Sei sulla pagina 1di 117

Appunti di 05BQXNZ - Metodi matematici per

lingegneria
Studente: MACI Samuele
Politecnico di Torino
Anno Accademico 2011/2012
samuele.maci@studenti.polito.it
Docente: RECUPERO Vincenzo
Ricercatore Confermato
vincenzo.recupero@polito.it
16 maggio 2012
c _
c _ Il testo `e stato redatto in L
A
T
E
X attraverso lapplicativo T
E
XnicCenter; i graci sono realizzati at-
traverso il software di calcolo numerico Matlab, mentre le immagini attraverso un programma di graca
vettoriale (nel caso specico Inkscape).
Sono stati sfruttati pacchetti per L
A
T
E
X come caption, changepage, eso-pic, fancyhdr, geometry,
listings, subfig, . . . .
N.B. Il seguente documento `e un quaderno di appunti ; il nome del corso (Appunti di 05BQXNZ - Metodi
matematici per lingegneria) `e fornito solo per avere unindicazione riguardo agli argomenti/metodo-
logie arontate nel corso; questo non implica una diretta verica/approvazione da parte del/dei docenti
indicati (che sono forniti sempre in via indicativa).
Si vuol ricordare che tali appunti possono essere aetti da errori e per questo motivo si richiede di comu-
nicare il sottoscritto, alla mail macisamuele@gmail.com, con eventuali correzioni e/o suggerimenti nella
stesura, indicando chiaramente il documento a cui ci si riferisce.
Indice
I Probabilit`a 1
1 Calcolo Combinatorio 3
1.1 Permutazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Combinazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Assiomi della probabilit`a 7
2.1 Denizione assiomatica di probabilit`a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.1 Principio di inclusione-esclusione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 Probabilit`a condizionata 17
3.1 Dipendenza condizionata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 Variabili Aleatorie 25
4.1 Variabili Aleatorie Discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.1 Trasformazione di una variabile aleatoria discreta . . . . . . . . . . . . . . . . . . . 27
4.1.2 Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.3 Variabili aleatorie discrete notevoli . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Variabili aleatorie continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Valore atteso di una variabile aleatoria continua . . . . . . . . . . . . . . . . . . . 35
4.2.2 Variabili aleatorie continue notevoli . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Leggi congiunte di variabili aleatorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1 Funzioni di densit`a congiunte di variabili aleatorie discrete . . . . . . . . . . . . . . 45
4.3.2 Funzioni di densit`a congiunte di variabili aleatorie continue . . . . . . . . . . . . . 45
4.4 Variabili aleatorie indipendenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4.1 Somma di variabili aleatorie indipendenti . . . . . . . . . . . . . . . . . . . . . . . 49
II Analisi Matematica 51
5 Ripasso numeri complessi 53
5.1 Rappresentazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Operazioni fondamentali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Funzioni complesse 59
6.1 Esponenziale complesso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Funzioni trigonometriche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2.1 Propriet`a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.3 Funzioni iperboliche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3.1 Propriet`a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.4 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
7 Analisi in Campo Complesso 63
7.1 Curve in C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
7.2 Limiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
7.3 Derivata complessa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
7.4 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
I
8 Integrali 69
8.1 Denizioni: Curve in C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
8.2 Integrali curvilinei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
8.2.1 Richiamo di Analisi Matematica II . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
8.3 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
9 Successioni e Serie 79
9.1 Serie in C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
9.2 Serie di potenze in C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
9.3 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
10 Teorema di Laurent e dei Residui 85
10.1 Metodi di calcolo dei Residui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
10.2 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
11 Distribuzioni 91
11.1 Introduzione (non formale) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
11.2 Distribuzione: denizioni rigorose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
11.3 Operazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
11.4 Convergenza di distribuzioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
11.4.1 Estensione a C

(R) delle distribuzioni a supporto compatto . . . . . . . . . . . . 98


11.5 Esercizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
12 Appendice 107
II
Elenco delle gure
2.1 Griglia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Rappresentazione insiemistica degli studenti . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.1 Sintesi graca della rappresentazione di numeri complessi sul piano di Gauss (piano complesso) 54
6.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
11.1 Graci di f(x) degli esercizi 11.23, 11.24, 11.25, 11.26, 11.31, 11.41 . . . . . . . . . . . . . 106
III
IV
Parte I
Probabilit`a
1
Capitolo 1
Calcolo Combinatorio
Il calcolo combinatorio ci aiuta a numerare gli elementi di un insieme che gode di determinate caratteri-
stiche.
Un banale esempio applicativo `e contare il numero di targhe italiane1
1
che possono essere realizzata (in
particolare si ha che la cardinalit`a dellinsieme delle targhe `e #(targhe) = 21
2
10
3
21
2
).
1.1 Permutazioni
Sia N = x
1
, x
2
, . . . , x
n
un insieme di elementi distinti, dove n = #(N) `e la cardinalit`a dellinsieme.
Denizione 1.1 Linsieme delle permutazioni di N, T(N), `e linsieme di tutti i possibili ordinamenti
dellinsieme N.

Il numero delle permutazioni, indicato come, #(T(N)) = n!.


Sorge ora il problema di calcolare il numero di permutazioni di un insieme N

nel quale sono presenti n


elementi non tutti distinti. In questo caso si considerano tutte le permutazioni degli elementi (n!) e si
divide il risultato per la permutazione dei singoli elementi ripetuti.
Esempio 1.1 Quanti sono gli anagrammi della parola PEPPER?
N = P, E, P, P, E, R
con n
1
P
= 3, n
2
E
= 2, n
3
R
= 1; pertanto
#(T(N)) =
n!
n
1
! n
2
! n
3
!
=
6!
3! 2!
In generale quindi
#(T(N)) =
n!
k

i=1
n
k
dove n = #(N), k `e il numero di elementi distinti e n
k
`e il numero di elementi indistinguibili.
1.2 Combinazioni
Sia N = x
1
, x
2
, . . . , x
n
un insieme di elementi distinti, dove n = #(N) `e la cardinalit`a dellinsieme.
Denizione 1.2 Linsieme delle combinazioni di N di classe k, con k n, (
n,k
(N) `e linsieme dei
sottoinsiemi di N con cardinalit`a k.

Due combinazioni sono distinte se varia almeno un elemento, non `e quindi importante lordine.
Per il conteggio delle combinazioni si prendono tutte le permutazioni di k elementi realizzabili con elementi
di N
_
n!
(nk)!
_
e si divide per il numero di permutazioni dei k elementi presi, pertanto
#((
n,k
(N)) =
n!
(n k)! k!
=
_
n
k
_
1
targhe composte da due lettere, tre cifre, due lettere
3
4 CAPITOLO 1. CALCOLO COMBINATORIO
Propriet`a del coeciente binomiale

_
n
k
_
=
_
n
nk
_

_
n
k
_
=
_
n1
k
_
+
_
n1
k1
_

_
n
0
_
=
_
n
n
_
= 1
(x +y)
n
=
n

i=1
_
n
i
_
x
i
y
n1

i=1
_
n
i
_
=
n

i=1
_
n
i
_
1
i
1
n1
= 2
n
Le combinazioni, attraverso il coeciente binomiale, suddividono linsieme N in due partizioni; ma se
volessimo suddividere N in r partizioni distinte come dovremmo operare?
Si ragiona per induzione, cio`e si sistema la prima partizione, dagli elementi non selezionati si continua
con la seconda partizione e cos` via.
_
n
n
1
_

_
n n
1
n
2
_

_
n

r2
i=1
n
i
n
r1
_

_
n
r
n
r
_
=
n!

r
i=1
n
i
!
=
_
n
n
1
, n
2
, . . . , n
r
_
coeciente multinominale
Propriet`a del coeciente binomiale
(x
1
+. . . +x
r
)
n
=
_

k
1
+...+k
r
=n
_
n
n
1
, n
2
, . . . , n
r
_

i=1
x
k
i
i
_

k
1
+...+k
r
=n
_
n
n
1
, n
2
, . . . , n
r
_
=

k
1
+...+k
r
=n
_
_
n
n
1
, n
2
, . . . , n
r
_

i=1
1
k
i
_
= r
n
Esercizio 1.1 Quante sono le possibili squadre distinte se ogni squadra contiene 3 giocatori e occorre
realizzare 3 squadre partendo da 9 ragazzi?
_
9
3, 3, 3
_
=
9!
3! 3! 3!
=
9!
3
3
2
3
=
7!
3
= 1680
E se le squadre giocassero nello stesso campionato? (cio`e non `e pi` u importante conoscere lordinamento
delle squadre)
_
9
3,3,3
_
3!
=
9!
3! 3! 3! 3!
=
9!
3
4
2
4
=
7!
3
2
2
= 560
Esercizio 1.2 Si hanno n antenne di cui m sono difettose
2
.
N = 1, 1, . . . , 1
. .
nm
, 0, 0, . . . , 0
. .
m

F = il sistema funziona non si sono 0 consecutivi


P(F) =
#(casi favorevoli a F)
#(casi possibili)
#(casi possibili) = #(T(N)) =
_
n
m
_
Ipotizziamo di avere le n m antenne funzionanti e di interporre al centro le m antenne difettose
#(casi favorevoli a F) = #((
nm+1,m
) =
_
n m+ 1
m
_
P(F) =
_
nm+1
m
_
_
n
m
_
2
antenna difettosa `e indicata come 0
1.2. COMBINAZIONI 5
Esercizio 1.3 (Paradosso del compleanno) Abbiamo n studenti tutti nati in anni non bisestili (anni
tutti da 365 giorni).
E = nessuno festeggi il compleanno nello stesso giorno
P(E) =
#(casi favorevoli a E)
#(casi possibili)
=
365!
(365n)!
365
n
Se n = 23 si ha la probabilit`a di circa il 51% di probabilit`a che almeno due ragazzi compiano il compleanno
nello stesso giorno.
Esercizio 1.4 Ho 7 caramelle da dare a 3 bambini, supponendo che ad ogni bambino vengadata almeno
una caramella; in quanti modi distinti si possono distribuire le caramelle?
Occorre quindi risolvere il seguente sistema
_
x
1
+x
2
+x
3
= 7
i [1, 3], x
i
N
+
Dal punto di vista logico, la separazione delle caramelle si pu`o vedere come un separatore interposto tra
le caramelle (facendo cura a non porre due serapatori tra due caramelle, in tal modo ci si garantisce che
ogni bambino riceve almeno una caramella); poich`e si hanno 7 caramelle allora si hanno 6 spazi dove
porre i separatori (che nel nostro caso saranno 2), pertanto il problema si riduce a calcolare il numero di
modi distinti di porre 2 separatori in 6 spazi.
#((
6,2
) =
6!
4! 2!
= 15
Generalizzando il problema a c caramelle e b bambini il numero di distinti di modi `e
#((
c1,b1
) =
(c 1)!
(b 1)! (c 1 b + 1)!
=
_
c 1
b 1
_
Modicando il problema supponendo che i bambini possano anche restare senza caramelle il problema si
riformalizza nel seguente modo
_
x
1
+x
2
+x
3
= 7
i [1, 3], x
i
N
Con questa nuova riformulazione si hanno b 1 separatori e le c caramelle; pertanto il calcolo dei modi
distinti per la distribuzione `e semplicemente la permutazione di tutti gli elementi dellinsieme
#(T(N)) =
9!
7! 2!
=
_
9
2
_
Il problema poteva anche essere risolto utilizzando i calcoli precedenti nel seguente modo
#(distribuzione caramelle) =
b

i=1
_
c 1
i 1
_
Inne generalizzando il problema considerando b bambini e c caramelle
#(o) = #(T([, [, . . . , [
. .
b1
, 0, 0, . . . , 0
. .
n
)) =
(b +c 1)!
(b 1)! c!
=
_
b +c + 1
b 1
_
Un metodo alternativo alla risoluzione del problema
b

i=1
x
i
= c, x
i
> 0 `e quello di distribuire ad ogni
bambino una caramella e quindi ci si conduce a risolvere
b

i=1
x
i
= c b, x
i
0 pertanto si pongono b 1
separatori tra c b caramelle, pertanto tutte le possibili permutazioni sono
#(o) =
(c b +b 1)!
(b 1)! (c b)!
=
(c 1)!
(b 1)! (c b)!
=
_
c 1
b 1
_
Nel caso in cui si vuol risolvere il problema
b

i=1
x
i
= c, x
i
0 si pu`o anche pensare a sommare tutte
le possibili soluzioni considerando che nessun bambino resti senza caramelle, un bambino resti senza
caramelle, . . . , b 1 bambini restano senza caramelle; ci si riconduce a trattare il seguente problema
#
__
b

i=1
x
i
= c, x
i
0
__
=
b1

i=0
_
_
#
_
_
_
_
_
bi

j=1
x
j
= c, x
j
,= 0
_
_
_
_
_
_
_
6 CAPITOLO 1. CALCOLO COMBINATORIO
Riducendo il problema a 3 bambini e a 7 caramelle si ha
#
__
3

i=1
x
i
= 7, x
i
0
__
=
_
3
0
_
#(x
1
+x
2
+x
3
= 7, x
i
> 0) +
_
3
1
_
#(x
1
+x
2
= 7, x
i
> 0) +
+
_
3
2
_
#(x
1
= 7, x
i
> 0) =
=
_
6
2
_
+ 3
_
6
1
_
+
_
3
2
_
= 15 + 18 + 3 = 36
Capitolo 2
Assiomi della probabilit`a
Ci si interessa di eventi/fenomeni il cui risultato non pu`o essere previsto con certezza.
Denizione 2.1 [Spazio campionario] Lo spazio campionario, S, `e linsieme di tutti i possibili esiti
dellesperimento preso in esame.

Denizione 2.2 [Evento] Un evento, E, `e un sottoinsieme di S.

