y) = f ( x, y) f ( y) Y 121

31 Coppie e vettori di variabili aleatorie Distribuzioni condizionali 122

32 Valore atteso DEFINIZIONE Sia X una variabile aleatoria discreta che può assumere i valori x 1,x 2, ; il valore atteso di X, che si indica con E[X] è, se esiste, il numero E[ X ] = µ = x P( X = x ) X i i i Si tratta della media pesata dei valori possibili di X, usando come pesi le probabilità che tali valori vengano assunti da X. Per questo E[X] è anche detta media di X oppure aspettazione. 123

33 Valore atteso 124

34 Valore atteso 125

35 Valore atteso E anche possibile definire il valore atteso di una variabile aleatoria continua. DEFINIZIONE Sia X una variabile aleatoria continua con funzione di densità f; il valore atteso di X, che si indica con E[X], è se esiste la quantità + E[ X ] = x f ( x) dx 126

36 Valore atteso 127

37 Proprietà del valore atteso Consideriamo una variabile aleatoria X di cui conosciamo la distribuzione. Se anziché voler calcolare il valore atteso di X, ci interessasse determinare quello di una sua qualche funzione g(x), come si fa? Una prima strada è notare che g(x) stessa è una variabile aleatoria e quindi ha una sua distribuzione che in qualche modo si può ricavare; dopo averla ottenuta il valore atteso E[g(X)] si calcola con la definizione usuale applicata alla nuova variabile aleatoria. 128

38 Proprietà del valore atteso 129

39 Proprietà del valore atteso 130

40 Proprietà del valore atteso d N.B. F ( a ) = f ( a ) da 131

41 Proprietà del valore atteso PROPOSIZIONE (Valore atteso di una funzione di variabile aleatoria) 1.Se X è una variabile aleatoria discreta con funzione di massa di probabilità p, allora, per ogni funzione reale g, E[ g( X )] = g( x) p( x) 2.Se X è una variabile aleatoria continua con funzione di densità di probabilità f, allora, per ogni funzione reale g, + x E[ g( X )] = g( x) f ( x) dx 132

42 Proprietà del valore atteso 133

43 Proprietà del valore atteso 134

44 Proprietà del valore atteso COROLLARIO: Per ogni coppia di costanti reali a e b, E[ ax + b] = ae[ X ] + b Se nel corollario si pone a=0, si scopre che E[ b] In altri termini, il valore atteso di una costante è semplicemente il suo valore stesso. Se invece si pone b=0 si ottiene che Ovvero il valore atteso di un fattore costante moltiplicato per una variabile aleatoria è pari alla costante per il valore atteso della variabile aleatoria. = b E[ ax ] = ae[ X ] 135

45 Proprietà del valore atteso Come già accennato il termine valore atteso ha tra i suoi sinonimi aspettazione e media. Un ulteriore denominazione è quella di momento primo. DEFINIZIONE: Se n=1,2,, la quantità E[X n ], quando esiste, è detta momento n-esimo della variabile aleatoria X. Volendo essere più espliciti, si può applicare il corollario per ricavare n x p( x) se X è discreta n x E[ X ] = + n x f ( x) dx se X è continua 136

46 Proprietà del valore atteso Valore atteso della somma di variabili aleatorie La versione in due dimensioni della Proposizione afferma che se X e Y sono due variabili aleatorie e g è una qualunque funzione di due variabili allora E[g(X,Y)] esiste g( x, y) p( x, y) nel caso discreto x y E[ g( X, Y )] = + + g( x, y) f ( x, y) dxdy nel caso continuo Si può applicare questo enunciato a g(x,y)=x+y, ottenendo che E[ X + Y ] = E[ X ] + E[ Y ] Tale risultato è valido sia nel caso discreto sia in quello continuo. Applicando ricorsivamente tale equazione si può estendere la portata alla somma di un numero finito di variabili aleatorie. In generale, per ogni n, E[ X + X X ] = E[ X ] + E[ X ] E[ X ] 1 2 n 1 2 n 137

47 Proprietà del valore atteso Valore atteso della somma di variabili aleatorie 138

48 Proprietà del valore atteso Valore atteso della somma di variabili aleatorie 139

49 Proprietà del valore atteso Valore atteso della somma di variabili aleatorie 140

50 Varianza DEFINIZIONE: Sia X una variabile aleatoria con media µ. La varianza di X, che si denota con Var(X) è, se esiste, la quantità Var( X ) = E[( X µ ) ] 2 Esiste una formula alternativa per la varianza, che si ricava in questo modo: Var( X ) = E[( X µ ) ] = E[ X 2 µ X + µ ] = = E[ X ] 2 µ E[ X ] + µ = E[ X ] µ ovvero 2 2 Var( X ) = E[ X ] E[ X ] In altri termini la varianza di X è uguale al valore atteso del quadrato di X (anche detto il momento secondo) meno il quadrato della media di X. 141

51 Varianza 142

52 Varianza 143

53 Varianza Una utile identità che riguarda la varianza è la seguente. Per ogni coppia di costanti reali a e b, Var( ax + b) = a Var( X ) 2 DEFINIZIONE: La radice quadrata della varianza è detta deviazione standard della variabile aleatoria X 144

