Modelli

di Variabili Aleatorie

Probabilit

Mattia Natali

Modelli di Variabili Aleatorie

Variabili aleatorie di Bernoulli: X di Bernoulli di parametro p ( 0,1) se P ( X = 1) = p e P ( X = 0 ) = 1 p .
Propriet: E ( X ) := 1 p X (1) + 0 p X ( 0 ) = p .

Var ( X ) = E X 2 E ( X ) ma siccome X = X 2
2
2

Var ( X ) = E ( X ) E ( X ) = p p 2 = p (1 p ) . Notazione: X di Bernoulli di parametro p X Be ( p ) .

Prove di Bernoulli: esperimenti casuali, indipendenti, binari (ossia che hanno solo due possibili esiti che chiamo successo e fallimento). p = P ( successo ) . Faccio n prove di Bernoulli con probabilit di successo p ( 0,1) . Sia X numero di successi in queste n prove. p X ( k ) = P ( X = k ) .

( )

Var ( X ) = Var ( X1 + ... + Xn ) = Var ( X1 )+ ... + Var ( Xn ) = np (1 p ) .

p (1 p )

1 se k-esima prova successo . X = X1 + X2 + ... + Xn X k = 0 se fallimento E ( X ) = E ( X1 + ... + Xn ) = E ( X1 ) + ... + E ( Xn ) = np .

n n k P ( X = k ) = p k (1 p ) . k

X binomiale di parametri n, p , ( X Bi ( n, p )) se

X + Y Bi ( n + mi , p ) . Utilizzo: quando X pu assumere solo i valori 0,1 (successo o fallimento).

n k n k p (1 p ) , k {0,1,..., n} P ( X = k ) = k . 0 altrimenti n n! Ricordiamo che il coefficiente binomiale si calcola := . k k !( n k )! Bi ( n, p ) , Y Bi ( m, p ) indipendenti: X Bi ( n, p ) X = X1 + ... + Xn , X k Be ( p ) indipendenti. Y Bi ( m, p ) Y = Y1 + ... + Ym , Yk Be ( p ) indipendenti. X + Y = X1 + ... + Xn + Y1 + ... + Ym = somma di n + m . Be ( p ) indipendenti

Densit di Poisson:
Ci sono in media impurit per unit di lunghezza = I k =

X = numero di impurit sul segmento. E ( X ) = , X k = numero di impurit in I k Be ( p ) .

1 . n

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

X = X1 + ... + Xn , E ( X ) = E ( X1 ) + ... + E ( Xn ) = np . X Bi n, . n

n P ( X = k ) = 1 k n n
k

n k

=
k

n! k 1 1 k k !( n k )! n n n
n con n + =e 1

n ( n 1) ...( n k + 1) = 1 k n n
1 1

k k e . 1 k! n k!
n

Definizione: X una variabile aleatoria di Poisson di parametro > 0 se

Legge del filo: La variabile aleatoria di Poisson pu essere utilizzata come approssimazione di una binomiale di parametri ( n, p ) quando

k e , k {0,1, 2,...} P ( X = k ) = k! . 0 altrimenti

Poisson ( ) Bi n, = Bi ( n, p ) Poisson ( np ) . n
X Po ( ) , Y Po ( ) X + Y Po ( + ) .

n 1 prove di Bernoulli . p 1 probabilit di successo

Propriet: X Po( ) E ( X ) = Var ( X ) = .

Utilizzo: unottima approssimazione di una binomiale di parametri ( n, p ) , quando n molto

grande e p molto piccolo ponendo = np . In altri termini, il totale dei successi in un gran numero n di ripetizioni indipendenti di un esperimento che ha una piccola probabilit di riuscita p , una variabile aleatoria con distribuzione approssimativamente di Poisson, con media = np .

Variabile aleatoria Geometrica:

vedere il primo successo. P ( X = k ) con k {1, 2,...} .

Successione di prove di Bernoulli con p = P ( successo ) e X = numero di prove necessarie per

P ( X = 1) = P ( I prova = "successo") = p .

