Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
|
|
- Emilia Miele
- 4 anni fa
- Visualizzazioni
Transcript
1 Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con un esempio: vogliamo modelizzare con uno spazio di probabilità l esperimento che consiste nel lanciare prima un dado e poi una moneta truccata, dove la probabilità di avere testa è 1/3. I due lanci sono considerati operativamente indipendenti, cioè l uno non puo influenzare l esito dell altro. Lo spazio campionario S, dato dall insieme dei possibili esiti, è banalmente S = { (x 1, x 2 ) : x 1 {1, 2,..., 6}, x 2 {T, C} } (x 1 è da pensare come l esito del lancio del dado e x 2 come l esito del lancio della moneta). Essendo S numerabile, prendiamo come σ algebra degli eventi l insieme delle parti di S: P(S). Ci resta da definire la funzione di probabilità P : P(S) [0, 1]. Siccome la moneta è truccata, non possiamo invocare la simmetria e concludere che gli esiti di S sono equiprobabili. Invece, essendo gli esperimenti operativamente indipendenti, è naturale richiedere che, fissati x 1 {1, 2,..., 6} e x 2 {T, C}, i due eventi (visti come sottinsiemi di S) E 1 e E 2, definiti come E 1 = il lancio del dado ha dato x 1 E 2 = il lancio della moneta ha dato x 2, siano eventi indipendenti. Quindi P deve essere tale che P ( {(x 1, x 2 )} ) = P (E 1 E 2 ) = P (E 1 )P (E 2 ). È naturale porre P (E 1 ) = 1/6 e P (E 2 ) = 1/3 se x 2 = T oppure P (E 2 ) = 2/3 se x 2 = C. Quindi possiamo definire P sugli eventi elementari come P ( {(x 1, x 2 )} ) { 1 1 = 6 3 = 1 18 se x 2 = T, = 2 18 se x 2 = C, Ricordiamo che, essendo S numerabile, la funzione di probabilità P è univocalmente determinata una volta assegnata sugli eventi elementari. Per avere una buona definizione bisogna però verificare che P ({x}) [0, 1] per ogni x S e che x S P ({x}) = 1. Queste verifiche seguono facilmente dalla definizione (1.1) e sono lasciate al lettore. Il precedente esempio guida puo essere facilmente generalizzato come segue. Consideriamo un esperimento dato da n esperimenti elementari tra loro indipendenti (ci riferiamo all indipendenza operativa nell esecuzione degli esperimenti elementari). Supponiamo che l esperimento elementare i esimo sia descritto dallo spazio di probabilità (S i, P(S i ), P i ), dove S i è lo spazio campionario che assumiamo essere numerabile (finito o infinito), P(S i ) è l insieme delle parti di S che prediamo come σ algebra degli eventi e P i : P(S i ) [0, 1] è la funzione di probabilità. Allora l esperimento globale dato dagli n esperimenti elementari tra loro indipendenti è descritto dallo spazio di probabilità (S, P(S), P ) così definito: Lo spazio campionario S è dato dal prodotto cartesiano S = S 1 S 2 S n. Quindi, per definizione di prodotto cartesiano, S = { (x 1, x 2,..., x n ) : x i S i 1 i n }. 1