54 Covarianza e varianza della somma di variabili aleatorie La media della somma di variabili aleatorie coincide con la somma delle loro medie. Per la varianza questo in generale non è vero. Ad esempio 2 Var( X + X ) = Var(2 X ) = 2 Var( X ) = 4 Var( X ) Var( X ) + Var( X ) Vi è tuttavia un caso importante in cui la varianza della somma di due variabili aleatorie è pari alla somma delle loro varianze, ovvero quando le variabili aleatorie sono indipendenti. DEFINIZIONE: Siano assegnate due variabili aleatorie X e Y di media µ X e µ Y rispettivamente. La loro covarianza, che si indica con Cov(X,Y) è, se esiste, la quantità Cov( X, Y ) = E[( X µ )( Y µ )] X Y Si può ottenere anche una formula alternativa più semplice, analoga alla varianza. Si trova espandendo il prodotto al secondo membro Cov( X, Y ) = E[ XY µ Y µ X + µ µ ] = X Y X Y = E[ XY ] µ E[ Y ] µ E[ X ] + µ µ = X Y X Y = E[ XY ] µ µ µ µ + µ µ = E[ XY ] E[ X ] E[ Y ] X Y X Y X Y 145

55 Covarianza e varianza della somma di variabili aleatorie Dalla definizione della covarianza si deducono alcune semplici proprietà, quali: la simmetria il fatto che la covarianza generalizza il concetto di varianza e per ogni costante a Cov( X, Y ) = Cov( Y, X ) Cov( X, X ) = Var( X ) (*) Cov( ax, Y ) = acov( X, Y ) = Cov( X, ay ) N.B. Come la media anche la covarianza è additiva. LEMMA: Se X, Y e Z sono variabili aleatorie qualsiasi Cov( X + Y, Z) = Cov( X, Z) + Cov( Y, Z) 146

56 Covarianza e varianza della somma di variabili aleatorie Il lemma può essere generalizzato a più di due variabili aleatorie, ottenendo che se X 1,,X n sono variabili aleatorie qualsiasi n Cov( X, Y ) = Cov( X, Y ) n i i= 1 i= 1 i PROPOSIZIONE: Se X 1,,X n e Y 1,,Y m sono variabili aleatorie qualsiasi n m n m Cov( X, Y ) = Cov( X, Y ) i j i j i= 1 j= 1 i= 1 j= 1 147

57 Covarianza e varianza della somma di variabili aleatorie Usando l equazione (*) sulla variabile aleatoria Σ i X i si ottiene finalmente la formula che fornisce la varianza di una somma di variabili aleatorie. n n n n n Var( X ) = Cov( X, X ) = Cov( X, X ) = i i j i j i= 1 i= 1 j= 1 i= 1 j= 1 n n n = Var( X ) + Cov( X, X ) i= 1 i i= 1 j= 1 i j j i Nel caso in cui n=2, la formula si riduce a Var( X + Y ) = Var( X ) + Var( Y ) + Cov( X, Y ) + Cov( Y, X ) = = Var( X ) + Var( Y ) + 2 Cov( X, Y ) Cov( X, X ) = Var( X ) (*) 148

58 Covarianza e varianza della somma di variabili aleatorie TEOREMA: Se X e Y sono variabili aleatorie indipendenti allora questo inoltre implica che E[ XY ] = E[ X ] E[ Y ] Cov( X, Y ) = 0 e quindi che, se X 1,,X n sono indipendenti n n Var( X ) = Var( X ) i i= 1 i= 1 i 149

59 Covarianza e varianza della somma di variabili aleatorie 150

60 Covarianza e varianza della somma di variabili aleatorie 151

61 Covarianza e varianza della somma di variabili aleatorie Se due variabili aleatorie non sono indipendenti, la loro covarianza è un importante indicatore della relazione che sussiste tra loro. Come esempio si consideri la situazione in cui X e Y sono le funzioni indicatrici di due eventi A e B, ovvero Si noti intanto che anche XY è una funzione indicatrice Si ottiene quindi che da cui si deduce che Cov( X, Y ) = E[ XY ] E[ X ] E[ Y ] = = P( X = 1, Y = 1) P( X = 1) P( Y = 1) Cov( X, Y ) > 0 P( X = 1, Y = 1) > P( X = 1) P( Y = 1) P( X = 1, Y = 1) > P( X = 1) P( X = 1 Y = 1) > P( X = 1) P( Y = 1) Perciò la covarianza di X e Y è positiva se condizionando a {Y=1} è più probabile che X=1. 152

62 Covarianza e varianza della somma di variabili aleatorie In generale si può mostrare che un valore positivo di Cov(X,Y) indica che X e Y tendenzialmente assumono valori grandi o piccoli contemporaneamente. La forza della relazione tra X e Y è misurata dal coefficiente di correlazione lineare, un numero puro che tiene conto anche delle deviazioni standard di X e Y. Esso si indica con Corr(X,Y) ed è definito come Corr( X, Y ) = Cov( X, Y ) Var( X ) Var( Y ) Si può dimostrare che questa quantità è sempre compresa tra -1 e

63 Problemi 1. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri da 1 a 6, sia costruito in modo tale che la probabilità di ottenere 6 è doppia rispetto a quella degli altri punteggi. Indicata con X la variabile casuale punteggio ottenuto in un lancio del dado, si determini: a) la legge di probabilità della variabile casuale X; b) il valore atteso e la varianza della variabile casuale X. Svolgimento a) La variabile casuale X può assumere i valori 1, 2, 3, 4, 5, 6. Per quanto specificato nel testo dell esercizio si ha che la funzione di probabilità della variabile casuale X ha la seguente forma: Affinché P(X = x) sia effettivamente una funzione di probabilità per la variabile casuale X, il valore di p deve essere tale da assicurare che: 154

