Sommario lezioni di Probabilità versione abbreviata

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Sommario lezioni di Probabilità versione abbreviata"

Transcript

1 Sommario lezioi di Probabilità versioe abbreviata C. Frachetti April 28, Lo spazio di probabilità. 1.1 Prime defiizioi I possibili risultati di u esperimeto costituiscoo lo spazio dei campioi o spazio di probabilità. Le parole chiave soo spiegate dagli esempi che seguoo. 1 Lacio di u dado : {1,2,3,4,5,6} 2 Lacio di ua moeta : {T,C} 3 Due laci successivi di ua moeta : {TT,TC,CT,CC} I questi esempi lo spazio dei campioi ha cardialità rispett. 6, 2, 4. Ma ecco u esempio co cardialità ifiita: 4 Laci successivi di ua moeta fichè vega testa: {T, CT, CCT, CCCT,..., CCC..CT,...} Iteressa sapere se il risultato dell esperimeto coferma (rietra i) o o u eveto previsto. Questa uova parola chiave sarà spiegata usado gli esempi di sopra. Soo eveti: 1 : A = viee u umero pari = {2,4,6} 2 : A = o viee è testa è croce = 3 : A = viee almeo ua volta testa = {TT,TC,CT} 4 : A = viee testa i o più di 3 laci = {T,CT,CCT} Come si vede gli eveti soo sottoisiemi dell isieme costituito dallo spazio dei campioi, i risultati degli esperimeti (atomi, eveti semplici) soo duque gli elemeti (puti) dello spazio dei campioi, che idicheremo co Ω. Gli eveti soo duque ua sottofamiglia A di P(Ω) (parti di Ω). Nell esempio 1 se B è l eveto viee u umero miore o uguale a 2 = {1,2}; è aturale cosiderare come eveto viee u umero pari oppure viee u umero miore o uguale a 2 = {1,2,4,6} che poi è A B l eveto uioe. Nell esempio 3 è aturale cosiderare come eveto o viee mai testa = {CC} che poi è A c = Ω \ A l eveto complemetare. Questa ultima osservazioe suggerisce di premettere la Defiizioe Ua famiglia A di sottoisiemi di u isieme Ω si dice che è ua σ-algebra di Ω se: i) Ω A. ii) A A A c A. iii) A A per = 1,2,... A A. =1 L esempio 4 spiega perchè richiedere che l uioe cotabile di eveti sia u eveto. Si osservi che dagli assiomi segue che l isieme vuoto è u eveto così come l itersezioe cotabile di eveti. Facedo riferimeto all idea ituitiva di probabilità, ei primi tre esempi cocordiamo el dire che ogi eveto semplice ha la stessa possibilità di realizzarsi: rispett. ua su sei, ua su due e ua su quattro. Prediamo ora u dado e segamo quattro facce co T e le altre due co C, si ottiee u 1

2 esempio i cui lo spazio dei campioi (come isieme) coicide co quello dell esempio 2: {T,C}; tuttavia cocorderemo el dire che i due eveti semplici o hao la stessa possibilità di realizzarsi, e daremo a T quattro su sei e a C due su sei. Se A o è u eveto semplice, cocorderemo ell assegargli come possibilità di realizzarsi la somma delle possibilità degli atomi che lo compogoo. Chiamiamo duque questa possibilità p(a), la probabilità che A si verifichi. Siamo idotti subito a dire che Ω = eveto certo e = eveto impossibile hao probabilità rispett. 1 e 0. Si ha subito da qua che se Ω ha cardialità ifiita (come ell esempio 4), i suoi atomi o possoo avere tutti la stessa 1 probabilità. (I 4 le probabilità soo rispett. 1/2, 1/4,.. e, come deve essere, = 1. Si oti 2 =1 che abbiamo tacitamete ammesso questo fatto: prima o poi deve ecessariamete uscire testa che risulta essere Ω, l eveto certo). La probabilità p dovrà essere quella che i matematici chiamao ua misura (positiva) defiita su ua σ-algebra di u isieme Ω co la codizioe che la misura di Ω sia 1, cioè Defiizioe Siao Ω u isieme e A ua σ-algebra di Ω; ua probabilità p è ua applicazioe p : A [0, 1] tale che: i) p(ω) = 1. ii) Se per N, A A e gli isiemi A soo a due a due disgiuti allora (σ-additività) p( A ) = p(a ) =1 Dall esempio 4 comprediamo la ecessità di richiedere la completa additività della probabilità. Siamo ora proti a dare la Defiizioe Uo spazio di probabilità è ua tera {Ω, A, p} dove Ω è u isieme, A ua σ- algebra di Ω e p ua probabilità su A. Teorema ioltre se B A si ha =1 p(a B) = p(a) + p(b) P (A B) p(b) p(a) ; p(a \ B) = p(a) p(b) Dimostrazioe. Basta osservare che B = (B A) (B A c ), per cui p(b) = p(a B) + p(b A c ); A B = A (B A c ), per cui p(a B) = p(a) + p(b A c ). Nel caso che B A le altre formule si provao scrivedo A = B (A \ B). Si osservi che questo risultato implica i particolare che per eveti qualsiasi A (o ecessariamete disgiuti) si ha p( A ) p(a ) =1 Per fare u esempio prediamo il lacio di due dadi. Come spazio dei campioi si può predere Ω = {(i, j) : i, j = 1,.., 6}, dove ella coppia ordiata il primo (secodo) elemeto è il umero uscito el primo (secodo) dado. Assegamo la probabilità uiforme, per cui se x Ω, p(x) = 1/36. Calcoliamo la probabilità dell eveto S = esce almeo ua volta il 6. Le coppie che o cotegoo il 6 soo 25, per cui p(s) = 1 25/36 = 11/36. Si poteva usare il Teorema di sopra: S = A 6 B 6 dove A 6 (B 6 ) è l isieme delle coppie co primo (secodo) elemeto il 6. Si ha p(a 6 ) = p(b 6 ) = 1/6; ioltre si ha A 6 B 6 = {(6, 6)}, per cui p(a 6 B 6 ) = p(a 6 ) + p(b 6 ) p(a 6 B 6 ) = 2/6 1/36 = 11/36. Teorema Sia {Ω, A, p} uo spazio di probabilità: se {C } è ua successioe crescete di elemeti di A allora p(c ) p(c), C = =1 =1 se {D } è ua successioe decrescete di elemeti di A allora p(d ) p(d), D = 2 =1 C D

3 Dimostrazioe. Poiamo B 1 = C 1, B = C \C 1, allora i B soo i A, soo a due a due disgiuti e ioltre C = B 1... B, C = B i. Pertato i=1 p(c ) = p(b i ); p(c) = p(b i ) i=1 e la prima formula segue dalla defiizioe di somma di ua serie. Poiamo ora S = D 1 \D, allora gli S soo ua successioe crescete e p(s ) = p(d 1 ) p(d ); D 1 \ D = S, applicado la formula precedete si ha e questo prova la secoda formula. 1.2 Esempi. p(d 1 ) p(d) = p(d 1 \ D) = lim p(s ) = p(d 1 ) lim p(d ) Diremo che su Ω c è ua distribuzioe uiforme di probabilità se p è costate su gli atomi di Ω; i questo caso si può predere A = P(Ω) e per ogi A Ω si ha p(a) = card(a) card(ω). Uo schema molto comue i casi di distribuzioe uiforme di probabilità è il seguete: Collocameto a caso di r palle i celle. Qui r ed soo umeri aturali positivi. Esistoo r arragiameti possibili, a ciascuo dei quali attribuiremo probabilità 1/ r (basta osservare che per la prima palla ci soo scelte, altrettate per la secoda, la terza e così via). Ecco degli esempi cocreti: Totocalcio. Le r palle soo le 13 partite, le celle soo i tre possibili risultati 1, x, 2 degli icotri. Se per ogi partita 1, x, 2 soo equiprobabili (ipotesi o realistica), allora la probabilità di fare 13, cioè di idoviare tutti i risultati, vale p = 3 13 = 6, r laci di moete. Le r palle soo gli r laci, le celle soo i 2 risultati T e C. Se i ogi lacio T e C hao probabilità 1/2, allora le 2 r sequeze possibili di risultati soo equiprobabili, per es. la probabilità di ua sequeza tutta di teste vale 2 r. Compleai. Le r palle soo r persoe scelte a caso, le celle soo i 365 giori dell ao. Se si cosidera equiprobabile ogi data, allora ogi distribuzioe di compleai di r persoe ha probabilità p = 365 r. Cosideriamo il seguete problema: quato vale la probabilità p r (A) dell eveto A = el gruppo almeo due persoe hao il compleao ello stesso gioro? Calcoliamo la probabilità dell eveto complemetare A c = le persoe del gruppo hao il compleao i giori tutti distiti. Per la prima persoa si può scegliere i 365 modi, per la secoda i 364, per la terza i 363 e così via. Le scelte possibili soo 365(365 1)..(365 r + 1) e quidi p r (A c ) = i=1 365(365 1)..(365 r + 1) 365 r ; p r (A) = 1 p r (A c ). Per r 23 p r (A) è maggiore di 1/2. Estrazioe co rimpiazzameto. Le r palle soo r palle estratte a caso da u ura coteete palle chiamate 1, 2,.., (dopo ogi estrazioe la palla estratta viee reitrodotta ell ura), le celle soo gli omi delle palle ell ura. Co r estrazioi si possoo otteere r campioi distiti. Cosideriamo ora u problema u po più complesso. Distribuzioe ipergeometrica. I ua popolazioe di idividui ce e soo r rossi (r ); si scelgoo a caso s idividui (s ), determiare la probabilità q k che questo gruppo cotega esattamete k idividui rossi (0 k mi(s, r)). Dal gruppo dei rossi si possoo scegliere k idividui i ( ) ( r k modi, gli altri (s k) i r s k) modi; pertato ( r r ) q k = k)( s k ( ; s) 3

