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

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi.

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi. Serie SERIE NUMERICHE Co l itroduzioe delle serie vogliamo estedere l operazioe algebrica di somma ad u umero ifiito di addedi. Def. Data la successioe {a }, defiiamo la successioe {s } poedo s = a k.

Dettagli

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1 SUCCESSIONI e LIMITI DI SUCCESSIONI c Paola Gervasio - Aalisi Matematica 1 - A.A. 15/16 Successioi cap3b.pdf 1 Successioi Def. Ua successioe è ua fuzioe reale (Y = R) a variabile aturale, ovvero X = N:

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE LORENZO BRASCO. Teoremi di Cesaro Teorema di Stolz-Cesaro. Siao {a } N e {b } N due successioi umeriche, co {b } N strettamete positiva, strettamete crescete e ilitata. Se esiste

Dettagli

PARTE QUARTA Teoria algebrica dei numeri

PARTE QUARTA Teoria algebrica dei numeri Prerequisiti: Aelli Spazi vettoriali Sia A u aello commutativo uitario PARTE QUARTA Teoria algebrica dei umeri Lezioe 7 Cei sui moduli Defiizioe 7 Si dice modulo (siistro) su A (o semplicemete, A-modulo)

Dettagli

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6

1 Successioni 1 1.1 Limite di una successione... 2. 2 Serie 3 2.1 La serie armonica... 6 2.2 La serie geometrica... 6 SUCCESSIONI Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La serie

Dettagli

II-9 Successioni e serie

II-9 Successioni e serie SUCCESSIONI II-9 Successioi e serie Idice Successioi. Limite di ua successioe........................................... Serie 3. La serie armoica................................................ 6. La

Dettagli

5. Le serie numeriche

5. Le serie numeriche 5. Le serie umeriche Ricordiamo che ua successioe reale è ua fuzioe defiita da N, evetualmete privato di u umero fiito di elemeti, a R. Solitamete si idica ua successioe co la lista dei suoi valori: (a

Dettagli

Foglio di esercizi N. 1 - Soluzioni

Foglio di esercizi N. 1 - Soluzioni Foglio di esercizi N. - Soluzioi. Determiare il domiio della fuzioe f) = log 3 + log 3 3)). Deve essere + log 3 3) > 0, ovvero log 3 3) >, ovvero prededo l espoeziale i base 3 di etrambi i membri) 3 >

Dettagli

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni Statistica I, Laurea trieale i Ig. Gestioale, a.a. 2011/12 Registro delle lezioi Lezioe 1 (28/9, ore 11:30). Vedere la registrazioe di Barsati, dispoibile alla pagia http://users.dma.uipi.it/barsati/statistica_2011/idex.html.

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Ua fuzioe reale di ua variabile reale f di domiio A è ua legge che ad ogi x A associa u umero reale che deotiamo co f(x). Se A = N, la f è detta successioe di umeri reali. Se co si

Dettagli

SUCCESSIONI E SERIE NUMERICHE

SUCCESSIONI E SERIE NUMERICHE SUCCESSIONI E SERIE NUMERICHE. Successioi umeriche a. Defiizioi: successioi aritmetiche e geometriche Cosideriamo ua sequeza di umeri quale ad esempio:,5,8,,4,7,... Tale sequeza è costituita mediate ua

Dettagli

Terzo appello del. primo modulo. di ANALISI 18.07.2006

Terzo appello del. primo modulo. di ANALISI 18.07.2006 Terzo appello del primo modulo di ANALISI 18.7.26 1. Si voglioo ifilare su u filo delle perle distiguibili tra loro solo i base alla dimesioe: si hao a disposizioe perle gradi di diametro di 2 cetimetri

Dettagli

I appello - 29 Giugno 2007

I appello - 29 Giugno 2007 Facoltà di Igegeria - Corso di Laurea i Ig. Iformatica e delle Telecom. A.A.6/7 I appello - 9 Giugo 7 ) Studiare la covergeza putuale e uiforme della seguete successioe di fuzioi: [ ( )] f (x) = cos (

Dettagli

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

Successioni ricorsive di numeri

Successioni ricorsive di numeri Successioi ricorsive di umeri Getile Alessadro Laboratorio di matematica discreta A.A. 6/7 I queste pagie si voglioo predere i esame alcue tra le più famose successioi ricorsive, presetadoe alcue caratteristiche..