64 Problemi La prima condizione impone che p 0. Osservando che la seconda condizione prescrive che 7p = 1. Quest ultima equazione è soddisfatta solo se p = 1/7 0. La funzione di probabilità della variabile casuale X è di conseguenza data da: 155

65 Problemi b) Il valore atteso E(X) della variabile casuale X è dato da: La varianza Var(X) della variabile casuale X è data da: Al fine del calcolo di Var(X), si ricava il valore atteso E(X 2 ). 156

66 Si ha dunque: Problemi 157

67 Problemi 2. Un gioco consiste nel lanciare un dado ed una moneta non truccati. Come risultato del lancio del dado si considera il numero riportato sulla faccia superiore, mentre per il lancio della moneta si considera il punteggio 0 se si presenta testa, punteggio 1 se si presenta croce. Determinare il valore atteso e la varianza della variabile casuale che descrive la somma dei punteggi riportati nel lancio del dado e della moneta. Svolgimento Si indichi con X la variabile casuale che interpreta l esito del lancio del dado e con Y la variabile casuale che interpreta il punteggio associato all esito del lancio della moneta. La variabile casuale X può assumere i valori appartenenti all insieme {1, 2, 3, 4, 5, 6} mentre la variabile casule Y può assumere i valori 0 o 1. Si ha inoltre che: 158

68 Problemi La variabile casuale che descrive la somma dei punteggi ottenuti lanciando il dado e la moneta è Z = X + Y. Si ha che: Le variabili casuali X e Y sono indipendenti in quanto interpreti di esperimenti fisicamente separati. In questo caso si ha: 159

69 Problemi Per comodità, si ricavano dapprima le varianze Var(X) e Var(Y). Concludendo si ha: 160

70 Problemi 3. Data la distribuzione di probabilità congiunta delle variabili casuali X e Y : a) stabilire se le variabili X e Y sono indipendenti; b) calcolare Pr{Y 2,X > 0} e Pr{Y 2 X > 0}; c) calcolare il valore atteso e la varianza della variabile casuale Z = X 2Y ; Svolgimento a) Di seguito si riportano la distribuzione congiunta e le distribuzioni marginali delle v.c. X e Y : 161

71 Problemi Se le variabili casuali X e Y fossero indipendenti si avrebbe che: Si osservi che, secondo la distribuzione congiunta fornita dal testo dell esercizio, si ha: Di conseguenza le variabili casuali X e Y non sono indipendenti. b) 162

72 Problemi c) Dalle proprietà del valore atteso si ha che: quindi Si ha dunque che: 163

73 Problemi d) Dalle proprietà della varianza e della covarianza si ha che: quindi 164

74 Problemi Questo ultimo risultato informa che le variabili casuali X e Y, pur non essendo indipendenti, risultano essere incorrelate. Alla luce di tali risultati si ha che: 165

75 MODELLI DI VARIABILI ALEATORIE Variabili di Bernoulli e binomiali Variabili di Poisson Variabili normali o gaussiane Variabili esponenziali Distribuzioni chi-quadro Distribuzioni t 166

76 Variabili di Bernoulli e binomiali Supponiamo che venga realizzata una prova il cui esito può essere solo un «successo» o un «fallimento». Se definiamo la variabile aleatoria X in modo che sia X=1 nel primo caso e X=0 nel secondo, la funzione di massa di probabilità X è data da P(X=0)=1-p P(X=1)=p dove con p abbiamo indicato la probabilità che l esperimento registri un successo. Ovviamente dovrà essere 0 p 1. DEFINIZIONE: Una variabile aleatoria X si dice di Bernoulli o bernoulliana se la sua funzione di massa di probabilità è del tipo P( X = 0) = 1 P( X = 1) = p per una scelta opportuna del parametro p. p In altri termini una variabile aleatoria è bernoulliana se può assumere solo i valori 0 e 1. Il suo valore atteso è dato da E[ X ] = 1 P( X = 1) + 0 P( X = 0) = p (*) ed è quindi pari alla probabilità che la variabile aleatoria assuma il valore

77 Variabili di Bernoulli e binomiali DEFINIZIONE: La funzione di massa di probabilità per una variabile aleatoria binomiale di parametri (n,p) è data da n i n i dove il coefficiente binomiale Supponiamo di realizzare n ripetizioni di un esperimento, ciascuna delle quali può concludersi in un successo con probabilità p, o in un fallimento con probabilità 1-p. Se X denota il numero totale di successi, X si dice variabile aleatoria binomiale di parametri (n,p). P( X = i) = p (1 p) i = 0,1,..., n i n n! i = i!( n i)! rappresenta il numero di combinazioni differenti che possiamo ottenere scegliendo i elementi da un insieme di n oggetti. Funzioni di massa di probabilità per 3 variabili aleatorie binomiali 168