4 co semplice maipolazioe dei coefficieti biomiali q k si può ache scrivere ( s s ) q k = k)( r k (. r) Diamo u semplice esempio Gioco del lotto. Giochiamo tre umeri su ua data ruota, qual è la probabilità di vicere? Usado le otazioi di sopra si ha: = 90; r = 3; s = 5; k = 3 per cui q 3 = 3)( ( ) = Probabilità codizioale, idipedeza. U gruppo Ω di persoe atte al lavoro cotiee d disoccupati e f femmie. Si sceglie ua persoa a caso dal gruppo, sia D l eveto disoccupato e F l eveto femmia, allora p(d) = d/; p(f ) = f/. Se cosideriamo il sottogruppo delle femmie, scegliedoe ua a caso, la probabilità che sia disoccupata è c/f dove c è il umero di disoccupati femmie. Possiamo esprimerci così: c/f è la probabilità che si verifichi l eveto D assumedo che si sia verificato l eveto F. Useremo la otazioe c/f = p(d F ) che leggeremo: probabilità codizioale di D rispetto a F. Osserviamo subito che, poichè c/f = c/ f/, vale la formula p(d F ) = p(d F ). p(f ) Si può cosiderare Ω come uo spazio co probabilità uiforme (p(x) = 1/ su ogi atomo x) defiita su tutti i sottoisiemi. La probabilità codizioale p(. F ) è u altra probabilità su Ω che assega probabilità 0 agli eveti disgiuti da F ; oppure si può vederla come ua probabilità sullo spazio F. Come si vede la probabilità codizioale o è u cocetto uovo, tuttavia risulta u modo utile di muoversi per risolvere u problema. Sia (Ω, A, p) uo spazio di probabilità, diamo la formale Defiizioe Siao A, B A, p(a) > 0. Si chiama probabilità codizioale di B rispetto ad A la quatità p(a B) p(b A) =. p(a) Come esempio cosideriamo le famiglie che hao esattamete due bambii, scriviamo m(f) per maschio (femmia) e la prima lettera rappreseta il primogeito. Su Ω = {mm, mf, fm, ff} cosideriamo la probabilità uiforme (p = 1/4 su ogi atomo). Sapedo che ua famiglia ha u maschio (eveto A), qual è la probabilità dell eveto B = figli etrambi maschi? Poichè A = {mm, mf, fm}; A B = B = {mm}, si ha che la probabilità richiesta p(b A) vale 1/4 3/4 = 1/3. (Si oti che u esame diretto dello spazio dei campioi porta immediatamete a questo risultato). Cosideriamo ora ua partizioe {A i } di uo spazio di probabilità Ω, per ogi altro eveto K Ω vale la Formula di Bayes p(a i K) = p(a i)p(k A i ) j p(a j)p(k A j ) Dimostrazioe. Basta osservare che p(a i K) = p(ai K) p(k) ; p(a i K) = p(a i )p(k A i ); p(k) = j p(k A j) = j p(a j)p(k A j ). Esempio. Suppoiamo che i ua famiglia la probabilità che ci siao k figli sia p k, ( p k = 1); suppoiamo ioltre che la distribuzioe dei sessi sia uiforme. Sapedo che o ci soo femmie (eveto K), qual è la probabilità (codizioale) che ella famiglia ci siao esattamete i figli (eveto A i )? Abbiamo: p(a i ) = p i ; p(k A i ) = 2 i, per la formula di Bayes la probabilità richiesta è: p(a i K) = p i2 i p 0+p p Filosofia della formula di Bayes. Se chiamiamo cause gli eveti A i che compaioo ella formula ( 90 3 ) k=0 4

5 di Bayes, allora si può iterpretare la formula come ua regola per calcolare a posteriori la probabilità che A i sia stato la causa dell essersi verificato l eveto K. Per questo motivo la formula di Bayes viee molto usata i statistica; tuttavia se si usa a questo scopo la formula occorre molta cautela ell iterpretare i risultati. La probabilità (codizioale) p(a K) è i geerale diversa dalla probabilità (assoluta) p(a), ituitivamete: l iformazioe che l eveto K si è verificato cambia la ostra maiera di scommettere sul verificarsi dell eveto A. Quado p(a K) = p(a) è u po come dire che l eveto K o iflueza (è idipedete dal) l eveto A; questo caso si ha se e solo se vale l uguagliaza p(a K) = p(a)p(k) e si vede quidi che se A è idipedete da K allora K è idipedete da A. Diamo duque la fodametale Defiizioe Due eveti A, B si dicoo (stocasticamete) idipedeti se p(a B) = p(a)p(b), Ua famiglia di eveti {A i } si dice idipedete se per ogi gruppo di k idici distiti si ha p(a 1 A 2.. A k ) = p(a 1 )p(a 2 )..p(a k ). Se ua moeta viee laciata ripetutamete, accettiamo di riteere che l esito di u lacio o iflueza l esito di u altro lacio (per es. il successivo), ciò si riflette ella (stocastica) idipedeza di alcui eveti. 1.4 Esercizi e complemeti 1. Geeralizzare il Teorema a tre e poi a eveti. Abbiamo successivamete: p(a 1 A 2 A 3 ) = p(a 1 ) + p(a 2 A 3 ) p(a 1 (A 2 A 3 )) = = p(a 1 ) + p(a 2 ) + p(a 3 ) p(a 2 A 3 ) p[(a 1 A 2 ) (A 1 A 3 )] = p(a 1 ) + p(a 2 ) + p(a 3 ) p(a 2 A 3 ) p(a 1 A 2 ) p(a 1 A 3 ) + p[(a 1 A 2 ) (A 1 A 3 )] = p(a 1 ) + p(a 2 ) + p(a 3 ) p(a 2 A 3 ) p(a 1 A 2 ) p(a 1 A 3 ) + p(a 1 A 2 A 3 ). Per geeralizzare a eveti A i poiamo: p i = p(a i ); p ij = p(a i A j ); p ijk = p(a i A j A k );... S 1 = p i ; S 2 = p ij ; S 3 = p ijk ;... Si può dimostrare che la probabilità P 1 che si verifichi uo almeo degli eveti A i vale P 1 = p(a 1.. A ) = S 1 S 2 + S 3 S ( 1) +1 S. 2. Problema dei matches. U mazzo di N carte umerate 1, 2,.., N viee mescolato e steso i fila su u tavolo. Agli N! ordiameti possibili delle carte viee assegata la probabilità 1 N!. Si chiede il valore della probabilità P 1 che almeo ua carta sia al posto giusto (carta deotata p al posto p-mo). Soluzioe. Se c è u match all i-mo posto, le rimaeti carte possoo essere disposte i (N 1)! modi per cui per la corrispodete probabilità si ha p i = (N 1)! N! = 1 N, similmete per la probabilità di match simultaeo al posto i e al posto (distito) j si ha p ij = (N 2)! N!. Co le otazioi di sopra si osserva che la somma S r cotiee ( ) N r addedi tutti uguali a (N r)! N! ; pertato S r = 1 r! e quidi P 1 = 1 1 2! + 1 3!... + ( 1)N+1 1 N!. 5