I prova = "insuccesso" P ( X = 2) = P = p (1 p ) . II prova = "succeso"

P ( X = k ) = p (1 p ) k 1 insuccessi.
k 1

perch prima del successo della k -esima prova ci sono stati

k 1 p (1 p ) Definizione: X Geom ( p ) se P ( X = k ) = 0

k {1, 2,...} altrimenti

1 =

P ( X = k ) = p (1 p )
k k =1 +

k 1

, sia q := 1 p p = 1 q con 0 < q < 1

q
k =1

k 1

1 1 q

q = 1 q .
k=0

Modelli di Variabili Aleatorie

tX tk m X ( t ) = E e = e (1 p ) + k 1

Probabilit
+ +

Mattia Natali

t < ln (1 p )

i =1

p = e
k=0

t ( k 1)

(1 p )

p = pe

e (1 p )
t k =1 q

= et (1 p ) < 1

m X ( 0 ) = 1 .

+ k p p t t pet e (1 p ) = pe 1 et (1 p ) = e t (1 p ) . Perch una serie geometrica. k =1 q

m X (t ) =

p e t

t e (1 p ) 1 m = E ( X ) . X (0) = p 2

( )

= mX (t )

e t 1 = mX (t ) . t t e (1 p ) 1 e (1 p )

1 et (1 p ) et (1 p ) . m X ( t ) = m X (t ) 2 t 1 e (1 p ) 1 p +1 p 2 p p = = E X 2 . m X (0) = 2 2 p p 2 p 1 1 p 1 1 2 2 2 = 2 = 2 . Var ( X ) = E X E ( X ) = p2 p p p p

( )

( )

X Geom ( p ) , P ( X > k ) = P ( le prime k prove sono insuccessi) = (1 p ) ...(1 p ) = (1 p )

k

P ( X k ) = 1 (1 p ) .
k

k volte

Propriet di assenza di memoria: P ( X > k + h | X > h ) = P ( X > k ) . Dimostrazione:

P ( X > k + h | X > h) =
k

P ( a < X b | X > h ) = P ( a h < X b h ) .

= (1 p ) = P ( X > k ) .

P ( X > k + h & X > h ) P ( X > k + h ) (1 p ) = = = P ( X > h) P ( X > h) (1 p )h

k+h

Utilizzo: utile quando vogliamo sapere la probabilit che la k -esima ripetizione sia il primo successo.

Variabile aleatoria ipergeometrica:

Definizione: una variabile aleatoria X si dice ipergeometrica di parametri N , M e n se ha massa

N M i n i di probabilit P ( X = i ) = con i = 0,1,..., n . N + M n

Utilizzo: possiamo capirlo tramite un esempio. Una scatola contiene N batterie accettabili e M difettose. Si estraggono senza rimessa e in maniera casuale n batterie. Denotiamo con X il numero di batterie accettabili contenute nel campione estratto. 3

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

Variabili aleatoria uniforme:

Se noi prendessimo un segmento lungo 1 e un intervallo che va da a a b ivi contenuto, se x scelto casuale significa che la probabilit che x [ a, b ] dipende soltanto dalla lunghezza del segmento e non dalla sua posizione. Linsieme U uniforme in [ 0,1] se la sua densit fU ( u ) :=

u [ 0,1]

Definizione generale: una variabile aleatoria continua si dice uniforme sullintervallo [ , ] , se ha

P ( a < U b ) = b a . 0 < a < b < 1 P ( a + h < U b + h ) = b a con 0 < a + h < b + h < 1 .

P (U [ u, u + du ]) = du con u [ 0,1] .

0 altrimenti

1 se x funzione di densit data da f ( x ) = . 0 altrimenti U U [ 0,1] . I passi successivi quindi sono riferiti ad un intervallo ampio 1 .

E (U ) =

uf ( u ) du =

u du =

u2 2

=
0,1

1 . 2 = 1 1 1 43 1 Var (U ) = = = . 3 3 4 12 12

E U2 =

( )

u 2 f ( u ) du =
+

u 2 du =

u3 3

0,1

U U [ 0,1] , FU ( u ) =

(b a )U + a = X con b > a . U = 1 ( b a )1 + a = b . U = 0 ( b a ) 0 + a = a . X ~ U [ a, b ] , X = ( b a )U + a , U ~ U [ 0,1] .