2 2 Essendo S numerabile prendiamo come σ algebra degli eventi l insieme delle parti di S: P(S), Sugli eventi elementari P è definita come P ({ (x 1, x 2,..., x n ) }) = P i ({x i }). (1.1) Essendo S numerabile la funzione di probabilità è univocalmente determinata una volta assegnata sugli eventi elementari. Per avere una buona definizione bisogna però verificare che P ({x}) [0, 1] per ogni x S e che x S P ({x}) = 1. Queste verifiche seguono facilmente dalla definizione (1.1) e sono lasciate al lettore. La formula (1.1) è motivata dalla seguente osservazione: se E i è l evento che l esperimento elementare i-esimo abbia esito x i allora, essendo gli esperimenti elementari operativamente indipendenti, è naturale supporre che E 1, E 2,..., E n siano eventi indipendenti. Inoltre è naturale assumere che P (E i ) = P i ({x i }). Quindi P ({ (x 1, x 2,..., x n ) }) = P ( n E i ) = P (E i ) = P i ({x i }). Terminologia: il suddetto spazio di probabilità (S, P(S), P ) è detto spazio di probabilità prodotto degli spazi di probabilità (S i, P(S i ), P i ), 1 i n. Valgono le seguenti proprietà: Proposizione 1: Siano (S i, P(S i ), P i ), 1 i n, spazi di probabilità con S i insieme numerabile, e sia (S, P(S), P ) il loro spazio prodotto. 1) Se per ogni i E i S è un evento definito in termini del solo esperimento elementare i esimo, allora E 1, E 2,..., E n sono eventi indipendenti, 2) Se per ogni i S i è finito ed ha esiti equiprobabiliti, allora S ha esiti equiprobabili. Osserviamo che la prima delle suddette proprietà conferma che lo spazio prodotto è il giusto spazio di probabilità per modelizzare gli n esperimenti elementari indipendenti. Notiamo inoltre che se E i S è un evento definito in termini del solo esperimento elementare i esimo allora E i deve essere della forma per qualche insieme Ẽi S i. E i = S 1 S 2 S i 1 Ẽi S i+1 S n, (1.2) Dim. della Proposizione 1. Dimostriamo il primo punto. Per provare che E 1, E 2,..., E n sono indipendenti dobbiamo provare che, dati 1 i 1 < i 2 < < i r n, vale P (E i1 E i2 E in ) = P (E i1 ) P (E i2 ) P (E in ). Per semplicità di notazione (ma il ragionamento si generalizza in modo banale) consideriamo solo il caso in cui r = n e quindi i 1 = 1, i 2 = 2,... i n = n, cioè proviamo che P ( n E i ) = P (E i ). (1.3)
3 3 Come appena osservato, E i è della forma (1.2) per qualche Ẽi S i. Quindi, per la σ additività di P e poi per (1.1), vale P (E i ) = P ({(x 1,..., x i 1, x i, x i+1,, x n )}) = x 1 S 1 x i 1 S i 1 x i x Ẽi i+1 S i+1 x n S n P i ({x i }) = x 1 S 1 x i 1 S i 1 x i x Ẽi i+1 S i+1 x n S n P 1 ({x 1 }) P i 1 ({x i 1 }) P i ({x i }) x 1 S 1 x i 1 S i 1 x i Ẽi ( ) P i+1 ({x i+1 }) P n ({x n }). x i+1 S i+1 x n S n (1.4) Nell ultimo membro tutte le somme tranne la i esima valgono 1, mentre la i esima vale P i (Ẽi). Da cui concludiamo che Per concludere procediamo come segue: P ( n E i ) = P (Ẽ1 Ẽn) Ẽ2 = P (E i ) = P i (Ẽi). (1.5) P ({(x 1, x 2,..., x n )}) = x 1 Ẽ1 x 2 Ẽ2 P 1 ({x 1 })P 2 ({x 2 }) P n ({x n }) = x 1 Ẽ1 x 2 Ẽ2 P i (Ẽi) = x n Ẽn P (E i ). x n Ẽn P i ({x i }) = x i Ẽi (1.6) Si noti che ciò conclude la dimostrazione di (1.3). Nella suddetta espressione la prima identità segue dall identità insiemistica n E i = Ẽ1 Ẽ2 Ẽn, che a sua volta segue da (1.2). La seconda identità segue da (1.1), la terza dalla proprietà distributiva somma prodotto, la quarta dalla σ additività di P i e la quinta da (1.5). Dimostriamo ora il secondo punto della proposizione. Per ipotesi, P i ({x i }) = 1/ S i per ogni x i S i e per ogni i. Per (1.1) abbiamo P ({(x 1, x 2, x n )}) = P 1 ({x 1 })P ({x 2 }) P ({x n }) = 1 S 1 1 S 2 1 S n = 1 S Quindi tutti gli eventi elemetari di S hanno probabilità 1/ S e perciò S ha esiti equiprobabili.