78 Variabili di Bernoulli e binomiali 169

79 Variabili di Bernoulli e binomiali 170

80 Variabili di Bernoulli e binomiali 171

81 Variabili di Bernoulli e binomiali Per come è stata definita la variabile aleatoria binomiale di parametri (n,p) (il numero di esperimenti con esito positivo, su n ripetizioni indipendenti, ciascuna con probabilità di successo p), essa può essere rappresentata come la somma di bernoulliane. Se X è binomiale di parametri (n,p) si può scrivere n X = i= 1 X (**) dove X i è la funzione indicatrice del successo dell i-esimo esperimento i X i 1 se la prova i-esima ha successo = 0 altrimenti E evidente che le X i sono tutte bernoulliane di parametro p, quindi abbiamo che E[ X ] = p per (*) i 2 i = i 2 i i 2 i i 2 2 E[ X ] p infatti X X Var( X ) = E[ X ] E[ X ] = p p = p(1 p) 172

82 Variabili di Bernoulli e binomiali Per quanto riguarda X, dalle proprietà di media e varianza e dalla (**), si ha n E[ X ] = E[ X ] = np i= 1 n Var( X ) = Var( X ) per l'indipendenza delle X i= 1 = np(1 p) i i i N.B. Se X 1 e X 2 sono binomiali di parametri (n 1,p) e (n 2,p) e sono indipendenti, la loro somma X 1 +X 2 è binomiale di parametri (n 1 +n 2,p) 173

83 Variabili di Bernoulli e binomiali Calcolo esplicito della distribuzione binomiale Supponiamo che X sia binomiale di parametri (n,p). Per poter calcolare operativamente la funzione di ripartizione o la funzione di massa i n k n k P( X i) = p (1 p) i=0,1,...,n k= 0 k n i n-i P( X = i) = p (1 p) i=0,1,...,n i è molto utile la seguente relazione tra P(X=k+1) e P(X=k): p n k P( X = k + 1) = P( X = k) 1 p k

84 Variabili di Bernoulli e binomiali 175

85 Variabili aleatorie di Poisson E un altra importante variabile aleatoria discreta che assume solo valori interi non negativi. DEFINIZIONE: Una variabile aleatoria X che assuma i valori 0,1,2, è una variabile aleatoria di Poisson o poissoniana di parametro λ, λ>0, se la funzione di massa di probabilità è data da i λ λ P( X = i) = e i=0,1,2,... i! L equazione rappresenta una funzione di massa accettabile, infatti i λ λ λ λ P( X = i) = e = e e =1 i=0,1,2,... i! i= 0 i= 0 Funzione di massa di probabilità della distribuzione di Poisson con λ=4 176

86 Variabili aleatorie di Poisson La media e la varianza di una variabile aleatoria di Poisson X coincidono con il parametro λ. E[ X ] = λ Var( X ) = λ La variabile aleatoria di Poisson ha un vasto campo di applicazioni, anche perché può essere usata come approssimazione di una binomiale di parametri (n,p) quando n è molto grande e p molto piccolo. In altri termini il totale dei successi in un gran numero n di ripetizioni indipendenti di un esperimento che ha una piccola probabilità di riuscita p è una variabile aleatoria con distribuzione approssimativamente di Poisson con media λ=np. 177

87 Variabili aleatorie di Poisson 178

88 Variabili aleatorie di Poisson 179

89 Variabili aleatorie di Poisson 180

90 Variabili aleatorie di Poisson 181

91 Variabili aleatorie di Poisson La distribuzione di Poisson è riproducibile, nel senso che la somma di due poissoniane indipendenti è ancora una poissoniana. 182

92 Variabili aleatorie di Poisson Calcolo esplicito della distribuzione di Poisson Se X è una variabile aleatoria di Poisson di media λ, allora i+ 1 λ P( X = i + 1) λ e i! λ = = P( X = i) ( i + 1)! i λ λ e i + 1 E possibile usare tale equazione ricorsivamente, a partire da P(X=0)=e -λ per calcolare successivamente P( X = 1) = λp( X = 0) λ P( X = 2) = P( X = 1) 2 λ P( X = i + 1) = P( X = i) i

93 Variabili aleatorie normali o gaussiane DEFINIZIONE: Una variabile aleatoria X si dice normale o gaussiana di parametri µ e σ 2 e si scrive X N(µ,σ 2 ) se X ha funzione di densità data da 2 1 ( x µ ) f ( x) = exp x 2πσ 2 R 2σ La densità normale è una curva a campana simmetrica rispetto all asse x=µ, dove ha il massimo pari a ( σ 2 π ) σ 184

94 Variabili aleatorie normali o gaussiane La media e la varianza di una variabile aleatoria gaussiana sono E[ X ] = µ Var( X ) = σ N.B. Se X è una gaussiana e Y è una trasformazione lineare di X, allora Y è a sua volta gaussiana. PROPOSIZIONE: Sia X N(µ,σ 2 ) e sia Y=aX+b dove a e b sono due costanti reali e a 0. Allora Y è una variabile aleatoria normale con media aµ+b e varianza a 2 σ 2. Un corollario della precedente proposizione è che se X~N( µ,σ 2 ) allora Z = X µ σ è una variabile aleatoria normale con media 0 e varianza 1. Una tale variabile aleatoria si dice normale standard; la sua funzione di ripartizione riveste un ruolo importante in statistica ed è normalmente indicata con il simbolo Φ 2 1 x y /2 Φ ( x) = e dy x R 2π 2 185