6 3. Esercizio. U ura cotiee pallie distiguibili, si estrae co rimpiazzo fio a che il campioe otteuto cotega due elemeti uguali; calcolare la probabilità q k che a questo scopo siao ecessarie esattamete k estrazioi. Soluzioe. Si osservi che 2 k + 1. Siccome si rimpiazza, co k estrazioi si ottegoo k campioi distiti; per otteere u campioe come desiderato, la prima pallia si può scegliere i modi, la secoda i ( 1) modi,.., la (k 1)-ma i ( k + 2) modi e la k-ma i (k 1) modi. Pertato: q k = ( 1)( 2)..( k + 2)(k 1) k. 4. Formula di Stirlig. La formula di Stirlig asserisce l esisteza di u θ = θ (0, 1) tale che: Nella pratica è sufficiete l approssimazioe! = e 2π e θ 12.! e 2π. verifichiamo i parte la formula co i calcoli che seguoo: k k 1 da cui sommado k da 1 a si ottiee: 0 log x dx < log k < log x dx < log! < k+1 k +1 1 log x dx ; log x dx ; log < log! < ( + 1) log( + 1) ; e <! < ( + 1) (+1) e. 5. Esercizio. U ura cotiee 42 pallie segate co le lettere dell alfabeto italiao: due per ogi lettera. Si estraggoo a caso 21 pallie. Calcolare: i) la probabilità che el campioe compaia ua data lettera. ii)la probabilità che el campioe compaiao tutte le lettere. iii) la probabilità che si possa formare la parola CASSA. Soluzioe. i). Ci soo ( ) ( modi di scegliere u campioe di 21 lettere, di questi 40 21) o cotegoo ua data lettera, pertato la la probabilità richiesta vale ( 40 ) 21 1 ) = ( ii). Per ogi lettera ci soo due scelte per cui ci soo 2 21 modi di scegliere u campioe che cotega le 21 lettere distite, pertato la la probabilità richiesta vale 2 21 ( ) π = 3, , dove per l approssimazioe abbiamo usato la formula di Stirlig. iii). Distiguiamo per comodità co C 1 e C 2 le due lettere C che soo ell ura, ci soo ( 37 16) campioi che cotegoo le lettere C 1 A S S A, pertato la la probabilità richiesta vale ) ( ( ) = 0,

7 6. Esercizio. I ua metropoli scegliedo a caso u ristorate si hao le segueti probabilità: p(a b ) = 0, 2 dove A b = si magia bee p(a ) = 0, 4 dove A = si magia ormale p(a c ) = 0, 4 dove A c = si magia male Si hao poi gli eveti K = caro, E = equo, B = buo mercato, e le probabilità codizioali p(k A b ) = 0, 7 p(k A ) = 0, 3 p(k A c ) = 0, 2. Calcolare p(a b K). Se poi soo date le probabilità codizioali descrivere completamete lo spazio dei campioi. Soluzioe. Per la formula di Bayes si ha p(a b K) = p(b A b ) = 0, 1 p(b A ) = 0, 3 p(b A c ) = 0, 4 dove il deomiatore della frazioe vale p(k). Si ha Coi dati ulteriori possiamo calcolare p(b): p(a b ) p(k A b ) p(a b ) p(k A b ) + p(a ) p(k A ) + p(a c ) p(k A c ), p(k) = 0, 2 0, 7 + 0, 4 0, 3 + 0, 4 0, 2 = 0, 34, p(a b K) = p(a b K) p(k) = 7 = 0, p(b) = 0, 2 0, 1 + 0, 4 0, 3 + 0, 4 0, 4 = 0, 30 di cosegueza si ha pure che p(e) = 0, 36. Cosideriamo il quadro che possiamo completare coi segueti calcoli: Possiamo riscrivere il quadro K E B Tot A b x 0,2 A y 0,4 A c z 0,4 Tot 0,34 0, 36 0,30 1 p(k A b ) = p(k A b ) p(a b ) = 0, 7 0, 2 = 0, 14, p(k A ) = p(k A ) p(a ) = 0, 3 0, 4 = 0, 12, p(k A c ) = p(k A c ) p(a c ) = 0, 2 0, 4 = 0, 08 ; p(b A b ) = p(b A b ) p(a b ) = 0, 1 0, 2 = 0, 02, p(b A ) = p(b A ) p(a ) = 0, 3 0, 4 = 0, 12, p(b A c ) = p(b A c ) p(a c ) = 0, 4 0, 4 = 0, 16. 7

8 Otteiamo duque i dati macati: K E B Tot A b 0,14 x 0,02 0,2 A 0,12 y 0,12 0,4 A c 0,08 z 0,16 0,4 Tot 0,34 0, 36 0,30 1 x = 0, 04 y = 0, 16 z = 0, 16. 8

9 2 Variabili aleatorie. 2.1 Variabili aleatorie discrete Defiizioe Ua fuzioe X : Ω R, dove (Ω, A, p) è uo spazio di probabilità, si dice che è ua variabile aleatoria (var.al.) se per ogi t R, {ω : X(ω) t} A. Questa deomiazioe è u po fuorviate: occorrerebbe dire fuzioe aleatoria e o var.al.; tuttavia è ormai diveuta stadard. Tipici esempi di var.al.: il umero di successi i prove di Beroulli (vedi dopo), il guadago (o perdita) di uo scommettitore i u gioco d azzardo. Cosidereremo qui solo var.al. discrete: supporremo cioè che la var.al. X preda al più u isieme umerabile di valori distiti {x i } i I dove l isieme I degli idici è fiito o umerabile. Defiizioe Data la var.al. X, la sua desità (discreta) è la fuzioe f : R R + f(x) = p{ω : X(ω) = x} Si osservi che i) f(x) = 0 se x x i, ii) f(x) = f(x i ) = 1. x R i I Ogi fuzioe g : R R + che soddisfi i) e ii) viee chiamata desità. Scriveremo poi di solito f(x) = p {X = x } azichè più correttamete f(x) = p {ω : X(ω) = x }. Cosideriamo ora u esempio importate: il così detto Schema di Beroulli : Ua prova (ad es. lacio di moeta) ha due soli possibili risultati: successo (T) co probabilità p e isuccesso (C) co probabilità 1 p. Cosideriamo il caso che si ripetao prove di questo tipo. Le 2 sequeze distite che si possoo formare co i simboli T e C soo uo spazio di campioi Ω. Sia 1 i ; siao S i, N i gli eveti T all i-ma prova, C all i-ma prova rispett. Qualuque sia i si ha p(s i ) = p, p(n i ) = 1 p; ioltre se gli idici soo tutti distiti, ogi gruppo di eveti del tipo S j, N s costituisce ua famiglia di eveti idipedeti. Teorema Se A k Ω è l eveto k successi egli laci, allora ( ) p(a k ) = p k (1 p) k k Dimostrazioe. Ua sequeza co k successi (e quidi k isuccessi) si ottiee come itersezioe di eveti: k di tipo S i e k di tipo N i, a causa dell idipedeza questa sequeza ha probabilità p k (1 p) k. Si coclude otado che di tali sequeze ce e soo ( k). Idichiamo co S il umero di successi i prove di Beroulli. S è ua var.al. defiita su Ω : se ω Ω, S (ω) è il umero di volte che compare T ella sequeza ω; i valori possibili di S soo 0,1,..,. Per la desità f di S si ha f(k) = p {S = k } = ( k) p k (1 p) k per k = 0, 1,.., e 0 altrimeti; cioè f è cocetrata ell isieme {0, 1,.., } che a volte per brevità si prede come domiio di f omettedo di defiire la desità dove è 0. Vedremo che è possibile fare calcoli sigificativi co le probabilità ache seza cosiderare esplicitamete lo spazio dei campioi. Si oti ifie che S = X X, dove X i è la var.al che vale 1 se all i-ma prova si ha successo e 0 se si ha isuccesso (la sua desità vale risp. p, (1 p) se x = 1, 0 e 0 i ogi altro caso). Diremo che S segue ua legge biomiale di parametri e p che si idica co B(, p). Chiaramete ogi X i ha legge B(1, p). 9

10 2.2 Caso vettoriale Spesso è ecessario cosiderare simultaeamete più variabili aleatorie. Defiizioe Si chiama vettore aleatorio o var.al. m-dimesioale u vettore X = (X 1, X 2,.., X m ), le cui compoeti X i siao var.al. el seso della defi La desità f di X si defiisce allo stesso modo, cioè f(x 1, x 2,.., x m ) = p {X 1 = x 1, X 2 = x 2,.., X m = x m }, f viee ache detta desità cogiuta delle X i le cui desità, dette margiali, possoo essere idicate co f Xi. Se si coosce la desità cogiuta si possoo calcolare le desità margiali; per semplicità trattiamo il caso m = 2. Sia (X, Y ) ua var.al. 2-dimesioale co desità f = f(x, y). Idichiamo co {x i }, {y i }, f X, f Y i valori possibili e le desità di X e Y rispett. Si ha f X (z) = p{x = z} = p( i {X = z, Y = y i }) = i p{x = z, Y = y i } = i f(z, y i ). Aalogamete si ha f Y (z) = i f(x i, z). No basta ivece cooscere le desità margiali per calcolare la desità cogiuta, perchè desità cogiute diverse possoo avere desità margiali uguali. Del resto è chiaro che ache avedo tutti i dati relativi a ua var.al. X e a u altra var.al. Y (per esempio la coosceza delle rispettive desità f X e f Y ) ulla si può sapere sulle probabilità che si realizzio simultaeamete u eveto cocerete la var.al. X e u altro cocerete la Y ; questo a meo che o si sappia a priori che X e Y soo var.al. idipedeti (vedi dopo). 2.3 Variabili aleatorie idipedeti Defiizioe Si dice che var.al. X 1,.., X soo idipedeti se e solo se per ogi scelta di sottoisiemi J 1,.., J di R si ha p{x 1 J 1,.., X J } = p{x 1 J 1 }..p{x J } La defiizioe si estede a ifiite var.al. el solito modo. Se f i soo le desità (margiali) delle var.al idipedeti X i e f la loro desità cogiuta, allora si ha che f(x 1,.., x ) = f 1 (x 1 )..f (x ). Viceversa se vale quest ultima idetità si ricoosce che le var.al. X i soo idipedeti. Siao X e Y var.al. idipedeti e siao φ, ψ : R R due fuzioi. E ituitivo che ache le var.al. φ(x), ψ(y ) soo idipedeti. Più i geerale si ha il Teorema Siao X 1,.., X m ; Y 1,.., Y var.al. idipedeti e siao φ : R m R, ψ : R R delle fuzioi. Allora le var.al. φ(x 1,.., X m ), ψ(y 1,.., Y ) soo idipedeti. 2.4 Desità di ua somma Cosideriamo il problema di calcolare la desità della somma di due var.al. X e Y. Si oti che l eveto { X + Y = z } uguaglia l uioe (di eveti disgiuti) i { X = x i, Y = z x i }; risulta quidi chiaro che i geerale per calcolare la desità di ua somma o servoo le desità margiali, ma occorre cooscere la desità cogiuta del vettore (X, Y ). Teorema Siao U e V var.al. di desità cogiuta f. Allora la desità g di U + V vale g(z) = t R f(t, z t); se poi U e V soo idipedeti co desità f 1, f 2, si ha g(z) = t R f 1 (t)f 2 (z t). 10