4 Schema di Bernoulli di parametri n, p. Si realizzano n prove, cioè n esperimenti elementari identiti e indipendenti. Supponiamo che ogni esperimento elementare abbia solo due esiti, che chiamiamo successo e insuccesso oppure rispettivamente 1 e 0, e che la probabilità di successo nella i esima prova sia p [0, 1]. Lo spazio prodotto che modelizza la famiglia delle n prove è detto schema di Bernoulli di parametri n e p. Dalla definizione di spazio prodotto si ottiene facilmente che lo schema di Bernoulli è dato dalla terna (S, P(S), P ) dove S = {0, 1} n, P(S) denota l insieme delle parti di S e P è la funzione di probabilità che sugli eventi elementari vale dove m è il numero dei successi cioè P ({(x 1, x 2,..., x n )} = p m (1 p) n m, m = {i : 1 i n, x i = 1} = n x i. Si noti inoltre che definito Y (x)= numero successi in x, dove x S, vale ( ) n P (Y = k) = p k (1 p) n k, k {0, 1,..., n}. k 2. Spazio di probabilità prodotto di una successione di spazi di probabilità Indichiamo brevemente come modelizzare l esperimento (ideale!) dato da una successione di esperimenti elementari indipendenti, dove l i esimo esperimento elementare è modelizzato dallo spazio di probabilità (S i, P(S i ), P i ) con S i numerabile - finito o infinito (i varia in N + = {1, 2, 3,... }). È naturale prendere come spazio campionario S = { (x i ) i N+ : x i S i }, cioè S è lo spazio prodotto S i. Essendo S non numerabile (a meno che, a parte una sottofamiglia finita, tutti gli S i siano dati da un singolo elemento), in generale scegliere come σ algebra degli eventi l insieme delle parti di S porta a delle assurdità. Ne deriva che la costruzione dello spazio di probabilità è non banale. Vale il seguente fatto che non dimostreremo: Proposizione 2. Data una successione di spazi di probabilità (S i, P(S i ), P i ) come sopra, esiste uno spazio di probabilità (S, F, P ), detto spazio di probabilità prodotto,soddisfacente le seguenti proprietà: S = S i. Se Ẽj S j, allora l insieme E j = {(x i ) i N+ S : x j E j } S è un evento dello spazio (S, F, P ), cioè E j F. Inoltre P (E j ) = P j (Ẽj). Dati E 1 S 1, E 2 S 2,... E n S n, gli eventi Ẽ 1, Ẽ2,..., Ẽn definiti come al punto precedente sono indipendenti. Concludiamo con un esempio: Schema di Bernoulli infinito con parametro p. Consideriamo una successione (infinita) di prove (quindi esperimenti elementari indipendenti e identici), dove ciascuna prova ha solo due esiti, che chiamiamo successo e insuccesso oppure rispettivamente 1 e 0. Assumiamo che la probabilità di successo nella i esima prova sia pari a p [0, 1]. Sia (S i, P(S i ), P i ) lo spazio di probabilità che descrive la i esima prova. Questi spazi sono identitici: S i = {0, 1} con P i ({1}) = p, P i ({0}) = 1 p,
5 5 P i ( ) = 0, P i ({0, 1}) = 1. Lo schema di Bernoulli infinito con parametro p è lo spazio di probabilità prodotto (S, F, P ) che modellizza la suddetta successione di prove. Si ha che S = {0, 1} N +. Inoltre, F e P soddisfano le proprietà della proposizione precedente. Esercizio: dimostrare che nello schema di Bernoulli infinito con parametro p (0, 1), l esito (0, 0, 0, 0, 0,... ) e l esito (1, 1, 1, 1, 1,... ) hanno probabilità nulla. Suggerimento: calcolare la probabilità di avere tutti insuccessi o tutti successi nelle prime n prove e poi usare le proprietà limite delle successioni monotone di eventi.
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliIntegrazioni del corso di Calcolo delle Probabilità Università degli Studi di Roma La Sapienza Docente: Alessandra Faggionato
Integrazioni del corso di Calcolo delle Probabilità Università degli Studi di Roma La Sapienza Docente: Alessandra Faggionato Contents 1. Spazio ingenuo di probabilità 1 2. Esempi di spazi di probabilità
DettagliDefinizione formale di probabilitá
Definizione formale di probabilitá 10 marzo 2017 Si introducono la definizione assiomatica di probabilitá e alcune proprietá elementari che ne derivano 1 Eventi e insiemi Poiché un evento é definito come
DettagliNote di Teoria della Probabilità.
Note di Teoria della Probabilità. In queste brevi note, si richiameranno alcuni risultati di Teoria della Probabilità, riguardanti le conseguenze elementari delle definizioni di probabilità e σ-algebra.