0 x<0 fU ( x ) dx = x 0 x < 1 . 1 x 1

ba a+b +a= . 2 2 2 b a) ( 2 Var ( X ) = Var ( b a )U + a = ( b a ) Var (U ) = 12 . x a x a FX ( x ) = P ( X x ) = P (( b a ) ,U + a x ) = P U = FU . b a b a d x a x a 1 x a 1 FX FU = FU = fU . ( x) = b a b a b a ba dx b a 1 xa 0< <1 fX ( x ) = b a . ba 0 altrimenti xa < 1 0 < x a < b a a < x < b . 0 < ba E(X) = E ( b a )U + a = ( b a ) E (U ) + a =
4

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

x a FX ( x ) = FU b a

Utilizzo: quando la variabile aleatoria ha le stesse probabilit di cadere vicino a un qualunque punto dellintervallo.

0 xa ba 1

x<a xa 0< < 1 a < x < b . ba xb

Variabili aleatorie normali o gaussiane:

Definizione: z normale standard se la sua densit fZ ( z ) :=

1 z2 e . 2

fZ ( z ) dz = 1 2 =
2

z2 2

dz .

1 s2 2 e ds := ( z ) := P ( Z z ) . ( z ) = 1 ( z ) .
z
tZ

mZ ( t ) = E e =

tZ

1 z2 e dz = 2

1 2
t2 2

1 2 t2 z 2 tz + t 2 + 2 2

dz =
t2 2

1 t2 e 2

( z t )2
2

dz

sostituisco u = z t , du = dz m ( z ) = e

mZ ( 0 ) = 1 .

1 2

u2 2

du = e .

=1

mZ ( t ) = te = tmZ ( t ) . mZ ( 0 ) = 0 . mZ ( t ) = mZ ( t ) + tmZ ( t ) .

t2 2

Definizione: X variabile aleatoria con E ( X ) = 0 , Var ( X ) = 1 X standard.

mZ ( 0 ) = mZ ( 0 ) + 0 = 1 E ( Z ) = 0 , E Z 2 = 1 = Var ( Z ) .

( )

Definizione: X variabile aleatoria normale se: X = aZ + b , a > 0 , b , Z normale standard. Se Z normale standard Z normale standard. Def: X normale con media e varianza 2 X ~ N , standard Z ~ N ( 0,1) .

)) se X = Z + , Z normale

X ~ N , 2 , Y = X + N (, ) con a 0 .
Dimostrazione: X ~ N ,

Var (Y ) = Var ( X + ) = 2Var ( X ) .

Y = X + = ( Z + ) + = ( ) Z + + . E (Y ) = E ( X + ) = E ( X ) + = + .

) X = Z + , Z ~ N ( 0,1)

X ~ N , 2 , calcoliamo la funzione di ripartizione e densit.

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

Con X = Z + , FX ( x ) = P ( X x ) = P ( Z + x ) = P Z

x x =

P ( a < X < b ) = FX ( b ) FX ( a ) per le variabili aleatorie continue. b a P (a < X < b) = .

x FX = .

d x x 1 x 1 f X ( x ) = FX = = fZ = ( x) = dx

1 2 e 2

1 x2

1 =

1 2 2

( x )2 2 2

X ~ N ( 0,1) . 1 X E(X) X 1 = = 0 , Var = V X = 2 Var ( X ) = 1 . E Teorema: X1 , X 2 ,..., X n normali indipendenti X1 + ... + X n normale.

X ~ N , 2 ,

Dimostrazione: X ~ N ,

X = Z + , Z ~ N ( 0,1) .

) . m (t ) = E ( e ) ma siccome normale sappiamo che

tX X
t

e(t ) z = et m t = et e t ( Z + ) (t ) Z t t mX (t ) = E ) Z( e = E e e = e E

( t )2
2

=e

t 2 2 +t 2

mX = e

t 2 2 +t 2

2 t 2 1 t 2 2 m X1 + ...+ Xn = m X1 ( t ) ...m Xn ( t ) = exp + t 1 ...exp n + t n = 2 2 2 n n n t 2 2 t2 t 2 2 k exp + t k = exp k + t k = exp ( ) + t k =1 2 k =1 2 2 k =1 2 ' ( ) n n X1 + ... + Xn ~ N k , 2 k . k =1 k =1

Utilizzo: questo tipo di variabile aleatoria molto importante e utilizzata grazie al teorema del limite centrale che tratterremo pi avanti.