Dettagli

Calcolo Combinatorio (vers. 1/10/2014)

Calcolo Combinatorio (vers. 1/10/2014) Calcolo Combiatorio (vers. 1/10/2014 Daiela De Caditiis modulo CdP di teoria dei segali Igegeria dell Iformazioe - sede di Latia, CALCOLO COMBINATORIO Pricipio Fodametale del Calcolo Combiatorio: Si realizzio

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie umeriche e serie di poteze Sommare u umero fiito di umeri reali è seza dubbio u operazioe che o può riservare molte sorprese Cosa succede però se e sommiamo u umero ifiito? Prima di dare delle defiizioi

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 Docete: dott. F. Zucca Esercitazioe # 4 1 Distribuzioe Espoeziale Esercizio 1 Suppoiamo che la durata della vita di ogi membro di

Dettagli

V Tutorato 6 Novembre 2014

V Tutorato 6 Novembre 2014 1. Data la successioe V Tutorato 6 Novembre 01 determiare il lim b. Data la successioe b = a = + 1 + 1 8 6 + 1 80 + 18 se 0 se < 0 scrivere i termii a 0, a 1, a, a 0 e determiare lim a. Data la successioe

Dettagli

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere Eserciio 1 7 puti. Dato il campo vettoriale v, + 1,, i si determii ua fuioe f > i modo tale che il campo vettoriale f v sia irrotaioale, cioè abbia le derivate icrociate uguali; ii si spieghi se i risultati

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

Successioni. Grafico di una successione

Successioni. Grafico di una successione Successioi Ua successioe di umeri reali è semplicemete ua sequeza di ifiiti umeri reali:, 2, 3,...,,... dove co idichiamo il termie geerale della successioe. Ad esempio, discutedo il sigificato fiaziario

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

Esercizi riguardanti limiti di successioni

Esercizi riguardanti limiti di successioni Esercizi riguardati iti di successioi Davide Boscaii Queste soo le ote da cui ho tratto le esercitazioi del gioro 27 Ottobre 20. Come tali soo be lugi dall essere eseti da errori, ivito quidi chi e trovasse

Dettagli

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x.

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x. ANALISI MATEMATICA Area dell Igegeria dell Iformazioe Appello del 5.0.0 TEMA Esercizio Si cosideri la fuzioe f(x = arcsi log x. Determiare il domiio di f e discutere il sego. Discutere brevemete la cotiuità

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

3.1 Il principio di inclusione-esclusione

3.1 Il principio di inclusione-esclusione Capitolo 3 Calcolo combiatorio 3.1 Il pricipio di iclusioe-esclusioe Il calcolo combiatorio prede i cosiderazioe degli isiemi fiiti particolari e e cota il umero di elemeti. Questo può dar luogo ad iteressati

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

Campi vettoriali conservativi e solenoidali

Campi vettoriali conservativi e solenoidali Campi vettoriali coservativi e soleoidali Sia (x,y,z) u campo vettoriale defiito i ua regioe di spazio Ω, e sia u cammio, di estremi A e B, defiito i Ω. Sia r (u) ua parametrizzazioe di, fuzioe della variabile

Dettagli

Analisi statistica dell Output

Analisi statistica dell Output Aalisi statistica dell Output IL Simulatore è u adeguata rappresetazioe della Realtà! E adesso? Come va iterpretato l Output? Quado le Osservazioi soo sigificative? Quati Ru del Simulatore è corretto effettuare?

Dettagli

Successioni. Capitolo 2. 2.1 Definizione

Successioni. Capitolo 2. 2.1 Definizione Capitolo 2 Successioi 2.1 Defiizioe Ua prima descrizioe, più ituitiva che rigorosa, di quel che itediamo per successioe cosiste i: Ua successioe è ua lista ordiata di oggetti, avete u primo ma o u ultimo

Dettagli

STATISTICA DESCRITTIVA

STATISTICA DESCRITTIVA STATISTICA DESCRITTIVA La statistica descrittiva serve per elaborare e sitetizzare dati. Tipicamete i dati si rappresetao i tabelle. Esempio. Suppoiamo di codurre u idagie per cooscere gli iscritti al

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: esercizi svolti

Serie numeriche: esercizi svolti Serie umeriche: esercizi svolti Gli esercizi cotrassegati co il simbolo * presetao u grado di difficoltà maggiore. Esercizio. Dopo aver verificato la covergeza, calcolare la somma delle segueti serie:

Dettagli

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15 Corso di Laurea Magistrale i Igegeria Iformatica A.A. 014/15 Complemeti di Probabilità e Statistica Prova scritta del del 3-0-15 Puteggi: 1. 3+3+4;. +3 ; 3. 1.5 5 ; 4. 1 + 1 + 1 + 1 + 3.5. Totale = 30.

Dettagli

Anno 5 Successioni numeriche

Anno 5 Successioni numeriche Ao 5 Successioi umeriche Itroduzioe I questa lezioe impareremo a descrivere e calcolare il limite di ua successioe. Ma cos è ua successioe? Come si calcola il suo limite? Al termie di questa lezioe sarai

Dettagli

Capitolo 6 Teoremi limite classici

Capitolo 6 Teoremi limite classici Capitolo 6 Teoremi limite classici Abstract I Teoremi limite classici, la legge dei gradi umeri e il teorema limite cetrale, costituiscoo il ucleo del Calcolo delle Probabilità, per la loro portata sia

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

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagia Giovaa Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secodaria di secodo grado UNITÀ CAMPIONE Edizioi del Quadrifoglio à t i U 2 Radicali I questa Uità affrotiamo

Dettagli

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione

(DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scienze dell Informazione (DA COMPLETARE!!) Esercizi per il corso di Calcolo delle Probabilità e Statistica Matematica per Scieze dell Iformazioe NOTA Quado i problemi soo formulati el liguaggio ordiario, teere presete che la soluzioe

Dettagli

DISTRIBUZIONI DOPPIE

DISTRIBUZIONI DOPPIE DISTRIBUZIONI DOPPIE Fio ad ora abbiamo visto teciche di aalisi dei dati per il solo caso i cui ci si occupi di u solo carattere rilevato su u collettivo (distribuzioi semplici). I termii formali fio ad

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

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1)

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) I umeri aturali hao u ordie; ogi umero aturale ha u successivo (otteuto aggiugedo 1), e ogi umero aturale diverso da zero ha u precedete (otteuto sottraedo 1).

Dettagli

Statistica di base. Luca Mari, versione 31.12.13

Statistica di base. Luca Mari, versione 31.12.13 Statistica di base Luca Mari, versioe 31.12.13 Coteuti Moda...1 Distribuzioi cumulate...2 Mediaa, quartili, percetili...3 Sigificatività empirica degli idici ordiali...3 Media...4 Acora sulla media...4

Dettagli

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente

ARGOMENTO: SERIE NUMERICHE 1. Dott.ssa Sandra Lucente Corso di Laurea i Matematica LEZIONI PER IL CORSO DI ANALISI MATEMATICA..2 A.A. 2007-2008 ARGOMENTO: SERIE NUMERICHE Dott.ssa Sadra Lucete Idice :. Prime geeralità sulle serie. 2. Serie a termii o egativi:

Dettagli

Probabilità e Statistica I

Probabilità e Statistica I Probabilità e Statistica I Elvira Di Nardo (Dipartimeto di Matematica) Uiversità degli Studi della Basilicata e-mail:diardo@uibas.it http://www.uibas.it/uteti/diardo/home.html Tel:097/05890 Prerequisiti:

Dettagli

Distribuzioni di probabilità Unità 79

Distribuzioni di probabilità Unità 79 Prerequisiti: - Primi elemeti di probabilità e statistica. - Nozioi di calcolo combiatorio. - Rappresetazioe di puti e rette i u piao cartesiao. Questa uità iteressa tutte le scuole ad eccezioe del Liceo

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

5 ln n + ln. 4 ln n + ln. 6 ln n + ln

5 ln n + ln. 4 ln n + ln. 6 ln n + ln DOMINIO FUNZIONE Determiare il domiio della fuzioe f = l e e + e + e Deve essere e e + e + e >, posto e = t si ha t e + t + e = per t = e e per t = / Il campo di esisteza è:, l, + Determiare il domiio

Dettagli

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA Matematica e statistica: dai dati ai modelli alle scelte www.dima.uige/pls_statistica Resposabili scietifici M.P. Rogati e E. Sasso (Dipartimeto di Matematica Uiversità di Geova) STATISTICA INFERENZIALE

Dettagli

Limiti di successioni

Limiti di successioni Argometo 3s Limiti di successioi Ua successioe {a : N} è ua fuzioe defiita sull isieme N deiumeriaturaliavalori reali: essa verrà el seguito idicata più brevemeteco{a } a èdettotermie geerale della successioe

Dettagli

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30)

Tutti i diritti di sfruttamento economico dell opera appartengono alla Esselibri S.p.A. (art. 64, D.Lgs. 10-2-2005, n. 30) Copyright 2005 Esselibri S.p.A. Via F. Russo, 33/D 8023 Napoli Azieda co sistema qualità certificato ISO 400: 2003 Tutti i diritti riservati. È vietata la riproduzioe ache parziale e co qualsiasi mezzo

Dettagli

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02%

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02% RISPOSTE MOTIVATE QUIZ D AMMISSIONE 2000-2001 MATEMATICA 51. L espressioe log( 2 ) equivale a : A) 2log B) log2 C) 2log D) log E) log 2 Dati 2 umeri positivi a e b (co a 1), si defiisce logaritmo i base

Dettagli

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n SERIE NUMERICHE Esercizi risolti. Applicado la defiizioe di covergeza di ua serie stabilire il carattere delle segueti serie, e, i caso di covergeza, trovare la somma: = + b) = + +. Verificare utilizzado

Dettagli

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale.

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale. Corso di laurea i Matematica Corso di Aalisi Matematica -2 Dott.ssa Sadra Lucete Fuzioi poteza ed espoeziale. Teorema. Teorema di esisteza della radice -esima. Sia N. Per ogi a R + esiste uo ed u solo

Dettagli

Selezione avversa e razionamento del credito

Selezione avversa e razionamento del credito Selezioe avversa e razioameto del credito Massimo A. De Fracesco Dipartimeto di Ecoomia politica e statistica, Uiversità di Siea May 3, 013 1 Itroduzioe I questa lezioe presetiamo u semplice modello del

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS DI RDINAMENT 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

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

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S = S0 X k, co X k = k= co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti

Dettagli

UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimento di Economia. Variabili Casuali. Giulio Palomba

UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimento di Economia. Variabili Casuali. Giulio Palomba UNIVERSITÀ POLITECNICA DELLE MARCHE Dipartimeto di Ecoomia Variabili Casuali Giulio Palomba Variabili casuali Idice Itroduzioe 5 Variabili casuali discrete 7. Variabile casuale degeere....................

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 19 Iterdipedeza lieare fra variabili quatitative

Dettagli

Dispense di Analisi Matematica II

Dispense di Analisi Matematica II Dispese di Aalisi Matematica II Domeico Cadeloro (Prima Parte) Itroduzioe Queste dispese trattao la prima parte del corso di Aalisi Matematica II. Nel primo capitolo si discutoo gli itegrali geeralizzati

Dettagli

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI Apputi di Statistica Sociale Uiversità ore di Ea LE MISURE DI VARIABILITÀ DI CARATTERI QUATITATIVI La variabilità di u isieme di osservazioi attiee all attitudie delle variabili studiate ad assumere modalità

Dettagli

Modelli multiperiodali discreti. Strategie di investimento

Modelli multiperiodali discreti. Strategie di investimento Modelli multiperiodali discreti Cosideriamo ora modelli discreti cioè co u umero fiito di stati del modo multiperiodali, cioè apputo co più periodi. Il prototipo di questa classe di modelli è il modello

Dettagli

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3.

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3. Corsi di Laurea i Igegeria Edile e Architettura Prova scritta di Aalisi Matematica del 6// ) Mostrare che + si( ) cos () si( ) log(( + ) / ) = 3. Possibile soluzioe: Cosiderado dapprima il deomiatore otiamo

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

LA VERIFICA DELLE IPOTESI SUI PARAMETRI

LA VERIFICA DELLE IPOTESI SUI PARAMETRI LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività

Dettagli

Università degli Studi di Bologna. Appunti del corso di Analisi Matematica Anno Accademico 2013 2014. prof. Daniele Ritelli

Università degli Studi di Bologna. Appunti del corso di Analisi Matematica Anno Accademico 2013 2014. prof. Daniele Ritelli Uiversità degli Studi di Bologa Scuola di Ecoomia Maagemet e Statistica Corso di Laurea i Scieze Statistiche Apputi del corso di Aalisi Matematica Ao Accademico 03 04 f b y prof. Daiele Ritelli f a a b

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

ESERCIZI SULLE SERIE NUMERICHE

ESERCIZI SULLE SERIE NUMERICHE ESERCIZI SULLE SERIE NUMERICHE a cura di Michele Scaglia RICHIAMI TEORICI Richiamiamo brevemete i pricipali risultati riguardati le serie umeriche. Teorema (Codizioe Necessaria per la Covergeza) Sia a

Dettagli

Angelo Negro. Teoria della Misura. Istituzioni di Analisi Superiore

Angelo Negro. Teoria della Misura. Istituzioni di Analisi Superiore gelo Negro Teoria della Misura Istituzioi di alisi Superiore a.a. 2000-2001 Prefazioe Questa breve moografia si propoe di presetare i modo piao e sitetico, ma co dimostrazioi rigorose e complete, i pricipali

Dettagli

Statistica descrittiva

Statistica descrittiva Statistica descrittiva idici idici (o misure) di posizioe media campioaria di osservazioi x, x,..., x x i x= per campioi x ì ripetuti ciascuo co frequeza f i x= x i f i Posto y i =a x i b : y=a x mediaa

Dettagli

Teorema 13. Se una sere converge assolutamente, allora converge:

Teorema 13. Se una sere converge assolutamente, allora converge: Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 03: Riferimeti: R.Adams, Calcolo Differeziale.- Si cosiglia vivamete di fare gli esercizi del testo. Covergeza assoluta e

Dettagli

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE STATISTICA parte / U test statistico è ua regola di decisioe Effettuare u test statistico sigifica verificare IPOTESI sui parametri. STATISTICA INFERENZIALE STIMA PUNTUALE STIMA PER INTERVALLI TEST PARAMETRICI

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

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone Numerazioe biaria Pagia di 9 easy matematica di Adolfo Scimoe SISTEMI DI NUMERAZIONE Sistemi di umerazioe a base fissa Facciamo ormalmete riferimeto a sistemi di umerazioe a base fissa, ad esempio el sistema

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2006

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2006 ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 006 Il cadidato risolva uo dei due problemi e 5 dei 0 quesiti i cui si articola il questioario. PRBLEMA U filo metallico di lughezza l viee utilizzato

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

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1 Prova scritta di Statistica per Biotecologie 9 Aprile Programma Cristallo. Uo dei processi di purificazioe impiegati i ua certa sostaza chimica prevede di metterla i soluzioe e di filtrarla co ua resia

Dettagli

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE CAPITOLO UNDICESIMO VARIABILI CASUALI SOMMARIO:. Itroduzioe. -. Variabili casuali discrete. - 3. La variabile casuale di Beroulli. - 4. La variabile casuale biomiale. -. La variabile casuale di Poisso.

Dettagli

Metodi statistici per l analisi dei dati

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

Dettagli

ESERCIZI SULLE SERIE

ESERCIZI SULLE SERIE ESERCIZI SULLE SERIE Studiare la atura delle segueti serie. ) cos 4 + ; ) + si ; ) + ()! 4) ( ) 5) ( ) + + 6) ( ) + + + 7) ( log ) 8) ( ) + 9) log! 0)! Studiare al variare di x i R la atura delle segueti

Dettagli

1 Limiti di successioni

1 Limiti di successioni Esercitazioi di matematica Corso di Istituzioi di Matematica B Facoltà di Architettura Ao Accademico 005/006 Aa Scaramuzza 4 Novembre 005 Limiti di successioi Esercizio.. Servedosi della defiizioe di ite

Dettagli

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale Calcolo della risposta di u sistema lieare viscoso a più gradi di libertà co il metodo dell Aalisi Modale Lezioe 2/2 Prof. Adolfo Satii - Diamica delle Strutture 1 La risposta a carichi variabili co la

Dettagli

Equazioni e contrazioni: un punto fisso //

Equazioni e contrazioni: un punto fisso // * 010 Equazioi e cotrazioi: u puto fisso // Nicola Chiriao Docete al Liceo Scietifico L. Siciliai di Catazaro [Nicola Chiriao] Nicola Chiriao è docete di Matematica e Fisica al Liceo Scietifico Siciliai

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

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA Corso di Laurea i Ig Edile Politecico di Bari AA 2008-2009 Prof ssa Letizia Bruetti DISPENSE DEL CORSO DI GEOMETRIA 2 Idice Spazi vettoriali Cei sulle strutture algebriche 4 2 Defiizioe di spazio vettoriale

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S S0 X k, co X k k co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti e ideticamete

Dettagli

Capitolo V : Successioni e serie numeriche

Capitolo V : Successioni e serie numeriche Liceo Lugao, 0-0 3N Luca Rovelli) Capitolo V : Successioi e serie umeriche La cosiddetta aalisi matematica, sviluppata iizialmete i maiera idipedete da Newto e Leibitz a partire dalla fie del XVII secolo,

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1 ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO Agela Doatiello 1 Esercizio. E stato tabulato il peso di ua certa popolazioe

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

CORSO DI LAUREA IN ECONOMIA AZIENDALE Metodi Statistici per le decisioni d impresa (Note didattiche) Bruno Chiandotto

CORSO DI LAUREA IN ECONOMIA AZIENDALE Metodi Statistici per le decisioni d impresa (Note didattiche) Bruno Chiandotto CORSO DI LAUREA IN ECONOMIA AZIENDALE Metodi Statistici per le decisioi d impresa (Note didattiche) Bruo Chiadotto CALCOLO DELLE PROBABILITA Il calcolo delle probabilità, ato el cotesto dei giochi d azzardo

Dettagli

Disposizioni semplici. Disposizioni semplici esercizi

Disposizioni semplici. Disposizioni semplici esercizi Disposizioi semplici Ua disposizioe (semplice) di oggetti i k posti (duque 1 < k < ) è ogi raggruppameto di k oggetti, seza ripetizioi, scelti fra gli oggetti dati, cioè ciascuo dei raggruppameti ordiati

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia per maager. Prima versioe, marzo 2013; versioe aggiorata, marzo 2014) Massimo A. De Fracesco Uiversità di Siea March 14, 2014 1 Prezzo

Dettagli

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c.

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c. I LEZIONE Il ostro iteto è aalizzare i dettaglio i metodi di cifratura che si soo susseguiti el corso della storia prestado particolare attezioe all impiato matematico che e cosete la realizzazioe Iiziamo

Dettagli

ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO

ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO ARGOMENTI TRATTATI: VARIABILI CASUALI DISCRETE VARIABILI CASUALI CONTINUE DISEGUAGLIANZA DI TCHEBYCHEFF TEOREMA DEL LIMITE CENTRALE

Dettagli

Le carte di controllo

Le carte di controllo Le carte di cotrollo Dott.ssa Bruella Caroleo 07 dicembre 007 Variabilità ei processi produttivi Le caratteristiche di qualsiasi processo produttivo soo caratterizzate da variabilità Le cause di variabilità

Dettagli

Progressioni aritmetiche

Progressioni aritmetiche Progressioi aritmetiche Comiciamo co due esempi: Esempio Cosideriamo la successioe di umeri:, 7,, 5, 9, +4 +4 +4 +4 +4 La successioe è tale che si passa da u termie al successivo aggiugedo sempre +4. Si

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioi di Statistica Il modello di Regressioe Prof. Livia De Giovai statistica@dis.uiroma.it Esercizio Solitamete è accertato che aumetado il umero di uità prodotte, u idustria possa ridurre i costi

Dettagli