95 Variabili aleatorie normali o gaussiane Il fatto che Z=(X-µ)/σ abbia distribuzione normale standard quando X è gaussiana di media µ e varianza σ 2 ci permette di esprimere le probabilità relative a X in termini di probabilità di Z. Ad esempio per trovare P(X<b) notiamo che X<b se e solo se così che X µ b µ < σ σ X µ b µ b µ b µ P( X < b) = P < = P Z < = Φ σ σ σ σ Analogamente, per ogni a<b si ha che a µ X µ b µ P( a < X < b) = P < < = σ σ σ b µ a µ b µ a µ = P Z < P Z < = Φ Φ σ σ σ σ In entrambi i casi ci siamo ricondotti a determinare un valore di Φ(x). L integrale dell equazione (*) che definisce questa funzione non si può risolvere analiticamente; è quindi possibile calcolare Φ(x) usando le approssimazioni della tabella A

96 Variabili aleatorie normali o gaussiane 187

97 Variabili aleatorie normali o gaussiane Nonostante la tabella riporti Φ(x) solo per valori non negativi di x, è possibile ottenere Φ(-x) usando la simmetria della distribuzione rispetto a 0. Infatti sia x>0 e supponiamo che Z rappresenti una variabile aleatoria normale standard, allora Così che ad esempio Φ( x) = P( Z < x) = = P( Z > x) per simmetria = 1 P( Z < X ) = 1 Φ( x) P( Z < 1) = Φ( 1) = 1 Φ(1)

98 Variabili aleatorie normali o gaussiane 189

99 Variabili aleatorie normali o gaussiane 190

100 Variabili aleatorie normali o gaussiane 191

101 Variabili aleatorie normali o gaussiane La distribuzione normale è riproducibile, nel senso che la somma di variabili aleatorie normali e indipendenti ha essa stessa distribuzione normale. 192

102 Variabili aleatorie normali o gaussiane 193

103 Variabili aleatorie normali o gaussiane Introduciamo ora una notazione che semplificherà molte delle formule che seguiranno. Per ogni α œ(0,1) definiamo il numero z α in modo che sia P( Z > z ) = 1 Φ ( z ) = (**) α α α ovvero definiamo z α = Φ 1 (1 α ) in modo che la probabilità che una normale standard assuma un valore maggiore di z α sia esattamente α. Il valore di z α al variare di α può essere ottenuto dalla tabella A.1. Ad esempio essendo 1 Φ(1.645) 0.05 z Φ(1.96) z Φ(2.33) 0.01 z

104 Variabili aleatorie esponenziali DEFINIZIONE: Una variabile aleatoria continua la cui funzione di densità di probabilità è data da f ( x) x λe λ se x 0 = 0 se x < 0 per un opportuno valore della costante λ>0, si dice esponenziale con parametro (o intensità) λ. La funzione di ripartizione di una tale variabile aleatoria è data da x λ y λ 0 λx F( x) = P( X x) = e dy = 1 e x 0 Nella pratica la distribuzione esponenziale può rappresentare il tempo di attesa che si verifichi un certo evento casuale. 195

105 Variabili aleatorie esponenziali La media e la varianza di tale variabile sono E[ X ] = 1/ λ Var( X ) = 1/ λ La proprietà centrale della distribuzione esponenziale è la sua assenza di memoria. Con questa espressione riferita ad una variabile aleatoria positiva X si intende che P( X > s + t X > t) = P( X > s) s, t

106 Variabili aleatorie esponenziali 197

107 Variabili aleatorie esponenziali 198

108 Variabili aleatorie esponenziali PROPOSIZIONE: Se X 1,X 2,,X n sono variabili aleatorie esponenziali e indipendenti di parametri λ 1,λ 2,,λ n rispettivamente, allora la variabile aleatoria Y=min(X 1,X 2,,X n ) è esponenziale di parametri n λ i= 1 i 199

109 Distribuzioni chi-quadro DEFINIZIONE: Se Z 1,Z 2,,Z n sono variabili aleatorie normali standard e indipendenti, allora la somma dei loro quadrati X = Z1 + Z Zn è una variabile aleatoria che prende il nome di chi-quadro a n gradi di libertà. La notazione che useremo per indicare questo fatto è la seguente 2 X χ n Tale distribuzione è riproducibile, nel senso che se X 1 e X 2 sono due chi-quadro indipendenti con n 1 e n 2 gradi di libertà rispettivamente allora la loro somma X 1 +X 2 è un chi-quadro con n 1 +n 2 gradi di libertà. In analogia con l equazione (**), per la distribuzione normale standard, se X è una chi-quadro con n gradi di libertà e α è un reale compreso tra 0 e 1, si definisce la quantità χ 2 α,n tramite l equazione seguente 2 α, n P( X χ ) = α In tabella A.2 sono tabulati i valori di χ 2 α,n parametri α e n. per numerose combinazioni dei 200

110 Distribuzioni chi-quadro 201

111 Distribuzioni chi-quadro 202

112 Distribuzioni chi-quadro 203

113 Distribuzioni chi-quadro Se X χ n2 allora il valore atteso e la varianza sono dati da E[ X ] = n Var( X ) = 2n 204

114 Distribuzioni t DEFINIZIONE: Se Z e C n sono variabili aleatorie indipendenti, la prima normale standard e la seconda chi-quadro con n gradi di libertà, allora la variabile aleatoria T n, definita come T = Z n Cn / n si dice avere distribuzione t (o t di Student) con n gradi di libertà, cosa che si denota sinteticamente con T n t n 205