11 Dimostrazioe. Premettiamo i geerale che per ogi var.al. m-dimesioale X di desità f e per ogi A R m si ha: p{x A} = x A f(x); e se φ : R m R p{φ(x) = z} = p{x φ 1 (z)} = x φ 1 (z) Si usi ora l ultima formula co X = (U, V ) e φ(u, v) = u + v, basta osservare che φ 1 (z) è l isieme dei vettori (u, v) co u + v = z. Teorema Siao V 1,.., V s var.al. idipedeti co leggi biomiali risp. B( 1, p),.., B( s, p). Allora (V V s ) ha legge B( s, p). Dimostrazioe. Basta rappresetare (V V s ) come somma di ( s ) var.al. idipedeti di legge B(1, p). Esempio 1. Si laciao 2 dadi a facce, si chiede la probabilità g(k) che la somma dei risultati sia esattamete k (k = 2, 3,.., 2). Si ha g(k) = f(i, k i); i=1 dove f(i, k i) = 1 se 1 (k i), f(i, k i) = 0 altrimeti. Pertato ella sommatoria ci soo 2 (k 1) termii o ulli se k + 1 e (k ) + 1 = 2 k + 1 termii o ulli se k > + 1; si vede quidi che g(k) = g(2 k + 2) e che per k = 1, 2,.., + 1 g(k) = k Speraza matematica Sia X ua var.al.(discreta) che prede valori x i ed ha desità f. Defiizioe Si dice che X ha speraza matematica fiita se x i f(x i ) < + ; i f(x). i tal caso si chiama speraza matematica (o media o valore atteso) di X il umero E[X] = i x i f(x i ) = i x i p{x(ω) = x i }; se E[X] = 0 si dice che la var.al. X è cetrata. Suppoiamo che le var.al. X e Y aveti media fiita predao i valori {x i } e {y i } e sia g(x, y) = p {X = x ; Y = y} la loro desità cogiuta. Mostriamo che ache la var.al. (X + Y ) ha media fiita. Si ha x i + y j g(x i, y j ) x i g(x i, y j ) + y j g(x i, y j ) = ij ij ij = i x i j g(x i, y j ) + j y j i g(x i, y j ) = = i x i f X (x i ) + j x j f Y (y j ) dove f X, f Y soo le desità margiali di X, Y. Co calcoli simili seza il valore assoluto si prova poi la formula fodametale E[X + Y ] = E[X] + E[Y ]. Diamo ora u importate geeralizzazioe di questo risultato (viee omessa la dimostrazioe). Sia X = (X 1,.., X m ) u vettore aleatorio di desità f e i cui valori deoteremo co x (1), x (2),.; h : R m 11

12 R, poedo Z = h(x) si defiisce ua uova var.al. i cui valori deoteremo co z 1, z 2,..: Teorema Z ha speraza matematica fiita se e solo se h(x (i) ) f(x (i) ) < e i questo caso i E[Z] = i h(x (i) )f(x (i) ) Dal teorema precedete, specializzado la fuzioe h, si deducoo come corollari importati risultati. Ad esempio Corollario Siao X e Y var.al. co media fiita. Allora: i) (ax + by ) ha media fiita e E[aX + by ] = ae[x] + be[y ]; ii) X ha media fiita e E[X] E[ X ]; se ioltre X e Y soo idipedeti iii) XY ha media fiita e E[XY ] = E[X]E[Y ] Dimostrazioe. Limitiamoci a provare iii). Siao f X, f Y, f risp. le desità di X, Y e del vettore (X, Y ); per la supposta idipedeza si ha f(x i, y j ) = f X (x i )f Y (y j ). Applicado il teorema co h(x, y) = xy si ottiee x i y j f(x i, y j ) = x i y j f X (x i )f Y (y j ) = i,j i,j = i x i f X (x i ) j y j f Y (y j ) = E[ X ]E[ Y ] < ; ripetedo gli stessi calcoli seza i valori assoluti si prova che E[XY ] = E[X]E[Y ]. 2.6 Mometi, variaza Defiizioe Sia X ua var.al.; diremo che X ha mometo di ordie k fiito (k = 1, 2..) se X k ha media fiita. I questo caso E[X k ] si chiama mometo di ordie k della var.al. X. Se (X E[X]) k ha media fiita diremo che X ha mometo cetrato di ordie k fiito e chiameremo E[(X E[X]) k ] mometo cetrato di ordie k di X. Applicado il Teorema 2.5.1, idicado co f, µ risp. la desità e la media di X otteiamo: E[X k ] = i x k i f(x i ); E[(X µ) k ] = i (x i µ) k f(x i ). Teorema i) Se X ha mometo fiito di ordie k, allora ha ache mometo fiito di ordie r per ogi r k. ii) Se X e Y hao mometo fiito di ordie k, allora ache (X + Y ) ha mometo fiito di ordie k. I particolare se X ha mometo fiito di ordie k, allora ha ache mometo cetrato fiito di ordie k. Dimostrazioe. Siao {x i } i valori assuti da X, per ogi i si ha x i r 1 + x i k e di cosegueza x i r f(x i ) f(x i ) + x i k f(x i ), pertato la serie che defiisce il mometo di ordie k coverge assolutamete per il criterio del cofroto. Questo prova i). Per quato riguarda la ii) basta osservare che, per la covessità della fuzioe t k, si ha la disuguagliaza: (x + y) k 2 k 1 (x k + y k ). Di particolare importaza è il mometo cetrato di ordie 2 che viee chiamato variaza: Var(X) = E[(X E[X]) 2 ] = E[(X µ) 2 ]. Per quato elemetare il teorema che segue si rivela estremamete utile i molte circostaze: 12

13 Teorema (disuguagliaza di Chebyshev). Se per la var.al. X esiste il mometo E[X 2 ] (e di cosegueza la variaza) per ogi c > 0 si ha: i particolare, posto µ = E[X], p{ X > c} E[X2 ] c 2 ; p{ X µ > c} Var(X) c 2. Dimostrazioe. Applicado la prima disuguagliaza alla var.al. (X µ), si deduce la secoda. Si oti ora che p{ X > c} = f(x i ), si ha poi x i >c f(x i ) = x i >c f(x i ) x2 i x 2 i x i >c i f(x i )x 2 i c 2 = E[X2 ] c 2. Fissata la var.al. X, di solito media e variaza si deotao risp. co µ e σ 2 ; σ = Var(X) si chiama deviazioe stadard di X. Se X e Y hao variaza fiita, è fiita ache la quatità E[(X µ X )(Y µ Y )] che si chiama covariaza di X e Y e si idica co Cov(X, Y ). Si provao facilmete le segueti proprietà: i) Var(X) = E[X 2 ] E[X] 2 ; ii) Var(aX) = a 2 Var(X), Var(a + X) = Var(X) ; iii) Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y ); iv) Cov(X, Y ) = E[XY ] E[X]E[Y ]. Se X e Y soo idipedeti, applicado il Corollario iii) si ha Cov(X, Y ) = 0; Var(X + Y ) = Var(X) + Var(Y ) Per quato visto, la covariaza misura i u certo seso l idipedeza delle var.al.; tuttavia può capitare che Cov(X, Y ) = 0 seza che X e Y siao idipedeti. Quado Cov(X, Y ) = 0 si dice che le var.al. X e Y o soo correlate. Si defiisce pertato il coefficiete di correlazioe ρ X,Y mediate ρ X,Y = Cov(X, Y ) = Cov(X, Y ) Var(X)Var(Y ) σ X σ Y Vogliamo provare che 1 ρ X,Y 1. Per questo otiamo che si ha sempre E[XY ] 2 E[X 2 ]E[Y 2 ] (si vede col sego di u triomio); basta poi applicare la disuguagliaza alle var.al. (X µ X ), (Y µ Y ). 2.7 Esempi 1. Schema di Beroulli. Siao X i, i = 1,.., le var.al. di legge B(1, p) relative alle prove successive i uo schema di Beroulli. Le X i soo idipedeti. Per ogi i si ha E[X i ] = 1p + 0(1 p) = p e quidi E[S ] = p dove S = X 1 +..X. Si oti che abbiamo calcolato la media di S seza bisogo di cooscere la sua desità f. Questa come sappiamo (Teorema 2.1.1) è { ( ) f (k) = k p k (1 p) k se k = 0, 1,.., 0 altrimeti Si ha poi Var(X i ) = E[X 2 i ] E[X i] 2 = p p 2 = p(1 p) e di cosegueza La disuguagliaza di Chebyshev ci dice Var(S ) = p(1 p). p{ S p > h} 13 p(1 p) h 2 ;