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 1 Abbiamo visto: Definizioni di statistica, statistica inferenziale, probabilità (interpretazione
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliMisure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a )
Misure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a. 2006-07 Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 1. (Misura. Si chiama misura
DettagliStatistica e analisi dei dati Data: 29 Febbraio Lezione 3
Statistica e analisi dei dati Data: 29 Febbraio 2016 Lezione 3 Docente: Prof. Giuseppe Boccignone Scriba: Sara Fasano 1 Definizione formale di Probabilitá Sia dato lo spazio probabilizzabile (S, F). Definizione
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliIntroduzione al calcolo delle probabilità
Introduzione al calcolo delle probabilità L. Boni Approccio empirico OSSERVAZIONE IPOTESI TEORIA DOMINANTE ESPERIMENTO L esperimento Un esperimento (dal latino ex, da, e perire, tentare, passare attraverso
DettagliDAI NUMERI NATURALI AI NUMERI RAZIONALI
DAI NUMERI NATURALI AI NUMERI RAZIONALI 1. L insieme dei numeri naturali Nel sistema assiomatico ZF, l Assioma dell infinito stabilisce che: Esiste un insieme A, i cui elementi sono insiemi e tale che
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 05-6 P.Baldi Lista di esercizi, 8 gennaio 06. Esercizio Si sa che in una schedina
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
DettagliLEZIONI Dispense a cura del Docente.
LEZIONI 06-07-08 Contents 5. INTRODUZIONE ALLO STUDIO QUALITATIVO DELLE FUNZIONI. 5.. Operazioni elementari sui grafici di funzioni. 5.. Funzione composta. Monotonia della funzione composta. 5 5.. Grafico
DettagliVettori Aleatori discreti
Vettori Aleatori discreti Un vettore aleatorio X =(X,X 2,...,X n ) si dice discreto se esiste un insieme finito o numerabile C R n tale che P (X = x) >, 8x 2 C, P (X = x) =, 8x /2 C, dove, ponendo x =(x,...,x
Dettagli3 La curva di Peano. insieme di misura nulla in R m. Definiamo, ora,
Versione del 5/0/04 3 La curva di Peano Proposizione (a) Sia f : A R n R m con n < m. Se f è una funzione lipschitziana, allora f(a) è un insieme di misura nulla in R m. (b) Esiste una funzione ϕ C ( [0,
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliCalcolo delle Probabilità Soluzioni 1. Spazio campionario ed eventi
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliPrimi elementi di combinatoria Federico Lastaria, Analisi e Geometria 1
Politecnico di Milano. Scuola di Ingegneria Industriale e dell Informazione Analisi e Geometria 1 Federico Lastaria Primi elementi di combinatoria 11 Ottobre 2016 Indice 1 Elementi di combinatoria 2 1.1
DettagliELEMENTI DI LOGICA MATEMATICA LEZIONE VII
ELEMENTI DI LOGICA MATEMATICA LEZIONE VII MAURO DI NASSO In questa lezione introdurremo i numeri naturali, che sono forse gli oggetti matematici più importanti della matematica. Poiché stiamo lavorando
Dettagli1 Ingredienti base del CDP. 2 Denizioni classica e frequentista. 3 Denizione assiomatica. 4 La σ-algebra F. 5 Esiti equiprobabili
1 Ingredienti base del CDP 2 Denizioni classica e frequentista 3 Denizione assiomatica 4 La σ-algebra F 5 Esiti equiprobabili 6 Esperimento casuale 7 Probabilità condizionata Ingredienti base del CDP eventi
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
Dettagli12. Funzioni numeriche misurabili.
12. Funzioni numeriche misurabili. 12.1. Funzioni numeriche misurabili. D ora in avanti, nel corso di questi appunti, adotteremo la seguente terminologia: per far riferimento ad una funzione f : Ω R, per
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
Dettagli20. Prodotto di spazi di misura. I teoremi di Tonelli e di Fubini.