Si richiede che la famiglia degli eventi deve essere chiusa rispetto allunione e al complementare.
Denizione 2.3 [Tipi di eventi] Un evento
si dice impossibile
S si dice certo
Dati due eventi E e F si deniscono:
levento unione, E F, levento che contiene tutti i risultati di E e di F (si verica almeno uno
dei due eventi)
levento intersezione, E F, levento che contiene tutti i risultati comui di E e di F (si vericano
entrambi gli eventi)
levento complementare, E
C
, levento che contiene tutti i risultati di S che non sono contenuti in
E
_
E
C
= SE
_
levento dierenza, E F = E F
C
, contiene tutti i risultati di E che non sono risultati di F
Inoltre data una successione di eventi di S E
n
, n 1 si denisce

+
_
n=1
E
n
, levento unione degli eventi che si verica quando almeno uno degli eventi si verica

n=1
E
n
, levento intersezione degli eventi che si verica quando tutti gli eventi si vericano
Due eventi si deniscono incompatibili se non hanno risultati comuni, cio`e E F =

Propriet`a algebriche di unione e intersezione


commutativa E F = F E E F = F E
associativa E (F G) = (E F) G) E (F G) = (E F) G)
distributiva E (F G) = (E F) (E G) E (F G) = (E F) (E G)
leggi di De Morgan
_
n

i=1
E
i
_
C
=
n
_
i=1
E
C
i
_
n
_
i=1
E
i
_
C
=
n

i=1
E
C
i
7
8 CAPITOLO 2. ASSIOMI DELLA PROBABILIT
`
A
2.1 Denizione assiomatica di probabilit`a
Denizione 2.4 Dati uno spazio campionario, S, e una famiglia di eventi, c, una misura di probabilit`a,
probabilita, `e una funzione degli eventi che soddisfa i seguenti assiomi:
A1 0 P(E) 1
A2 P(S) = 1
A3 Se E
n
, n 1 `e una successione di eventi a due a due incompatibili
1
, allora
P
_
+
_
i=1
E
i
_
=
+

i=1
P(E
i
) additivit`a numerabile
Dagli assiomi seguono le seguenti propriet`a
P1 P() = 0
Dimostrazione 2.1 Sia E
1
= S, n > 1, E
n
,= 0, dallassioma A3 si ha che
P
_
+
_
n=1
E
n
_
= P(S) +
+

n=2
P() = 1 +
+

n=2
P()
poich`e 0 P(E) 1 si ha che
+

n=2
P() P() = 0
P2 Se E
1
, E
2
, . . . , E
n
sono eventi a due a due incompatibili allora
P
_
n
_
i=1
E
i
_
=
n

i=1
P(E
i
) additivit`a nita
Dimostrazione 2.2 Applicando lassioma A2 con E
i
= , i > n e sfruttando la propriet`a P1 si
ha che
_
n
_
i=1
E
i
_
=
_
+
_
i=1
E
i
_
=
+

i=1
P(E
i
) =
n

i=1
P(E
i
) +
+

j=n+1
P() =
n

i=1
P(E
i
)
P3 P(E
C
) = 1 P(E)
Dimostrazione 2.3 Si osserva che S = E E
C
e che E E
C
=
1 = P(S) = P(E E
C
) = P(E) +P(E
C
) P(E
C
) = 1 P(E)
P4 Se E F allora P(E) P(F)
Dimostrazione 2.4 Si osserva che F = E (F E) e che E (F E) =
P(F) = P(E (F E)) = P(E) +P(F E) P(E)
P5 P(E F) = P(E) +P(F) P(E F)
Dimostrazione 2.5 Si osserva che F = (F E) (F E
C
) e che E F = E (F E
C
); gli
eventi F e E F, in base alla denizione data, sono realizzati come unione di eventi incompatibili
P(F) = P(F E) +P(F E
C
)
P(E F) = P(E (F E
C
)) = P(E) +P(F E
C
) P(E F) = P(E) +P(F) P(E F)
1
E
n
E
m
= , n = m
2.1. DEFINIZIONE ASSIOMATICA DI PROBABILIT
`
A 9
2.1.1 Principio di inclusione-esclusione
P
_
n
_
i=1
E
i
_
=
n

i=1
P(E
i
)

i<j
P(E
i
E
j
) +

i<j<k
P(E
i
E
j
E
k
) +. . . + (1)
n1
P
_
n

i=1
E
i
_

Esercizio 2.1 (Problema delle corrispondenze) N coppie (uomo/donna) vanno ad una lezione di
tango argentino. Supponendo che le coppie di ballo si formino casualmente, si calcoli la probabilit`a che:
1. nessun uomo stia ballando con la propria partner
2. esattamente k uomuni stiano ballando con la propria partner
Supponendo che gli uomini restino fermi il numero di possibili accoppiamenti `e dato dal numero di
permutazioni distinte delle donne, il numero di possibili accoppiamenti `e quindi
#(1, 2, . . . , N) = N!
Svolgimento
1. Denendo levento E
i
= luomo i balla con la propria moglie
P(nessun uomo balla con la moglie) = 1 P(almeno uno balla con la moglie) = 1 P
_
N
_
i=1
E
i
_
P
_
N
_
i=1
E
i
_
=
N

i=1
P(E
i
)

i<j
P(E
i
E
j
) +

i<j<k
P(E
i
E
j
E
k
) +. . . + (1)
N1
P
_
N

i=1
E
i
_
Nel caso in cui solo una coppia sia sistemata occorre ancora disporre N 1 donne, pertanto si ha
P(E
i
) =
(N 1)!
N!
Nel caso in cui solo due coppie siano sistemate occorre ancora disporre N 2 donne, pertanto si ha
P(E
i
E
j
) =
(N 2)!
N!
Come `e chiaro nel caso di c coppie (con c N) sistemate occorre disporre N c donne, pertanto
si ha
P
_
Nc

i=1
E
i
_
=
(N c)!
N!
pertanto
P
_
N
_
i=1
E
i
_
=
N

i=1
(N 1)!
N!

i<j
(N 2)!
N!
+

i<j<k
(N 3)!
N!
+. . . + (1)
N1

1
N!
=
= 1
_
N
2
_

(N 2)!
N!
+
_
N
3
_

(N 3)!
N!
+. . . + (1)
N1

1
N!
=
= 1
1
2!
+
1
3!
+. . . + (1)
N1

1
N!
=
N

i=1
(1)
i+1

1
i!
P(nessun uomo balla con la moglie) = 1
N

i=1
(1)
i+1

1
i!
=
N

i=2
(1)
i

1
i!
Se il numero di coppie tende ad innito si ha che la probabilit`a che nessun unomo balla con la
propria moglie si ha una probabilit`a di
1
e
.
2. P(k uomini ballano con la propria moglie) = P
__
k

i=1
E
i
_

_
N

i=k+1
E
C
i
__
P(nessuno degli N-k uomini stia ballano con la propria moglie) =
Nk

i=2
(1)
i

1
i!
10 CAPITOLO 2. ASSIOMI DELLA PROBABILIT
`
A
poich`e P(A) =
#(A)
#(possibili)
#(A) = #(possibili) #(A)
P
__
k

i=1
E
i
_

_
N

i=k+1
E
C
i
__
=
(N k)!
Nk

i=2
(1)
i

1
i!
N!

_
N
k
_
=
=
(N k)!
N!

Nk

i=2
(1)
i

1
i!

N!
(N k)! k!
=
1
k!

Nk

i=2
(1)
i

1
i!
Denizione 2.5 [Probabilit`a uniforme] Si ha probabilit`a uniforme se tutti i possibili eventi, S
i
, di uno
spazio campionario, S = s
1
, s
2
, . . . , s
n
, sono eventi incompatibili ed equamente probabili.
P(s
i
) = c 1 = P(S) = P
_
n
_
i=1
s
i
_
=
n

i=1
P(s
i
) =
n

i=1
c = n c c =
1
n

Esercizio 2.2 Unurna contiene 6 palline bianche e 5 nere. Se ne estraggono 3 a caso, calcolare la
probabilit`a che ne vengano estrette 1 bianca e 2 nere.
P(E) =
_
6
1
_

_
5
2
_
_
11
3
_ =
4
11
= 0.36
Esercizio 2.3 Calcolare la probabilita di ottenere i punteggi del poker (coppia, doppia coppia, tris, full,
poker, colore, scala semplice, scala reale) con le 5 carte servite dal mazzo.
P(scala reale) =
10 4
_
52
5
_
P(scala semplice) =
10 (4
5
4)
_
52
5
_
P(colore) =
4
__
13
5
_
10

_
52
5
_
P(poker) =
13
_
4
4
_
48
_
52
5
_
P(full) = P(tris +coppia) =
13
_
4
3
_
12
_
4
2
_
_
52
5
_
P(doppia coppia) =
_
13
2
_

_
4
2
_

_
4
2
_
48 4
_
52
5
_
P(tris) =
13
_
4
3
_

_
12
2
_
4
2
_
52
5
_
P(coppia) =
13
_
4
2
_

_
12
3
_
4
3
_
52
5
_
Prosizione 2.1 Se E
n
, n 1 `e una successione di eventi monotona allora
P
_
lim
n+
E
n
_
= lim
n+
P(E
n
)
Dimostrazione 2.6 Sia E
n
, n 1 una successione crescente, cio`e E
1
E
2
. . . E
n
(eventual-
mente E
1
E
2
. . . E
n
)
lim
n+
E
n
=
+
_
n=1
E
n
2.1. DEFINIZIONE ASSIOMATICA DI PROBABILIT
`
A 11
poich`e E
n
contiene tutti gli eventi E
1
, E
2
, . . . , E
n1
Si costruisce una successione ausiliaria
F
1
= E
1
F
2
= E
2
E
1
= E
2
E
C
1
F
3
= E
3
E
2
= E
3
E
C
2
F
n
= E
n
E
n1
= E
n
E
C
n1
, n N
+
per costruzione la successione F
n
, n 1 `e composta da elementi disgiunti/incompatibili
P
_
lim
n+
E
n
_
= P
_
+
_
n=1
E
n
_
= P
_
+
_
n=1
F
n
_
additivit` a
=
+

n=1
P(F
n
) =
= lim
m+
m

n=1
P(F
n
)
additivit` a nita
= lim
m+
P
_
m
_
n=1
F
n
_
=
= lim
m+
P(E
m
)
Sia E
n
, n 1 una successione decrescente, cio`e E
1
E
2
. . . E
n
(eventualmente E
i
E
2
. . . E
n
)
lim
n+
E
n
=
+

n=1
E
n
poich`e E
i
contiene tutti gli eventi E
i+1
, E
i+2
, . . .
Utilazzando la successione E
C
n
, n 1 si osserva che tale successione `e crescente, pertanto poich`e
_
+
_
n=1
E
C
n
_
C
=
+

n=1
E
n
(legge di De Morgan)
P
_
lim
n+
E
n
_
= 1 P
_
lim
n+
E
C
n
_
= 1 lim
m+
P
_
m
_
n=1
F
n
_
= 1 lim
m+
P
_
m

n=1
E
C
n
_
=
= lim
n+
P
_
m

n=1
E
n
_
= lim
m+
P(E
n
)
Esercizio 2.4 Calcola la probabilit`a che
E
1
= somma 7 con il lancio di 2 dadi
E
2
= somma 12 con il lancio di 3 dadi
Supponendo i dadi bilanciati si denisce lo spazio campionario S
1
= (i, j) : i, j 1, 2, 3, 4, 5, 6, S
2
=
(i, j, k) : i, j, k 1, 2, 3, 4, 5, 6
#(S
1
) = 6
2
= 36
P(i +j = 7) =
#(i +j = 7)
#(S
1
)
soluzioni intere dellequazione
=
_
6
1
_
36
=
6
36
=
1
6
#(S
2
) = 6
2
= 36
P(i +j +k = 12) =
#(i +j +k = 12)
#(S
1
)
#(i +j +k = 12) =
_
11
2
_
= 55, considera anche le soluzioni in cui x
i
> 6; pertanto `e necessario eliminare
tale soluzioni. Prestando attenzione alla natura del problema si nota che una sola variabile pu`o essere
superiore a 6; denendo quindi x
1
= x
1
+ 6, x
1
> 0
3 #(x
1
+ 6 +x
2
+x
3
= 12) = 3 #(x
1
+x
2
+x
3
= 6) = 3
_
5
2
_
= 30
pertanto si ha
P(E
2
) = P(i +j +k = 12) =
55 30
216
=
25
216
12 CAPITOLO 2. ASSIOMI DELLA PROBABILIT
`
A
Esercizio 2.5 Unurna contiene una pallina rossa e tutte le altre bianche (in totale le palline sono n).
U =
rossa
1 ,
bianche
2, 3, 4, . . . , n
Si eettuano k estrazioni, calcolare la probabilit`a che si verichi E
E = venga estratta la palla rossa
Poich`e non `e inuente lordine di estrazione allora lo spazio campionario S = C
n,k
#(S) =
_
n
k
_
P(E) =
_
n1
k1
_
_
n
k
_ =
(n 1)!
(k 1)! (n k)!

k! (n k)!
n!
=
k
n
Esercizio 2.6 Sei persone X = A, B, C, D, E, F si devono mettere in la. Calcolare
1. in quanti modi possono si possono ordinare in la indiana
2. im quanti si possono ordinare intorno ad un tavolo rotondo
3. la probabilit`a che E
1
= C e F siano vicini in la indiana
4. la probabilit`a che E
2
= C e F siano vicini vicino al tavolo rotondo
1. Il numero di le indiane distinte `e dato dal numero di permutazioni degli elementi, pertanto sono
T(X) = 6! = 720
2. due ordinamento attorno al tavolo rotondo sono diversi se ad almeno una persona ha i due vicini
diversi; pertanto
ABCDEF BCDEFA CDEFAB DEFABC EFABCD FABCDE
FEDCBA AFEDCB BAFEDC CBAFED DCBAFE EDCBAF
indicano lo stesso ordinamento attorno al tavolo. In denitiva quindi ad ogni ordinamento attorno
al tavolo corrispondono 12 le indiane distinte e quindi
#(ordinamenti attorno al tavolo) =
6!
12
=
5!
2
= 60
3. anch`e C e F siano vicini si pu`o considerare la coppia (C, F) come un unico blocco e poi permutare
gli elementi del blocco
#(numero di ordinamenti con C, F vicini) = 2 5! = 240
P(E
1
) =
2 5!
6!
=
1
3
4. considerando le osservazioni fatte nel punto 2 si ha che
#(numero di ordinamenti con C, F vicini (tavolo rotondo)) =
#(numero di ordinamenti con C, F vicini)
12
P(E
2
) =
6 2 4!
12
6!
12
=
6 2 4!
6!
=
2
5
Esercizio 2.7 In quanti modi si possono distribuire 4 libri a 7 bambini?
#((x
1
, x
2
, x
3
, x
4
), x
i
1, 2, 3, 4, 5, 6, 7, i) = D

7,4
= 7
4
= 2401
Se ad ogni bambino si pu` o dare al massimo un libro si ha
#((x
1
, x
2
, x
3
, x
4
), i, x
i
1, 2, 3, 4, 5, 6, 7, i ,= j, x
i
,= x
j
) = D
7,4
=
7!
3!
= 7 6 5 = 210
2.1. DEFINIZIONE ASSIOMATICA DI PROBABILIT
`
A 13
Esercizio 2.8 Due dadi equi vengono lanciati ripetutamente. Quale `e la probabilit`a che
E = la somma 5 arrivi prima della somma 7
Si denisce quindi E
n
= somma 5 alln-esimo lancio
P(somma 5) = P
_
+
_
n=1
E
n
_
=
+

n=1
P(E
n
) =
+

n=1
26
n1
4
36
n
=
4
36

n=1
_
26
36
_
n
=
1
9

1
1
13
18
=
1
9

18
18 13
=
2
5
Poich`e si lanciano due dadi in contemporanea, una per la somma 5 e una per la somma 7, si ha al
denominatore 36
n
; inoltre poich`e no all(n 1)-esimo lancio non si ha somma 5 o 7 si hanno 26 casi
in cui non si ha tale somma, inoltre il 4 `e il numero di coppie che formano la somma 5.
Esercizio 2.9 Una persona parte da A per arrivare in B (i passi possibili sono solo verso destra e verso
lalto).
Se tutti i percorsi sono equiprobabili quale `e la probabilit` a di passare per P?
A
P
B
Figura 2.1: Griglia
Per giungere da A a B `e necessario eettuare 3 passi in alto e 4 passi verso destra; perstanto il
numero di percorsi distinti sono
#(T(D, D, D, D, A, A, A)) =
7!
3! 4!
=
_
7
3
_
=
_
7
4
_
_
7
3
_
pu`o essere inteso come il numero di scelte dei passi in cui andare in alto.
_
7
4
_
pu`o essere inteso come il numero di scelte dei passi in cui andare verso destra.
P(passo per P) =
_
4
2
_

_
3
1
_
_
7
3
_ =
4! 3
2! 2!

3! 4!
7!
=
18
35
Esercizio 2.10 Una persona ha 8 amici (N = 1, 2, 3, 4, 5, 6, 7, 8), decide di invitare alla sua festa solo
5 amici.
1. in quanti modi li pu`o invitare se 2 amici non possono essere invitati insieme
2. in quanti modi li pu`o invitare se 2 amici sono una coppia (o li si invitano entrambi o non li si
invita)
1.
tutti
_
8
5
_

insiemi che contengono


quelli che non possono
essere invitati insieme
_
6
3
_
= 36
insiemi che non contengono
quelli che non possono
essere invitati insieme
_
6
5
_
+
_
2
1
_

gruppi che contengono


uno solo di quelli che
non essere invitati insieme
_
6
4
_
=
6!
5! 1!