14 ovvero, cosiderado la frequeza S dei successi elle prove, p{ S p > h p(1 p) } h 2. Se scegliamo h = ɛ i questa disuguagliaza si ottiee p{ S p > ɛ} p(1 p) ɛ 2 ; i particolare se il umero delle prove tede all ifiito, tede a zero la probabilità di ua deviazioe della frequeza S dei successi dalla probabilità p di successo i ogi sigola prova. Questo è u caso particolare della legge (debole) dei gradi umeri. Questo giustifica il metodo di osservare la frequeza di u risultato per stabilire la probabilità. 2. Desità di Poisso. Si chiama distribuzioe di Poisso di parametro λ, (λ > 0), la desità { e λ λ k f(k) = k! se k = 0, 1, 2,... 0 altrimeti La desità di Poisso si può vedere come u approssimazioe di ua desità biomiale B(, p) co grade e p piccolo. Siao duque S var.al. co desità biomiale B(, λ/), si ha: ( ) p{s = k} = ( λ k )k (1 λ ) k, se si fa tedere all si vede, co facili calcoli, che p{s = k} λk k! e λ ; ioltre la covergeza è uiforme rispetto a k. La distribuzioe di Poisso è detta ache legge degli eveti rari, ifatti si preseta come legge di ua var.al. S che rappreseta il umero di successi su u umero molto grade di prove ripetute idipedeti, i ciascua delle quali la probabilità di successo è molto piccola. Siao X e Y due var.al. idipedeti di Poisso di parametri λ, µ e di desità f 1, f 2 resp.; vogliamo trovare la desità g della somma X + Y. Si ha, ricordado che f 2 (z) = 0 se z è egativo, g(k) = f 1 (i)f 2 (k i) = i=0 = e (λ+µ) 1 k! k i=0 k e i=0 λ λi i! e µ µk i (k i)! = ( k )λ i µ k i (λ+µ) (λ + µ)k = e. i k! Duque X + Y è di Poisso co parametro (λ + µ). Sia X ua var.al. co desità di Poisso di parametro λ, si ha E[X] = λ; Var(X) = λ 3. Distribuzioe ipergeometrica. U ura cotiee pallie di cui r rosse (r ); se e estraggoo (seza rimpiazzo) s (s ); la var.al. X che dà il umero di pallie rosse estratte ha la desità ipergeometrica { ( r k)( r s k) se k = 0, 1, 2,.., mi(r, s) f(k) = ( s) 0 altrimeti Ache i questo caso per calcolare E[X] o abbiamo bisogo di cooscere la desità. Possiamo ragioiare così: sia X i la var.al. che vale 1 se ell i-esima estrazioe viee ua pallia rossa e 0 altrimeti. Soo state estratte s pallie, essedoci simmetria (o ci soo pallie privilegiate el gruppo estratto) 14

15 ogi pallia ha la stessa probabilità di essere rossa per esempio quella della prima estratta. Al primo colpo la probabilità di successo di X 1 vale r/, per cui per ogi i si ha E[X i ] = (r/)1 + (1 r/)0. Pertato E[X] = E[X i ] = s(r/). Si osservi che essedo s il umero di estrazioi ed avedo ogi estrazioe la stessa probabilità p = r/ di successo, la var.al X si comporta per quato riguarda il calcolo della media come se fosse biomiale e questo oostate che le var.al X i o siao idipedeti. 4. Desità geometrica. Cosideriamo sempre prove ripetute co probabilità p di successo. Problema: determiare la probabilità che ci vogliao esattamete k + 1 (k = 0, 1, 2,..) laci per otteere il (primo) successo. Si ha successo esattamete al (k + 1)-mo lacio se e solo se si è verificata la sequeza CCC..C } {{ } T; questa ha probabilità (1 p) k p. Si chiama desità geometrica di parametro p la desità k { p(1 p) k se k = 0, 1, 2,... f(k) = 0 altrimeti Sia T la var.al. umero di laci ecessari per il primo successo, allora f è la desità di X = (T 1). Si ha: E[X] = kp(1 p) k = 1 p p, k=0 Var(X) = E[X 2 ] E[X] 2 = 1 p p 2. Mostriamo ora la macaza di memoria della legge geometrica. Comiciamo ad osservare che p{x k} = p(1 p) j = (1 p) k. j=k Calcoliamo adesso ua probabilità codizioale: p({x = k + m} {X k}) = p({x = k + m} {X k}) p{x k} p(1 p) k+m (1 p) k = p(1 p) m = p{x = m}. = p{x = k + m} p{x k} Applichiamo questi risultati alla var.al. T : suppoiamo di o aver avuto alcu successo elle prime k prove: qual è la probabilità di dover attedere acora m prove? Risposta: la stessa che si avrebbe ricomiciado da capo le prove. Questo spiega l espressioe macaza di memoria. Se diamo credito a questo modello probabilistico, allora la pratica diffusa di giocare al lotto i umeri ritardatari o è giustificata. = 2.8 Esercizi e complemeti 1. Il problema del collezioista. Ua popolazioe cotiee elemeti distiti, tutti i ugual proporzioe, (ad es. figurie per ua collezioe). Si fao estrazioi co rimpiazzo. U campioe di dimesioe d i geerale coterrà meo di d elemeti distiti a causa delle ripetizioi (i doppioi). Sia V t la var.al. umero di estrazioi ecessarie per avere t elemeti distiti ; i valori possibili per V t soo t, t + 1,... Si vuole calcolare la media di V t. Soluzioe. Diciamo che u estrazioe ha successo se risulta ell aggiuta di u uovo elemeto el campioe. Poiamo poi X k = V k+1 V k ; allora (X k 1) è il umero di estrazioi co isuccesso tra il k-mo successo e il (k + 1)-mo successo. Durate tutte queste estrazioi la popolazioe cotiee ( k) elemeti che o soo etrati el campioe, per cui (X k 1) è il umero di isuccessi che precedoo il primo successo i prove ripetute di Beroulli co p = k. X k prede il valore s + 1 co probabilità 15

16 (1 p) s p per cui, facedo i calcoli, si ottiee E[X k ] = 1 p = k. Si oti ora che V t = 1+X X t 1, per cui E[V t ] = ( /2 t + 1 ) 1 t+1/2 x dx = log + 1/2 t + 1/2. I particolare E[V ] log e (assumedo pari) E[V /2 ] log 2. Si osservi come il umero atteso di prove per completare la collezioe sia i geerale assai più grade del doppio del umero atteso di prove per completare metà collezioe. 2. Variaza di somme. Suppoiamo che var.al. X i abbiao variaza fiita, allora per la variaza della loro somma si ha la formula geerale ( ) Var(X 1 + X X ) = i Var(X i ) + i j Cov(X i, X j ). 3. Problema dei matches Facciamo riferimeto a 2 di 1.4. Sia S = S N la var.al. umero di matches, si chiedoo la media e la variaza di S. Soluzioe. Sia X i la var.al. che vale 1 (co probab. 1/N) se all i-mo posto c è match e 0 altrimeti. Abbiamo E[X i ] = 1/N, S = N X i, E[S] = 1, Var(X i ) = (N 1)/N 2. i=1 Calcoliamo le covariaze. Per i j la var.al X i X j prede solo valori 0 e 1, quest ultimo co prob.. Pertato si ha 1 N(N 1) Applicado la formula (*) si ottiee Cov(X i, X j ) = E[X i X j ] E[X i ]E[X j ] = 1 N(N 1) 1 N 2. Var(S) = N N 1 1 N 2 + N(N 1) N 2 (N 1) = 1. 16