115 Distribuzioni t La densità delle distribuzioni t, proprio come quella normale standard, è simmetrica rispetto all asse di ascissa 0. E possibile mostrare che al crescere di n, la densità di t n converge a quella della normale standard. La figura mette a confronto la densità di una distribuzione t con 5 gradi di libertà con quella della normale standard. Si noti che la t è caratterizzata da code più spesse, a indicare una variabilità maggiore rispetto alla gaussiana. Valore atteso e varianza di T n sono dati da E[ T ] = 0 n 2 n n Var( Tn ) = n 3 n 2 Si noti che, al crescere di n, la varianza di t n decresce, convergendo a 1 dall alto. 206

116 Distribuzioni t In analogia con quanto fatto in precedenza, se T n è una t con n gradi di libertà e αœ(0,1), si definisce la quantità t α,n in modo che sia P( T t α ) = α n, n Dalla simmetria rispetto allo zero della densità t, segue che T n ha la stessa distribuzione di T n cosicché α = P( T t ) = P( T t ) = 1 P( T > t ) n α, n n α, n n α, n quindi da cui si ottiene che P( T t α ) = 1 α n, n t = t α, n 1 α, n I valori di t α,n per diverse combinazioni di α e n sono tabulati in tabella A

117 Distribuzioni t 208

118 Distribuzioni t 209

119 Problemi 1. In una scuola ci sono 100 studenti, di cui 30 più alti di 180 cm. a) Campionando con reinserimento n=10 studenti, qual è la probabilità di estrarne almeno uno più alto di 180 cm? b) Qual è la probabilità di estrarne esattamente due? c) Qual è la probabilità di estrarne meno di quattro? Svolgimento a) Sia A l evento essere più alti di 180 cm. P(A) = 30/100 = 0.3 Sia X la variabile che definisce il numero di ragazzi più alti di 180 cm (successi), con X ~ Bin(10,0.3) 10! 0 10 b) c) P( X 1) = 1 P( X = 0) = 1 (0.3) (1 0.3) = !10! 10! 2 8 P( X = 2) = (0.3) (1 0.3) = !8! P( X < 4) = P( X = 3) + P( X = 2) + P( X = 1) + P( X = 0) = = =

120 Problemi 2. Si supponga che al Pronto Soccorso di un piccolo ospedale si presentino in media 3 pazienti ogni ora. Allo scopo di predisporre il giusto personale medico, si vuole valutare qual è la probabilità che nello stesso intervallo di tempo arrivino esattamente due pazienti e che arrivino più di due pazienti. Svolgimento P( X = 2) = e = = ! 3 2 ( ) P( X > 2) = P( X = 3) + P( X = 4) P( X = ) = = 1 P( X 2) = 1 [ P( X = 0) + P( X = 1) + P( X = 2)] = =

121 Problemi 3. Sia X il numero di casi di distrofia all anno. Sapendo che il numero medio di casi all anno è 10.5, si vuole calcolare Svolgimento a) a) la probabilità di registrare più di tre casi l anno b) la probabilità di registrarne esattamente 10. P( X > 3) = 1 P( X 3) = 1 [ P( X = 0) + P( X = 1) + P( X = 2) + P( X = 3)] = = 1 ( ) = 0.99 b) P( X = 10) = e = ! 212

122 Problemi 4. Sia X una variabile aleatoria che rappresenta la pressione sistolica. Per la popolazione maschile italiana di età compresa tra i 18 e i 74 anni la pressione sistolica è approssimativamente distribuita secondo un modello normale con media 129 (millimetri di mercurio) e deviazione standard 19.8 (millimetri di mercurio). Si vuole conoscere la probabilità che un individuo selezionato casualmente presenti un livello di pressione sistolica minore di 140. Svolgimento X µ 140 µ P( X < 140) = P < = P Z < = σ σ 19.8 = P( Z < 0.556) = Φ(0.556)

123 Problemi 5. Sia X una variabile causale che misura la glicemia nel sangue. Un precedente studio ha dimostrato che X si distribuisce approssimativamente come una N(4,0.4). Calcolare: Svolgimento a) a) P(X>7) b) P(X 3) c) P(3 X 6) X µ 7 µ 7 4 P( X > 7) = P > = P Z > = σ σ 0.6 = P( Z > 5) = 1 Φ (5) = 1 1 = 0 b) c) X µ 3 µ 3 4 P( X 3) = P = P Z = σ σ 0.6 = P( Z 1.6) = P( Z 1.6) = 1 P( Z 1.6) = 1 Φ (1.6) = = X µ 6 4 P(3 X 6) = P = P( Z 3.33) P( Z 1.7) = 0.6 σ = Φ(3.33) (1 Φ (1.7)) = ( ) = 0.955

124 Svolgimento Problemi 6. Il voto ottenuto dagli studenti alla prova scritta di un esame universitario segue una distribuzione normale di media µ = 20 ed è inoltre noto che P(X >18) = 0.7, ossia che con una probabilità pari a 70% si supera l esame. Stabilire quale voto viene superato dal 10% degli studenti. Serve σ 2 e sfruttiamo l informazione P(X > 18) = 0.7. X = P( X > 18) = P > = 1 Φ( 2 / σ ) = Φ(2 / σ ) σ σ Dalle tavole si trova 0.52=2/σ. Quindi σ= Perciò N N(20,14.792). Poiché vale 0.10 = P(X > x) ( 0.90 = P(X < x), si trova X 20 x = P( X < x) = P < = Φ(( x 20) / 3.846) Dalle tavole si trova 1.28 = (x-20)/ Quindi x = = Concludendo, è circa pari a 10% la probabilità di prendere un voto superiore a 25 all esame universitario. 215