20. Prodotto di spazi di misura. I teoremi di Tonelli e di Fubini. 20.1. Prodotto di σ-algebre. Definizione 20.1.1. (σ-algebra prodotto. Dati n spazi misurabili (Ω 1, A 1,..., (Ω n, A n, si chiama σ-algebra
DettagliIl modello di Bernoulli
Il modello di in funzione DEFINIZIONE DI V.A. B(p) Una v.a. di arametro p è una v.a. che può assumere solo i valori 0 e 1, e per cui la probabilità di assumere il valore 1 è pari a p, e quella di assumere
DettagliANALISI 1 - Teoremi e dimostrazioni vari
ANALISI 1 - Teoremi e dimostrazioni vari Sommario Proprietà dell estremo superiore per R... 2 Definitivamente... 2 Successioni convergenti... 2 Successioni monotone... 2 Teorema di esistenza del limite
Dettagli6.2 La probabilità e gli assiomi della probabilità
6.2 La probabilità e gli assiomi della probabilità L introduzione alla teoria della probabilità può essere vista come un applicazione della teoria degli insiemi. Essa si occupa degli esperimenti il cui
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
DettagliCorso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 2007
Corso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 007 Primo esercizio Per una certa stampante S 1, la probabilità che un generico foglio
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 205- P.Baldi Lista di esercizi 5, 8 febbraio 20. Esercizio Si fanno 25 estrazioni
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
Dettagli{ } corrisponde all uscita della faccia i-esima del dado. La distribuzione di probabilità associata ( )
Università di Trento - Corsi di Laurea in Ingegneria Civile e in Ingegneria per l Ambiente e il Territorio - 2017/18 Analisi Matematica 1 - professore Alberto Valli 2 foglio di esercizi 25 settembre 2017
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliEsercizi. 2. [Conteggio diretto] Due dadi vengono lanciati in successione. a) Qual è la probabilità che la somma dei due risultati faccia 7?
1 E. Vitali Matematica (Scienze Naturali) Esercizi 1. [Conteggio diretto] Quattro ragazzi, A, B, C e D, dispongono di due biglietti per il teatro e decidono di tirare a sorte chi ne usufruirà. a) Qual
DettagliPrimi elementi di Probabilità
Primi elementi di Probabilità Sergio Polidoro Dipartimento di Matematica, Università di Bologna In queste dispense vengono introdotte le nozioni di valore atteso e di varianza per variabili aleatorie discrete
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 3. Sistemi di equazioni lineari
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 3 Sistemi di equazioni lineari Siano m, n N \ {}, sia K un campo Definizione a) Un sistema
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliEquidistribuzione su un insieme finito
su un insieme finito È la distribuzione che abbiamo già visto per il lancio del dado. Se {x 1, x 2,..., x n } sono gli n diversi valori che una variabile aleatoria X può assumere e tali valori sono equiprobabili,
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliULTRAFILTRI E METODI NONSTANDARD IN TEORIA COMBINATORIA DEI NUMERI
ULTRAFILTRI E METODI NONSTANDARD IN TEORIA COMBINATORIA DEI NUMERI MAURO DI NASSO 1. Filtri e ultrafiltri Iniziamo introducendo le fondamentali nozioni di filtro e ultrafiltro. Definizione 1.1. Un filtro
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 5. Rango
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 5 Rango Definizione 1 Sia A M m,n (K) una matrice m n a coefficienti nel campo K Il rango
DettagliCalcolo delle Probabilità e Statistica. Test di verifica - 05/04/2005
Corso di Laurea in Informatica - a.a. 2004/05 Calcolo delle Probabilità e Statistica Test di verifica - 05/04/2005 Il candidato risolva due (e solo due) problemi tra i seguenti, motivando le proprie risposte.
Dettagli1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3.
Corso di Laurea INTERFACOLTÀ - Esercitazione di Statistica n 6 ESERCIZIO 1: 1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3. lancio di
DettagliAppunti del Corso Analisi 1
Appunti del Corso Analisi 1 Anno Accademico 2011-2012 Roberto Monti Versione del 5 Ottobre 2011 1 Contents Chapter 1. Cardinalità 5 1. Insiemi e funzioni. Introduzione informale 5 2. Cardinalità 7 3.