17 3 La legge dei gradi umeri. 3.1 La legge debole Teorema (Legge debole dei gradi umeri). Sia {X k } ua successioe di var.al. idipedeti aveti la stessa desità. Se esiste la media µ = E[X k ], allora qualuque sia η > 0 si ha lim p{ X X µ > η} = 0. Coviee qui premettere qualche osservazioe. Poiamo X1+..+X = M : il teorema afferma che M µ secodo u certo tipo di covergeza per var.al. (che poi soo fuzioi). Nel liguaggio della teoria delle fuzioi reali questa covergeza viee chiamata covergeza i misura o ache covergeza i probabilità. I realtà le ipotesi di questo teorema implicao ua covergeza più forte, la covergeza quasi ovuque (per fuzioi): vale cioè, come vedremo, ua legge forte dei gradi umeri. Se aggiugiamo u ipotesi speciale, cioè che esista la variaza σ 2 delle X k, il teorema ammette ua dimostrazioe molto semplice che qui riportiamo. Teorema (Legge debole dei gradi umeri i ipotesi di variaza). Sia {X k } ua successioe di var.al. idipedeti di media µ e di variaza σ 2. Poiamo allora per ogi η > 0 si ha S = X X ; p{ S µ > η } 0 Dimostrazioe. Applicado la disuguagliaza di Chebyshev si ha e l ultimo termie è ifiitesimo. 3.2 La legge forte p{ S µ > η} Var(S ) 2 η 2 = σ2 2 η 2 Per illustrare il sigificato (e i limiti) della legge debole e per itrodurrre la legge forte cosideriamo per semplicità lo schema di Beroulli B(, p). Idichiamo co S il umero di successi elle prove. La ozioe ituitiva di probabilità vorrebbe che per la frequeza di successi S S si avesse p: i effetti questo eveto si verifica co probabilità 1, ma la questioe adrebbe trattata co la probabilità el cotiuo. Comuque questo risultato o è coteuto ella legge debole (ma i quella forte). La legge debole afferma che lim p{ S p > η} = 0. Questa formula ci dice che, per fissato sufficietemete grade, la frequeza di successi S ha ua buoa probabilità di essere vicia a p; ma o ci dice che tale frequeza sia vicolata a rimaere vicio a p. Per esempio viee lasciata aperta la possibilità che per ifiiti j si verifichi l eveto A j = { Sj S j p η}. I effetti o è così: si potrebbe dimostrare che co probabilità 1 p diveta e resta piccolo. Schema di Beroulli: (legge forte dei gradi umeri). Per ogi η > 0 è ulla la probabilità che si verifichio simultaeamete ifiiti eveti I geerale si eucia il A i = { S i i p η} Teorema (Legge forte dei gradi umeri). Sia {X } ua successioe di var.al. idipedeti 17

18 aveti la stessa desità. Se esiste la media µ = E[X k ], allora vale la legge forte dei gradi umeri, cioè per ogi η > 0 è ulla la probabilità che si verifichio simultaeamete ifiite disuguagliaze del tipo S i i µ η. Si osservi che o si richiede che le var.al. X abbiao variaza fiita. Quado esiste la variaza delle X vale u risultato molto più forte (il Teorema Limite Cetrale). Defiizioe. Si chiama distribuzioe ormale la fuzioe Φ defiita da Φ(x) = 1 2π x e y2 2 Ricordiamo che come si sa dall aalisi Φ(+ ) = 1 e aturalmete Φ() = 0; ioltre 1 Φ(x) = Φ( x). Possiamo ora euciare il Teorema (Teorema Limite Cetrale). Sia {X } ua successioe di var.al. idipedeti aveti la stessa desità. Suppoiamo che esistao la media µ = E[X k ], e la variaza σ 2 = Var(X k ). Allora, posto S = X X, qualuque sia β si ha dy. (1) lim p{s µ σ < β} = Φ(β). Tratteremo la dimostrazioe di questo teorema el capitolo sulla probabilità el cotiuo. Osserviamo itato che per c > 0 si ha Pertato, applicado la (1), si ottiee p{ S µ > c } = p{ S µ σ > c σ } = 1 p{ S µ σ c σ } + p{s µ σ < c σ }. lim p{ S µ > c } = 2Φ( c σ ) Mostriamo ora che, se η > 0, per ogi fuzioe g tale che g() per, si ha (2) lim p{g() S µ > η} = 0 che è u risultato be più forte della legge debole. Si ha ifatti p{g() S µ > η} = p{ S µ > η g() } quest ultima probabilità è defiitivamete miore o uguale di p{ S µ > c }. Si ha quidi 0 lim if p{g() S µ > η} lim sup p{g() S µ > η} lim p{ S µ > c } = 2Φ( c σ ) da cui, facedo tedere c a + e ricordado che Φ() = 0, segue la (2). 18

19 4 La probabilità el cotiuo 4.1 Prime defiizioi Defiizioe Ua F : R R è detta fuzioe di ripartizioe (f.r.) se gode delle segueti proprietà: 1) F è o decrescete e cotiua a destra; 2) lim t F (t) = 0; lim t + F (t) = 1. Ricordiamo che per ua var.al. X abbiamo già defiito la sua fuzioe di ripartizioe poedo: F X (t) = p{x t}. Le defiizioi soo cosisteti: ifatti F X verifica le proprietà 1) e 2). Proviamo la 1). E ovvio che F X sia o decrescete. Sia {t } ua successioe che tede a x decrescedo, dobbiamo mostrare che F X (t ) F X (x). Sia A = k=1 {X t }, avedosi ua successioe decrescete di eveti, per il Teorema F X (t ) p(a). Resta da provare che A = {X x}. E ovvio che {X x} A; se y A, allora X(y) t per ogi e pertato ache X(y) x, cioè A {X x}. I modo simile si prova la 2). Ogi f.r. F, come si vede subito, soddisfa pure: 3) 0 F (t) 1; 4) p{a < X b} = p{x b} p{x a} = F (b) F (a). Come ogi fuzioe mootoa la F ammette i ogi puto x ache il limite siistro che si deoterà co F (x ). Avremo duque sempre al solito modo si verifica poi che F (x ) F (x) = F (x + ); F (x) F (x ) = p{x = x}; i particolare p{x = x} = 0 se F è cotiua i x. E importate sottolieare il fatto che le proprietà 1) e 2) caratterizzao le f.r. Defiizioe Ua f : R R è ua desità se è misurabile (secodo Lebesgue) e f 0 ; + f(x) dx = 1. Coviee osservare subito che se L è la σ-algebra dei sottoisiemi di R misurabili secodo Lebesgue, avedo a disposizioe ua desità f, si ottiee uo spazio di probabilità (R, L, p) poedo, per A L, p(a) = A f. Sempre essedo f ua desità, se poiamo G(t) = t f(x) dx, G risulta ua f.r. co la proprietà ulteriore di essere assolutamete cotiua (vedi appedice), ioltre G (t) = f(t) quasi ovuque (q.o.) cioè trae al più u isieme di misura (di Lebesgue) ulla. L assoluta cotiuità è ua proprietà più forte della cotiuità. I geerale se H è ua fuzioe assolutamete cotiua (a.c.) H è (derivabile q.o. ed è) primitiva della sua derivata, cioè H(t) = H(a) + t a H (x) dx. Se F è ua f.r. e f ua desità, diremo che F ammette f come desità se F (t) = t f(x) dx. Se ua f.r. G è a.c. allora ammette come desità la sua derivata G. Esistoo tuttavia f.r. F cotiue che o ammettoo desità.(questo oostate che ogi f.r., essedo mootoa, sia derivabile q.o.). Defiizioe Diremo che ua var.al. X è a.c. se la sua f.r. F X ammette desità (ed è quidi a.c.). 19

20 Sia X a.c. co f.r. F e desità f, allora si ha p{a X b} = F (b) F (a). Più i geerale se A e misurabile i R si ha p{x A} = f(x)dx. 4.2 Esempi 1. Desità espoeziale. Per ogi λ > 0 si defiisce ua f.r. poedo A F (t) = 1 e λt se t > 0, F (t) = 0 altrimeti. F è a.c. ; derivado si ottiee la sua desità f(t) = λe λt se t > 0, f(t) = 0 altrimeti. 2. Desità uiforme. Defiiamo ua f.r. poedo F (t) = 0 se t < 0, F (t) = t se 0 t 1 ; F (t) = 1 se t > 1. F è a.c. ; derivado si ottiee la sua desità f(t) = 0 se t < 0, f(t) = 1 se 0 t 1 ; f(t) = 0 se t > 1. Se X è ua var.al. co questa desità uiforme e se A [0, 1] è misurabile, allora p{x A} = A 1 dx, la misura di Lebesgue di A. 3. Desità ormale. La f.r. (distribuzioe) ormale Φ, che abbiamo itodotto el capitolo 3, è defiita da: Φ(x) = 1 x e y2 2 dy 2π e la sua desità è f(x) = Φ (x) = 1 2π e x2 2. La f.r. del primo esempio o è derivabile ell origie, quella del secodo o lo è ell origie e el puto Desità cogiute Cosidereremo, per semplicità solo vettori aleatori bidimesioali. Sia Z = (X, Y ) u tale vettore; la f.r. F Z cogiuta di Z è defiita da: F Z (x, y) = p{x x, Y y} = p{z A x,y }, dove A x,y = {(u, v) : u x, v y }. Diremo che Z ha desità cogiuta f Z = f se f 0, f(u, v) dudv = 1, (cioè f è ua desità) e R 2 ioltre x y F Z (x, y) = du f(u, v)dv = f(u, v) dudv. A x,y Per sottoisiemi ragioevoli A di R 2 avremo i geerale la formula p{z A} = f(u, v) dudv. A Cooscedo f.r. e desità cogiute di u vettore al. Z = (X, Y ), calcoliamoe f.r. e desità margiali. Si osservi che {X x} = {X x, Y }, =1 20

Capitolo Decimo SERIE DI FUNZIONI

Capitolo Decimo SERIE DI FUNZIONI Capitolo Decimo SERIE DI FUNZIONI SUCCESSIONI DI FUNZIONI I cocetti di successioe e di serie possoo essere estesi i modo molto aturale al caso delle fuzioi DEFINIZIONE Sia E u sottoisieme di  e, per ogi

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo ESERCIZI DI CALCOLO DELLE PROBABILITÁ ) Qual e la probabilita che laciado dadi a facce o esca essu? Studiare il comportameto asitotico di tale probabilita per grade. ) I u sacchetto vi soo 0 pallie biache;

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag.