2 6!
2! 4!
= 6 + 2 15 = 36
2.
coppia non invitata
_
6
5
_
+
coppia invitata
_
6
3
_
= 6 + 20 = 26
14 CAPITOLO 2. ASSIOMI DELLA PROBABILIT
`
A
Esercizio 2.11 Un esame `e composto da 5 quesiti scelti a caso tra 10 disponibili. Uno studente sa
risolvere esattamente 7 di 10 problemi.
Calcolare la probabilit`a che si veriche E
1
= risponde esattemente a 5 quesiti,
E
2
= risponde ad almeno 4 quesiti
P(E
1
) =
_
7
5
_
_
10
5
_ =
7!
5! 2!
10!
5! 5!
=
1
12
P(E
2
) =
_
7
4
_
3 +
_
7
5
_
_
10
5
_ =
7!
3! 4!
3 +
7!
2! 5!
10!
5! 5!
=
1
2
Esercizio 2.12 Un armadio contiene 10 paia di scarpe. Scegliendo 8 scarpe a caso calcolare la probabilit`a
che si verichi
1. E
1
= non si scelga un paio completo di scarpe
2. E
2
= ci sia esattamente un paio completo di scarpe
1. P(E
1
) =
_
10
8
_
2
8
_
20
8
_ =
384
4119
, 2
8
indica la possibilit`a di scelta tra scarpa destra o sinistra delle 8
scarpe prese,
_
10
8
_
indica il numero di possibili scarpe prese
2. P(E
2
) =
10
_
9
6
_
2
6
_
20
8
_ =
1792
4199
Esercizio 2.13 Vi sono 100 studenti di cui
28 studiano spagnolo
26 studiano francese
16 studiano tedesco
di questi
12 studiano spagnolo e francese
6 studiano francese e tedesco
4 studiano spagnolo e tedesco
2 studiano spagnolo, francese e tedesco
#(S) = 28 #(F) = 26 #(T) = 16
#(S F) = 12 #(S T) = 4 #(F T) = 6 #(S F T) = 2
2.1. DEFINIZIONE ASSIOMATICA DI PROBABILIT
`
A 15
Figura 2.2: Rappresentazione insiemistica degli studenti
Calcolare la probabilit`a che
1. E
1
= si prenda uno studente che studi almeno una lingua
2. E
2
= si prenda uno studente che non stidia alcuna lingua
3. E
3
= si prenda uno studente che studia una sola lingua
4. E
4
= presi a caso due studenti almeno uno studi almeno una lingua
1. P(E
1
) =
#(S)+#(FS)+#(TSF)
#(SFT)
=
28+14+8
100
=
1
2
2. P(E
2
) = 1 P(E
1
) =
1
2
3. P(E
3
) =
#(SFT)+#(FST)+#(TSF)
#(SFT)
=
14+10+8
100
=
8
25
4. P(E
4
) = 1 P(nessuno studi alcuna lingua) = 1
_
50
2
_
_
100
2
_ =
149
198
16 CAPITOLO 2. ASSIOMI DELLA PROBABILIT
`
A
Capitolo 3
Probabilit`a condizionata
Questo approccio operativo consente il calcolo della probabilit`a di eventi di cui si hanno informazioni
parziali; pu`o anche essere adottato nella risoluzione di calcolo di probabilit`a di eventi complessi (realiz-
zando appositamente eventi che ne semplicano il lavoro).
Esempio 3.1 Si lanciano due dadi. Calcolare la probabilit`a che si verichi E = la somma dei due dadi `e 8.
P(E) =
5
36
Supponiamo ora che il primo dado ha valore 6 calcolare nuovamente P(E).
Si pone F = primo dado vale 6
P(E[F) =
#(E F)
#(F)
=
1
6
Prosizione 3.1 (Probabilit`a condizionata) Sia F un evento non trascurabile
1
e sia E un evento
allora la probabilit`a dellevento E condizionato da F (cio`e ponendo che si sia gi`a vericato F) `e
P(E[F) =
P(E F)
P(F)
Esempio 3.2 Una moneta equa viene lanciata due volte. Si calcoli la probabilit`a che E = si ottengono due teste
condizionatamente a
F = primo lancio `e testa G = si ha almeno una volta testa
Lo spazio campionario S = (T, T), (T, C), (C, T), (C, C)
Prosizione 3.2 (Formula del prodotto, 2 eventi) Si osserva che dalla formulazione della probabilit`a
condizionata si ha che
P(E F) = P(F) P(E[F)
Denizione 3.1 [Formula del prodotto, n eventi] Sia E
n
, n 1 e sia P
_

n1
i=1
E
i
_
> 0 allora
P
_
n

i=1
E
i
_
= P(E
1
) P(E
2
[E
1
) P(E
3
[E
1
E
2
) . . . P
_
E
n
[
n1

i=1
E
i
_

Si pu`o dimostrare tale relazione applicando la probabilit`a condizionata, inoltre si pu`o osservare che la
condizione P
_

n1
i=1
E
i
_
> 0 `e suciente per poter denizre tutte le probabilit`a condizionate coinvolte
nella formula.
Esempio 3.3 Unurna contiene 8 palline rosse e 4 bianche.
Estraendo 4 palline senza reinserimento quale `e la probabilit`a che si verichi E?
E = estratte due palline rosse e una bianca
1
cio`e con probabilit`a non nulla
17
18 CAPITOLO 3. PROBABILIT
`
A CONDIZIONATA
Si deniscono due eventi
R
i
= rossa alli-esima estrazione B
i
= bianca alli-esima estrazione
In questo modo
P(E) = P(B
1
R
2
R
3
) P(R
1
B
2
R
3
) P(R
1
R
2
B
3
)
poich`e gli eventi sono incompatibili si sostituisce lunione con la somma (additivit`a nita)
P(E) = P(B
1
R
2
R
3
) +P(R
1
B
2
R
3
) +P(R
1
R
2
B
3
)
P(B
1
R
2
R
3
) = P(B
1
) P(R
2
[B
1
) P(R
3
[B
1
R
2
) =
4
11

8
11

7
10
=
28
165
P(R
1
B
2
R
3
) = P(R
1
) P(B
2
[R
1
) P(R
3
[R
1
B
2
) =
4
11

8
11

7
10
=
28
165
P(R
1
R
2
B
3
) = P(R
1
) P(R
2
[R
1
) P(B
3
[R
1
R
2
) =
4
11

8
11

7
10
=
28
165
Pertanto
P(E) = 3
28
165
=
84
165
Esempio 3.4 (Bridge) Un mazzo di 52 carte viene suddiviso in 4 mazzetti di 13 carte ciascuno. Cal-
colare la probabilit`a che si verichi E = un asso in ogni mazzetto
Si deniscono i seguenti eventi
E
1
= asso di picche in 1 dei mazzetti
E
2
= asso di picche e cuori in 2 mazzetti distinti
E
3
= asso di picche, cuori e ori in 3 mazzetti distinti
E
4
= asso di picche, cuori, ori e quadri in 4 mazzetti distinti
P(E) = P(E
4
) = P(E
1
E
2
E
3
E
4
) = P(E
1
) P(E
2
[E
1
) P(E
3
[E
1
E
2
) P(E
4
[E
1
E
2
E
3
)
P(E
1
) = 1
P(E
2
[E
1
) =
39
51
P(E
3
[E
1
E
2
) =
26
50
P(E
4
[E
1
E
2
E
3
) =
13
49
P(E) =
39 26 13
51 50 49
= 13
3! 48!
51!
=
13
_
51
3
_
Prosizione 3.3 Dato uno spazio campionario S, una famiglia di eventi, una probabilit`a e un evento non
trascurabile, F allora P( [F) `e una misura di probabilita sullo spazio campionario S.
Dimostrazione 3.1 Per vericare se P( [F) `e una misura di probabilit`a occorre vericare la validit`a
degli assiomi
A1 E S, 0 P(E[F) =
P(EF)
P(F)
1
P(EF)
P(F)
1 poich`e (E F) F pertanto P(E F) P(F)
A2 P(S[F) =
P(SF)
P(F)
= PP(F)P(F) = 1
A3 Se E
n
, n 1 `e una successione di eventi a due a due incompatibili allora
P
__
+
_
n=1
E
n
_
[F
_
=
+

n=1
P(E
n
[F)
P
__
+
_
n=1
E
n
_
[F
_
=
P
__
+
_
n=1
E
n
_
[F
_
P(F)
=
P
_
+
_
n=1
(E
n
[F)
_
P(F)
=
+

n=1
P(E
n
[F)
P(F)
=
+

n=1
P(E
n
[F)
19
Prosizione 3.4 (Formula delle probabilit`a totali) Sia 0 < P(F) < 1 allora per ogni evento E vale
P(E) = P(F) P(E[F) +P(F
c
) P(E[F
c
)
Dimostrazione 3.2

E possibile scrivere levento E come lunione di due eventi incompatibili
E = E (F F
c
) = (E F) (E F
c
)
P(E) = P(E F) +P(E F
c
) = P(F) P(E[F) +P(F
C
) P(E[F
c
)
Denizione 3.2 [Generalizzazione della formula delle probabilit` a totali] Si pu` o generalizzare la formula
delle probabilit` a totali prendendo una partizione di S
S =
n
_
i=1
F
i
F
i
F
j
= , i ,= j
P(E) =
n

i=1
P(F
i
) P(E[F
i
)

Prosizione 3.5 (Formula di Bayes) Si consideri una partizione S formata da n eventi F


1
, F
2
, . . . , F
n
non trascurabili; sia inoltre E un evento di probabilit`a non nulla allora
F
j
, P(F
j
[E) =
P(F
j
) P(E[F
j
)
n

i=1
P(F
i
) P(E[F
i
)
Dove
F
i
rappresenta le ipotesi alternative
P(F
j
) `e la probabilit`a iniziale (probabilit`a a priori)
P(F
j
[E) `e la probabilit`a a posteriori
Esercizio 3.1 (Dimostrazione del Gioco Monty Hall)
F = vinco la macchina
f = macchina dietro la porta scelta inizialmente
Non cambio la scelta P(F) = P(f) P(F[f) +P(f
c
) P(F[f
C
) =
1
3
1 +
2
3
0 =
1
3
Cambio la scelta P(F) = P(f) P(F[f) +P(f
c
) P(F[f
C
) =
1
3
0 +
2
3
1 =
2
3
Si pu`o osservare che cambiare la scelta nel gioco raddoppia la probabilit`a di vincere la macchina.
Esempio 3.5 Una compagnia assicurativa divide gli assicurati in due gruppi
A = automobilisti pi` u propensi agli incidenti
I = incidente entro lanno

E noto poi che


P(A) = 0.3 P(I[A) = 0.4 P(I[A
c
) = 0.2
Si chiede di calcolare la probabilit` a di incidente entro lanno; nel caso in cui si ha lincidente dire quale
`e la probabilit`a che lautomobilista sia pi` u propenso agli incidenti.
P(I) = P(A) P(I[A) +P(A
c
) P(I[A
c
) = 0.3 0.4 + 0.7 0.2 = 0.26
P(A[I) =
P(A I)
P(I)
=
P(A) P(A[I)
P(I)
=
0.12
0.26
=
6
13
20 CAPITOLO 3. PROBABILIT
`
A CONDIZIONATA
Denizione 3.3 [Eventi indipendenti] Sia S uno spazio campuionario e siano E, F S. E ed F si
dicondo indipendenti se il vericarsi di F non modica la probabilita che si verichi E, cio`e
P(E[F) = P(E)
P(E[F) =
P(E F)
P(F)
= P(E) P(E F) = P(E) P(F)

Corollario 3.1 Se E e F sono indipendenti allora E


c
e F
c
sono indipendenti.
Dimostrazione 3.3
P(E
c
F
c
) = P((E F)
c
) = 1 P(E F) = 1 P(E) P(F) +P(E F)
eventi
indipendenti
=
= 1 P(E) P(F) +P(E) P(F) =
= 1 P(E) P(F) [1 P(E)] = [1 P(F)] [1 P(E)] = P(E
c
) P(F
c
)
Prosizione 3.6 Se E F, E ed F sono indipendenti se e solo se la probabilit`a di E `e nulla o F `e
levento certo.
Dimostrazione 3.4
P(E) = P(E F) = P(E) P(F) P(E) [1 P(E)] = 0
P(E) = 0
P(F) = 1
Denizione 3.4 [Eventi indipendenti, 3 eventi] E, F, G sono indipendenti se
P(E F G) = P(E) P(F) P(G)
P(E F) = P(E) P(F)
P(E G) = P(E) P(G)
P(F G) = P(F) P(G)

Denizione 3.5 [Eventi indipendenti, n eventi] E


i
, i [1, n] N sono indipendenti se
i, k [2, n] N, P(E
i1
, . . . , E
ik
) =
k

j=1
P(E
ij
)

Esercizio 3.2 Ogni prova ha probabilit`a di successo p = P(E), le prove sono indipendenti Calcolare
1. la probabilit`a di almeno un successo
2. k successi nelle prime n prove
3. tutti successi (innite prove ripetute)
4. avere almeno n successi prima m insuccessi
Si denisce E
i
= successo alli-esima prova
1.
P
_
n
_
i=1
E
i
_
= 1 P
_
n

i=1
E
c
i
_
= 1
n

i=1
P(E
c
i
) = 1 (1 p)
n
2.
P
_
_
k

i=1
E
i

j=k+1
E
C
j
_
_
=
_
n
k
_
p
k
(1 p)
nk
21
3.
P
_
+

i=1
E
i
_
= P
_
lim
n+
n

i=1
E
i
_
= lim
n+
P
_
n

i=1
E
i
_
= lim
n+
n

i=1
P(E
i
) = lim
n+
p
n
=
_
0 p < 1
1 p = 1
4. In questo caso `e suciente considerare n+m1 prove. Calcolando la probabilit`a di avere n successi
si ha la probabilit`a richiesta
P(E) = P(tra n +m1 prove almeno n successi)
Considerando ad esempio n = 2 e m = 3 basta valutare 4 prove; inoltre supponendo che A vince se
(s, s, s, i) e che B vince se (i, s, i, s) (dove i `e insuccesso ed s `e successo) si pu`o osservare che
(s, s, s, i) E (i, s, i, s) E
c
poich`e E F (avere almeno n successi prima m insuccessi) e E
C
F
C
allora si ha che E = F
pertanto `e possibile valutare la probabilit`a di E (calcolata su un numero nito di prove) al posto di
valutare la probabilit`a di F (calcolata su un numero innito di prove).
P(E) = P
_
n+m1
_
k=n
esattamente k successi in n +m1 prove
_
=
=
n+m1

k=n
P(esattamente k successi in n +m1 prove) =
=
n+m1

k=n
_
n +m1
k
_
p
k
(1 p)
n+m1k
Si poteva risolvere lo stesso problema in maniera ricorsiva considerando il seguente problema
P(A vinca [ ad A mancano n punti e a B mancano m punti) = p
n,m
Dopo la prima partita si ha se
vince A P(A vinca [ ad A mancano n 1 punti e a B mancano m punti) = p
n1,m
vince B P(A vinca [ ad A mancano n punti e a B mancano m1 punti) = p
n,m1
Pertanto
p
n,m
= p p
n1,m
+ (1 p) p
n,m1
Occorre imporre le seguenti condizioni aggiuntive (per rendere consistente il calcolo ricorsivo della
probabilit`a)
p
0,m
= 1, m R
+
p
n,0
= 0, n R
+
P(E) = p
n,m
=
_
_
_
p p
n1,m
+ (1 p) p
n,m1
p
0,m
= 1, m R
+
p
n,0
= 0, n R
+
Esercizio 3.3 Due urne U
1
e U
2
hanno la seguente composizione
U
1
= 4E, 2B U
1
= 3R, 3B
Lanciando una moneta equa si sceglie lurna; scelta lurna si eettuano due estrazioni con reimmissione.
Calcolare
1. P(estrarre due palline rosse)
2. la probabilit`a che sia stata scelta U
1
dato che sono state estratte due palline rosse
Si denisce R
i
= pallina rossa alli-esima estrazione pertanto
P(estrarre due palline rosse) = P(R
1
R
2
) = P(R
1
, R
2
[U
1
) +P(R
1
, R
2
[U
2
)
= P(U
1
) P(R
1
R
2
[U
1
) +P(U
2
) P(R
1
R
2
[U
2
) =
=
1
2