125 Svolgimento Problemi 7. Due componenti hanno tempi di durata T1 e T2 indipendenti e con funzione di densità esponenziale con valore medio 200 ore. Determinare la probabilità che un dispositivo composto da entrambi i componenti duri almeno 100 ore. La probabilità che il dispositivo duri almeno 100 ore è la probabilità che la durata minima di funzionamento dei due componenti sia almeno 100 ore. Ricordando la proposizione riguardante la funzione di densità del minimo di variabili aleatorie esponenziali indipendenti e identicamente distribuite e ricordando che la media di una distribuzione esponenziale è pari a 1/λ si ha: P(min( T1, T 2) > 100) = P(( T1, T 2) > 100) = 1 P(( T1, T 2) 100) = λt1 λt [1 e e ] = 1 [1 e e ] = e 216

126 Problemi 8. Un prodotto si ottiene dall assemblaggio di tre componenti, le cui lunghezze si distribuiscono come segue: X 1 N(2, 0.01) X 2 N(4, 0.02) X 3 N(3, 0.02) Si assuma che le tre lunghezze siano tra loro indipendenti. Gli standard qualitativi del prodotto prevedono che la lunghezza sia compresa nell intervallo (8.75, 9.25). a) Si determini la probabilità che il prodotto stia negli standard qualitativi; b) Qual è la probabilità che il secondo pezzo sia più lungo del terzo? Svolgimento a) Sia Y = X1 + X2 + X3 la lunghezza del prodotto. Per la proprietà riproduttiva della normale, 2 Y N( µ, σ ) E[ Y ] = E[ X1] + E[ X 2] + E[ X3] = = 9 Var( Y ) = Var( X ) + Var( X ) + Var( X ) + 2 Cov( X, X ) + Quindi la probabilità richiesta Cov( X, X ) + 2 Cov( X, X ) = = P(8.75 < Y < 9.25) = P < Z < = P( 1.12 < Z < 1.12) = = 1 2 P( Z > 1.12) = 1 2(1 P( Z < 1.12)) = 2 P( Z < 1.12) 1 = = =

127 b) Vogliamo calcolare la probabilità che il secondo pezzo sia più lungo del terzo, ossia P(X 2 > X 3 ) = P(X 2 X 3 > 0). Sappiamo che Quindi Problemi X X N( E[ X ] E[ X ], Var( X ) + Var( X )) = N(1,0.04) P( X 2 X3 > 0) = P( Z > ) = P( Z > 5) = P( Z < 5)

128 Problemi 9. Determinare: a) il valore della t di Student di parametro 24 che si lascia a destra una probabilità pari a 0.05; b) quale valore di una variabile aleatoria χ 2 di parametro 5 si lascia a destra una probabilità pari a 0.025; Svolgimento a) P( T t ) = 0.05 t = , ,24 b) , ,5 P( X χ ) = χ =

129 Svolgimento Problemi 10. Un apparecchiatura contiene 2000 componenti ugualmente affidabili, con una probabilità di guastarsi, per ognuno di essi, uguale a p = Sia E i questo evento. Se anche un solo componente si guasta, l apparecchiatura si ferma: valutare la probabilità di quest ultimo evento, supponendo indipendenti i 2000 eventi E i. Con questi valori di p e n si può utilizzare la variabile aleatoria di Poisson con λ = np=1. Allora la probabilità che nessun componente si guasti è e 1, e quindi la probabilità che l apparecchiatura si fermi è uguale a 1 e 1 =

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) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

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

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

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI DI CALCOLO DELLE PROBABILITA Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

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 inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

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

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

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

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

Probabilità II Variabili casuali discrete

Probabilità II Variabili casuali discrete Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una

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

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

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

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

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

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

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

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

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

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

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

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

1 Modelli di variabili aleatorie continue

1 Modelli di variabili aleatorie continue Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

5. La teoria astratta della misura.

5. La teoria astratta della misura. 5. La teoria astratta della misura. 5.1. σ-algebre. 5.1.1. σ-algebre e loro proprietà. Sia Ω un insieme non vuoto. Indichiamo con P(Ω la famiglia di tutti i sottoinsiemi di Ω. Inoltre, per ogni insieme

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

ESERCIZI DI RIEPILOGO 2. 7 jj(addi

ESERCIZI DI RIEPILOGO 2. 7 jj(addi ESERCIZI DI RIEPILOGO 2 ESERCIZIO 1 Da un comune mazzo di 52 carte francesi (13 carte per ognuno dei quattro semi: picche, cuori, fiori e quadri) viene estratta casualmente una carta. Definiti gli eventi:

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI IL CONCETTO DI VARIABILE CASUALE Associare una misura di probabilità al verificarsi di un certo evento (come esito di un esperimento) non sempre è sufficiente a risolvere gran parte dei problemi reali