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag. SERIE NUMERICHE (Cosimo De Mitri. Defiizioe, esempi e primi risultati... pag.. Criteri per serie a termii positivi... pag. 4 3. Covergeza assoluta e criteri per serie a termii di sego qualsiasi... pag.

Dettagli

3.4 Tecniche per valutare uno stimatore

3.4 Tecniche per valutare uno stimatore 3.4 Teciche per valutare uo stimatore 3.4. Il liguaggio delle decisioi statistiche, stimatori corretti e stimatori cosisteti La teoria delle decisioi forisce u liguaggio appropriato per discutere sulla

Dettagli

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa I umeri complessi Pagie tratte da Elemeti della teoria delle fuzioi olomorfe di ua variabile complessa di G. Vergara Caffarelli, P. Loreti, L. Giacomelli Dipartimeto di Metodi e Modelli Matematici per

Dettagli

Capitolo 8 Le funzioni e le successioni

Capitolo 8 Le funzioni e le successioni Capitolo 8 Le fuzioi e le successioi Prof. A. Fasao Fuzioe, domiio e codomiio Defiizioe Si chiama fuzioe o applicazioe dall isieme A all isieme B ua relazioe che fa corrispodere ad ogi elemeto di A u solo

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

1 Metodo della massima verosimiglianza

1 Metodo della massima verosimiglianza Metodo della massima verosimigliaza Estraedo u campioe costituito da variabili casuali X i i.i.d. da ua popolazioe X co fuzioe di probabilità/desità f(x, θ), si costruisce la fuzioe di verosimigliaza che

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15 Apputi di Statistica Matematica Ifereza Statistica Multivariata Ao Accademico 014/15 November 19, 014 1 Campioi e modelli statistici Siao Ω, A, P uo spazio di probabilità e X = X 1,..., X u vettore aleatorio

Dettagli

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005 Esame di Matematica 2 ModA (laurea i Matematica prova di accertameto del 4 ovembre 25 ESERCIZIO Si poga a 3 5 + 9 e b 2 4 6 + 6 ( (a Si determii d MCD(a, b e gli iteri m, Z tali che d ma + b co m < b ed

Dettagli

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche est o parametrici Il test di Studet per uo o per due campioi, il test F di Fisher per l'aalisi della variaza, la correlazioe, la regressioe, isieme ad altri test di statistica multivariata soo parte dei

Dettagli

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni:

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni: N. Fusco ESERCIZI DI ANALISI I Prof. Nicola Fusco Determiare l isieme i cui soo defiite le segueti fuzioi: ) log/ arctg π ) 4 ) log π 6 arcse ) ) tg log π + ) 4) 4 se se se tg 5) se cos tg 6) [ 6 + 8 π

Dettagli

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra?

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra? CALCOLO COMBINATORIO 1.1 Necessità del calcolo combiatorio Accade spesso di dover risolvere problemi dall'appareza molto semplice, ma che richiedoo calcoli lughi e oiosi per riuscire a trovare delle coclusioi

Dettagli

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari . MODELLO DINAMICO AD UN GRADO DI LIBERTÀ Alcue defiizioi prelimiari I sistemi vibrati possoo essere lieari o o lieari: el primo caso vale il pricipio di sovrapposizioe degli effetti el secodo o. I geerale

Dettagli

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard)

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard) Sistemi LTI descrivibile mediate SDE (Equazioi alle Differeze Stadard) Nella classe dei sistemi LTI ua sottoclasse è quella dei sistemi defiiti da Equazioi Stadard alle Differeze Fiite (SDE), dette così

Dettagli

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0 CAPITOLO VII DERIVATE. GENERALITÀ Defiizioe.) La derivata è u operatore che ad ua fuzioe f associa u altra fuzioe e che obbedisce alle segueti regole: () D a a a 0 0 0 derivata di u moomio D 6 D 0 D ()

Dettagli

4. Metodo semiprobabilistico agli stati limite

4. Metodo semiprobabilistico agli stati limite 4. Metodo seiprobabilistico agli stati liite Tale etodo cosiste el verificare che le gradezze che ifluiscoo i seso positivo sulla, valutate i odo da avere ua piccolissia probabilità di o essere superate,

Dettagli

ESERCITAZIONE L adsorbimento su carbone attivo

ESERCITAZIONE L adsorbimento su carbone attivo ESERCITAZIONE adsorbimeto su carboe attivo ezioi di riferimeto: Processi basati sul trasferimeto di materia Adsorbimeto su carboi attivi Testi di riferimeto: Water treatmet priciples ad desi, WH Pricipi

Dettagli

La sicurezza sul lavoro: obblighi e responsabilità

La sicurezza sul lavoro: obblighi e responsabilità La sicurezza sul lavoro: obblighi e resposabilità Il Testo uico sulla sicurezza, Dlgs 81/08 è il pilastro della ormativa sulla sicurezza sul lavoro. I sostaza il Dlgs disciplia tutte le attività di tutti

Dettagli

MATEMATICA FINANZIARIA

MATEMATICA FINANZIARIA Capializzazioe semplice e composa MATEMATICA FINANZIARIA Immagiiamo di impiegare 4500 per ai i ua operazioe fiaziaria che frua u asso del, % auo. Quao avremo realizzao alla fie dell operazioe? I u coeso

Dettagli

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI Dipartimeto di Sieze Eoomihe Uiversità di Veroa VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE Lezioi di Matematia per

Dettagli

Metodi d integrazione di Montecarlo

Metodi d integrazione di Montecarlo Metodi d itegrzioe di Motecrlo Simulzioe l termie simulzioe ell su ccezioe scietific h u sigificto diverso dll ccezioe correte. Nell uso ordirio è sioimo si fizioe; ell uso scietifico è sioimo di imitzioe,

Dettagli

i=1 Se tale somma ha un valore finito allora diremo che la variabile aleatoria X ammette valor medio. In tal caso, la quantità xp {X = x} = x E

i=1 Se tale somma ha un valore finito allora diremo che la variabile aleatoria X ammette valor medio. In tal caso, la quantità xp {X = x} = x E 2.7 Il valor medio La nozione di media aritmetica di un insieme finito di numeri reali {x 1,x 2,...,x n } è nota e molto naturale. Una delle sue possibili interpretazioni è quella che si ottiene associando

Dettagli

Motori maxon DC e maxon EC Le cose più importanti

Motori maxon DC e maxon EC Le cose più importanti Motori maxo DC e maxo EC Il motore come trasformatore di eergia Il motore elettrico trasforma la poteza elettrica P el (tesioe U e correte I) i poteza meccaica P mech (velocità e coppia M). Le perdite

Dettagli

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti Gorgo Lambert Pag. Dmostrazoe della Formula per la determazoe del umero d dvsor-test d prmaltà, d Gorgo Lambert Eugeo Amtrao aveva proposto l'dea d ua formula per calcolare l umero d dvsor d u umero, da

Dettagli

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI Mirta Debbia LS A. F. Formiggii di Sassuolo (MO) - debbia.m@libero.it Maria Cecilia Zoboli - LS A. F. Formiggii di Sassuolo (MO) - cherubii8@libero.it

Dettagli

l = 0, 1, 2, 3,,, n-1n m = 0, ±1,

l = 0, 1, 2, 3,,, n-1n m = 0, ±1, NUMERI QUANTICI Le autofuzioi soo caratterizzate da tre parametri chiamati NUMERI QUANTICI e soo completamete defiite dai loro valori: : umero quatico pricipale l : umero quatico secodario m : umero quatico

Dettagli

1. L'INSIEME DEI NUMERI REALI

1. L'INSIEME DEI NUMERI REALI . L'INSIEME DEI NUMERI REALI. I pricipli isiemi di umeri Ripredimo i pricipli isiemi umerici N, l'isieme dei umeri turli 0; ; ; ; ;... L'ide ituitiv di umero turle è ssocit l prolem di cotre e ordire gli

Dettagli

L OFFERTA DI LAVORO 1

L OFFERTA DI LAVORO 1 L OFFERTA DI LAVORO 1 La famiglia come foritrice di risorse OFFERTA DI LAVORO Notazioe utile: T : dotazioe di tempo (ore totali) : ore dedicate al tempo libero l=t- : ore dedicate al lavoro : cosumo di

Dettagli

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010 Idagii sui coregoi del Lago Maggiore: Aalisi sui pesci catturati el 1 Rapporto commissioato dal Dipartimeto del territorio, Ufficio della caccia e della pesca, Via Stefao Frascii 17 51 Bellizoa Aprile

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

PENSIONI INPDAP COME SI CALCOLANO

PENSIONI INPDAP COME SI CALCOLANO Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu PENSIONI INPDAP COME SI CALCOLANO I tre sistemi I cique pilastri

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

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa?