4
6

4
6
+
1
2

3
6

3
6
=
25
72
Per la risoluzione del punto 2. occore ricorrere al teorema di Bayes, pertanto si ha
P(U
1
[R
1
R
2
) =
P(U
1
) P(R
1
R
2
[U
1
)
P(R
1
R
2
)
=
1
2

4
6

4
6
25
72
=
16
25
22 CAPITOLO 3. PROBABILIT
`
A CONDIZIONATA
3.1 Dipendenza condizionata
Denizione 3.6 [Dipendenza condizionata] Sia G un evento non trascurabile, E ed F si dicono indi-
pendenti condizionatamente a G se
P(E F[G) = P(E[G) P(F[G)

Esercizio 3.4 In seguito allacquisizione di dati sperimentali si ha che


P(T
+
[HIV
+
) = 0.99 P(T

[HIV

) = 0.99
dove HIV
+
= soggetto sieropositivo e T
+
= test con risultato positivo; saranno indicati anche
HIV

= HIV
+
c
e T

= T
+
c
Si ha inoltre che sullintera popolazione P(HIV
+
) = 0.001
Si calcoli
1. P(T
+
)
2. P(HIV
+
[T
+
)
3. P(HIV
+
[T
+
1
T
+
2
)
1.
P(T
+
) = P(HIV
+
) P(T
+
[HIV
+
) +P(HIV

) P(T
+
[HIV

)
P(T
+
[HIV

) = P
_
(T

)
C

HIV

_
= 1 P(T

[HIV

)
P(T
+
) = 0.001 0.99 + 0.999 (1 0.99) = 0.001 0.99 + 0.999 0.01 = 0.01098
2.
P(HIV
+
[T+) =
P(HIV
+
) P(T
+
[HIV
+
)
P(T
+
)
=
0.001 0.99
0.01098
0.09016
3.
P(HIV
+
[T
+
1
T
+
2
) =
P(HIV
+
[T
+
1
T
+
2
) P(T
+
1
T
+
2
[HIV
+
)
P(T
+
1
T
+
2
)
P(T
+
1
T
+
2
) = P(HIV
+
) P(T
+
1
T
+
2
[HIV
+
) +P(HIV

) P(T
+
1
T
+
2
[HIV

) =
= P(HIV
+
) P(T
+
1
[HIV
+
) P(T
+
2
[HIV
+
) +P(HIV

) P(T
+
1
[HIV

) P(T
+
2
[HIV

) =
= 0.001 (0.99)
2
+ 0.999 (0.01)
2
P(HIV
+
[T
+
1
T
+
2
) =
0.001 (0.99)
2
0.001 (0.99)
2
+ 0.999 (0.01)
2
0.00098
p
n
= P
_
HIV
+

i=1
T
+
i
_
=
0.001 (0.99)
n
0.001 (0.99)
n
+ 0.999 (0.01)
n
p
3
0.99897
p
4
0.9999896
Esercizio 3.5 In un test a risposta multipla (m risposte)
p = P(E) = P(studente conosce la risposta) P(C[E
c
) =
1
m
C = risposta corretta
Calcolare probabilit`a che lo studente conosca la risposta dato che ha risposto correttamente.
P(E[C) =
P(E) P(C[E)
P(C)
P(C) = P(E) P(C[E) +P(E
C
) P(C[E
C
) = p 1 + (1 p)
1
m
P(E[C) =
p 1
p 1 + (1 p)
1
m
=
m p
m p p + 1
3.1. DIPENDENZA CONDIZIONATA 23
Esercizio 3.6 Si hanno tre monete
M
1
= (T, T) M
2
= (C, C) M
3
= (T, C)
Si sceglie una moneta a caso, la si lancia e da come risultato testa. Calcolare la probabilit`a che sullaltra
faccia vi sia la croce (cio`e che si sia lanciata M
3
).
M
1
= scelgo la moneta i, P(M
i
) =
1
3
P(M
3
[T) =
P(M
3
) P(T[M
3
)
P(T)
P(T) = P(M
1
) P(T[M
1
) +P(M
2
) P(T[M
2
) +P(M
3
) P(T[M
3
) =
1
3
1 +
1
3
0 +
1
3

1
2
=
1
2
P(M
3
[T) =
1
3

1
2
1
2
=
1
3
Esercizio 3.7 Una scatola contiene 3 tipi di lampadine diverse. La probabilit`a che una lampadina del
primo tipo superi le 1000h `e 0.7, per una del secondo tipo `e 0.4 e per una del terzo tipo `e 0.3
E = lampadina supera le 1000h P(E[T
1
) = 0.7 P(E[T
2
) = 0.4 P(E[T
3
) = 0.2
Supponendo che il 20% sia del primo tipo, il 30% sia del secondo tipo e il 50% sia del terzo tipo
P(T
1
) = 0.2 P(T
2
) = 0.3 P(T
3
) = 0.5
Calcolare la probabilita che una lampadina scelta a caso superi e 1000h e calcolare la probabilit`a che la
lampadina sia del primo tipo sapendo che supera le 1000h.
P(E) = P(T
1
) P(E[T
1
) +P(T
2
) P(E[T
2
) +P(T
3
) P(E[T
3
) =
= 0.2 0.7 + 0.3 0.4 + 0.5 0.3 = 0.41
P(T
1
[E) =
P(T
1
) P(E[T
1
)
P(E)
=
0.2 0.7
0.41
0.3415
Esercizio 3.8 Si ha un album con n gurine. In ogni pacchetto di gurine si hanno k gurine.
p
i
= P(una gurina del pacchetto sia di tipo i), i [1, n]N indipendentemente dalle altre gurine
Supponiamo di acquistare un pacchetto di gurine, calcolare
1. P(A
i
) = P(c`e almeno yna gurina di tipo i nel pacchetto)
2. P(A
i
A
j
), i ,= j
3. P(A
i
[A
j
), i ,= j
I tipi delle gurine sono indipendenti, pertanto si pu`o pensare alle prove ripetute con p
i
come probabilit`a
di successo e (1 p
i
) come probabilit`a di insuccesso.
1. P(A
i
) = 1 P(A
C
i
) = 1 (1 p
i
)
k
2. P(A
i
A
j
) = 1 P
_
(A
i
A
j
)
C
_
= 1 (1 p
i
p
j
)
k
3. P(A
i
[A
j
) =
P(A
i
A
j
)
P(A
j
)
P(E F) = P(E) +P(F) P(E F) P(E F) = P(E) +P(F) P(E F)
P(A
i
[A
j
) =
P(A
i
A
j
)
P(A
j
)
=
P(A
i
) +P(A
j
) P(A
i
A
j
)
P(A
j
)
=
p
i
+p
j
+ 1 (1 p
i
p
j
)
k
p
j
24 CAPITOLO 3. PROBABILIT
`
A CONDIZIONATA
Capitolo 4
Variabili Aleatorie
Molto spesso si `e interessati a funzioni degli esiti degli esperimenti pi` u che agli esiti stessi, ad esempio
Nel lancio di due dati si pu`o essere interessati alla somma pari a 6, piuttosto che a come si ottiene
tale somma
Nel caso di n lanci di una moneta, si potrebbe essere interessati al numero di lanci che hanno dato
testa, piuttosto che la sequenza esatta
. . .
Per ogni esempio che si pu`o formulare si pu`o sempre introdurre una funzione degli esiti o variabile alea-
toria.
Di queste variabili aleatorie ne esistono tante ma verranno trattate in dettaglio solo un limitato sottoin-
sieme di esse.
Esempio 4.1 (Passare un esame) Si suppone di provare a passare un esame presentandosi ad ogni
appello con la stessa preparazione e che ogni volta la probabilit`a di passarlo sia p. Nel caso in cui si venga
bocciati si riprova lesame allappello successivo.
Se X `e il numero di volte che si ripete lesame per passarlo si ha
P(X = 1) = P(Pass) = p
P(X = 2) = P(Bocc, Pass) = (1 p) p
P(X = 3) = P(Bocc, Bocc, Pass) = (1 p)
2
p
. . .
P(X = n) = P(Bocc, . . . , Bocc, Pass) = (1 p)
n1
p
Si pu`o osservare che
+

n=1
P(X = n) =
+

n=1
(1 p)
n1
p = 1
Pertanto si `e certi di passare lesame, prima o poi.
Denizione 4.1 [Variabile Aleatoria e Legge di X] Dato uno spazio campionario S, una famiglia di
eventi e una probabilit`a P; una variabile aleatoria `e una funzione X : S R tale che
B R, X B = s : X(s) B
`e un evento.
Allevento X B `e associata una probabilita
P
X
(B) = P(X B)
P
X
`e una misura di probabilit`a su R e si chiama legge di X

Denizione 4.2 [Funzione di distribuzione o di ripartizione] Una funzione di distribuzione o di riparti-


zione di una variabile aleatoria
1
`e una funzione F : R [0, 1] denita da
F(x) = P(X x), x R
1
nel seguito della trattazione variabile aleatoria `e abbreviata con v.a.
25
26 CAPITOLO 4. VARIABILI ALEATORIE
F(x) = P(< X x) = P(B)

Propriet`a 4.1 (Funzione di distribuzione) Una funzione di distribuzione di una v.a. X `e


non decrescente
continua a destra
lim
x
F(x) = 0 lim
x+
F(x) = 1
4.1 Variabili Aleatorie Discrete
Denizione 4.3 [V.A. Discrete e Supporto di X] Una v.a. X che pu`o assumere un numero nito o al
pi` u numerabile di valori `e detta variabile aletoria discreta.
Si denisce supporto di X e lo si indica con X linsieme dei valori che la variabile X pu`o assumere.

Ad ogni v.a. discreta `e associata una funzione di densit`a discreta p : X [0, 1]


x
i
X, p(x
i
) = P(X = x
i
)
Osservazione 4.1
x
i
X, p(x
i
) 0

x
i
X
p(x
i
) = 1
Denizione 4.4 [Valore medio o valor atteso] Sia X una v.a. discreta. Si denisce valore atteso o
media di X la quantit`a
E(X) =

x
i
X
x
i
p(x
i
)
se la serie `e convergente.
2
.

Esempio 4.2 (Valore atteso, dado) Si lancia un dato equo e X `e il numero uscito.
Si ha che p(i) =
1
6
, i = 1, 2, . . . , 6
E(X) = 1
1
6
+ 2
1
6
+ 3
1
6
+ 4
1
6
+ 5
1
6
+ 6
1
6
=
1 + 2 + 3 + 4 + 5 + 6
6
=
21
6
= 3.5
Esempio 4.3 (Valore atteso, tram) A Melbourne (Australia), non si pu`o acquistare il biglietto a bor-
do del tram.Solo occasionalmente, dei controllori passano e danno una multa ai passeggeri senza biglietto.
Il biglietto costa 2$, la multa `e di 30$ e la probabilit`a di incontrare un controllore `e del 5%.
Per minimizzare il costo medio sarebbe necessario comprare il biglietto?
Si denisce C il costo
Comprando il biglietto il costo ogni volta `e C con probabilit`a 1. Pertanto E(C) = 2 1 = 2$
Non comprando il biglietto il costo `e
C = 0$ se non si incontra il controllore, P(C = 0) = 0.95
C = 30$ se si incontra il controllore, P(C = 30) = 0.05
Pertanto
E(C) = 0 0.095 + 30 0.05 = 1.5$
In queste condizioni per minimizzare il costo medio non bisogna comprare il biglietto.

E possibile realizzare una funzione di utilit`a, U(X), in modo da riuscire meglio a caratterizzare il dif-
ferente atteggiamento degli sperimentatori. Infatti negli esperimenti precendenti si pu`o capire che per
passare un esame uno studente potrebbe anche non essere disposto a farsi bocciare (per tanto vuol ridurre
il numero di bocciature). Utilizzando la funzione di utilit`a si calcola il valor atteso con E(U(X)).
2
nello svolgimento del corso si supporr`a che il valor atteso esiste sempre
4.1. VARIABILI ALEATORIE DISCRETE 27
4.1.1 Trasformazione di una variabile aleatoria discreta
Data una v.a. discreta, X, si pu`o denire una nuova v.a. discreta, Y = g(X). Data la funzione di densit`a
discreta di X si pu`o ottenere quella di Y per poterla utilizzare nel calcolo del valore atteso di Y .
Esempio 4.4 Sia X una v.a. discreta che assume i valori 2, 1, 0, 1, 2 e sia Y = X
2
chiaramente
Y assume, quindi, i valori 0, 1, 4 e
P(Y = 4) = P(X = 2) = P(X = 2)
P(Y = 1) = P(X = 1) = P(X = 1)
P(Y = 0) = P(X = 0)
Pertanto
E(Y ) = 0 P(Y = 0) + 1 P(Y = 1) + 4 P(Y = 4)
Propriet`a 4.2 Sia X una v.a. aleatoria discreta e g una funzione a valori reali allora il valore atteso di
g(x) se esiste `e dato da
E(g(X)) =

x
i
X
g(x
i
) P(x
i
)
Propriet`a 4.3 (Linearit`a del valore atteso) Il valore atteso `e lineare rispetto a trasformazioni linea-
ri
E(a X +b) = a E(X) +b
Dimostrazione 4.1
E(aX+b) =

x
i
X
(ax
i
+b)p(x
i
) =

x
i
X
ax
i
p(x
i
)+

x
i
X
bp(x
i
) = a

x
i
X
x
i
p(x
i
)+b

x
i
X
= aE(X)+b
E(f(X) +g(X)) = E(f(X)) +E(g(X)) con f, g funzioni a valori reali.
4.1.2 Varianza
Ogni variabile aleatoria, X, viene completamente caratterizzata dalla distribuzione ma pu`o essere utile
sintetizzare le caratteristiche con delle misure. Si pu`o osservare che negli esempi seguenti si ha sempre
un valore atteso nullo ma si pu`o capire che le v.a. sono molto distinte pertanto `e chiaro che manca un
valore discriminante, la varianza.
Esempio 4.5
X = 0 probabilit`a = 1
Y = 1 e Y = 1 probabilit`a = 0.5
Z = 100 e Z = 100 probabilit`a = 0.5
Denizione 4.5 [Varianza] Sia X una v.a. di media E(X) allora la varianza di X `e denita da
V ar(X) = E
_
(X E(X))
2

che `e indice della variabilit`a della v.a. .

Propriet`a 4.4 La varianza ha le seguenti propriet`a


V ar(X) = E
_
(X E(X))
2

= E(X
2
) [E(X)]
2
Dimostrazione 4.2
V ar(X) = E
_
(X E(X))
2

= E
_
X
2
2 E(X) + [E(X)]

=
= E(X
2
) 2 E(X) E(X) + [E(X)]
2
= E(X
2
) [E(X)]
2
V ar(X) 0
V ar(a X +b) = a
2
V ar(X)
28 CAPITOLO 4. VARIABILI ALEATORIE
Dimostrazione 4.3
V ar(a X +b) = E
_
[a X +b E(a X +b)]
2

= E
_
[a X +b a E(X) b]
2

=
= E
_
a
2
(X E(X))
2

= a
2
E
_
(X E(X))
2

= a
2
V ar(X)
E(x
n
) si chama momento n-esimo, pertanto V ar(X) `e il momento secondo centrato
Si pu`o denire la quantit`a
X
=
_
V ar(X), scarto quadratico medio. Si denisce questo coeciente
che `e indice della variabilit`a di X mantenendo lo stesso ordine di grandezza.