DettagliEsercitazione del 31/01/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 1/01/2012 Istituzioni di Calcolo delle Probabilità Esercizio 1 Vengono lanciati due dadi regolari a 6 facce. (a) Calcolare la probabilità che la somma dei valori ottenuti sia 9? (b) Calcolare
DettagliCorso di Istituzioni di Matematiche con Elementi di Statistica. anno accademico 2015/2016 corso A-L (G. Gaeta & N. Bressan)
Corso di Istituzioni di Matematiche con Elementi di Statistica anno accademico 215/216 corso A-L (G. Gaeta & N. Bressan) Esercizi Foglio 9 (Funzioni aleatorie; distribuzioni di probabilita ) Esercizio
DettagliProbabilità Condizionale - 1
Probabilità Condizionale - 1 Come varia la probabilità al variare della conoscenza, ovvero delle informazioni in possesso di chi la calcola? ESEMPIO - Calcolare la probabilità che in una estrazione della
Dettaglip(ϕ) = a 0 Id + a 1 ϕ + + a n ϕ n,
1. Autospazi e autospazi generalizzati Sia ϕ: V V un endomorfismo. Allora l assegnazione x ϕ induce un morfismo di anelli ρ: K[x] End K (V ). Più esplicitamente, al polinomio p dato da viene associato
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
DettagliMetodi quantitativi per i mercati finanziari
Metodi quantitativi per i mercati finanziari Esercizi di probabilità Spazi di probabilità Ex. 1 Sia Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Siano A e B sottoinsiemi di Ω tali che A = {numeri pari},
DettagliENDOMORFISMI. NOTE DI ALGEBRA LINEARE
ENDOMORFISMI. NOTE DI ALGEBRA LINEARE 2010-11 MARCO MANETTI: 15 GENNAIO 2011 1. Endomorfismi e sottospazi invarianti Definizione 1.1. Sia V uno spazio vettoriale su K. Un endomorfismo di V è una qualsiasi
DettagliRango di una matrice e teorema di Rouché-Capelli
Rango di una matrice e teorema di Rouché-Capelli Sappiamo che a una matrice m n, A, è associata l applicazione lineare L A : R n R m, L A (X) = AX, X R n. Definizione 1. Lo spazio nullo di A, N (A), è
DettagliDefinizione 1. Una k-colorazione dei vertici di un grafo G consiste nell assegnazione di k colori 1, 2,..., k ai vertici di G in modo tale che a due
Definizione 1. Una k-colorazione dei vertici di un grafo G consiste nell assegnazione di k colori 1, 2,..., k ai vertici di G in modo tale che a due vertici adiacenti non sia assegnato lo stesso colore.
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliCP110 Probabilità: Esonero 1. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 1 aprile, 2010 CP110 Probabilità: Esonero 1 Testo e soluzione 1. (7 pt Una scatola contiene 15 palle numerate da 1 a 15. Le palle
DettagliCORSO DI GEOMETRIA APPLICAZIONI LINEARI E MATRICI A.A. 2018/2019 PROF. VALENTINA BEORCHIA
CORSO DI GEOMETRIA APPLICAZIONI LINEARI E MATRICI AA 2018/2019 PROF VALENTINA BEORCHIA INDICE 1 Matrici associate a un applicazione lineare 1 2 Cambiamenti di base 4 3 Diagonalizzazione 6 1 MATRICI ASSOCIATE
DettagliCenni di probabilità
Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Cenni di probabilità Ing. Antonino Cancelliere Dipartimento
DettagliLEZIONE 11. s V : V V V (v 1, v 2 ) v 1 + v 2 = s V (v 1, v 2 ), p V : k V V. per cui valgono:
LEZIONE 11 11.1. Spazi vettoriali ed esempi. La nozione di spazio vettoriale generalizza quanto visto nelle lezioni precedenti: l insieme k m,n delle matrici m n a coefficienti in k = R, C, l insieme V
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliProbabilità. 2) Vengono estratte 5 carte; quale è la probabilità che ci siano esattamente 2 denari? ª 0,278. k fattori. n - k +1 ) k!