Esponenziali:
Def: X esponenziale di parametro > 0 X ~ ( ) se f X ( x ) =

0 x<0 FX ( x ) = f X ( s ) ds = x s . x x e ds = e s = 1 e x 0 0 0
x

e x x > 0 . 0 altrimenti

Modelli di Variabili Aleatorie Funzione generatrice dei momenti:

Probabilit

Mattia Natali

mX (t ) = E e
=

+ ( t ) e ( t ) x dx . 0 t ( ) =1

( )=
tX

e f X ( x ) dx =
tx

e e
tx

ds = e
0

' ( t ) x

dx con > t

Assenza di memoria: X ~ ( ) P ( X > t + s | X > t ) = P ( X > s ) . Dimostrazione: P ( X > t + s | X > t ) =

mX (t ) = . t 1 ( 1) = E ( X ) . m m 'X (t ) = X (0) = 2 = 2 ( t ) ( t ) 2 2 ( t ) ( 1) 2 = 2 = E ( X 2 ) . m m = X (0) = X (t ) = 4 3 3 ( t ) ( t ) 2 1 1 Var ( X ) = 2 2 = 2 .

P ( X > t + s & X > t ) P ( X > t + s) = = P(X > t) P(X > t)

P ( X > z ) = e x FX ( x ) = 1 e x . cX ~ . c

1 FX ( t + s ) e (t + s ) = t = e s = P ( X > s ) , ricorda che 1 FX ( t ) e

Variabili aleatorie di tipo :

1 x x e Definizione: X ( , ) se f X ( X ) = ( ) 0 x>0 altrimenti
.

Nota: ( ) serve a far s che la densit faccia uno in ( , + ) :

f X ( x ) dx = 1 =

+ + 1 x x e dx ( ) = x 1e x dx facciamo il cambiamento 0 ( ) 0

di variabili y = x , dy = dx

dy e =
y

y 1e y dy = ( ) .

( ) :=

x 1e x dx .

Gamma di Eulero: (1) =

Osservazione: (1, ) = ( ) . Per mezzo dellintegrazione per parti:

e x dx = 1 .

( ) =

( n ) = ( n 1) ( n 1) = ( n 1) ( n 2 ) ( n 2 ) .... (1) = ( n 1)! .

7

= ( a 1)
0

y 1e y dy = e y y 1 0 +

( 1) y( 1)1e y dy =

y( 1) 1e y dy = ( 1) ( 1) ( ) = ( 1) ( 1) .

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

X ~ ( a, ) . Funzione generatrice dei momenti:

E etX =

( )

+ 1 x tx + 1 ( t ) x ( t ) + 1 ( t ) x e e dx = x e dx = x e dx = ( ) 0 ( ) 0 ( ) 0 ( t )

=1

. ( t )

mX (t ) = . t

m X (t ) = t

( + 1) ( t ) (1) ( + 1) m m . X (t ) = X (0) = 2 + 2 2 ( t ) E ( X ) = ; ( + 1) E ( X 2 ) = ; 2 ( + 1) 2 2 = 2 . Var ( X ) = 2 Propriet: X ~ ( , ) , Y ~ ( , ) indipendenti X + Y ~ ( + , ) .

( 1) . X (0) = 2 = + 1 m ( t ) ( t )

= Dimostrazione: m X + Y ( t ) = m X ( t ) mY ( t ) = t t t X + Y ~ ( + , ) .
Utilit: Capire X , Y ~ ( ) indipendenti. X + Y ~ ( 2, ) . Y ~ ( ) = (1, ) In generale: X1 ,..., X n ~ ( ) X1 + X 2 + ... + X n ~ ( n, ) .

X ~ ( ) = (1, )

Distribuzioni Chi-quadro:

n 1 2 Z12 + ... + Z n ~ , = 2 ( n ) chi-quadro con n gradi di libert. 2 2

n 1 X ~ 2 ( n ) X ~ , . 2 2 n E [ X ] = 2 = n . 1 2 n Var ( X ) = 2 2 = 2 n . 1 2
8

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

2 2 2 X + Y = X12 + ... + Xn +Y1 + ... + Ym X + Y ~ 2 ( n + m ) . Se X una chi-quadro con n gradi di libert e un reale compreso tra 0 e 1 , si definisce la 2 2 quantit , n tramite lequazione seguente: P ( X , n ) = .