E possibile trasformare una v.a., X, in una altra v.a. standardizzata,Y , che mantiene le seguenti
caratteristiche
Y =
X E(X)

X
E(Y ) = 0 V ar(X) = 1
Dimostrazione 4.4
Y =
1

X
X
E(X)

X
E(Y ) = E
_
1

X
X
E(X)

X
_
=
1

X
E(X)
E(X)

X
= 0
V ar(Y ) = V ar
_
1

X
X
E(X)

X
_
=
1

2
X
V ar(X) =
V ar(X)
V ar(X)
= 1
4.1.3 Variabili aleatorie discrete notevoli
Variabile aleatoria di Bernoulli
Supponiamo che in un esperimento si sia interessati al vericarsi di un determinato evento che indichiamo
come successo che avviene con probabilit`a p. La funzione X =
successo
`e una v.a. discreta che vale
1 in caso di successo con probabilit`a p
0 in caso di insuccesso con probabilit`a 1 p
Denizione 4.6 [V.a. di Bernoulli] La variabile di Bernoulli di parametro p `e X Be(p) che assume
valori in 0, 1.
Tale v.a. gode delle seguenti propriet`a
p(0) = 1 p p(1) = p F(x) =
_
_
_
0 x < 0
1 p 0 x < 1
1 x 1
funzione di distribuzione
E(X) = 0 (1 p) + 1 p = p
V ar(X) = E(X
2
) [E(X)]
2
= p p
2
= p (1 p)

Variabile aleatoria binomiale


Siamo interessati al numero di successi realizzati in n prove indipendenti, ognuna con probabilit`a di
successo pari a p.
La v.a. X che conta il numero di successi assume valori in X = 0, 1, . . . , n e ha
P((X = k)) =
_
n
k
_
p
k
(1 p)
nk
, k 0, 1, . . . , n
4.1. VARIABILI ALEATORIE DISCRETE 29
Denizione 4.7 [V.a. Binomiale] La variabile Binomiale di parametri n e p `e X Bi(n, p)
3
.
p(k) =
_
n
k
_
p
k
(1 p)
nk
, k 0, 1, . . . , n
E(X) = n p V ar(X) = n p (1 p)

Dimostrazione 4.5 E(X) = n p


E(X) =
n

k=0
k p(k) =
n

k=0
k
_
n
k
_
p
k
(1 p)
nk
=
n

k=1
k n!
k (k 1)! (n k)!
p
k
(1 p)
nk
=
=
n

k=1
n (n 1)!
(k 1)! (n k)!
p
k
(1 p)
nk
= n p
n

k=1
(n 1)!
(k 1)! (n k)!
p
k1
(1 p)
nk
=
j=k1
= n p
n1

j=0
_
n 1
j
_
p
j
(1 p)
n1j
= n p
n

k=0
_
n
k
_
p
k
(1 p)
nk
= (p + 1 p)
n
= 1
n
= 1
V ar(X) = n p (1 p)
V ar(X) =
n

i=1
V ar(X
i
) = n p (1 p) perch`e le X
i
sono indipendenti
Esempio 4.6 (Analisi del Sangue) Un numero N, molto grande, di persone, si deve sottoporre ad
unanalisi del sangue. Sono state pensate 2 procedure
1. ogni persona viene analizzata separatamente, sono necessari N test
2. i campioni di k persone vengono mescolati ed analizzati insieme. Se il test `e positivo allora `e
necessario eettuare singolarmente il test alle k persone (complessivamente 1 + k prove necessa-
rie); mentre se il test `e negativo allora `e suciente il test eettuato (complessivamente 1 prova
necessaria)
Supponiamo che la probabilit`a di essere positivi al test sia p per ogniuna delle N persone e che questi
eventi sono indipendenti
1. trovare la probabilit`a che il test sia positivo per il campione formato dal miscuglio relativo a k
persone
2. qual`e il valore atteso e la varianza del numero di tes necessari, Y , con la seconda procedura? (si
suppone che N sia divisibile per k)
Risoluzione
1.
X
i
=
_
1 P(almeno 1 dei k `e positivo) = q
0 P(nessuno dei k `e positivo) = 1 q
Variabile di Bernoulli del i-esimo gruppo
1 q = (1 p)
k
. .
P(Z=0)
Z Bi(k; p)
P(test positivo nel gruppo) = P(Z 1) = 1 P(Z = 0) = 1 (1 p)
k
3
n N e p (0, 1) che assume valori in X = {0, 1, . . . , n}
30 CAPITOLO 4. VARIABILI ALEATORIE
2. m =
N
k
= #(gruppi di k persone)
Y = m+k X
1
+k X
2
+. . . +k X
m
= m+k
_
m

i=1
X
i
_
. .
Bi(m,q)
E(Y ) = k E
_
m

i=1
X
i
_
+m = k m q +m = m (k q + 1) = m [k (1 p)
k
+ 1]
V ar(Y ) = V ar
_
k
n

i=1
X
i
+m
_
= k
2
V ar
_
m

i=1
X
i
_
= k
2
m q (1 q)
Variabile aleatoria di Poisson
Denizione 4.8 [V.a. di Poisson] La variabile di Poisson di parametro `e X Poisson() con R
+
`e una v.a. discreta che assume valori di X = 0, 1, . . . e gode delle seguenti propriet`a
p(k) =
e


k
k!
k X E(X) = V ar(X) =

Dimostrazione 4.6
+

k=0
e


k
k!
= e

k=0

k
k!
= e

= 1
E(X) =
+

k=0
k
e


k
k (k 1)!
=
+

k=1
k e


k
k (k 1)!
= e

n=1

k
(k 1)!
= e

=
V ar(X) = E(X
2
) [E(X)]
2
= E(X
2
) E(X) +E(X) [E(X)]
2
= E[X (X 1)] +E(X) [E(X)]
2
E(X (X 1)) =
+

k=0
k (k 1) p(k) =
+

k=2
e


k
(k 2)!
= e

k=2

k2
(k 2)!
=
2
e

=
2
V ar(X) = E[X (X 1)] +E(X) [E(X)]
2
=
2
+
2
=
La distribuzione di Poisson pu`o essere vista come una approssimazione della variabile Binomiale, sotto
determinate ipotesi.
Prosizione 4.1 (Legge degli eventi rari) Sia X
n
, n 1 con X
n
Bi(n, p
n
), se
lim
n+
p
n
= 0 lim
n+
E(X
n
) = lim
n+
(n p
n
) =
allora
lim
n+
p
X
n
(k) =
e


k
k!
Dimostrazione 4.7 Lo si dimostra solo nel caso specico di p
n
=

n
lim
n+
p
X
n
(k) = lim
n+
_
n
k
_

n
_
k

_
1

n
_
nk
=
= lim
n+
n!
k! (n k)!


k
n
k

_
1

n
_
n

_
1

n
_
k
=
=

k
k!
lim
n+
n (n 1) . . . (n k + 1)
n
k
lim
n+
_
1

n
_
n
lim
n+
_
1

n
_
k
=
=

k
k!
1 e

1 =
e


k
k!
4.1. VARIABILI ALEATORIE DISCRETE 31
Esercizio 4.1 Ogni anno la polizia municipale di Londra registra circa 160 omicidi e questo dato `e stabile
da 5 anni. Si suppone che ogni omicidio `e indipendente dagli altri.
Sembra strano ma questa apparente casualit` a `e in qualche modo predicibile, nel senso che il numero di
omicidi giornalieri si adatta molto bene alla legge di Poisson di parametro =
160
365
0.44 e quindi si pu`o
calcolare la probabilit`a di
un giorno tranquillo (senza omicidi), cio`e P(X = 0)
una settimana tranquilla (senza omicidi)
a blody sunday, cio`e 3 o pi` u omicidi in un giorno
X Poisson() omicidi giornalieri
Si suppone omogeneit`a temporale per gli omicidi, pertanto
P(X = 0) =
e

160
365

_
160
365
_
0
0!
= e

160
365
0.65
P(X 3) = 1 P(X 2) = 1 (P(X = 0) +P(X = 1) +P(X = 2)) =
= 1
_
e

160
365
+e

160
365

160
365
+
e

160
365

_
160
365
_
2
2
_
0.01
Si considera Y Poisson
_
160
365
7
_
, il numero di omicidi in una settimana; pertanto
P(Y = 0) = e

160
365
7
0.047
Variabile aleatoria geometrica
Si consideri lo schema delle prove ripetute con una successione innita di prove indipendenti.
Ogni prova ha 2 esiti possibili: successo (con probaiblit`a p) o insuccesso (con probabilit`a 1 p).
Si ha X
i
prova in cui si ha il primo successo
X = 1, 2, . . . = N
+
p
X
(k) = P(X = k) = (1 p)
k1
p, k
Anch`e la funzione di densit`a sia valida `e necessario che
+

k=1
p
X
(k) = 1, infatti
+

k=1
p
X
(k) =
+

k=1
(1 p)
k1
p = p
+

k=0
1 k = p
1
1 (1 p)
= p
1
p
= 1
La media vale
E(X) =
+

k=1
k p
X
(k) =
+

k=1
k (1 p)
k1
p =
=
_
_
p
X
(1)+ p
X
(2)+ p
X
(3)+ . . .
p
X
(2)+ p
X
(3)+ . . .
p
X
(3)+ . . .
_
_
= P(X 1) +P(X 2) +P(X 3) +. . . =
=
+

k=1
P(X k) =
+

k=1
(1 p)
k1
=
1
p
Per il calcolo della varianza si calcola
V ar(X) = E(X
2
) [E(X)]
2
= E(X
2
) E(X) +E(X) [E(X)]
2
= E(X (X 1)) +E(X) [E(X)]
2
E(X (X 1)) =
+

k=1
k (k 1) p (1 p)
k1
q=1p
= (1 p) p
+

k=1
k (k 1) q
k2
=
= (1 p) p

2
+

k=1
q
k
q
2
= (1 p) p

2 1
1q
q
2
= p (1 p)
2
(1 q)
3
=
= p (1 p)
1
p
3
= 2
1 p
p
2
32 CAPITOLO 4. VARIABILI ALEATORIE
V ar(X) = E(X (X 1)) +E(X) [E(X)]
2
= 2
1 p
p
2
+
1
p

_
1
p
_
2
=
2 2 p +p 1
p
2
=
1 p
p
2
Esempio 4.7 Unurna contiene N palline di cui m rosse e N m blu.
Dallurna vengono estrette, in blocco, n palline. Determinare la legge di X = numero di palline rosse estratte.
P(X = k) =
_
n
k
_

_
Nm
nk
_
_
N
k
_
Per far si che la relazione sopra sia valida `e necessario che
_

_
k n
k m
k 0
n k N m

_
k n
k m
k 0
k n (N m)
k [max(0, n (N m)), min(n, m)] N
E(X) = n
m
N
V ar(X) = n
n
M

_
1
m
N
_

_
1
n 1
N 1
_
Esempio 4.8 (Indagine) Si hanno N = 40 abitazioni; m = 5 numero di famiglie che si trovano sotto
il livello di povert`a; n = 7 numero di famiglie campionate.
Sia X il numero di famiglie sotto il livello di potert` a campionati, allora calcolare:
P(X = 0)
P(X = 4)
P(X 2)
P(X 3)
P(X = 0) =
_
35
7
_
_
40
7
_
P(X = 4) =
_
5
4
_

_
35
3
_
_
40
7
_
P(X 2) = p
X
(0) +p
X
(1) +p
X
(2) =
_
35
7
_
+
_
5
1
_

_
35
6
_
+
_
5
2
_

_
35
5
_
_
40
7
_
P(X 3) = 1 P(X 2)
Esempio 4.9 (Modello di cattura e ricattura) Si ha una popolazione di N elementi, N non `e noto
ma lo si vuol stimare. Si marchiano m elementi della popolazione e li si lasciano nel gruppo. Dallintera
popolazione si estraggono n elementi, si hanno quindi k elementi ricatturati che sono marchiati.
P(X = k) =
_
m
k
_

_
Nm
nk
_
_
N
n
_
Si cerca N tale da massimizzare la probabilit` a P(X = k) (si ha quindi in questo modo una buona stima
sulla dimensione della popolazione).
Sono noti i parametri k, n ed m (chiaramente si deve avere N max(n, m)).
Si ha chiaramente che p
X
(k) `e una funzione di N, la si pu`o quindi considerare come successone di a
N
;
ci si aspetta che a
N
sia crescente e da un punto in poi,

N, `e decrescente.
Si cerca

N tale che a

N1
a

N
_
m
k
_

_
N1m
nk
_
_
N1
n
_
_
m
k
_

_
Nm
nk
_
_
N
n
_
_
N1m
nk
_
_
N1
n
_
_
Nm
nk
_
_
N
n
_
(N1m)!
(nk)!(N1m(nk))!
(N1)!
n!(N1n)!

(Nm)!
(nk)!(Nm(nk))!
N!
n!(Nn)!

1
Nm
Nm(nk)
N
Nn

N n
N

N m(n k)
N m
1
n
N
1
n k
N m

n
N

n k
N m

N m
n

n
N

n k
N m

N m
n

N m
N

n k
n
1
m
N
1
k
n

m
N

k
n
N
n m
k
4.2. VARIABILI ALEATORIE CONTINUE 33

N =
_
m n
k
_

N `e detta stima di massima verosimiglianza;



N `e la dimensione pi` u probabile della popolazione presa in
esame.
Sia m = 100, n = 50 e k = 35, 5
N
{k=35}
=
_
100 50
35
_
= 142
N
{k=5}
=
_
100 50
5
_
= 1000
Esempio 4.10 Un dispositivo scenico `e fatto da 5 lampade di potenza diversa N = (40, 50, 75, 100, 200).
Un operatore vede che sono accese le lampade da 40 e da 200; ha a disposizione 5 interrutori e non sa
quale siano gli interruttori a cui corrispondono le lampade accesse. Determinare:
P(spegne tutte le lampade)
P(X = k), dove X `e il numero di luci spente dopo la manovra delloperatore X = 1, 3, 5
P(X = 1) = p
X
(1) =
_
3
2
_
_
5
2
_ =
3
10
P(X = 5) = p
X
(5) =
_
2
2
_
_
5
2
_ =
1
10
P(X = 3) = 1 p
X
(1) p
X
(5) =
6
10
E(X) = 1
3
10
+ 3
6
10
+ 5
1
10
=
3 + 18 + 5
10
=
26
10
= 2.6
V ar(X) = E(X
2
) [E(X)]
2
= 1
3
10
+ 9
6
10
+ 25
1
10

_
26
10
_
2
=
1394
100
= 13.94
4.2 Variabili aleatorie continue
Supponiamo che X sia una v.a. reale che assume valori in un sottoinsieme continuo di R.
Denizione 4.9 [Variabile aleatoria continua] Una variabile aleatoria, X, si dice continua se esiste
f : R [0, +) : P(x B) =
_
B
f(x) dx
con B R per cui lintegrale `e denito.

Denizione 4.10 [Funzione di densit`a] f(x) denita nellintegrale di una v.a. continua si dice funzione
di densit`a.

Propriet`a 4.5 Per v.a. continua


P(x R) =
_
+

f(x) dx = 1
Denizione 4.11 [Funzione di distribuzione] Si denisce funzione di distribuzione F : R [0, 1]
F(x) = P(X x)

Propriet`a 4.6 B = [a, b] P(a X b) =


_
b
a
f(x) dx = F(b) F(a)
34 CAPITOLO 4. VARIABILI ALEATORIE
Per piccoli intervalli B = (x, x + x) (x 0)
P(x B) =
_
x+x
x
f(u) du f(x) x

E chiaro che f(x) non `e una misura di probabilit`a.


P(X = x) =
_
{x}
f(u) du =
_
x
x
f(u) du = 0
pertanto la probabilit`a che la v.a. assuma esattamente un valore (o un numero nito di essi, o
uninnit`a numerabili di essi) `e sempre nulla; pertanto
P(a X b) = P(a < X < b)
Esempio 4.11 Si consideri
f(x) =
_
C (4 x 2 x
2
) x (0, 2)
0 x / (0, 2)
stabilire per quali valori di C la funzione f `e una funzione di densit`a di una v.a. co0ntinua e calcolare
P(X > 1).
Anch`e f sia una funzione di distribuzione occorre imporre
f(x) 0, x

_
R
f(x) dx = 1
Poich`e 4 x 2 x
2
0, x (0, 2) allora `e necessario che C 0
_
+

f(x)dx =
_
2
0
C(4x2x
2
)dx = C
_
2
0
(4x2x
2
)dx = C
_
4
x
2
2
2
x
3
3
_
2
0
= C
_
8
16
3
_
= C
8
3
= 1
C =
3
8
Pertanto
f(x) =
_
3
8
(4 x 2 x
2
) x (0, 2)
0 x / (0, 2)
P(X > 1) =
_
+
1
f(x) dx =
_
2
1
f(x) dx +
_
+
2
f(x) dx =
_
2
1
3
8
(4 x 2 x
2
) dx +
_
+
2
0 dx =
=
_
2
1
3
8
(4 x 2 x
2
) dx =
3
4

_
x
2

x
3
3
_
2
1
=
3
4

_
4
8
3
1 +
1
3
_
=
3
4

2
3
=
1
2
Si poteva evitare il calcolo esplicito poich`e osservando il graco di f(x) si osserva che f `e simmetrica
rispetto alla retta x = 1 pertanto
_
1

f(x) dx =
_
+
1
f(x) dx
e poich`e
_
+

f(x) dx =
_
1

f(x) dx +
_
+
1
f(x) dx = 1
_
+
1
f(x) dx =
1
2
Esempio 4.12 Il tempo di guasto di un dispositivo ha la seguente funzione di densit`a
f(x) =
_
e

x
100
x > 0
0 x 0
Si determini anch`e f sia una funzione di densit`a e si calcoli P(X > 50).
Poich`e f(x) 0, x R si ha che 0
_
+

f(x) dx =
_
+
0
e

x
100
dx = 100
_
+
0

1
100
e

x
100
dx = 100
_
e

x
100

+
0
= 100 = 1
=
1
100
4.2. VARIABILI ALEATORIE CONTINUE 35
Pertanto
f(x) =
_
1
100
e

x
100
x > 0
0 x 0
P(X > 50) =
_
+

f(x) dx =
_
+
50
1
100
e

x
100
dx =
_
e

x
100

+
50
= e

50
100
= e

1
2
Esempio 4.13 X `e una v.a. continua con funzione di densit`a f
X
. Detarminare la funzione di densit`a
della v.a. Y = 2 X.
Poich`e X `e una v.a. continua allora lo `e anche Y .
y R, F
Y
(y) = P(Y y) = P(2 X y) = P
_
X
y
2
_
= F
x
_
y
2
_
f
Y
(y) = F

Y
(y) = f
x
_
y
2
_

1
2
Per lultima relazione si sfrutta la derivata di un integrale denito

_
b(y)
a(y)
f(x) dx
y
=
F(b(y)) F(a(y))
y
=
F(b(y))
y

F(a(y))
y
= f(b(y))
b(y)
y
f(a(y))
a(y)
y
4.2.1 Valore atteso di una variabile aleatoria continua
Denizione 4.12 [Valore atteso] Se X ha funzione di densit`a f, allora si denisce valore atteso di X
(se lintegrale esiste)
E(x) =
_
+

x f(x) dx

Osservazione 4.2 Se X `e dice simmetrica rispetto a x


0
, cio`e se f(x+x
0
) = f(xx
0
), il valore atteso
`e
E(X) = x
0
Propriet`a 4.7 Se X `e una v.a. aleatoria continua non negativa, allora
E(x) =
_
+
0
P(X > x) dx =
_
+
0
R(X) dx =
_
+
0
(1 F
X
(x)) dx
R(x) `e detta funzione di sopravvivenza.
Dimostrazione 4.8
_
+
0
P(X x)dx =
_
+
0
__
+
x
f
X
(u) du
_
dx =
_
+
0
__
u
0
dx
_
f
X
(u)du =
_
+
0
uf
X
(u)du = E(x)
Funzione di una variabile aleatoria continua
Spesso si `e interessati allo studio di funzione di variabili aleatorie.
Esempio 4.14 Sia X una v.a. continua con funzione di densit`a f
X
. Determinarela densit`a delle variabili
Y = X
2
, T = [X[ e Z = a X +b con a,b R.
poich`e F(Y < y) = P(Y y) = P(X
2
y), se y < 0 allora P(X
2
y) = 0, mentre
F
Y
(y) = P(Y y) = P(X
2
y) = P(

y X

y) =
_

y

y
f
X
(x) dx
f
Y
(y) =
_
f
X
(

y)
1
2

y
f
X
(

y)
1
2

y
=
1
2

_
f
X
(

y) +f
X
(

y)

y 0
0 y < 0
f
Y
(y) =
_
1
2

_
f
X
(

y) +f
X
(

y)

y 0
0 y < 0
36 CAPITOLO 4. VARIABILI ALEATORIE
F
Z
(z) = P(a X +b z) = P
_
X
z b
a
_
=
_
+
zb
a
f
X
(x) dx, a < 0, b R
F
Z
(z) = P(a X +b z) = P
_
X
z b
a
_
=
_ zb
a

f
X
(x) dx, a > 0, b R
a R0, b R, f
Z
(z) =
_
f
X
_
zb
a
_

1
a
_
a < 0
zb
a

1
a
a > 0
= f
X
_
z b
a
_

1
[a[
Prosizione 4.2 (Funzione di densit`a di una variabile aleatoria composta) Sia X una variabile
aleatoria continua e sia Y = g(X) con g una funzione monotona si ha
f
Y
(y) = f
X
(g
1
(y))

g
1
(y)
y

Dimostrazione 4.9 La dimostrazione si suddivide in due casi distinti:


nel caso in cui g sia monotona crescente si ha
F
Y
(y) = P(Y y) = P(g(X) y) = P(X g
1
(y)) =
_
g
1
(y)

f
X
(x) dx
f
Y
(y) = F

Y
(y) = f
X
(g
1
(y))
g
1
(y)
y
nel caso in cui g sia monotona decrescente si ha
F
Y
(y) = P(Y y) = P(g(X) y) = P(X g
1
(y)) =
_
+
g
1
(y)
f
X
(x) dx
f
Y
(y) = F

Y
(y) = f
X
(g
1
(y))
g
1
(y)
y
Pertanto f
Y
(y) = f
X
(g
1
(y))

g
1
(y)
y

Prosizione 4.3 Sia X una v.a. continua, con f la sua funzione di densit`a, e sia g una funzione reale
allora
E(g(X)) =
_
+

g(x) f(x) dx
Dimostrazione 4.10 Lo si dimostra limitatamente al caso in cui x X, g(x) 0
E(g(X)) =
_
+
0
P(g(X) > y)dy =
_
+
0
_
_
{x: g(x)>y}
f
X
(x) dx
_
dy =
_
+

_
_
g(x)
0
f
X
(x) dx
_
dy =
_
+

g(x)f(x)dx
Propriet`a 4.8 E(a X +b) = a E(X) +b
Dimostrazione 4.11
E(a X +b) =
_
+

(a x +b) f
X
(x) dx =
_
+

a x f
X
(x) dx +
_
+

b f
X
(x) dx =
= a
_
+

x f
X
(x) dx +b
_
+

f
X
(x) dx = a E(x) +b
E(f(X) +g(X)) = E(f(X)) +E(g(X))
4.2. VARIABILI ALEATORIE CONTINUE 37
Dimostrazione 4.12
E(f(X) +g(X)) =
_
+

(f(x) +g(x)) f
X
(x) dx =
_
+

f(x) f
X
(x) dx +
_
+

g(x) f
X
(x) dx =
= E(f(X)) +E(g(X))
Esempio 4.15 (Tempi di attesa) Supponiamo che il numero di eventi che si vericanp oin un inter-
vallo di tempo [0, t] segue la distribuzione di Poisson, di parametro t.
Mostrare che il tempo di attesa del primo evento `e una v.a. continua con
f
X
(x) =
_
e
x
x > 0
0 x 0
Inoltre, si trovi la distribuzione del tempo di arrivo delln-esimo evento.
Si denisce N
T
il numero di eventi in [0, t]
N
T
Poisson( t) p
X
(x) =
e
t
( t)
x
x!
P(T t) = 1 P(T > t) = 1 P(N
T
= 0) = 1
e
t
( t)
0
0!
= 1 e
t
f
T
(t) = F

T
(t)=
_
1 e
t
t > 0
0 t 0
F
T
n
= P(T
n
t)
t>0
= P(T
n
n) =
+

k=n
p
N
t
(k) =
+

t=n
e
t
( t)
k
k!
f
T
n
(t) = F

T
n
(t) =
+

n=n
e
t
() ( t)
k
+e
t
k ( t)
k1

k!
=
=
+

k=n
e
t
( t)
k
k!
+
+

k=n
e
t
( t)
k1
(k 1)!
=
=
+

k=n
e
t
( t)
k
k!
+
+

j=n1
e
t
( t)
j
j!
=
=
+

k=n
e
t
( t)
k
k!
+
+

j=n
e
t
( t)
j
j!
+
e
t
( t)
n1

(n 1)!
=
e
t
( t)
n1

(n 1)!
, t > 0
f
T
n
(t) `e un caso particolare di una distribuzione notevole chiamata variabile aleatoria gamma.
Esempio 4.16 Si suppone che si ricevano, in media, 2 chiamate per ora (unit`a di misura di tempo) e
che si abbia appena nito una telefonata
1. Quale `e la probabilit`a di aspettare per pi` u di unora per la prossima telefonata?
2. Qual`e la probabilit`a di ricevere almeno una telefonata nei prossimi 10 minuti?
3. Qual`e la probablit`a di aspettare pi` u di 10 minuti e meno di 1 ora per la prossima chiamata?
Dai dati del problema `e chiaro che la v.a. da considerare `e T exp(2), pertanto
1. P(T > 1) =
_
+
1
2 e
2t
dt = [e
2t
]
+
1
= e
2
2. P
_
T <
1
6
_
=
_ 1
6

2 e
2t
dt +
_ 1
6
0
2 e
2t
dt = [e
2t
]
1
6
0
= 1 e

1
3
3.
P
_
1
6
< T < 1
_
= F
T
(1) F
T
_
1
3
_
= P(T 1) P
_
T
1
6
_
= 1 P(T > 1) P
_
T
1
6
_
=
= 1 e
2
1 +e

1
3
= e

1
3
e
2
38 CAPITOLO 4. VARIABILI ALEATORIE
4.2.2 Variabili aleatorie continue notevoli
Variabile aleatoria esponenziale
Denizione 4.13 [v.a. continua, esponenziale] Una v.a. continua, X, si dice esponenziale di parametro
, X exp(), se ha la seguente funzione di densit`a
f(x) =
_
e
x
x > 0
0 x 0

Propriet`a 4.9 Una v.a. continua di tipo esponenziale ha


E(X) =
1

Dimostrazione 4.13
E(X) =
_
+

x f(x) dx =
_
+
0
x e
x
dx = [x e
x
]
+
0
+
_
+
0
e
x
dx =
=
1


_
+
0
e
x
dx =
1

V ar(X) =
1

2
Dimostrazione 4.14
V ar(X) = E((X E(X))
2
) = E(X
2
) [E(X)]
2
E(X
2
) =
_
+

x
2
f(x) dx =
_
+
0
x
2
e
x
dx
pp
= [e
x
x
2
]
+
0
+
_
+
0
2 x e
x
dx =
= 2
_
+
0
x e
x
dx =
2


_
+
0
x e
x
dx =
2

2
V ar(X) = E(X
2
) [E(X)]
2
=
2

2

1

2
=
1

2
P(X > s + t[X > s) = P(X > t), propriet`a di non memoria della distribuzione esponenziale (utile
per la modellizzazione di apparati non soggetti ad usura)
Dimostrazione 4.15
1 F
X
(t) = R(t) = P(X > t) =
_
+
t
e
u
du = e
t
, t > 0
poich`e X > s = (X > t +s) (s < X t +s) (X > t +s) (X > s) = X > t +s pertanto
P(X > t +s[X > s) =
P(X > t +s)
P(X > s)
=
e
(t+s)
e
s
= e
t
= P(X > t)
la funzione di rischio `e r(x) =
f(x)
1 F(x)
= , x > 0
Dimostrazione 4.16
r(x) =
f(x)
1 F(x)
=
e
x
e
x
= , x > 0
Si pu`o interpretare la funzione di rischio come il rapporto tra la memoria della distribuzione esponenziale
e una ampiezza (se questa tende a 0)
P(x X x+dx[X > x) =
P(x X x + dx)
P(X > x)
dx0

f(x) dx
1 F(x)
= r(x)dx r(x) =
P(x X x + dx[X > x)
dx
4.2. VARIABILI ALEATORIE CONTINUE 39
Variabile aleatoria gamma
Denizione 4.14 [v.a. continua, gamma] Una v.a. continua, X, si dice gamma di parametri e ,
, > 0, X gamma(, ), se ha la seguente funzione di densit`a
f(x) =
_
_
_
e
x
( x)
1
()
x > 0
0 x 0
con () =
_
+
0
x
1
e
x
dx
() = ( 1) ( 1), (1) = 1
se N allora () = ( 1)!

Propriet`a 4.10 Una v.a. continua di tipo gamma ha


E(X) =

V ar(X) =

2
Dimostrazione 4.17 Una v.a. gamma la si pu`o interpretare come la somma di distinte v.a. continue
di tipo esponenziale di parametro , pertanto
E(X) = E
_

T
i
_
= E(T
1
) =

V ar(X) = V ar
_

T
i
_
= V ar(T
1
) =

2
Variabile aleatoria uniforme
Denizione 4.15 [v.a. continua, uniforme] Una v.a. continua, X, si dice uniforme, di parametro (a, b),
se ha la seguente funzione di densit`a
f(x) =
_
1
b a
x (a, b)
0 x / (a, b)

Propriet`a 4.11 Una v.a. continua di tipo uniforme ha


E(X) =
b +a
2
Dimostrazione 4.18 Si ha che a b (per mantenere la relazione dordine dellinsieme (a, b))
E(X) =
_
+

xf(x)dx =
_
b
a
1
b a
xdx =
1
b a

_
x
2
2
_
b
a
=
b
2
a
2
2 (b a)
=
(b +a) (b a)
2 (b a)
=
b +a
2
V ar(X) =
b
2
+a b +a
2
3
Dimostrazione 4.19 Si ha che a b (per mantenere la relazione dordine dellinsieme (a, b))
V ar(X) = E(X
2
) [E(X)]
2
E(X
2
) =
_
+

x
2
f(x) dx =
_
b
a
1
b a
x
2
dx =
1
b a

_
x
3
3
_
b
a
=
=
b
3
a
3
3 (b a)
=
(b a) (b
2
+a b +a
2
)
3 (b a)
=
b
2
+a b +a
2
3
40 CAPITOLO 4. VARIABILI ALEATORIE
F(x) =
_

_
0 x < 1
x a
b a
x (a, b)
1 x > 1
Dimostrazione 4.20 Si ha che a b (per mantenere la relazione dordine dellinsieme (a, b))
F(x) = 0, x < a F(x) = 1, x > b
x (a, b),
_
x
a
1
b a
du =
1
b a
(x a) =
x a
b a
F(x) =
_

_
0 x < 1
x a
b a
x (a, b)
1 x > 1
Variabile aleatoria normale
Denizione 4.16 [v.a. continua, Normale o Gaussiana] Una variabile aleatoria continua, X, si dice
Normale o Gaussiana di parametri e
2
, X N(,
2
), se
f
X
=
1

2
2
e

(x)
2
2
2
0, x R

Dimostrazione 4.21
_
+

2
2
e

(x)
2
2
2
dx
z=
x

=
_
+

2
e

z
2
2
dz
u=
z

2
=
=
_
+

e
u
2

du =
1


_
+

e
u
2
du =
1

= 1
I =
_
+

e
u
2
du
I
2
=
_
+

__
+

e
(u
2
+v
2
)
du
_
dv = I =

=
_
+

e
u
2
du = 2
_
+
0
e
u
2
du
x=u
2
=
_
+
0
1

x
e
x
dx =
_
+
0
x
1
2
1
e
x
dx =
_
1
2
_
Propriet`a 4.12 In una v.a. continua, X N(,
2
), f
X
:
ha valore massimo in x =
`e crescente per x ed `e decrescente per x
ha concavit`a verso lalto per x x + e concavit`a verso il basso per x [ , +]
Dimostrazione 4.22
f
X
(x) =
1

2
2
e

(x)
2
2
2
f

X
(x) =
1

2
2
e

(x)
2
2
2

2 (x )
2
2
_
=
x

2

1

2
2
e

(x)
2
2
2
f

X
(x) > 0, x < f

X
(x) = 0, x = f

X
(x) < 0, x >
f

X
(x) =
1

2
2
e

(x)
2
2
2

_
_
x

2
_
2

2
_
=
1

2
2

4
e

(x)
2
2
2

_
(x )
2

X
(x) < 0, x (, +) f

X
(x) = 0, x x, x+ f

X
(x) > 0, x R[, +]
4.2. VARIABILI ALEATORIE CONTINUE 41
Propriet`a 4.13 Una variabile esponenziale di tipo normale ha:
E(X) =
Dimostrazione 4.23
E(X) =
_
+

x f
X
(x) dx =
_
+

_
x

2
2
e

(x)
2
2
+

2
2
e

(x)
2
2
_
dx =
z=
x

=
_
+

2
e

z
2
2
dz +
_
+

(x)
2
2
2

2
2
dx = 0 + 1 =

2
e

z
2
2
dz = 0 perch`e la funzione integranda `e una funzione dispari
V ar(X) =
2
Dimostrazione 4.24
V ar(X) = E((X )
2
) =
_
+

(x )
2
f
X
(x) dx
z=
x

=
2

_
+

z
2
e

z
2
2

2
dz =
p.p.
=
2

_
_
_

z e

z
2
2

2
_

+
_
+

z
2
2

2
dz
_
_
=
2
Il calcolo esplicito della funzione di ripartizione
F
X
(x) =
_
x

f
X
(x) dx
`e analiticamente impossibile; pertanto si procede linearizzando la v.a. in modo da poter utilizzare le
tavole con i valori di (z) (dove (z) `e la funzione F
Z
(z) con Z la v.a. standardizzata di X).
Propriet`a 4.14 Se X N(,
2
) allora
a X +b N(a +b, a
2

2
), a R0, b R
Dimostrazione 4.25 Se:
a > 0
F
aX+b
(y) = P(a X +b y) = P
_
X
y b
a
_
= F
X
_
y b
a
_
=
_ yb
a

2
2
e

(x)
2
2
2
dx
f
aX+b
(y) = F

aX+b
(y) =
1

2
2
e

(
yb
a

)
2
2
2

1
a
=
1

2
2
a
2
e

(yba)
2
2
2
a
2
=
=
1

2
2
a
2
e

(y(a+b))
2
2
2
a
2
=
1

2
2
e

(y )
2
2
2
= a +b
2
= a
2

2
a < 0
F
aX+b
(y) = P(a X +b y) = P
_
X
y b
a
_
=
_
+
yb
a
1

2
2
e

(x)
2
2
2
dx
f
aX+b
(y) = F

aX+b
(y) =
1

2
2
e

(
yb
a

)
2
2
2

1
a
=
1

2
2
e

(
yb
a

)
2
2
2

1
a
=
=
1

2
2
a
2
e

(yba)
2
2
2
a
2
=
1

2
2
e

(y )
2
2
2
= a +b
2
= a
2

2
42 CAPITOLO 4. VARIABILI ALEATORIE
Pertanto se X N(,
2
) allora
a X +b N( ,
2
) = N(a +b, a
2

2
), a R0, b R
Denizione 4.17 [v.a. standardizzata] Sia X una v.a. si dice Y standardizzata di X se
Y =
X


E(Y ) = 0
V ar(Y ) = 1

Sulle tavole, come detto in precedenza, `e presente il valore di che `e la funzione di distribuzione della
normale standardizzata, cio`e di N(0, 1).
Tali tavole, inoltre, sfruttano la propriet`a di simmetria della funzione infatti sono forniti (x), x > 0
x > 0, (x) = 1 (x)
Esercizio 4.2 Sia X : altezzia di un bambino (di sette mesi) con X N(71
[cm]
, 6.25).
Calcolare:
P(X > 74)
P(X > 77)
P([X [ < 2)
P(X > 74) = P
_
X 71

6.25
>
74 71

6.25
_
= P
_
Z >
3

6.25
_
= P(Z > 1.2) =
= 1 P(X 1.2) = 1 (1.2) 1 0.88493 = 0.11507
P(X > 77) = P
_
X 71

6.25
>
77 71

6.25
_
= P
_
Z >
6

6.25
_
= P(Z > 2.4) =
= 1 P(X 2.4) = 1 (2.4) 1 0.99180 = 0.0082
P([X [ < 2) = P
_

X 71

6.25

<
2

6.25
_
= P
_

6.25
< Z <
2

6.25
_
=
= P(0.8 < Z < 0.8) = (0.8) (0.8) = (0.8) 1 + (0.8) =
= 2 (0.8) 1 0.57628
Per lultimo risultato si poteva eettuare anche un ragionemento pi` u geometrico; cio`e poich`e gli estremi
sono simmetrici rispetto al valor medio ( = 0) allora
z = 0.8 P( z < Z < z) = 2 A A =
_
z
0
f
X
(x) dx = ( z) (0) = ( z)
1
2
P( z < Z < z) = 2 A = 2 ( z) 2
1
2
= 2 ( z) 1
Esercizio 4.3 Sia Z la distribuzione normale standardizzata, determinare la distribuzione Z
2
.
F
Z
2(u) = 0, u 0
F
Z
2(u) = P(Z
2
u) = P(

u Z

u) = 2 (

u) 1 = 2
_

u

z
2
2

2
dz
f
Z
2(u) = F

Z
2(u) = 2
e

u
2

1
2

u
=
e

1
2
u
u

1
2

_
1
2
_1
2

Sia X gamma(, )
f
X
(x) =

x
1
e
x
()
pertanto ponendo = =
1
2
si ha che f
X
(u) = f
Z
2(u) e quindi
Z
2
gamma
_
1
2
,
1
2
_
4.2. VARIABILI ALEATORIE CONTINUE 43
La risoluzione dellesercizio precedente porta alla denizione della va continua
2
1
(dove il pedice 1 indica
il numero di gradi di libert`a).
Nel caso generale, cio`e nel caso di
2
n
si ha

2
n
:=
n

i=1
Z
2
i
con Z
i
indipendenti tra loro.
Teorema 4.1 Sia X
n
, n 1 con X
n
Bi(n, p); se n + allora X
n
X con X distribuzione
normale.
P
_
X
n
n p
_
n p (1 p)
x
_
n+
(x), x R
X
n
N(n p, n p (1 p))
Esercizio 4.4 Si lancia un dado regolare a sei facce n = 1000 volte.
Sia X il numero di lanci con esito 6 (X Bi
_
1000,
1
6
_
Determinare P(150 X 200).
P(150 X 200) =
200

k=150
_
1000
k
_

_
1
6
_
k

_
5
6
_
1000k
=
1
6
1000

200

k=150
_
1000
k
_
5
1000k
0.92645
per ricavare tale soluzione `e stato necessario luso di un PC.
Come si pu`o osservare bisogna maneggiare numeri estremamente grandi, mentre accettando una piccola
approssimazione si pu`o calcolare la medesima probabilit` a approssimando la distribuzione binomiale con
una distribuzione normale,

X

X N
_
1000
6
,
5000
36
_
poich`e si approssima una distribuzione discreta con una distribuzione continua P(X = x) P
_

x
_
,
ponendo = 0.5 si ha P(X = x) P
_
x 0.5

X x +.05
_
. Seguendo questa strada si ha che
P(150 X 200) =
200

k=150
P(X = k)
200

k=150
P(k 0.5

X k + 0.5) = P(150 0.5

X 200 + 0.5) =
= P
_
_
150 0.5
1000
6
_
5000
36

X
1000
6
_
5000
36

2000 + 0.5
1000
6
_
5000
36
_
_
=
= P
_
_
150 0.5
1000
6
_
5000
36
Z
2000 + 0.5
1000
6
_
5000
36
_
_
=
= P
_

103

2
100
Z
203

2
100
_
P(1.457 Z 2.871) =
= (2.871) 1 + (1.457) 0.99795 1 + 0.927442 = 0.92539
Esercizio 4.5 Si consideri X il tempo di riparazione di un oggetto, sapendo che X exp
_
1
2
_
calcolare
P(X > 2)
P(X > 10[X > 9)
f
X
(x) =
1
2
e

1
2
x
P(X > 2) =
_
+
2
1
2
e

1
2
x
dx =
_
e

1
2
x
_
+
2
= e
1
P(X > 10[X > 9)
definizione
probabilit`a
condizionata
=
P(X > 10)
P(X > 9)
=
_
+
10
1
2
e

1
2
x
dx
_
+
9
1
2
e

1
2
x
dx
=
_
e

1
2
x
_
+
10
_
e

1
2
x
_
+
9
=
e
5
e

9
2
= e

1
2
44 CAPITOLO 4. VARIABILI ALEATORIE
Ricorrendo invece alla propriet`a di non memoria della distribuzione esponenziale (P(X > s +t[X > s) =
P(X > t))
P(X > 10[X > 9) = P(X > 9 + 1[X > 9) = P(X > 1) =
_
+
1
1
2
e

1
2
x
dx =
_
e

1
2
x
_
+
1
= e

1
2
Esercizio 4.6 La quantit`a giornaliera di riuti segue la distribuzione
X N(25
[g]
, 16)
Supponendo che la quantit`a di riuti giornaliesi siano tra di loro indipendenti, determinare
P(X > 30)
P(X
1
30, X
2
30) (con X
1
e X
2
la quantit`a di riuti in due giorni distinti)
P(su 10 giorni X > 30 al pi` u 2 volte)
P(X > 30) = P
_
X 25
4
>
30 25
4
_
= P
_
Z >
5
4
_
= 1
_
5
4
_
1 0.89435 = 0.10565
P(X
1
30, X
2
30) = P(X
1
30) P(X
2
30) = P(X 30)
2
=
= P
_
X 25
4

30 25
4
_
2
=
_
5
4
_
2
0.79986
Per lultimo punto occorre denire una variabile aleatoria di tipo binomiale, N, che rappresenta il numero
di giorni in cui X > 30
N Bi(10, P(X > 30)) = Bi
_
10, 1
_
5
4
__
Bi(10, 0.10565)
pertanto
P(su 10 giorni X > 30 al pi` u 2 volte) = P(N 2) = P
N
(0) +P
N
(1) +P
N
(2) =
=
_
10
0
_
(0.89435)
10
+
_
10
1
_
(0.10565) (0.89435)
9
+
_
10
2
_
(0.10565)
2
(0.89435)
8
= 0.91975
4.3 Leggi congiunte di variabili aleatorie
Siano X e Y due v.a. reali
Denizione 4.18 La funzione di distribuzione congiunta di X e Y `e una funzione
F
XY
(x, y) = P(X x, Y y) = P((x, y) B), x,y R
con B = (, x] (, y]
Nel caso di congiunzione di n v.a. si ha
F
(X
1
,...,X
n
)
(x
1
, . . . , x
n
) = P(X
1
x
1
, . . . X
n
x
n
), x
i
R, i n N

La F
XY
(x, y) pu`o essere interpretata come funzione di distribuzione di una variabile aleatoria X come
F
X
(x) = P(X x), X =
_

_
X
1
.
.
.
X
n
_

_
Dalla denizione di F
XY
`e possibile ricavare la distribuzione di X e Y , denendole funzioni di distribuzioni
marginali.
Denizione 4.19 Si denisce funzione di distribuzione marginale di F
XY
F
X
(x) = P(X x) = P(X x, Y +) = lim
y+
F
XY
(x, y)
F
Y
(y) = P(Y y) = P(X +, Y y) = lim
x+
F
XY
(x, y)

Osservazione 4.3 A partire da F


XY
si possono calcolare, con il principio di inclusione-esclusione, le
probabilit`a delle altre regioni di forma rettangolare
P(x
1
X x
2
, y
1
Y y
2
) = F
XY
(x
2
, y
2
) F
XY
(x
1
, y
2
) F
XY
(x
2
, y
1
) +F
XY
(x
1
, y
1
)
P(X > x, Y > y) = P(Y > y)[P(X x)P(X x, Y y)] = 1P(X x)P(Y y)+P(X x, Y y)
4.3. LEGGI CONGIUNTE DI VARIABILI ALEATORIE 45
4.3.1 Funzioni di densit`a congiunte di variabili aleatorie discrete
Si considerino due v.a. reali discrete, X e Y
Denizione 4.20 Si denisce funzione di densit`a congiunta di X e Y la funzione
p : X Y [0, 1]
p(x, y) = P(X = x, Y = y), (x, y) X Y

In base alla denizione `e necessario che


p(x, y) 0, (x, y) X Y

(x,y)XY
p(x, y) = 1 = P(S) = P
_
_
_
_
_
_
_
_
x
i
X
y
j
Y
(X = x
i
, Y = y
j
)
_
_
_
_
_
_
_
e si ha che le densit`a marginali sono rispettivalmente
p
X
(x) =

yY
p(x, y), x X
p
Y
(y) =

xX
p(x, y), y Y
p
X
(x) = P(X = x) = P
_
_
X = x,
_
yY
Y = y
_
_
= P
_
_
_
yY
(X = x, Y = y)
_
_
=

yY
P(X = x, Y = y) =

yY
p(x, y)
Esempio 4.17 Si consideri unestrazione di 3 palline da unurna composta da 3 palline rosse, 4 blu e 5
bianche. Siano X e Y rispettivamente il numero di palline rosseestrette e il numero di palline blu estrette.
Supposto che tutte le estrazioni sono equiprobabili, determinare la distribuzione congiunta di X e Y .
x X = 0, 1, 2, 3 y Y = 0, 1, 2, 3
Si pu`o facilemnte osservare che
p(x, y) =
_

_
_
3
x
_

_
4
y
_

_
5
3xy
_
_
12
3
_ (x, y) X Y : x +y 3
0 altrimenti
4.3.2 Funzioni di densit`a congiunte di variabili aleatorie continue
Si considerino due v.a. reali continue, X e Y
Denizione 4.21 X e Y si dicono congiuntamente continue o assolutamente continue se esiste la
funzione di densit`a congiunta
f : R R [0, +)
tale che, tutte le volte che lintegrale `e denito
P((X, Y ) C) =
__
C
f(u, v) du dv, C = (, x] (, y]
f deve soddisfare
__
R
2
f(x, y) dx dy = 1
F
XY
(x, y) =
_
x

_
y

f(u, v) du dv

46 CAPITOLO 4. VARIABILI ALEATORIE


Osservazione 4.4 Derivando F
XY
si ha la funzione di densit`a congiunta
f
XY
(x, y) =

2
F
XY
(x, y)
x y
Inoltre se si prendono dx e dy piccoli si ha che
P(x X x + dx, y Y y + dy) =
_
x+dx
x
_
y+dy
y
f(u, v) du dv f(x, y) dx dy
Esempio 4.18 Si consideri la funzione
f(x, y) =
_
k x 0 < x < 1, 0 < y < 1
0 altrimenti
Trovare k in modo che f sia la densit`a congiunta di 2 v.a.