Dettagli

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili

Dettagli

COEFFICIENTI BINOMIALI

COEFFICIENTI BINOMIALI COEFFICIENTI BINOMIALI Michele Impedovo micheleimpedovo@uni-bocconiit Una definizione insiemistica Se n è un numero naturale e è un numero naturale compreso tra e n, si indica con il simbolo il coefficiente

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

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

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

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

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

Statistica Applicata all edilizia: alcune distribuzioni di probabilità

Statistica Applicata all edilizia: alcune distribuzioni di probabilità Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana

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

Risolvi le seguenti equazioni e disequazioni fra [ 0 ; 2 π ]

Risolvi le seguenti equazioni e disequazioni fra [ 0 ; 2 π ] IV A GAT PRIMA VERIFICA DI MATEMATICA 3 ottobre 0 Risolvi le seguenti equazioni e disequazioni fra [ 0 ; π ].. 3... 6. 7. 8. Risultati:. = π/6 e = 7π/6. =π/ ; =π/6 ; =π/6 3. =π/3 ; =π/3. =π/3 ; =π/3. π/

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

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

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

Applicazioni del calcolo differenziale allo studio delle funzioni

Applicazioni del calcolo differenziale allo studio delle funzioni Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,

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

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

CP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione

CP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 8 luglio, 2010 CP110 Probabilità: Esame del 3 giugno 2010 Testo e soluzione 1. (6 pts 12 monete da 1 euro vengono distribuite tra

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Soluzioni Esercizi elementari

Soluzioni Esercizi elementari Soluzioni sercizi elementari Capitolo. carattere: itolo di Studio, carattere qualitativo ordinato modalità: Diploma, Licenza media, Laurea, Licenza elementare unità statistiche: Individui. carattere: Fatturato,

Dettagli

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520:

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520: Fig. 10.bis.1 Variazioni percentuali Variazione percentuale di x dalla data zero alla data uno: x1 x 0 %x = 100% x 0 = variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del

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 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

1. PRIME PROPRIETÀ 2

1. PRIME PROPRIETÀ 2 RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

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

Capitolo I STRUTTURE ALGEBRICHE ELEMENTARI

Capitolo I STRUTTURE ALGEBRICHE ELEMENTARI Capitolo I STRUTTURE ALGEBRICHE ELEMENTARI In matematica, per semplificare la stesura di un testo, si fa ricorso ad un linguaggio specifico. In questo capitolo vengono fornite in maniera sintetica le nozioni

Dettagli

11) convenzioni sulla rappresentazione grafica delle soluzioni

11) convenzioni sulla rappresentazione grafica delle soluzioni 2 PARAGRAFI TRATTATI 1)La funzione esponenziale 2) grafici della funzione esponenziale 3) proprietá delle potenze 4) i logaritmi 5) grafici della funzione logaritmica 6) principali proprietá dei logaritmi

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

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

Serie numeriche. 1 Definizioni e proprietà elementari

Serie numeriche. 1 Definizioni e proprietà elementari Serie numeriche Definizioni e proprietà elementari Sia { } una successione, definita per ogni numero naturale n n. Per ogni n n, consideriamo la somma s n degli elementi della successione di posto d s

Dettagli

La categoria «ES» presenta (di solito) gli stessi comandi

La categoria «ES» presenta (di solito) gli stessi comandi Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

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

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

Inferenza statistica. Inferenza statistica

Inferenza statistica. Inferenza statistica Spesso l informazione a disposizione deriva da un osservazione parziale del fenomeno studiato. In questo caso lo studio di un fenomeno mira solitamente a trarre, sulla base di ciò che si è osservato, considerazioni

Dettagli

Esercizi di Calcolo delle Probabilita (I)

Esercizi di Calcolo delle Probabilita (I) Esercizi di Calcolo delle Probabilita (I) 1. Si supponga di avere un urna con 15 palline di cui 5 rosse, 8 bianche e 2 nere. Immaginando di estrarre due palline con reimmissione, si dica con quale probabilità:

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

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

STATISTICA E PROBABILITá

STATISTICA E PROBABILITá STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano

Dettagli

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

a) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha:

a) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha: ESERCIZIO - Data la funzione f (x) = (log x) 6 7(log x) 5 + 2(log x) 4, si chiede di: a) calcolare il dominio di f ; ( punto) b) studiare la positività e le intersezioni con gli assi; (3 punti) c) stabilire

Dettagli

Corso di Analisi Matematica. Successioni e serie numeriche

Corso di Analisi Matematica. Successioni e serie numeriche a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Successioni e serie numeriche Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7 CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Calcolo delle probabilità Il Sig. Rossi abita nella città X e lavora nella città Y, poco distante.

Dettagli

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛ Università di Macerata Facoltà di Scienze Politiche - Anno accademico 009- Una variabile casuale è una variabile che assume determinati valori con determinate probabilità; Ad una variabile casuale è associata

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

Variabili Casuali Continue e Distribuzione Normale

Variabili Casuali Continue e Distribuzione Normale Variabili Casuali Continue e Distribuzione Normale Nel Capitolo 5 si è definita variabile casuale continua una variabile casuale che può assumere tutti valori compresi fra gli estremi di un intervallo

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

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

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

VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.

VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza. VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secondaria di secondo grado UNITÀ CAMPIONE Edizioni del Quadrifoglio à t i n U 1 Sistemi di primo grado

Dettagli

1 Serie di Taylor di una funzione

1 Serie di Taylor di una funzione Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita

Dettagli