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa? Verifica d Iotesi Se ivece che chiederci quale è il valore ua mea i ua oolazioe (stima utuale Se ivece e itervallo che chiederci cofideza) quale è il avessimo valore u idea ua mea su quello i ua che oolazioe

Dettagli

Esercizi Le leggi dei gas. Lo stato gassoso

Esercizi Le leggi dei gas. Lo stato gassoso Esercizi Le lei dei as Lo stato assoso Ua certa quatità di as cloro, alla pressioe di,5 atm, occupa il volume di 0,58 litri. Calcola il volume occupato dal as se la pressioe viee portata a,0 atm e se la

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

Note integrative ed Esercizi consigliati

Note integrative ed Esercizi consigliati - a.a. 2006-07 Corso di Laurea Specialistica in Ingegneria Civile (CIS) Note integrative ed consigliati Laura Poggiolini e Gianna Stefani Indice 0 1 Convergenza uniforme 1 2 Convergenza totale 5 1 Numeri

Dettagli

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici Stm e putual Probabltà e Statstca I - a.a. 04/05 - Stmator Vocabolaro Popolazoe: u seme d oggett sul quale s desdera avere Iformazo. Parametro: ua caratterstca umerca della popolazoe. E u Numero fssato,

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

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

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06 Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o

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

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

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

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

Comportamento delle strutture in C.A. in Zona Sismica

Comportamento delle strutture in C.A. in Zona Sismica Comportameto delle strutture i c.a. i zoa sismica Pagia i/161 Comportameto delle strutture i C.A. i Zoa Sismica Prof. Paolo Riva Dipartimeto di Progettazioe e ecologie Facoltà di Igegeria Uiversità di

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

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014 Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,

Dettagli

Equazioni differenziali ordinarie

Equazioni differenziali ordinarie Capitolo 2 Equazioni differenziali ordinarie 2.1 Formulazione del problema In questa sezione formuleremo matematicamente il problema delle equazioni differenziali ordinarie e faremo alcune osservazioni

Dettagli

Integrali di superficie: esercizi svolti

Integrali di superficie: esercizi svolti Integrali di superficie: esercizi svolti Gli esercizi contrassegnati con il simbolo * presentano un grado di difficoltà maggiore. Esercizio. Calcolare i seguenti integrali superficiali sulle superfici

Dettagli

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \ 3,6 56 3,6 TEOR I A SPETTRALE La teoria spettrale degli operatori lieari- eo spazio di Hilbert é f odata, coe per gi spazi f i-ito-dimes ioal j-, sula defiizioe di- risolvete di u operatole' Sia (A,DA)

Dettagli

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale 4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,

Dettagli

Esistenza di funzioni continue non differenziabili in alcun punto

Esistenza di funzioni continue non differenziabili in alcun punto UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

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

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1.

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1. Caitolo III VALORI MEDI. SAZIONARIEÀ ED ERGODICIÀ III. - Mdi tatitich dl rimo ordi. Sia f( ) ua fuzio cotiua i aoci al gal alatorio (, t ζ ) la uatità dfiita dalla y f[(, t ζ )]. Ea idividua, a ua volta,

Dettagli

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

Dettagli

Dall atomo di Bohr alla costante di struttura fine

Dall atomo di Bohr alla costante di struttura fine Dall atomo di Bohr alla ostate di struttura fie. INFORMAZIONI SPETTROSCOPICHE SUGLI ATOMI E be oto he ogi sostaza opportuamete eitata emette radiazioi elettromagetihe. Co uo spettrosopio, o strumeti aaloghi,

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario Valutazioe delle prestazioi termiche di sistemi co solai termoattivi i regime o stazioario MICHELE DE CARLI, Ph.D., Ricercatore, Dipartimeto di Fisica Tecica, Uiversità degli Studi di Padova, Padova, Italia.

Dettagli

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Rita Giuliano (Pisa) 0. Introduzione. È ormai acquisizione comune il fatto che uno

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 differenziale Test di autovalutazione

Calcolo differenziale Test di autovalutazione Test di autovalutazione 1. Sia f : R R iniettiva, derivabile e tale che f(1) = 3, f (1) = 2, f (3) = 5. Allora (a) (f 1 ) (3) = 1 5 (b) (f 1 ) (3) = 1 2 (c) (f 1 ) (1) = 1 2 (d) (f 1 ) (1) = 1 3 2. Sia

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

Limiti e continuità di funzioni reali di una variabile

Limiti e continuità di funzioni reali di una variabile di funzioni reali di una variabile Corso di Analisi Matematica - capitolo VI Facoltà di Economia, UER Maria Caterina Bramati Université Libre de Bruxelles ECARES 22 Novembre 2006 Intuizione di ite di funzione

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

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine

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

Geometria nel piano complesso

Geometria nel piano complesso Geometria nel piano complesso Giorgio Ottaviani Contents Un introduzione formale del piano complesso 2 Il teorema di Napoleone 5 L inversione circolare 6 4 Le trasformazioni di Möbius 7 5 Il birapporto

Dettagli

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario USUFRUTTO 1) Che cos è l sfrtto e come si pò costitire? L sfrtto è il diritto di godimeto ( ovvero di possesso) di bee altri a titolo gratito ; viee chiamato sfrttario chi esercita tale diritto, metre

Dettagli

Numeri reali. Funzioni e loro grafici

Numeri reali. Funzioni e loro grafici Argomento Numeri reali. Funzioni e loro grafici Parte B - Funzioni e loro grafici Funzioni reali di variabile reale Definizioni. Supponiamo che A sia un sottoinsieme di R e che esista una legge che ad

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

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE DISPENSE DI: FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE Testo di riferieto E. Fuaioli ed altri Meccaica applicata alle acchie vol. e - Ed. Patro BOZZA Idice. INTRODUZIONE ALLA MECCANICA APPLICATA

Dettagli

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi.

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi. Iroduzioe () Ua defiizioe (geerale) del ermie qualià: qualià è l isieme delle caraerisiche di u eià (bee o servizio) che e deermiao la capacià di soddisfare le esigeze espresse ed implicie di chi la uilizza.

Dettagli

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Valutazioe e riduzioe della vulerailità sismia di ediii esisteti i.a. Roma, 9-0 maggio 00 DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Di Ludovio

Dettagli

FUNZIONI CONVESSE. + e x 0

FUNZIONI CONVESSE. + e x 0 FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )

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

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz:

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz: FUNZIONI DI PIU VARIABILI Esercizi svolti. Determinare il dominio delle seguenti funzioni e rappresentarlo graficamente : (a) f log( x y ) (b) f log(x + y ) (c) f y x 4 (d) f sin(x + y ) (e) f log(xy +

Dettagli

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento: Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

L. Pandolfi. Lezioni di Analisi Matematica 2

L. Pandolfi. Lezioni di Analisi Matematica 2 L. Pandolfi Lezioni di Analisi Matematica 2 i Il testo presenta tre blocchi principali di argomenti: A Successioni e serie numeriche e di funzioni: Cap., e 2. B Questa parte consta di due, da studiarsi

Dettagli

Le operazioni fondamentali in N Basic Arithmetic Operations in N

Le operazioni fondamentali in N Basic Arithmetic Operations in N Operzioi fodetli i - 1 Le operzioi fodetli i Bsic Arithetic Opertios i I geerle u operzioe è u procedieto che due o più ueri, dti i u certo ordie e detti terii dell'operzioe, e ssoci u ltro, detto risultto

Dettagli

FORME DIFFERENZIALI IN R 3 E INTEGRALI

FORME DIFFERENZIALI IN R 3 E INTEGRALI FORME DIFFERENZIALI IN R 3 E INTEGRALI CLADIO BONANNO Contents 1. Spazio duale di uno spazio vettoriale 1 1.1. Esercizi 3 2. Spazi tangente e cotangente 4 2.1. Esercizi 6 3. Le forme differenziali e i

Dettagli

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc.

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. Classi Numeriche 1 1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. In questo breve capitolo richiamiamo le definizioni delle classi numeriche fondamentali, già note al lettore,

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

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli