Probabilit` a Discreta
|
|
- Giuliana Cicci
- 6 anni fa
- Visualizzazioni
Transcript
1 Probabilità Discreta
2 Itroduzioe Feomeo determiistico e o determiistico (o aleatorio): il determiistico, dato u sistema meccaico, e cooscedo le codizioi iiziali è sempre possibile studiare e prevedere quale sarà lo stato del sistema ad u assegato tempo. Nel o-determiistico, o è c è alcu modo di prevedere co certezza cosa accadrà al sistema. Ciò o sigifica che o si possa dire ulla sul risultato. Spazio degli eveti Ω: è l isieme di tutti i possibili risultati di u dato feomeo. Gli eveti soo i risultati otteibili: per esempio se Ω = {1, 2, 3, 4, 5, 6} u eveto può essere A = {1}, cioè esce l 1, oppure B = {1, 3, 5}, cioè esce u umero dispari. Ioltre se Ω = {a 1, a 2,..., a } si può scrivere come Ω = {a 1 } {a 2 }... {a }.Co gli eveti è possibile fare le operazioi isiemistiche: 1. A B corrispode all eveto : i due eveti associati a A e B si verificao etrambi. 2. A B corrispode all eveto: almeo u dei due eveti si verifica. 3. C(A) oppure A C corrispode all eveto: l eveto associato ad A o si verifica (cioè si verifica quello associato a Ω\A ) 4. deota eveti impossibili, impossibili da verificarsi. 5. L eveto Ω sarà l eveto certo, il risultato sarà sicuramete i Ω. Da queste defiizioi di eveti, si evice che tutti i possibili sottoisiemi di Ω soo eveti, e che quidi gli eveti risultati, dato Ω di cardialità, soo al più P(Ω) = 2. Probabilità: la probabilità sarà u applicazioe P che ad ogi eveto (ovvero ad ogi sottoisieme di Ω) associa u umero reale, i maiera tale che questo umero sia tato più grade quato più l eveto è probabile. È aturale che se A e B soo due eveti tali che A B = allora P (A B) = P (A) + P (B) Algebra A: si chiama algebra, A, ua famiglia di isiemi coteuta i P(Ω), quidi A P(Ω), tale che, dati A, B A 1. A B A e per ricorreza quidi ache i=1 A i A, cioè l uioe di u umero fiito di s.i. A i A 1
3 2. A B A e per ricorreza quidi ache i=1 A i A, cioè l itersezioe di u umero fiito di s.i. A i A 3. A C := Ω\A A σ-algebra (tribù): essere algebra sia ua famiglia A di parti di u isieme Ω si dice σ-algebra se oltre ad 1. i=1 A i A, cioè l uioe di u umero ifiito di s.i. A i A 2. i=1 A i A, cioè l itersezioe di u umero fiito di s.i. A i A Quidi la Probabilità P è u applicazioe P : A [0, 1] tale che: 1. P (Ω) := 1 2. Data ua successioe di elemeti di A tale che A i A j = allora: ( ) P A i = i=1 P (A i ) i=1 Spazio delle probabilità: è ua tera (Ω, A, P ) dove Ω è u isieme; A è ua σ-algebra di parti di Ω; P è ua probabilità su A, cioè P : A [0, 1] Ipotesi di equiprobabilità: a partire dalla atura del problema, spesso etra i gioco l ipotesi di equiprobabilità, cioè è ragioevole supporre che i risultati si verifichio tutti co uguale probabilità: se vi è l ipotesi di equiprobabilità, la probabilità di u eveto A è: P (A) = A. Dato che P (Ω) = 1 e Ω si può scrivere come Ω = {a Ω 1} {a 2 }... {a }, Ω =, se a i a j e soo equiprobabili si ha: P ({a 1 }) = P ({a 2 }) =... = P ({a }) = 1 quidi che P ({a 1})+P ({a 2 })+...+P ({a }) = P (Ω) = 1 Proprietà dello spazio delle probabilità: 1. Se A A A C A A A C = Ω. Quidi se B A si ha B = B (A A C ) = (B A) (B A C ) e gli eveti B A e B A C soo disgiuti (poiché lo soo A e A C ). Quidi P (B) = P (B A) + P (B A C ) e se si poe B = Ω si ha che: 1 = P (Ω) = P (A) + P (A C ) P (A C ) = 1 P (A) 2. Se ivece A B se si verifica A allora si verifica ecessariamete B: A B; A B 2
4 3. Dalle formule di de Morga si sa: ( A ) c = Ac e dal puto (1) si ricava che la probabilità di u uioe fiita di eveti disgiuti è ( ) c ( ) P A = 1 P 4. La probabilità dell uioe fiita di eveti o disgiuti sarà uguale a: P (A 1 A 2... A ) = + A i i=1 A c i 1 <i 2 P (A i1 A i2 ) + + ( 1) r+1 + i 1 <i 2 < <i r P (A i1 A i2... A ir ) + ( 1) +1 P (A 1 A 2... A ) el caso siao due A, B si ha che P (A B) = P (A) + P (B) P (A B) 5. Se B A allora P (A\B) = P (A)\P (B) ifatti A = B (A\B) P (A) = P (B) + P (A\B) P (A\B) = P (A)\P (B) Probabilità codizioata: siao A, B A co P (A) > 0. Si chiama probabilità codizioale di B dato A la quatità: A, B σ P (A B) = P (A B) P (B) cioè la probabilità che B si verifichi sapedo che A si è verificato. Corollario: dalla defiizioe discede subito che P (A B) = P (B)P (B A) Eveti idipedeti: due eveti A, B σ si dicoo stocasticamete idipedeti se: P (A B) = P (A) e P (B A) = P (B) I particolare, per gli eveti idipedeti, è vero che: P (A B) = P (A)P (B) Corollario: gli eveti A 1,..., A soo a due a due idipedeti sse P (A i A j ) = P (A i )P (A j ) i, j = 1,... : i j. Metre A 1, A 2,..., A σ si dicoo stocasticamete idipedeti i blocco se P (A i1 A i2... A ik ) = P (A i1 )P (A i2... P (A ik ) i 1, i 2,..., i k {1, 2,..., }. Notiamo che l idipedeza i blocco implica quella a due a due ma o il cotrario. Teorema delle probabilità totali: Ω = A 1 A 2... A, dove gli A i formao ua partizioe di Ω e B è u qualsiasi eveto dipedete da gli A i, allora: P (B) = P (A i B) = i=1 P (B A i )P (A i ) i=1 3
5 Teorema di Bayes: Ω = A 1 A 2... A, dove gli A i formao ua partizioe di Ω e A i A j = i, j = 1, 2,...,, allora: P (A i B) = P (B A i)p (A i ) P (B) = P (B A i )P (A i ) j=1 P (B A j)p (A j ) Disuguagliaza di Boole: A 1, A 2,..., A σ allora: ( ) P A k k=1 P (A k ) k=1 4
6 Calcolo combiatorio Disposizioi semplici: Cosideriamo u isieme formato da elemeti distiti ed u umero k. Si chiamao disposizioi semplici degli elemeti presi a k a k ( o disposizioi della classe k) u gruppo ordiato formato da k degli elemeti dell isieme dato i modo che valgao le segueti proprietà: 1. i ciascu raggruppameto figurao k oggetti seza ripetizioe; 2. due di tali disposizioi si ritegoo diverse quado differiscoo per almeo u elemeto oppure per l ordie co cui gli stessi elemeti si presetao. Il umero delle disposizioi semplici di elemeti distiti, della classe k, si idica co il simbolo D,k il cui valore è dato dalla formula: D,k =! ( k)! Disposizioi co ripetizioe: Cosideriamo u isieme costituito elemeti distiti ed u umero aturale k seza alcua limitazioe superiore. Il problema che ci poiamo è quello di costruire tutti i possibili raggruppameti distiti prededo k oggetti i modo che: 1. i ciascu raggruppameto figurao k oggetti ed uo stesso oggetto può figurare, ripetuto, fio ad u massimo di k volte; 2. due qualsiasi raggruppameti soo distiti se uo di essi cotiee almeo u oggetto che o figura ell altro, oppure gli oggetti soo diversamete ordiati, oppure gli oggetti che figurao i uo figurao ache ell altro ma soo ripetuti u umero diverso di volte. Il umero delle disposizioi co ripetizioe si idica co il simbolo D,k D,k = k ed è dato da: Permutazioi: Le permutazioi semplici altro o soo che le disposizioi di oggetti presi ad ad. Ossia, dato u isieme di oggetti, si dicoo permutazioi di tali oggetti tutti i gruppi che si possoo formare co gli oggetti dati prededoli tutti. Se e deduce allora che le permutazioi semplici differiscoo soltato per l ordie co cui soo disposti gli oggetti distiti coteuti ei vari raggruppameti. Dalla defiizioe segue quidi che le permutazioi coicidoo co le disposizioi semplici di classe, quidi il calcolo delle permutazioi è: P =! 5
7 Permutazioi di elemeti o tutti diversi: Suppoiamo ora che di questi elemeti ve e siao α uguali tra loro (α ). Il umero delle loro permutazioi che idicheremo co P (α) è uguale a: P (α) = P α! =! α! Combiazioi semplici: Dato u isieme di elemeti, si dicoo combiazioi semplici degli elemeti presi a k a k (o di classe k), k tutti i gruppi di k elemeti, scelti fra gli dell isieme dato, i modo che ciascu gruppo differisca dai restati almeo per uo degli elemeti i esso coteuti (seza cosiderare, quidi, l ordie degli elemeti). Da otare la differeza fra disposizioi e combiazioi (semplici): metre elle disposizioi si tiee coto dell ordie, elle combiazioi semplici, ivece, si cosiderao distiti solo quado due i raggruppameti differiscoo almeo per u elemeto. Per determiare il umero delle combiazioi semplici di elemeti di classe k, e che idichiamo co il simbolo C,k ci serviamo della formula: ( ) C,k = = D,k! = k P k k!( k)! Combiazioi co ripetizioe: si possoo predere i cosiderazioe ache le combiazioi co ripetizioe. Cosideriamo u isieme formato da elemeti e fissiamo u umero k (seza alcua limitazioe superiore): ci propoiamo di costruire i possibili raggruppameti distiti prededo k elemeti costruire i possibili raggruppameti distiti di classe k dell isieme dato i modo che: 1. i ciascu raggruppameto figurio k elemeti dell isieme dato potedovi uo stesso elemeto figurare più volte fio ad u massimo di k volte; 2. due raggruppameti soo distiti se uo di essi cotiee almeo u elemeto che o figura ell altro, oppure gli elemeti che figurao i uo figurao ache ell altro ma soo ripetuti u umero diverso di volte. La formula che dà il umero delle combiazioi co ripetizioe è: C,k = ( + k 1)! k!( k)! Schema di successo/isuccesso: se i esperimeti idipedeti, i cui i possibili risultati soo due quello di successo e quello di isuccesso, di probabilità costate rispettivamete p e (1 p), siamo iteressati a verificare quat è la probabilità che si verifichi ua data sequeza, che chiamiamo eveto ω, i cui i successi siao uguali per esempio a k, si utilizza lo schema di successo isuccesso: P (ω) = p k (1 p) k Si ota facilmete che duque la probabilità o dipede dall ordie dei successi ma solo dal loro umero. Ciò deriva dal fatto che gli esperimeti siao idipedeti. 6
8 Lo schema ipergeometrico: è lo schema di successo/isuccesso co gli esperimeti dipedeti: se r è il umero dei possibili successi e b quello degli isuccessi (per esempio ell estrazioe di pallie rosse, r, e biache, b, da u ura che soo i umero r+b), vogliamo sapere la probabilità che si abbiao k successi, si può dimostrare che la formula diveta: ( ) ( ) r b k k ( ) b + r 7
9 Variabili aleatorie Dato uo spazio di probabilità (Ω, A, P ), si chiama variabile aleatoria ua applicazioe: tale che: X : Ω R A t := {ω Ω : X(ω) t t R} A Ua variabile aleatoria X quidi è ua fuzioe che associa ogi eveto ω Ω ad u umero reale t ed è tale quidi che quidi abbia seso calcolare P (A t ) = P (X t) t R Notiamo subito che se A t è u eveto allora lo è ache A C t per la defiizioe di A. Ioltre ache {ω : X(ω) = t} è u eveto poiché è possibile otteerlo come itersezioe di eveti: {ω : X(ω) = t} = {ω : t 1 < X(ω)} {X(ω) t} = {ω : t 1 < X(ω) t} e per si ottiee l isieme cercato. Distribuzioe: abbiamo visto che {X = x i } soo eveti e quidi {X t} si può scrivere come degli x i t: i t {X = x i}, cioè {X t} è u eveto come uioe umerabile di eveti. Ora data ua v.a. X, cosideriamo la fuzioe p : R [0, 1] defiita p(x) = P (X = x i ) deve aversi, poiché X è ua v.a., che: p(x) = 0 trae che per i valori assuti da X. La sua dimostrazioe è ovvia. i=0 p(x i) = 1, dove la somma può essere fiita o umerabile a secoda dei valori assuti da X. Ifatti, osserviamo che {X = x i } soo a due a due disgiuti, ioltre i=1 {X = x i} = Ω quidi p(x i ) = i=0 ( ) P (X = x i ) = P {X = x i } = P (Ω) = 1 i=0 i=1 La Distribuzioe o desità della v.a. X è la sua fuzioe associata p, ovvero la probabilità degli elemeti di Ω coteuti el domiio di X(che è la stessa delle loro immagii tramite X). 8
10 Distribuzioe biomiale: distribuzioe per gli eveti del tipo successo/isucceso i - prove idipedeti i ciascua delle quali la probabilità del successo è costate ed uguale a p. Detto X il umero dei successi X è ua variabaile aleatoria co distribuzioe di probabilità biomiale X B(, p). ( ) P (X = k) = p k (1 p) k k La differeza duque tra lo schema di successo/isuccesso e la v.a. Biomiale sta el fatto che ella prima si cosidera la probabilità che egli esperimeti si verifichi ua sequeza particolare ω da oi cercata, metre i questo caso siamo iteressati alla probabilità che si verifichi u elemeto dell isieme delle sequeze coteeti k successi, ovvero {X = k} che è l isieme formato dalle sequeze ω che cotegoo k successi, ogua delle quali ha quidi probabilità p k (1 p) k. Quidi P (X = k) sarà proprio p k (1 p) k moltiplicato per tutte le possibili sequeze di successi e isuccessi elle quali appaioo esattamete k successi egli esperimeti. Se sei iteressato a {X k}, cioè sei iteressato al caso i cui hai al più k successi, allora si ha che P (X k) = P (X = 0) + P (X = 1) P (X = k). Variabile Aleatoria di Beroulli: X si dice di Beroulli se X B(1, p). Notiamo che allora ua v.a. X biomiale si può sempre scrivere come i=1 X i dove X i B(1, p), i quato gli esperimeti soo tra loro idipedeti. I questo X verrà iteso come vettore aleatorio di cui daremo i seguito la defiizioe. Distribuzioe ipergeometrica: distribuzioe per gli eveti del tipo successo/isucceso i -prove dipedeti su isieme formato da r+b elemeti. Detto X il umero dei successi X è ua variabaile aleatoria co distribuzioe di probabilità ipergeometrica X Hyper(, r, b). ( ) ( ) r b P (X = k) = k k ( ) b + r è la v.a. associata allo schema ipergeometrico. L uica accortezza è che se si vuole P (X k) = P (X = 0) + P (X = 1) P (X = k). Distribuzioe uiforme: el caso i cui su esperimeti idipedeti, i cui: Ω = {x 1, x 2,..., x }, si ha che P (x i ) = p i = P (X = i) = 1, allora si ha che, se k è il umero di successi: P (X = k) = k X è la variabile aleatoria data dall ipotesi di equiprobabilità e si idica co X Uif({x 1, x 2,..., x }) 9
11 Distribuzioe multiomiale: Dati esperimeti idipedeti i cui i ciascu esperimeto soo possibili q risultati, x 1, x 2,..., x q, siamo iteressati a sapere la probabilità che x 1 volte si verifica 1 ; x 2 volte si verifica 2 ;. x q volte si verifica q ; ovvero che il umero di volte che capita ciascu risultato si uguale a dei valori da te imposti egli esperimeti, ove le probabilità di ciascu risultato i ogi esperimeto sia rispettivamete p 1, p 2,..., p q, allora: P ( x 1 = 1, x 2 = 2,..., x = q ) = ( ) = 1, 2,..., q! 1! 2!... q! (p 1 1 p p q q ) = (p 1 1 p p q q ) Distribuzioe geometrica: distribuzioe per gli eveti del tipo successo/isucceso i - prove dipedeti, idica il umero di prove che si deve attedere prima di otteere il risultato desiderato. La probabilità del successo è p. X Geom(p). P (X = k) = p(1 p) k Questa distribuzioe gode, ioltre, della proprietà di macaza di memoria, ovvero: P (X = m + X > m) = P (X = ) Istate di 1 successo: Se i esperimeti idipedeti del tipo successo/isuccesso, la probabilità di successo i u esperimeto è p, allora la probabilità che occorrerao esattamete k laci prima di avere il primo successo è P (T 1 = k) = P (T 1 k) P (T 1 > k) dove T 1 B(k, p). Ora P (T 1 > k) = (1 p) k e P (T 1 k) = P (T 1 > k 1) = (1 p) k 1 P (T 1 = k) = (1 p) k 1 (1 p) k, cioè P (T 1 = k) = p(1 p) k 1 Distribuzioe di Pascal: distribuzioe di probabilità discreta co due parametri, p ed i, che descrive il umero di fallimeti precedeti il successo i-esimo i ua distribuzioe biomaile che ha probabilità di successo i ogi esperimeto p, X T(p, i). ( ) k 1 P (T i = k) = p i (1 p) k 1 i 1 10
12 Distribuzioe di Poisso: è ua distribuzioe di probabilità discreta che esprime le probabilità per il umero di eveti che si verificao successivamete ed idipedetemete i u dato itervallo di tempo, sapedo che mediamete se e verifica u umero λ, X P(λ). P (X = k) = λk k! e λ Notiamo che la v.a. di Poisso si può itedere come il limite per di ua biomiale X B(, λ ), il che è molto utile i quato il fattoriale è poco maegevole. Data ua biomiale X B(, p), da cui λ = p, co >> 0 per approssimare la biomiale si usa quidi il fatto che X = Z Poisso( p). Fuzioe di ripartizioe: Data ua v.a. X, discreta o o, si chiama fuzioe di ripartizioe di X la fuzioe F X : R [0, 1] defiita da F x (t) = P (X t) è chiaro che ua fuzioe di riaprtizioe è sempre o decrescete dato che se t cresce l eveto {X t}. Nel ostro caso se x 1 < x 2 <... soo i valori assuti da X, allora F X è costate ell itervallo [x i, x i+1 ), poichè se x i t < x i+1 allora si ha {X t} = {X x i }; i particolare se X è a valori iteri, allora F X è costate ell itervallo tra due iteri successivi, metre può avere ua discotiuià di prima specie (u salto) i corrispodeza degli iteri (cambia la probabiltà dell eveto). La coosceza della fuzioe di ripartizioe è importate, poichè equivale a cooscere la distribuzioe della v.a. X, dato che F X (t) = x t p(x) da cui quidi F X (k) F x (k 1) = P (X = k) = p(k). Vettore aleatorio: U vettore aleatorio discreto è ua applicazioe X = (X 1,..., X m ) : Ω R tale che le applicazioi X 1,..., X m siao v.a. discrete. É chiaro che X può assumere al più u ifiità umerabile di valori. U valore x = (x 1, x 2,..., x m ) è assuto da X sse simultaeamete {X = x} = {X 1 = x 1 }... {X m = x m } quidi {X = x} è u eveto dato dà itersezioe di eveti. Ache u vettore aleatorio ha desità, che è sempre ua fuzioe p che soddisfa le due codizioi. La desità p del vettore aleatorio X = (X 1,..., X m ), che è m-dimesioale, si chiama desità cogiuta delle v.a. X 1,..., X m e, viceversa, idicate co p 1, p 2,..., p m le desità di X 1,..., X m, esse soo le desità margiali di X. Se è ota la desità cogiutà, allora è facile trovare le desità margiali: idicati co x (i) = (x (i) 1, x (i) 2,..., x m (i) ) i possibili valori di X, se si vuole sapere la desità margiale che, per esempio, X 1 = z a partire dalla desità cogiuta si usa la formula delle probabilità totali: ) p 1 (z) = P (X 1 = z) = P ( i {X 1 = z, X 2 = x (i) 2,..., X m = x (i) m } = 11
13 = i P (X 1 = z, X 2 = x (i) 2,..., X m = x (i) m ) = i p(z, x (i) 2,..., x (i) m ) I geerale ivece o è possibile, cooscedo le desità margiali ricostruire la desità cogiuta, dato che desità cogiute diverse possoo avere le stesse desità margiali. Sarà possibile risalire alla desità cogiuta solo se X 1, X 2,..., X m soo v.a. idipeteti, ovvero se e solo se P (X 1 = x 1, X 2 = x 2,..., X m = x m ) = P (X 1 = x 1 )P (X 2 = x 2 ) P (X m = x m ) da cui se x = (x 1, x 2,..., x m ) la desità cogiuta p(x) = p 1 (x 1 )p 2 (x 2 ) p m (x m ) desità codizioale: date due v.a. X, Y aveti desità cogiutà p allora la desità codizioale di X dato Y è p(x, y) p X Y = p Y (y) Naturalmete se X, Y soo idipedeti allora si ha che p X Y = p X (x) Operazioi tra Variabili aleatorie: Siao X, Y due v.a. discrete di desità cogiuta p(x, y) = P (X = x, Y = y). Allora Z = X + Y ha desità p Z data da p Z (z) = x p(x, z x) e se X e Y soo id. p Z (z) = x p X (x)p Y (z x) metre la differeza U = X Y è p U (u) = x p(x, x u) e se X e Y soo id. p U (u) = x p X (x)p Y (x u) Esempi: Se X B(, p) e Y B(m, p) e idipedeti allora Z = X + Y è Z B( + m, p), i quato X e Y possoo scriversi come somme di v.a. di Beroulli, ed essedo idipedeti sarao proprio + m. A tal proposito, otiamo che ( ) +m k = k ( m i=0 i)( k i). Allo stesso modo U = X Y sarà U B( m, p). Se X Poisso(λ) e Y Poisso(µ) e idipedeti allora Z = X + Y è Z Poisso(µ + λ), i quato X = X B(, λ) e Y = Ỹ B(, µ ) e quidi X + Y = λ+µ X + Ỹ B( + m, ), cioè, passado al limite, Poisso(λ + µ). Più rigorosamete: p Z (k) = k p X (i)p Y (k i) = i=0 k e i=0 λ λi i! e µ µk i (k i)! = e (λ+µ) 1 k! k i=0 ( ) k λ i µ k i = i Quidi Z Poisso(λ + µ). (λ+µ) (λ + µ)k = e k! 12
14 Nel caso i cui si abbia X la cui immagie è {x 1, x 2,..., x } co ua certa desità p X (x) e Y = ax + b co a, b R, allora p Y (y) = P X ( y b ), i quato P (Y = y a j) = P (Y = ax j + b) = P (ax + b = ax j + b) = P (X = x j ) = p X (x j ) = P X ( y b ). Più i geerale se Y = f(x) allora a la sua distribuzioe è p Y (y) = p X (f 1 (x)): se f è ivertibile allora sarà u solo elemeto, metre se f o è iiettiva allora la sua cotroimmagie sarà u isieme di elemeti e p Y (y) = p X (x) x:f(x)=y Speraza matematica: Data ua v.a. discreta X, che assume i valori x 1, x 2,..., ed idicata co p la sua desità, si chiama speraza matematica di X la quatità: E[X] = i x i p(x i ) = i x i P (X = x i ) Tuttavia la speraza matematica è defiita se quella serie coverge, ovvero è u umero. Sioimi di speraza matematica soo media, valore medio, attesa, valore atteso. Il sigificato, ituitivo, quidi della speraza matematica è proprio quello di media dei valori assuti da X. Se E[X] = 0 si dice che X è cetrata. La media dipede uicamete dalla desità della v.a.: se due v.a. hao la stessa deisità, allora hao la stessa speraza matematica. Proprietà: 1. E[cX] = c E[X] c R 2. E[X + Y ] = E[X] + E[Y ] 3. Se P (X Y ) = 1 allora E[X] E[Y ] e vale l uguagliaza sse P (X = Y ) 4. E[X] E[ X ] 5. Se X ey soo idipedeti allora E[XY ] = E[X]E[Y ] Media delle v.a. viste: X Uif({x 1, x 2,..., x }) E[X] = 1 i=1 x i X B(1, p) E[X] = 0 p(0) + 1 p(1) = p X B(, p) E[X] = k=0 ( k) k p k (1 p) k = p Il risultato è dato dal fatto che soo v.a. di Beroulli. k) ( b+r ) X Hyper(, r, b) E[X] = mi{r,} k=0 k (r k)( b r = b+r Dato dal fatto che si può pesare X = X 1 + X X co X i B(1, p) dove p = X Pisso(λ) E[X] = k=1 k e λ λ k k (k 1)! = λ Poichè k=1 k e λ λ k k (k 1)! = 1 e λ λ i=0 r b+r λ i i! che è lo sviluppo di Taylor di e λ, quidi e λ λ e λ = λ. D altra parte X = Y B(, λ ) E[Y ] = λ = λ 1 pogo k 1 = i 13
15 X Geom(p) E[X] = k=1 k p(1 p)k = 1 1 Poichè: p M = k=1 k p(1 p)k = k=0 (i+1) p(1 p)i+1 = (1 p) i=0 i p(1 p)i + i=0 p(1 p) i = (1 p)(m + 1), quidi M = (1 p)(m + 1) pm = 1 p M = 1 1 p X T 1 (p) E[X] = 1 p Dato che T 1 = Y + 1 dove Y Geom(p). X T (p, i) E[X] = k p Mometo e mometo cetrato di ordie k: Data ua v.a. X e u umero k < +, se la quatità E[X k ] è fiita, si chiama mometo di ordie k di X. Aalogamete cosideriamo la v.a. (X E[X]), dove otiamo che E[X] è u umero fiito, allora chiameremo mometo cetrato di ordie k la quatità E[(X E[X]) k ], se essa è fiita. Quidi sia il mometo che il mometo cetrato altro o soo che due particolari speraze matematiche, quidi idicata co p la desità di X e co µ =: E[X] la sua media si ha che E[X k ] := i x k i p(x i ) E[(X µ) k ] = i (x i µ) k p(x i ) Si ota quidi che tali mometi dipedoo solo dalla legge, ovvero da che tipo è, X. Naturalmete se X ha mometo di ordie k allora avrà ache mometo cetrato di ordie k, el seso che sarà fiito ach esso. Variaza di ua variabile aleatoria: Se X ha mometo del secodo ordie fiito, si chiama variaza il suo mometo cetrato del secodo ordie: V ar(x) := E[(X E[X]) 2. Notiamo che tale quatità è sempre maggiore o uguale a 0, i quato è la media di termii positivi, poichè quadrati. La variaza è ua misura della dispersioe di X attoro alla sua media: diffati se X assume dei valori loati dalla sua speraza matematica, allora la v.a. (X E[X]) 2 assumerà dei valori molto gradi e quidi ache la variaza sarà grade. Viceversa se X si trova sempre vicio alla sua media, (X E[X]) 2 sarà u umero prossimo allo 0, e duque co ua variaza quasi ulla, e sarà 0 se X assume sempre lo stesso valore, quidi o più ua variabile aleatorea ma determiistica. Proprietà: 1. V ar(λx) = λ 2 V ar(x). I quato: V ar(λx) = E[(λX E[λX]) 2 ] = E[(λ(X E[X])) 2 ] = λ 2 E[(X E[X]) 2 ] = λ 2 V ar(x) 2. V ar(λ + X) = V ar(x). I quato: V ar(λ + X) = E[(λ + X E[λ + X]) 2 ] = E[(λ + X λ E[X]) 2 ] = E[(X E[X]) 2 ] = V ar(x) 3. Se X ey soo idipedeti, V ar(x, Y ) = V ar(x)+v ar(y ) vedremo i seguito perchè. 4. V ar(x) = E[X 2 ] E[X] 2 vedremo dopo perchè 14
16 Covariaza: date due v.a. X e Y deotiamo la covariaza di X e Y co la quatità Cov(X, Y ) = E[(X E[X])(Y E[Y ])]. A differeza della variaza questa può ache o essere ua quatità 0. Ioltre è facilmete dimostrabile che Cov(X, Y ) = E[XY ] E[X]E[Y ] Ifatti Cov(X, Y ) = E[(X E[X])(Y E[Y ])] = E[XY XE[Y ] Y E[X] + E[X]E[Y ]] = E[XY ] E[X]E[Y ]. Per qusto motivo se X ey soo idipedeti allora V ar(x, Y ) = V ar(x) + V ar(y ), ifatti V ar(x, Y ) = E[((x + Y ) E[X + Y ]) 2 ] = E[((X E[X]) + (Y E[Y ])) 2 ] = E[(X E[X]) 2 ] + E[(Y E[Y ]) 2 ] + 2E[(X E[X])(Y E[Y ])] = V ar(x) + V ar(y ) + 2Cov(X, Y ) = V ar(x) + V ar(y ). I geerale quidi si ha che V ar(x X m ) = m m V ar(x i ) + Cov(X i, X j ) i=1 i,j=1 co i j. Ifatti se i = j avremmo delle covariaze del tipo Cov(X, X) = V ar(x). Ed è per questo che V ar(x) = E[X 2 ] E[X] 2 : per come abbiamo visto si calcola la covariaza, Cov(X, X) = E[XX] E[X]E[X]. Per come è defiita la Covariaza, si usa come ua misura dell idipedeza di due v.a.: se la covariaza è prossima allo zero, sigifica che le due v.a. soo quasi idipedeti, al cotrario, per valori gradi esse soo fortemete dipedeti. Se Cov(X, Y ) = 0 si dice che le v.a. X, Y soo o correlate. Esistoo casi tuttavia i cui due v.a. ache se hao covariaza ulla, soo dipedeti. Ifatti è più preciso misurare la dipedeza co il coefficiete di correlazioe ρ X,Y defiito così: Cov(X, Y ) V ar(x)v ar(y ) tale gradezza è tale che 1 ρ X,Y 1. Variaza delle variabili aleatorie: X B(1, p) V ar(x) = E[X 2 ] E[X] 2 = p p 2 = p(1 p). X B(, p) V ar(x) = V ar(x 1 ) V ar(x ) = p(1 p) X Poisso(λ) V ar(x) = λ X Hyp(, b, r) V ar(x) = X Geom(p) V ar(x) = 1 p p 2 X T 1 (p) V ar(x) = 1 p p 2 X T (p, i) V ar(x) = k 1 p p 2 ( br b+r (b+r) 2 b+r 1 ) 15
17 Disuguagliaza di Chebyshev: Ci dà la probabilità che ua data v.a. X si distacchi dalla sua media per più di u certo umero fissato ɛ > 0. P ( X E[X] > ɛ) V ar(x) ɛ 2 Da questa disuguagliaza si mette i luce che più V ar(x) è piccola, più è piccola la probabilità che X preda valori lotai dalla sua media. tuttavia questa è ua prima e grossolaa misurazioe della disperzioe di X, cioè o è molto precisa. Dimostrazioe: P ( X E[X] > ɛ) = X: X E[X] >ɛ P (X) 1 (X E[X]) 2 P (X) ɛ 2 X } {{ } V ar(x) X: X E[X] >ɛ = V ar(x) ɛ 2 (x E[X]) 2 P (X) La Legge dei gradi umeri: l ituizioe ci dice che data ua v.a. X, al crescere del umero di esperimeti, la probabilità che la ostra X assuma valori lotai dalla sua media E[X] tede a 0, cioè tede ad avere quella proporzioe ei risultati che ci è data dalla media: el caso di ua moeta co testa e croce sarà 1. Quidi cosiderata ua successioe {X 2 } di v.a. aveti tutte la stessa legge, a cui assoceremo ogi sigolo rislutato 2, e posti E[X ] = µ e V ar(x ) = σ 2 N, allora ( ) lim P X 1 + X X µ ɛ = 0 ovvero quello che dicevamo: la capacità di X di spostarsi dalla sua media tede a 0. Ifatti X 1 +X X =: X è la media dei risultati effettivamete otteuti i laci e ci sta dicedo che se allora essa sarà uguale alla media poderata. Dimostrazioe: la disuguagliaza di Chebyshev ci dice che P ( Z E[Z] > ɛ) V ar(z). Ora poiamo ɛ 2 E(Z) = E[ X ] = 1 (E[X 1 + X X ] = 1 µ = µ. Metre V ar(z) = V ar( X ) = 1 (V ar(x X X )) = 1 σ 2 = σ2. Quidi: 2 P ( Z E[Z] > ɛ) σ2 ɛ 2 0 per ɛ 2 2 se stiamo la vorado su ua X B(, p) sarebbe X B(1, p) 16
IL CALCOLO COMBINATORIO
IL CALCOLO COMBINATORIO 0. Itroduzioe Oggetto del calcolo combiatorio è quello di determiare il umero dei modi mediate i quali possoo essere associati, secodo prefissate regole, gli elemeti di uo stesso
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Trieale i Matematica Calcolo delle Probabilità I doceti G. Nappo, F. Spizzichio Prova di martedì luglio tempo a disposizioe: 3 ore. Scrivere su ogi foglio NOME e COGNOME. Le risposte devoo
DettagliConsideriamo un insieme di n oggetti di natura qualsiasi. Indicheremo questi oggetti con
Calcolo Combiatorio Adolfo Scimoe pag 1 Calcolo combiatorio Cosideriamo u isieme di oggetti di atura qualsiasi. Idicheremo questi oggetti co a1 a2... a. Co questi oggetti si voglioo formare dei gruppi
DettagliCALCOLO COMBINATORIO
CALCOLO COMBINATORIO Che cosa sigifica cotare Tutti coosciamo la successioe dei umeri iteri Naturali N = {0, 1,,, } si tratta di ua struttura metale fodametale, chiaramete presete alla ostra ituizioe che
DettagliTutorato di Probabilità 1, foglio I a.a. 2007/2008
Tutorato di Probabilità, foglio I a.a. 2007/2008 Esercizio. Siao A, B, C, D eveti.. Dimostrare che P(A B c ) = P(A) P(A B). 2. Calcolare P ( A (B c C) ), sapedo che P(A) = /2, P(A B) = /4 e P(A B C) =
DettagliSTUDIO DEL LANCIO DI 3 DADI
Leoardo Latella STUDIO DEL LANCIO DI 3 DADI Il calcolo delle probabilità studia gli eveti casuali probabili, cioè quegli eveti che possoo o o possoo verificarsi e che dipedoo uicamete dal caso. Tale studio
DettagliElementi di calcolo combinatorio
Appedice A Elemeti di calcolo combiatorio A.1 Disposizioi, combiazioi, permutazioi Il calcolo combiatorio si occupa di alcue questioi iereti allo studio delle modalità secodo cui si possoo raggruppare
DettagliCampionamento casuale da popolazione finita (caso senza reinserimento )
Campioameto casuale da popolazioe fiita (caso seza reiserimeto ) Suppoiamo di avere ua popolazioe di idividui e di estrarre u campioe di uità (co < ) Suppoiamo di studiare il carattere X che assume i valori
DettagliProbabilità e Statistica Esercitazioni. a.a. 2006/2007
Probabilità e Statistica Esercitazioi a.a. 2006/2007 C.d.L.: Igegeria per l Ambiete ed il Territorio, Igegeria Civile, Igegeria Gestioale, Igegeria dell Iformazioe C.d.L.S.: Igegeria Civile Estrazioi-II
Dettagli1. a n = n 1 a 1 = 0, a 2 = 1, a 3 = 2, a 4 = 3,... Questa successione cresce sempre piú al crescere di n e vedremo che {a n } diverge.
Le successioi A parole ua successioe é u isieme ifiito di umeri disposti i u particolare ordie. Piú rigorosamete, ua successioe é ua legge che associa ad ogi umero aturale u altro umero (ache o aturale):
DettagliLEGGE DEI GRANDI NUMERI
LEGGE DEI GRANDI NUMERI E. DI NARDO 1. Legge empirica del caso e il teorema di Beroulli I diverse occasioi, abbiamo mezioato che la ozioe ituitiva di probabilità si basa sulla seguete assuzioe: se i sperimetazioi
DettagliConvergenza di variabili aleatorie
Covergeza di variabili aleatorie 1 Covergeza quasi certa Ua successioe (X ) 1 di v.a. coverge quasi certamete alla v.a. X se: X X (P-q.c.), cioè P(X X) = 1, ove {X X} = {ω : X (ω) X(ω)} è l issieme di
DettagliSUCCESSIONI DI FUNZIONI
SUCCESSIONI DI FUNZIONI LUCIA GASTALDI 1. Defiizioi ed esempi Sia I u itervallo coteuto i R, per ogi N si cosideri ua fuzioe f : I R. Il simbolo f } =1 idica ua successioe di fuzioi, cioè l applicazioe
DettagliLezioni di Matematica 1 - I modulo
Lezioi di Matematica 1 - I modulo Luciao Battaia 4 dicembre 2008 L. Battaia - http://www.batmath.it Mat. 1 - I mod. Lez. del 04/12/2008 1 / 28 -2 Sottosuccessioi Grafici Ricorreza Proprietà defiitive Limiti
DettagliInsiemi numerici. Sono noti l insieme dei numeri naturali: N = {1, 2, 3, }, l insieme dei numeri interi relativi:
Isiemi umerici Soo oti l isieme dei umeri aturali: N {1,, 3,, l isieme dei umeri iteri relativi: Z {0, ±1, ±, ±3, N {0 ( N e, l isieme dei umeri razioali: Q {p/q : p Z, q N. Si ottiee questo ultimo isieme,
DettagliMATEMATICA DEL DISCRETO elementi di calcolo combinatorio. anno acc. 2009/2010
elemeti di calcolo combiatorio ao acc. 2009/2010 Cosideriamo u isieme fiito X. Chiamiamo permutazioe su X u applicazioe biuivoca di X i sè. Ad esempio, se X = {a, b, c}, le permutazioi distite soo 6 e
DettagliSULLE PARTIZIONI DI UN INSIEME
Claudia Motemurro Ricordiamo la SULLE PRTIZIONI DI UN INSIEME Defiizioe: Ua partizioe di u isieme è ua famiglia { sottoisiemi o vuoti di X tali che: - X è l uioe degli isiemi X i (i I ), cioè X = U i X
DettagliEsercizi di econometria: serie 2
Esercizi di ecoometria: serie Esercizio Per quali delle segueti uzioi di desità cogiuta le variabili casuali ed soo idipedeti?......3.4.5..5 (a) (b) 3 4....3.6.9..4...5..5 3.. 3.8..4.6 (c) (d) Nel caso
DettagliEsercizi di Analisi II
Esercizi di Aalisi II Ao Accademico 008-009 Successioi e serie di fuzioi. Serie di poteze. Studiare la covergeza della successioe di fuzioi (f ) N, dove f : [, ] R è defiita poedo f (x) := x +.. Studiare
DettagliSERIE DI POTENZE Esercizi risolti. Esercizio 1 Determinare il raggio di convergenza e l insieme di convergenza della serie di potenze. x n.
SERIE DI POTENZE Esercizi risolti Esercizio x 2 + 2)2. Esercizio 2 + x 3 + 2 3. Esercizio 3 dove a è u umero reale positivo. Esercizio 4 x a, 2x ) 3 +. Esercizio 5 x! = x + x 2 + x 6 + x 24 + x 20 +....
DettagliCalcolo Combinatorio
Uiversità degli Studi di Palermo Facoltà di Ecoomia Dip. di Scieze Ecoomiche, Aziedali e Statistiche Apputi del corso di Matematica Geerale Calcolo Combiatorio Ao Accademico 2013/201 V. Lacagia - S. Piraio
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2013
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 3 Prova scritta del 6//3 Esercizio Suppoiamo che ua variabile aleatoria Y abbia la seguete desita : { hx e 3/x, x > f Y (y) =, x, co h opportua costate positiva.
DettagliProbabilità 1, laurea triennale in Matematica II prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea trieale i Matematica II prova scritta sessioe estiva a.a. 8/9. U ura cotiee dadi di cui la metà soo equilibrati, metre gli altri soo stati maipolati i modo che, per ciascuo di essi,
DettagliAppunti complementari per il Corso di Statistica
Apputi complemetari per il Corso di Statistica Corsi di Laurea i Igegeria Edile e Tessile Ilia Negri 24 settembre 2002 1 Schemi di campioameto Co il termie campioameto si itede l operazioe di estrazioe
DettagliStima della media di una variabile X definita su una popolazione finita
Stima della media di ua variabile X defiita su ua popolazioe fiita otazioi: popolazioe, campioe e strati Popolazioe. umerosità popolazioe; Ω {ω,..., ω } popolazioe X variabile aleatoria defiita sulla popolazioe
DettagliTracce di soluzioni di alcuni esercizi di matematica 1 - gruppo 42-57
Tracce di soluzioi di alcui esercizi di matematica - gruppo 42-57 4. Limiti di successioi Soluzioe dell Esercizio 42.. Osserviamo che a = a +6 e duque la successioe prede valori i {a,..., a 6 } e ciascu
DettagliPopolazione e Campione
Popolazioe e Campioe POPOLAZIONE: Isieme di tutte le iformazioi sul feomeo oggetto di studio Viee descritta mediate ua variabile casuale X: X ~ f ( x; ϑ) θ = costate icogita Qual è il valore di θ? E verosimile
Dettagli2,3, (allineamenti decimali con segno, quindi chiaramente numeri reali); 4 ( = 1,33)
Defiizioe di umero reale come allieameto decimale co sego. Numeri reali positivi. Numeri razioali: defiizioe e proprietà di desità Numeri reali Defiizioe: U umero reale è u allieameto decimale co sego,
DettagliProgramma (orientativo) secondo semestre 32 ore - 16 lezioni
Programma (orietativo) secodo semestre 32 ore - 6 lezioi 3 lezioi: successioi e serie 4 lezioi: itegrali 2-3 lezioi: equazioi differeziali 4 lezioi: sistemi di equazioi e calcolo vettoriale e matriciale
DettagliStimatori corretti, stimatori efficaci e disuguaglianza di Cramer Rao
Stimatori corretti stimatori efficaci e disuguagliaza di Cramer Rao Lucio Demeio Dipartimeto di Igegeria Idustriale e Scieze Matematiche Uiversità Politecica delle Marche Defiizioe. Sia {X X 2... X } u
DettagliLe successioni: intro
Le successioi: itro Si cosideri la seguete sequeza di umeri:,, 2, 3, 5, 8, 3, 2, 34, 55, 89, 44, 233, detti di Fiboacci. Essa rappreseta il umero di coppie di coigli preseti ei primi 2 mesi i u allevameto!
Dettagli1 Congruenze. Definizione 1.1. a, b, n Z n 2, allora definiamo a b (mod n) se n a b.
1 Cogrueze Defiizioe 1.1. a, b, Z 2, allora defiiamo a b (mod ) se a b. Proposizioe 1.2. 2 la cogrueza mod è ua relazioe di equivaleza su Z. a a () perché a a a b () b a () a b () b c () a b b c a c =
DettagliAritmetica 2016/2017 Esercizi svolti in classe Seconda lezione
Aritmetica 06/07 Esercizi svolti i classe Secoda lezioe Dare ua formula per 3 che o coivolga sommatorie Dato che sappiamo che ( + e ( + ( + 6 vogliamo esprimere 3 mediate, e poliomi i U idea possibile
Dettagli1 Congruenze. Definizione 1.1. Siano a, b, n Z con n 2, definiamo a b (mod n) se n a b.
1 Cogrueze Defiizioe 1.1. Siao a, b, Z co 2, defiiamo a b (mod ) se a b. Proposizioe 1.2. 2 la cogrueza mod è ua relazioe di equivaleza su Z. a a () perché a a a b () b a () a b () b c () a b b c a c =
DettagliDETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE
DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE 2010-11 MARCO MANETTI: 21 DICEMBRE 2010 1. Sviluppi di Laplace Proposizioe 1.1. Sia A M, (K), allora per ogi idice i = 1,..., fissato vale lo sviluppo
DettagliLezione 4. Gruppi di permutazioni
Lezioe 4 Prerequisiti: Applicazioi tra isiemi Lezioi e Gruppi di permutazioi I questa lezioe itroduciamo ua classe ifiita di gruppi o abeliai Defiizioe 41 ia X u isieme o vuoto i dice permutazioe su X
DettagliAlgoritmi e Strutture Dati (Elementi)
Algoritmi e Strutture Dati (Elemeti Esercizi sulle ricorreze Proff. Paola Boizzoi / Giacarlo Mauri / Claudio Zadro Ao Accademico 00/003 Apputi scritti da Alberto Leporati e Rosalba Zizza Esercizio 1 Posti
DettagliIl Teorema di Markov. 1.1 Analisi spettrale della matrice di transizione. Il teorema di Markov afferma che
1 Il Teorema di Marov 1.1 Aalisi spettrale della matrice di trasizioe Il teorema di Marov afferma che Teorema 1.1 Ua matrice di trasizioe regolare P su u isieme di stati fiito E ha ua uica distribuzioe
DettagliCENTRO SALESIANO DON BOSCO TREVIGLIO Corso di Informatica
Da u mazzo di carte (3 carte er quattro semi di cui due eri e due rossi, co 3 figure er ogi seme si estragga ua carta. Calcolare la robabilità che a si estragga u re ero b si estragga ua figura rossa,
Dettaglix n (1.1) n=0 1 x La serie geometrica è un esempio di serie di potenze. Definizione 1 Chiamiamo serie di potenze ogni serie della forma
1 Serie di poteze È stato dimostrato che la serie geometrica x (1.1) coverge se e solo se la ragioe x soddisfa la disuguagliaza 1 < x < 1. I realtà c è covergeza assoluta i ] 1, 1[. Per x 1 la serie diverge
Dettagli2.5 Convergenza assoluta e non
.5 Covergeza assoluta e o Per le serie a termii complessi, o a termii reali di sego o costate, i criteri di covergeza si qui visti o soo applicabili. L uico criterio geerale, rozzo ma efficace, è quello
DettagliEsame di Probabilità e Statistica del 9 luglio 2007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Probabilità e Statistica del 9 luglio 27 Corso di Laurea Trieale i Matematica, Uiversità degli Studi di Padova). Cogome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto fiale Attezioe: si cosegao
DettagliStatistica 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 / 21 Misura della dipedeza di u carattere
DettagliStatistica. Esercitazione 12. Alfonso Iodice D Enza Università degli studi di Cassino. Statistica. A. Iodice
Esercitazioe 12 Alfoso Iodice D Eza iodicede@uicas.it Uiversità degli studi di Cassio () 1 / 15 Outlie 1 () 2 / 15 Outlie 1 2 () 2 / 15 Outlie 1 2 3 () 2 / 15 Outlie 1 2 3 4 () 2 / 15 Outlie 1 2 3 4 5
Dettagli1.6 Serie di potenze - Esercizi risolti
6 Serie di poteze - Esercizi risolti Esercizio 6 Determiare il raggio di covergeza e l isieme di covergeza della serie Soluzioe calcolado x ( + ) () Per la determiazioe del raggio di covergeza utilizziamo
Dettagli****** FUNZIONI MISURABILI E INTEGRAZIONE ******
****** FUNZIONI MISURABILI E INTEGRAZIONE ****** 1 2 1. Fuzioi misurabili. I questo umero estediamo la ozioe di misurabilità alle fuzioi. Defiizioe 1. Siao u isieme o vuoto, Y uo spazio topologico e µ
DettagliDistribuzioni di probabilità
Itroduzioe Distribuzioi di robabilità Fio ad ora abbiamo studiato ua secifica fuzioe desità di robabilità, la fuzioe di Gauss, che descrive variabili date dalla somma di molti termii idiedeti es. ua misura
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2005/06
PROVE SCRITTE DI MTEMTIC PPLICT, NNO 5/6 Esercizio 1 Prova scritta del 14/1/5 Sia X ua successioe I.I.D. di variabili aleatorie co distribuzioe uiforme cotiua, X U(, M), ove M = umero lettere del cogome.
Dettagli1 Esponenziale e logaritmo.
Espoeziale e logaritmo.. Risultati prelimiari. Lemma a b = a b Lemma Disuguagliaza di Beroulli per ogi α e per ogi ln a k b k. k=0 + α + α Teorema Disuguagliaza delle medie Per ogi ln, per ogi upla {a
DettagliSERIE NUMERICHE Esercizi risolti. (log α) n, α > 0 c)
SERIE NUMERICHE Esercizi risolti. Calcolare la somma delle segueti serie telescopiche: a) b). Verificare utilizzado la codizioe ecessaria per la covergeza) che le segueti serie o covergoo: a) c) ) log
Dettagli1 Variabili aleatorie in casi più generali: indipendenza, LGN e TCL.
versioe 28-05-2004 0 Variabili aleatorie i casi più geerali: idipedeza, LGN e TCL.. Variabili aleatorie idipedeti Molte delle defiizioi e delle proprietà delle variabili aleatorie i spazi fiiti valgoo
DettagliProbabilità: richiami e complementi
Capitolo 2 Probabilità: richiami e complemeti 2.1 Cei di teoria della misura 2.1.1 σ-algebre Sia S u isieme e idichiamo co P(S) l isieme delle sue parti (cioè la collezioe di tutti i suoi sottoisiemi).
DettagliEsercizi di Probabilità e Statistica della 2 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova).
Esercizi di Probabilità e Statistica della 2 a settimaa (Corso di Laurea i Matematica, Uiversità degli Studi di Padova). Esercizio. Sia (Ω, A, P) uo spazio probabilizzato e B A o trascurabile. Dimostrare
DettagliCalcolo delle Probabilità 2012/13 Foglio di esercizi 3
Calcolo delle Probabilità 01/13 Foglio di esercizi 3 Probabilità codizioale e idipedeza. Esercizio 1. Sia B u eveto fissato di uo spazio di probabilità (Ω, A, P), co P(B) > 0. Si mostri che P( B) è l uica
Dettagliversione
versioe 3-06-2004 37 La seguete Lezioe 4 riguarda pricipalmete la legge dei gradi umeri ed il teorema cetrale del limite. Iclude ache la geeralizzazioe del cocetto di idipedeza completa per successioi
DettagliESERCIZI SULLE SERIE
ESERCIZI SULLE SERIE. Dimostrare che la serie seguete è covergete: =0 + + A questa serie applichiamo il criterio del cofroto. Dovedo quidi dimostrare che la serie è covergete si tratterà di maggiorare
DettagliPrincipio di induzione: esempi ed esercizi
Pricipio di iduzioe: esempi ed esercizi Pricipio di iduzioe: Se ua proprietà P dipedete da ua variabile itera vale per e se, per ogi vale P P + allora P vale su tutto Variate del pricipio di iduzioe: Se
DettagliUnità Didattica N 32 Grandezze geometriche omogenee e loro misura
Uità Didattica N 3 Uità Didattica N 3 01) Classi di gradezze omogeee 0) Multipli e sottomultipli di ua gradezza geometrica 03) Gradezze commesurabili ed icommesurabili 04) Rapporto di due gradezze 05)
Dettagli1 + 1 ) n ] n. < e nα 1 n
Esercizi preparati e i parte svolti martedì 0.. Calcolare al variare di α > 0 Soluzioe: + ) α Per α il ite è e; se α osserviamo che da + /) < e segue che α + ) α [ + ) ] α < e α Per α > le successioi e
DettagliCalcolo combinatorio. Disposizioni - Permutazioni - Combinazioni Coefficienti binomiali - Binomio di Newton Disposizioni semplici.
Calcolo combiatorio. Disposizioi - Permutazioi - Combiazioi Coefficieti biomiali - Biomio di Newto Disposizioi semplici. Disposizioi semplici di oggetti di classe soo tutti gli allieameti che è possibile
DettagliALGEBRA I MODULO PROF. VERARDI - ESERCIZI. Sezione 1 NUMERI NATURALI E INTERI
ALGEBRA I MODULO PROF. VERARDI - ESERCIZI Sezioe 1 NUMERI NATURALI E INTERI 2 1.1. Si dimostri per iduzioe la formula: N, k 2 "1( * " 3 ) " 3k +1(. 3 1.2. A) Si dimostri che per ogi a,b N +, N +, se a
DettagliRichiami sulle potenze
Richiami sulle poteze Dopo le rette, le fuzioi più semplici soo le poteze: Distiguiamo tra: - poteze co espoete itero - poteze co espoete frazioario (razioale) - poteze co espoete reale = Domiio delle
DettagliDefinizione 1. Data una successione (a n ) alla scrittura formale. 1) a 1 + a a n +, si dà il nome di serie.
SERIE NUMERICHE Defiizioe. Data ua successioe (a ) alla scrittura formale ) a + a 2 + + a +, si dà il ome di serie. I umeri a, a 2,, a, rappresetao i termii della serie, i particolare a è il termie geerale
DettagliIn questo capitolo approfondiremo le nostre conoscenze su sequenze e collezioni,
Cotare sequeze e collezioi Coteuto Sequeze e collezioi di elemeti distiti Sequeze e collezioi arbitrarie 3 Esercizi I questo capitolo approfodiremo le ostre coosceze su sequeze e collezioi, acquisedo gli
DettagliSottospazi associati a matrici e forma implicita. Sottospazi associati a una matrice Dimensione e basi con riduzione Sottospazi e sistemi. Pag.
Spazi vettoriali Sottospazi associati a ua matrice Dimesioe e basi co riduzioe Sottospazi e sistemi 2 Pag. 1 2006 Politecico di Torio 1 Spazi delle righe e delle coloe Sia A M m, ua matrice m x. Allora
DettagliQual è il numero delle bandiere tricolori a righe verticali che si possono formare con i 7 colori dell iride?
Calcolo combiatorio sempi Qual è il umero delle badiere tricolori a righe verticali che si possoo formare co i 7 colori dell iride? Dobbiamo calcolare il umero delle disposizioi semplici di 7 oggetti di
DettagliESERCITAZIONI 1 (vers. 1/11/2013)
ESERCITAZIONI 1 (vers. 1/11/2013 Daiela De Caditiis tutoraggio MAT/06 Igegeria dell Iformazioe - sede di Latia, prima qualche richiamo di teoria... CALCOLO COMBINATORIO Il pricipio fodametale del calcolo
Dettaglin 1 = n b) {( 1) n } = c) {n!} In questo caso la successione è definita per ricorrenza: a 0 = 1, a n = n a n 1 per ogni n 1.
Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 0: Riferimeti: R.Adams, Calcolo Differeziale - Si cosiglia vivamete di fare gli esercizi del testo. Successioi umeriche:
DettagliL INFORMAZIONE E LE CODIFICHE
L INFORMAZIONE E LE CODIFICE UN PO DI STORIA - La Teoria dell iformazioe è ata ella secoda metà del 900, sebbee il termie iformazioe sia atico (dal latio mettere i forma) - I omi più importati soo Nyquist,
DettagliCosa vogliamo imparare?
Cosa vogliamo imparare? risolvere i modo approssimato equazioi del tipo f()=0 che o solo risolubili i maiera esatta ed elemetare tramite formule risolutive. Esempio: log( ) 1= 0 Iterpretazioe grafica Come
DettagliMateriale didattico relativo al corso di Matematica generale Prof. G. Rotundo a.a.2009/10
Materiale didattico relativo al corso di Matematica geerale Prof. G. Rotudo a.a.2009/10 ATTENZIONE: questo materiale cotiee i lucidi utilizzati per le lezioi. NON sostituisce il libro, che deve essere
DettagliScheda n.6: legame tra due variabili; correlazione e regressione
Scheda.6: legame tra due variabili; correlazioe e regressioe October 26, 2008 Covariaza e coefficiete di correlazioe Date due v.a. X ed Y, chiamiamo covariaza il umero Cov (X, Y ) = E [(X E [X]) (Y E [Y
DettagliEsercizi svolti su successioni e serie di funzioni
Esercizi svolti su successioi e serie di fuzioi Esercizio. Calcolare il limite putuale di f ) = 2 +, [0, + ). Dimostrare che o si ha covergeza uiforme su 0, + ), metre si ha covergeza uiforme su [a, +
DettagliAppunti di STATISTICA
Apputi di STATISTICA! Distribuzioe espoeziale X v.a. cotiua, R X = (0,+ ) Si dice che X ha distribuzioe espoeziale a parametro f X = >0 E (X) = 1/ Var (X) = 1/ e - x x>0 0 altrove (umero reale) se la p.d.f.
DettagliElementi di Calcolo Combinatorio
Elemeti di Calcolo Combiatorio Alessadro De Gregorio Sapieza Uiversità di Roma alessadro.degregorio@uiroma1.it Idice 1 Premessa 1 2 Permutazioi 2 3 Disposizioi 3 4 Combiazioi 4 5 Il coefficiete multiomiale
DettagliPer questi argomenti ti consiglio anche di effettuare questo collegamento:
Prof. Roberto Milizia, presso Liceo Scietifico E. Ferdiado Mesage BR) UNITA 8. IL CALCOLO COMBINATORIO.. Itroduzioe al calcolo combiatorio.. I raggruppameti. 3. Esercizi vari co i raggruppameti. 4. Il
DettagliIntervalli di Fiducia
di Fiducia Itroduzioe per la media Caso variaza ota per la media Caso variaza o ota per i coefficieti di regressioe per la risposta media i per i coefficieti i di regressioe multilieare - Media aritmetica
DettagliSTATISTICA INFERENZIALE - SCHEDA N. 1 CAMPIONAMENTO E STIMA
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
DettagliEsercizi di approfondimento di Analisi IA
Esercizi di approfodimeto di Aalisi IA 4 geaio 017 1 Estremo superiore/iferiore, classi cotigue, archimedeità 1.1. Mostrare che A = {x R : x > 0, x < } ha u estremo superiore ξ, ed è ξ =. 1.. Siao A, B
DettagliEsercizi sulle successioni
Esercizi sulle successioi 1 Verificare, attraverso la defiizioe, che la successioe coverge a 2 3. a := 2 + 3 3 7 2 Verificare, attraverso la defiizioe, che la successioe coverge a 0. a := 4 + 3 3 5 + 7
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Statistica Matematica: Cocetti Fodametali Nell esperieza quotidiaa e ella pratica della professioe dell igegere occorre: predere decisioi e ciò ormalmete richiede la dispoibilità di specifiche iformazioi
DettagliLegge Gamma e Legge Chi quadro
Legge Gamma e Legge Chi quadro Sia G ua variabile aleatoria di legge Gamma di parametri a e λ reali positivi, G Γ(a, λ, la cui fuzioe di desità è: f G (x = λa Γ(a e λx x a per x 0 dove Γ( è la fuzioe Gamma
DettagliDef. R si dice raggio di convergenza; nel caso i) R = 0, nel caso ii)
Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi : Riferimeti: R.Adams, Calcolo Differeziale. -Si cosiglia vivamate di fare gli esercizi del testo. Cap. 9.5 - Serie di poteze,
Dettagli( 4) ( ) ( ) ( ) ( ) LE DERIVATE ( ) ( ) (3) D ( x ) = 1 derivata di un monomio con a 0 1. GENERALITÀ
LE DERIVATE. GENERALITÀ Defiizioe A) Ituitiva. La derivata, a livello ituitivo, è u operatore tale che: a) ad ua fuzioe f associa u altra fuzioe; b) obbedisce alle segueti regole di derivazioe: () D a
DettagliLIMITI DI SUCCESSIONI
LIMITI DI SUCCESSIONI Formalmete, ua successioe di elemeti di u dato isieme A è u'applicazioe dall'isieme N dei umeri aturali i A: L'elemeto a della successioe è quidi l'immagie a = f) del umero secodo
DettagliProposizione 1. Due sfere di R m hanno intersezione non vuota se e solo se la somma dei loro raggi e maggiore della distanza fra i loro centri.
Laboratorio di Matematica, A.A. 009-010; I modulo; Lezioi II e III - schema. Limiti e isiemi aperti; SB, Cap. 1 Successioi di vettori; SB, Par. 1.1, pp. 3-6 Itori sferici aperti. Nell aalisi i ua variabile
DettagliPrecorso di Matematica, aa , (IV)
Precorso di Matematica, aa 01-01, (IV) Poteze, Espoeziali e Logaritmi 1. Nel campo R dei umeri reali, il umero 1 e caratterizzato dalla proprieta che 1a = a, per ogi a R; per ogi umero a 0, l equazioe
DettagliCenni di Calcolo di probabilità e. Il concetto di probabilità
Cei di Calcolo di probabilità e Statistica Dario Maio http://www.csr.uibo.it/~maio/ dmaio@deis.uibo.it 1 Il cocetto di probabilità Il termie probabilità è usato el liguaggio quotidiao per deotare casi
DettagliFunzioni di distribuzione e test statistici
Capitolo 3 Fuzioi di distribuzioe e test statistici Presetiamo i questo capitolo i cocetti e gli strumeti del Calcolo delle Probabilità e della Statistica idispesabili per la costruzioe e l uso di modelli
Dettagli16 - Serie Numeriche
Uiversità degli Studi di Palermo Facoltà di Ecoomia CdS Statistica per l Aalisi dei Dati Apputi del corso di Matematica 6 - Serie Numeriche Ao Accademico 03/04 M. Tummiello, V. Lacagia, A. Cosiglio, S.
DettagliSuccessioni di variabili aleatorie
0 Caitolo 5 Successioi i variabili aleatorie 5. Covergeza i istribuzioe e teorema cetrale i covergeza Sia {X } = (X,..., X,... ua successioe ifiita i variabili aleatorie e X u ulteriore variabile aleatoria.
DettagliMatematica I, Limiti di successioni (II).
Matematica I, 05102012 Limiti di successioi II) 1 Le successioi elemetari, cioe α, = 0, 1, 2, α R), b, = 0, 1, 2, b R), log b, = 1, 2, b > 0, b 1), si, = 0, 1, 2,, cos, = 0, 1, 2,, per + hao il seguete
DettagliIstituzioni di Analisi Superiore Esercizi
Istituzioi di Aalisi Superiore Esercizi G.P.Leoardi 13 aprile 2010 Nota: gli esercizi delle sezioi 2 4 soo stati tratti i buoa parte da ua raccolta di esercizi di Aalisi Fuzioale ad opera di H.Brezis e
Dettagli1 Successioni numeriche
Aalisi Matematica 2 Successioi umeriche CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 5 SERIE NUMERICHE Chiamiamo successioe di umeri reali ua fuzioe a valori reali defiita su N oppure
DettagliCongruenze in ; l insieme quoziente / n
Cogrueze i ; l isieme quoziete / Per ogi, si cosideri i la relazioe, che per il mometo deoteremo co ( ), così defiita: a ( ) b divide a-b Esempio: 5 (7 ) 19, perché 7 5-19=-14, metre 4 o è ella relazioe
DettagliCorso di laurea in Matematica Corso di Analisi Matematica 1-2 AA Dott.ssa Sandra Lucente Successioni numeriche
Corso di laurea i Matematica Corso di Aalisi Matematica -2 AA. 0809.. Cooscere. Dott.ssa Sadra Lucete. Successioi umeriche Defiizioe di successioe, isieme degli elemeti della successioe, successioe defiita
DettagliAlcuni concetti di statistica: medie, varianze, covarianze e regressioni
A Alcui cocetti di statistica: medie, variaze, covariaze e regressioi Esistoo svariati modi per presetare gradi quatità di dati. Ua possibilità è presetare la cosiddetta distribuzioe, raggruppare cioè
DettagliPROPRIETÀ DELLE POTENZE IN BASE 10
PROPRIETÀ DELLE POTENZE IN BASE Poteze i base co espoete itero positivo Prediamo u umero qualsiasi che deotiamo co la lettera a e u umero itero positivo che deotiamo co la lettera Per defiizioe (cioè per
DettagliUniversità degli Studi di Cassino, Anno accademico Corso di Statistica 2, Prof. M. Furno
Uiversità degli Studi di Cassio, Ao accademico 004-005 Corso di Statistica, Prof.. uro Esercitazioe del 01/03/005 dott. Claudio Coversao Esercizio 1 Si cosideri il seguete campioe casuale semplice estratto
DettagliCenni di Calcolo Combinatorio
Cei di Calcolo Combiatorio 28 marzo 2011 AVVISO: I preseti apputi possoo coteere (azi sicuramete coterrao) errori e/o ripetizioi. Essi soo ifatti opera di vari collage e, per ovvie questioi di tempo, o
Dettagli