n x 1 1 1 2 2 x e n n X ~ 2 ( n ) , f X ( x ) = 2 2 2 0 X ~ 2 ( n ) , Y ~ 2 ( m ) indipendenti

x>0
.

altrimenti

Distribuzioni t:
Se Z e Cn sono variabili aleatorie indipendenti, la prima normale standard e la seconda chi- quadro con n gradi di libert, allora la variabile aleatoria Tn definita come Tn :=

Z si dice Cn n

avere distribuzione t con n gradi di libert Tn ~ t n . Tale variabile aleatorie viene definita spesso t di Student.

fT ( t ) =

n + 1 2 t n n 1 + 2 n
2 n +1 2

con t a n gradi di libert.

E [Tn ] = 0 con n 2 . n Var (Tn ) = con n 3 . n2 Se Tn ~ t , n con ( 0,1) P (Tn t , n ) = .

T simmetrica P (Tn t , n ) = 1 .

Teoremi e Teorie:
Teoria dellaffidabilit: T = istante di rottura. T > t allistante t il sistema funziona. P (T > t ) = 1 FT ( t ) = funzione di sopravvivenza. Def: intensit di rischio o tasso di guasto. T ( t ) :=

fT ( t ) . 1 FT ( t ) P (T (t , t + dt ] & T > t ) P (T (t , t + dt ]) f ( t ) dt P (T (t , t + dt ] | T > t ) = = T = T ( t ) dt P (T > t ) 1 FT ( t ) 1 FT ( t )

T > 0 T ( t ) fT ( t ) nota. f (t ) d T ( t ) := T = ln (1 FT ( t )) integrando il tutto 1 FT ( t ) dt t t d s ds = ( ) T 0 0 ds ln (1 FT ( s )) ds = ln (1 FT ( t )) ln (1 FT ( 0 )) ,

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

= 0 t T ( s ) ds . T ( s ) ds = ln (1 FT ( 0 )) ln (1 FT ( t )) 1 FT ( t ) = e 0

FT ( t ) = 1 exp T ( s ) ds . Ricorda che: fT ( t ) =

t 0

T P (T > t + s | T > s ) P (T < t ) , ( significa non decrescente). P (T > t + s & T > s ) P (T > t + s ) 1 FT ( t + s ) P (T > t + s | T > s ) = = = = P (T > s ) P (T > s ) 1 FT ( s )

T ( t ) = T ~ ( ) FT ( t ) = 1 exp ds = 1 e t .
t 0

d (1 FT (t )) . dt

{ (u ) du} = exp { ( = exp { ( u ) du}

exp
t+s 0 T s 0 T

t+s

T ( u ) du T ( u ) du
s 0

)} = exp { (

t+s s

T ( u ) du

)}

T Weibull T ( t ) = t 1 .

Facendo i grafici vediamo che P (T > t + s | T > s ) P (T < t ) effettivamente vera.

P (T > t ) = 1 FT ( t ) = exp T ( u ) du .
t 0

Teorema del limite centrale: X1 , X 2 ,... variabili aleatorie indipendenti, tutte con la stessa formula di ripartizione,

E ( X1 ) = E ( X2 ) = ... = , Var ( X1 ) = Var ( X2 ) = ... = 2 .

1 n Xk = Xn media campionaria. n k =1

E ( Xn ) = .

Var ( Xn ) =

2 . n P Xn > 0 (legge dei grandi numeri).

2 Var ( X n ) = Var ( X n ) = . X n k Var ( X n ) = . n n Xn . n Teorema limite centrale: X1 , X 2 ,.. variabili aleatorie indipendenti con la stessa formula di X 2 n . ripartizione E ( X1 ) = E ( X 2 ) = ... = , Var ( X1 ) = Var ( X 2 ) = ... = n 2 z Xn 1 u2 lim P n z = ( z ) = e du . n + 2
Zn =

2 Xn Z n N ( 0,1) . Xn = n + , Xn N , . n n
n 1

10

Modelli di Variabili Aleatorie

Probabilit

Mattia Natali

n 1 n n Z n + = nZ n + n E X k = n , nXn = n X k = X k n n k =1 n k =1 k =1
N ( 0,1)

n Var X k = n 2 . k =1

11