Definizione classica = P A Probabilità numero esiti favorevoli numero esiti possibili Esempi 1) Da un mazzo di 40 carte (bastoni, coppe, denari, spade) ne viene estratta una; quale è la probabilità che
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 11, Probabilità
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 00- P.Baldi Lista di esercizi. Corso di Laurea in Biotecnologie Esercizio Si sa che in una schedina del totocalcio i tre simboli, X, compaiono con
DettagliTutorato I Probabilità e Statistica a.a. 2015/2016
Tutorato I Probabilità e Statistica a.a. 2015/2016 Argomenti: probabilità uniforme; probabilità condizionata; formula di Bayes; formula delle probabilità totali; indipendenza. Esercizio 1. Siano A, B,
Dettaglia p a (p) (a + 1) p = i=0 sono noti come coefficienti binomiali 2 e sono numeri interi (a + 1) p a p + 1 (p) (a + 1) p a + 1 (p)
Appunti quarta settimana Iniziamo con un risultato molto importante che ha svariate conseguenze e che3 sarà dimostrato in modi diversi durante il corso: Esercizio 1.[Piccolo teorema di Fermat] Dimostrare
DettagliEsercizi settimana 5. Esercizi applicati. Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 2 3
1 Esercizi settimana 5 Esercizi applicati Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 3 di ottenere testa. Se scegliete la prima moneta vincete 10 punti se esce testa e punti
Dettagli6. Boreliani di uno spazio topologico.
6. Boreliani di uno spazio topologico. 6.1. La σ-algebra degli insiemi di Borel di uno spazio topologico. Definizione 6.1.1. (σ-algebra di Borel di uno spazio topologico). Sia S uno spazio topologico.
DettagliMatematica con elementi di Informatica
Probabilità discreta Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliSoluzioni degli esercizi proposti
Soluzioni degli esercizi proposti.9 a La cardinalità dell insieme dei numeri,..., 0 n che sono multipli di 5 è 0n 5. Dunque, poiché siamo in una condizione di equiprobabilità, la probabilità richiesta
DettagliAlcuni complementi sulla misura di Lebesgue in R N
Alcuni complementi sulla misura di Lebesgue in R N Notazioni m Misura di Lebesgue in R N m e Misura esterna di Lebesgue in R N ; m e (E) = inf m(v ) V aperti V E m i Misura interna di Lebesgue in R N ;
DettagliEsercitazione del 13/03/2018 Istituzioni di Calcolo delle Probabilità
Esercitazione del /0/08 Istituzioni di Calcolo delle Probabilità David Barbato I quesiti con asterisco saranno accessibili dalla quinta settimana di lezione. Esercizio Vengono lanciati due dadi a 6 facce
Dettaglidi qualche accadimento porta ad un particolare che, a partire da determinate condizioni iniziali, stato delle cose finali
Esperimenti aleatori un esperimento e l osservazione del verificarsi che, a partire da determinate condizioni iniziali, stato delle cose finali di qualche accadimento porta ad un particolare se si ripete
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliCorso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017
Corso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliSi noti che questa definizione dice esattamente che
DISUGUAGLIANZA INTEGRALE DI JENSEN IN DIMENSIONE FINITA LIBOR VESELY integrazione. Prima disuguaglianza integrale di Jensen.. Motivazione. Siano un insieme convesso in uno spazio vettoriale, f : (, + ]
DettagliPer capire meglio il concetto di combinazione lineare prendiamo in considerazione alcuni esempi.
Lezione 14 14.1 Combinazioni lineari Definizione 14.1. Sia V uno spazio vettoriale su un campo K = R, C esiano v 1,...,v n 2 V vettori fissati. Un vettore v 2 V si dice combinazione lineare di v 1,...,v
DettagliELEMENTI DI PROBABILITA (parte 2) 1 / 27
ELEMENTI DI PROBABILITA (parte 2) 1 / 27 Combinazioni 2 / 27 Supponiamo di non essere interessati all ordine in cui sono disposti gli oggetti, per cui la parola abc sia indistinguibile dalla parola bca.
DettagliÈ l insieme di tutti i possibili esiti di un esperimento aleatorio; si indica generalmente con il simbolo.
A Ripasso Terminologia DOMADE Spazio campionario Evento Evento certo Evento elementare Evento impossibile Evento unione Evento intersezione Eventi incompatibili Evento contrario RISPOSTE È l insieme di
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
DettagliEsercizi - Fascicolo III
Esercizi - Fascicolo III Esercizio 1 In una procedura di controllo di produzione, n processori prodotti da un processo industriale vengono sottoposti a controllo. Si assuma che ogni pezzo, indipendentemente
DettagliMassimo limite e minimo limite di una funzione
Massimo limite e minimo limite di una funzione Sia f : A R una funzione, e sia p DA). Per ogni r > 0, l insieme ) E f p r) = { fx) x A I r p) \ {p} } è non vuoto; inoltre E f p r ) E f p r ) se 0 < r r.
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
Dettagli