0P  E 1 Distribuzioni di probabilità notevoli Intervalli di confidenza

P  S =1  
1− :  
X− z 1−  /2 ,X
 z 1−  /2 
Uniforme discreta: U(n) n valori equiprobabili n n
E i ∩E j =∅∀ i≠ j , P U E i = ∑ P E i  ∞
1 x E [ X ]= ∑ x i P  X =x i  E [ X ]= ∫ xf  x dx  
E ∩F =∅ : eventi disgiunti p  x= F  x=  X −z 1− ,∞  −∞ , X z1− 
c c c c c c n N i −∞
n n
 E∪F  =E ∩F  E∩F  =E ∪F De Morgan E [ X Y ]= E [ X ] E [Y ]
b−a
c
P  E =1−P  E 
P  E ∪F = P E P  F −P  E∩F 
P  aX b=F b −F a =

n1
n
n 21
E [ aX ]=aE [ X ]
E [ aXbY ]=aE[ X ]bE [Y ]
∣ x− 0  n
 ∣z 1−  /2 accetto  H 0

Eventi indipendenti P  A∩B =P  A P  B ; P  E | F =P  E 

1=P  S =Np P  E =
∣E∣
E [ X ]=
2
Var [ X ]=
12
E [ XY ]=E [ X ]⋅E [Y ] SSE indipendenti
E [ g  X ]=∑ g  x p x
∞
E [g  X ]= ∫ g  x f  x dx
∣
 x− 0  n
 ∣
z 1−/ 2 rifiuto  H 0
N Bernoulli: un esperimento con esito 0/1 x −∞
Principio di enumerazione: Se ci sono due esperimenti, con rispettivamente  2
Var[ X ]=E [ X ]−E [ X ]
2
dove
2 2
E [ X ]:=∑ i P  X =i 
p  X =1= p p X =0 =1− p
m ed n esiti differenti, allora complessivamente ci sono mn risultati se si  i
considerano gli esperimenti contemporaneamente. Conseguenza: il numero di 
E [ X ]= p Var [ X ]= p 1− p 
Var[ X Y ]=Var [ X ]Var[Y ]2Cov X ,Y 
permutazioni di n elementi è n! Var[ X −Y ]=Var [ X ]Var[Y ]−2Cov X ,Y 
Binomiale: Be(n,p) n ripetizioni di un esperimento Rifiuto H0 Accetto H0
Coefficiente binomiale: numero di combinazioni di n elementi presi r alla  2
bernoulliano Var aXb =a Var  x H0 Vera Err. 1A specie
volta.
Determinare il numero di diversi gruppi di r oggetti che si possono formare da 
un insieme di n.
p  x= n p q
x
x n− x

E [ X ]=np Var[ X ]=np 1− p Cov X ,Y =E [ XY ]−E [ X ] E [Y ]
Cov X ,Y =CovY , X 
H0 Falsa

a
Err 2a specie

n! n  n−1 ⋅...⋅ n−r1 Cov X , X =Var X  =P err. 1 specie=P mu0 ∣X −0∣c

n
=
r r ! n−r  !
=
r! Geometrica: numero di prove necessarie per ottenere il
primo successo, in [1, ∞ ] cazz
Cov aX , Y=aCov  X ,Y =Cov X ,aY 
=P  −z 1−  /2
X
 − 0

z 1− /2 
Probabilità condizionata
x−1 1 1− p Disuguaglianza di Markov
PE∩ F
P  E∣F  := PF P  E ∩F =P E∣F  P  F  p  x= p 1− p  E [ X ]=
p
Var[ X ]= n
p2 P  X a
E [X]
∀ a0
P  E∣F =1−P  E x∣F  a
Fattorizzazione di un evento e formula di Bayes 0,10 0.05 0.01 0.005 0,001
Poisson: Po  Approssima la Binomiale per un Disuguaglianza di Chebyshev
c
E = E ∩F ∪ E ∩F  elevato numero di 
2
1coda ∓1,28 ∓1,64 ∓2,33 ∓2,58 ∓2,88
P  E =P  E∩F P  E ∩F c  prove a bassa probabilita`. n > 50, np < 5 P ∣X −∣r  2
 −
x r 2code ∓1,64 ∓1,96 ∓2,58 ∓2,81 ∓3,08
= P  E∣F P F P  E∣F c  P F c  p  x= e E [ X ]=V [ X ]=
c
= P  E∣F P F P  E∣F  [1−P  F ]
Generalizzazione
x!

Uniforme: U(a, b)
P
∣ X 1... X n
n ∣ 
  0 n∞

∪F i =S F i disgiunti E =∪E ∩F i  i=1, ... , n

{ }
Formula di fattorizzazione 0 xa Media campionaria

{ }
1
P  E =∑ ni=1 P  E ∩F i =∑ni= 1 P E | F i  P F i  axb F  X = x−a X1 X 2... X n 1
f  X = b−a axb X = = ∑ Xi
Formula di Bayes b−a n n
0 altrimenti
P F j∩ E  P E∣F jP  F j 1 xb 2
P  F j∣E = P E 
=∑ n
P E∣F i P F i E [ X ]= Var[ X ]=
2
n
i= 1

Eventi indipendenti  P  E =P  E∣F : P E ∩F =P  E  P F  ab  b−a

E [ X ]= Var [ X ]=
Variabili aleatorie 2 12 X −
 ~ N 0,1 
Funzione di ripartizione  
X ~ F F  x :=P  X x ∀ x ∈ℝ Normale o Gaussiana: 
N  , 2  n
Th. limite centrale
P  aX b=P  X b−P  X a = F b −F  a X − c− 2
P  X x =1−P  X x=1−F  x  Z= P  X c=P  Z  X 1, ... , X n i.i.d. ∑ X i ~ N  n , n  
 
Variabili aleatorie discrete ∑ X i −n 
Funzione di massa di probabilità Esponenziale: exp  Intervallo di tempo tra due eventi successivi. 

n
p a :=P  X =a  ∑ ∞i= 1 p x i =1 F  a = ∑ p  x Assenza di memoria. 2
xa
− x − x X 1, ... , X n i.i.d. X i ~ N  , 
Variabili aleatorie continue
∞
1=P  X ∈ℝ= ∫ f  x dx
b
P  aX b=∫ f  x dx
f  X = e
0 { x0
altrimenti } {
F  X = 1−e
0
x0
altrimenti } 1
X = ∑ X i S =
n
2 1
n−1
∑  X i− X 2
−∞ a
∞
1 1 Stimatori di massima verosimiglianza
1=P  X =a=0 E [ X ]= ∫ xf  x dx E [ X ]= Var[ X ]=
−∞  2 f  x 1, x 2, ... , x n∣
a
F  a := P X ∈(−∞ , a ]= ∫ f  x dx 
d
F  a= f  a ovvero  Bernoulli, Poisson 
da
−∞ 1
la densità è la derivata della funzione di ripartizione.
n
∑ Xi
Coppie di variabili aleatorie
Normale
F  x , y:= P X x ,Y y F X  x=F  x ,∞  FY  y=F ∞ , y
p x , y 
p X ∣Y  x∣y :=P  X = x∣Y =y= p y 
f x , y 
f X∣Y  x , y := f  y
Y Y
X ,
 1
n
∑  X i − X 2