E necessario che f(x, y) 0, (x, y) [0, 1] [0, 1], questa condizione impone k > 0, inoltre `e necessario
che
1 =
__
R
2
f(x, y) dx dy =
_
1
0
_
1
0
k x dx dy = k
_
1
0
dy
_
1
0
x dx = k
_
x
2
2
_
1
0
=
k
2
k = 2
Esempio 4.19 Un dispositivo composto da 2 componenti smette di funzionare non appena una delle due
componenti smette di funzionare.
La densit`a congiunta dei tempi di vita dei due componenti misurata in ore `e
f(x, y) =
_
2 x 0 < x < 1, 0 < y < 1
0 altrimenti
Determinare la probabilit`a che il dispositivo smette di funzionare nella prima mezzora.
P(dispositivo non funziona prima di mezzora) = P
_
min(x, y)
1
2
_
P
_
min(x, y)
1
2
_
= P
__
X
1
2
_

_
Y
1
2
__
= P
_
X
1
2
_
+P
_
Y
1
2
_
P
__
X
1
2
_

_
Y
1
2
__
=
P
_
X
1
2
_
+P
_
Y
1
2
_
P
_
X
1
2
, Y
1
2
_
=
_
1
0
_ 1
2
0
2 x dx dy +
_ 1
2
0
_
1
1
2
2 x dx dy =
_
x
2
1
2
0
+
1
2

_
x
2

1
1
2
=
1
4
+
1
2

3
4
=
5
8
Se le X e Y sono congiuntamente continue allora anche le v.a. X e P sono continue, inoltre la funzione
di densit`a della X e Y si dicono densit`a marginali.
f
X
(x) =
_
R
f(x, y) dy, x R
f
Y
(y) =
_
R
f(x, y) dx, y R
Le relazioni sopra si ottengono dierenziando
F
X
(x) = P(X x, < y < +)

f(u, v) du dv
Esempio 4.20 Un dispositivo smette di funzionare appena entrambe le componenti smettono di funzio-
nare.
La densit`a congiunta dei tempi di vita dei 2 componenti, misurato in ore, `e
f(x, y) =
_
x+y
8
0 < x < 2, 0 < y < 2
0 altrimenti
Determinare la probabilit`a che il dispositivo smette di funzionare nella prima ora.
P(dispositivo non funziona prima di ora) = P(max(x, y) 1)
P(max(x, y) 1) = P(X 1, Y 1) =
_
1
0
_
1
0
x +y
8
dx dy =
1
8

_
1
0
_
x
2
2
+x y
_
1
0
dy =
1
8
_
1
2
+y dy =
1
8

_
y
2
+
y
2
2
_
1
0
=
1
8
4.4. VARIABILI ALEATORIE INDIPENDENTI 47
f
X
(x) =
_
R
f(x, y) dy
x [0, 2] : f
X
(x) =
_
2
0
x +y
8
dy =
x
8
[y]
2
0
+
1
8

_
y
2
2
_
2
0
=
x + 1
4
Si pu`o vericare che
1 =
_
R
f
X
(x) dx =
_
1
4
+
3
4
_
2
1
2
= 1
pertanto
f
X
(x) =
_
R
f(x, y) dy =
_
x+1
4
0 x 2
0 altrimenti
per il calcolo di f
Y
(y) si pu`o osservare che X e Y sono simmetriche, pertanto
f
Y
(y) =
_
R
f(x, y) dx =
_
y+1
4
0 y 2
0 altrimenti
4.4 Variabili aleatorie indipendenti
Nel calcolo delle probabilit`a le v.a. indipendenti svolgono un ruolo fondamentale.
La denizione di indipendenza tra le variabili aleatorie si basa sul concetto di indipendenza di eventi.
Denizione 4.22 Due v.a. si dicono indipendenti se gli eventi determinati da X e gli eventi determinati
da Y sono indipendenti, cio`e se
P(X A, Y B) = P(X A) P(X B), A, B
cio`e conoscere il valore di una delle variabile non modica la distribuzione di probabilit` a dellaltra.

Utiizzando gli assiomi della probabilit`a si pu`o dimostrare che due variabili aleatorie X e Y sono indipen-
denti se e solo se
F
XY
(x, y) = F
X
(x) F
Y
(y), A, B
Esempio 4.21 Siano X, Y v.a. continue con
(x, y) R
2
, f
XY
(x, y) =
_
2 e
x
e
2y
x > 0, y > 0
0 altrimenti
Si determini
P(X > 1, Y < 1)
P(X < Y )
P(X < a)
la densit`a di Z =
X
Y
P(X > 1, Y < 1) =
_
+
1
__
1
0
2 e
x
e
2y
dy
_
dx =
_
+
1
e
x

__
1
0
2 e
2y
dy
_
dx =
=
_
+
1
e
x
(1 e
2
) dx = e
1
(1 e
2
)
P(X < Y ) =
_
{(x,y): x<y}
f
XY
(x, y) dx dy =
_
+
0
e
x

__
+
x
2 e
2y
dy
_
dx =
=
_
+
0
e
x
e
2x
dx =
_
e
3x
3
_
+
0
=
1
3
P(X < a) =
_
+
0
2 e
2y

__
a
0
e
x
dx
_
dy =
_
+
0
2 e
2y
(1 e
a
) dy = 1 e
a
, a > 0
P(X < a) =
_
0 a < 0
1 e
a
a > 0
48 CAPITOLO 4. VARIABILI ALEATORIE
Z =
X
Y
F
Z
(z) =
_
0 z 0
P(Z z)
z>0
z > 0
P(Z z)
z>0
= P
_
X
Y
z
_
= P(X z Y ) =
_
+
0
2 e
2y

__
zy
0
e
x
dx
_
dy =
_
+
0
2 e
2y
(1 e
zy
) dy =
_
+
0
2 e
2y
dy
_
+
0
2 e
(z+2)y
dy =
1
2
2 +z

_
+
0
(2 +z) e
(2+z)y
dy = 1
2
2 +z
=
z
2 +z
F
Z
(z) =
_
0 z 0
z
2+z
z > 0
Denizione 4.23 Due v.a. si dicono indipendenti se
F
XY
(x, y) = F
X
(x) F
Y
(y), (x, y) R
2
inoltre si pu`o dimostrare che
nel caso discreto p
XY
(x, y) = p
X
(x) p
(
y), x X, y Y
nel caso continuo f
XY
(x, y) = f
X
(x) f
(
y), (x, y) R
2

Esercizio 4.7 Ugo e Zoe si danno appuntamento allingresso di un locale con laccordo di aspettarsi per
solo 10 minuti.
Se ogniuno di loro arriva indipendentemente dallaltro in un istante compreso tra le 21 e le 22, determinare
la probabilit`a che entrino insieme nel locale.
Si deniscono le seguenti v.a.
U Uniforme[0, 60] Z Uniforme[0, 60]
che rappresenta il momento di arrivo di rispettivamente Ugo e Zoe.
Poich`e U e Z sono indipendenti allora
f
UZ
(u, z) =
_ _
1
60
_
2
u, z (0, 60)
0 u, z / (0, 60)
Q = [0, 60] [0, 60]
P([U Z[ 10) = P(U 10+z, Z 10+U) =
_
{(u,z)Q: |uz|10}
_
1
60
_
2
dxdy =
_
1
60
_
2
(60
2
50
2
) =
11
36
Esercizio 4.8 Siano X, Y due v.a. con
f
XY
(x, y) =
_
6 e
2x
e
3y
x > 0, y > 0
0 altrimenti
determinare se X e Y sono indipendenti.
f
XY
(x, y) =
_
6 e
2x
e
3y
x > 0, y > 0
0 altrimenti
=
_
2 e
2x
3 e
3y
x > 0, y > 0
0 altrimenti
f
X
(x) =
_
R
f
XY
(x, y) dy =
_
+
0
2 e
2x
3 e
3y
dy = 2 e
2x
f
Y
(y) =
_
R
f
XY
(x, y) dx =
_
+
0
2 e
2x
3 e
3y
dx = 3 e
3y
Poich`e f
XY
(x, y) = f
X
(x) f
Y
(y) allora X e Y sono indipendenti.
Esercizio 4.9 Siano X, Y due v.a. con
f
XY
(x, y) =
_
24 x y 0 < x < 1, 0 < y < 1, 0 < x +y < 1
0 altrimenti
4.4. VARIABILI ALEATORIE INDIPENDENTI 49
determinare se X e Y sono indipendenti.
Q = [0, 1] [0, 1] 0 < x < 1, 0 < y < 1, 0 < x +y < 1 Q (0 < x +y < 1) = T
Poich`e f
X
(x) `e chiaramente 0 se ha x < 0 o x > 1 e tra 0 e 1 vale
_
T
24 x y dx dy > 0 (lo stesso
discorso vale per f
Y
(y) oich`e ha formulazione equivalente); se X e Y fossero indipendenti si avrebbe che
f
XY
(x, y) = f
X
(x) f
Y
(y) > 0, (x, y) Q che `e in contraddizione con la f
XY
(x, y) fornita, pertanto, X
e Y sono v.a. non indipendenti.
Analiticamente si ha
f
X
(x) =
_
T
24 x y dx dy =
_
1x
0
24 x y dy = 12 x (1 x)
2
f
Y
(y) =
_
T
24 x y dx dy =
_
1y
0
24 x y dx = 12 y (1 y)
2

E evidente che
f
X
(x) f
Y
(y) = 144 x y (1 x)
2
(1 y)
2
,= 24 x y = f
XY
(x, y)
4.4.1 Somma di variabili aleatorie indipendenti
Siano X e Y indipendenti con funzioni di densit`a associate f
X
(x) e f
Y
(y)
Z = X +Y
F
Z
(z) = P(Z z) = P(X+Y z) =
_
+

f
X
(x)
__
zx

f
Y
(y) dy
_
dx =
_
+

f
X
(x) F
Y
(z x) dx
f
Z
(z) = F

Z
(z) =
_
+

f
X
(x) f
Y
(z x) dx = f
X+Y
(z) = f
X
f
Y
caso continuo
p
Z
(z) = p
X+Y
(z) =

x+y=2
p
X
(x) p
Y
(y) =

xX
p
X
(x) p
Y
(z x) p
Y
() = 0, / Y caso discreto
Somma di variabili aleatorie indipendenti notevole
Uniforme
X Uniforme[0, 1] Y Uniforme[0, 1] indipendenti
f
X
(x) =
_
1 0 < x < 1
0 altrove
f
Y
(y) =
_
1 0 < y < 1
0 altrove
Si ha che
f
X+Y
(z) =
_

_
0 z 0
z 0 < z 1
2 z 1 < z 2
0 z > 2
La convoluzione di due uniformi tra 0 e 1 `e una triangolare tra 0 e 2.
Binomiale Sia X Bi(n, p) e Y Bi(m, p) indipendenti; si ha intuitivamente che Z = X + Y
Bi(n +m, p), infatti
k [0, n+m] N, p
Z
(k) =
n

i=0
p
X
(i) p
Y
(k i) =
n

i=0
_
n
i
_
p
i
(1 p)
ni

_
m
k i
_
p
ki
(1 p)
mk+i
`e necessario che i n e che k i m, ma ponendo la convenzione che
_
n
k
_
= 0 se k < n si ha
p
Z
(k) = (1 p)
n+mk
p
k

i=0
_
n
i
_

_
m
k i
_
=
_
n +m
k
_
p
k
(1 p)
n+mk
50 CAPITOLO 4. VARIABILI ALEATORIE
Poisson Sia X Poisson(
1
) e Y Poisson(
2
) indipendenti; si ha intuitivamente che Z = X+Y
Poisson(
1
+
2
), infatti
p
X+Y
(k) =
k

i=0
p
X
(i) p
Y
(k i) =
k

i=0
e


i
1
i!
e


ki
2
(k i)!
= e
(
1
+
2
)

i=0

i
1

ki
2
i! (k i)!
=
=
e
(
1
+
2
)
k!

k

i=0
k!
i! (k i)!

i
1

ki
2
=
e
(
1
+
2
)
k!

k

i=0
_
k
i
_

i
1

ki
2
=
= (
1
+
2
)
k

e
(
1
+
2
)
k!

k

i=0
_
n
i
_

_

1

1
+
2
_
i

_

2

1
+
2
_
ki
. .
1
= (
1
+
2
)
k

e
(
1
+
2
)
k!
Parte II
Analisi Matematica
51
Capitolo 5
Ripasso numeri complessi (C)
Insiemisticamnente linsieme dei numeri complessi si ha che
C = R
2
= x, y R : x +i y
a dierenza di R in C `e presente ununit`a immaginaria tale che i
2
= 1, inoltre in C non `e possibile
denire relazioni dordine
1
.
5.1 Rappresentazioni
Un numero z C : z = (x, y) pu`o essere rappresentato nei seguenti modi
2
forma cartesiana
z = (x, y) = (x, 0) + (0, y) = x (1, 0) +y (0, 1) = x 1 +y i = x +i y
forma polare o trigonometrica, se z ,= 0, z = [z[
z
|z|
, poich`e
R :
z
[z[
= (cos(), sin()) = cos() +i sin()
z = (cos() +i sin()) = [z[, = arg(z)
forma esponenziale se z ,= 0, poich`e e
i
:= cos() +i sin()
z = e
i
5.2 Operazioni fondamentali
Operazioni fondamentali, considerando z = x +i y C:
parte reale rappresenta la componente reale del numero
Re [z] := x [Re [z][ [z[
parte immaginaria rappresenta la componente immaginaria del numero
Im[z] := y [Im[z][ [z[
modulo rappresenta la distanza euclidea del numero complesso dallorigine, nel piano complesso
[z[ :=
_
Re [z]
2
+ Im[z]
2
fase rappresena langolo che vi `e tra lasse reale e la congiungente del numero complesso con lorigine
del piano complesso
arg(z) :=
_
_
_
arctan
_
Im[z]
Re[z]
_
Re [z] 0
arctan
_
Im[z]
Re[z]
_
+ Re [z] < 0
1
che signicato ha dire un punto `e minore di un altro?
2
per una visualizzazione graca consultare la Figura (5.1a)
53
54 CAPITOLO 5. RIPASSO NUMERI COMPLESSI
coniugato rappresenta il numero complesso riesso allasse reale, vi `e cambiamento di segno solo sulla
parte immaginaria
z := x i y
prodotto ha denizioni operative distinte in base alla rappresentazione
siano z
1
= x
1
+i y
1
C e z
2
= x
2
+i y
2
C
z
1
z
2
:= (x
1
+i y
1
) (x
2
+i y
2
) = x
1
x
2
y
1
y
2
+i (x
1
y
2
+x
2
y
1
)
siano z
1
=
1
e
i
1
e z
2
=
2
e
i
2
z
1
z
2
:=
1
e
i
1

2
e
i
2
=
1

2
e
i(
1
+
2
)
parte reale, denizione operativa , Figura (5.1b)
Re [z] =
z +z
2
parte immaginaria, denizione operativa , Figura (5.1c)
Im[z] =
z z
2 i
potenza n-esima di un binomio complesso
n N (z +w)
n
=
n

k=0
_
n
k
_
z
nk
w
k
=
n

k=0
n!
(n k)! k!
z
nk
w
k
dierenza di potenze n-esima
n N z
n
w
n
= (zw) (z
n1
+z
n2
w+. . . +z w
n2
+w
n1
) = (zw)
_
n1

k=0
z
n1k
w
k
_
inverso
z z = (x +i y) (x i y) = x
2
+y
2
=
_
_
x
2
+y
2
_
2
= [z[
2
z
1
:=
1
z
=
1
z

z
z
=
z
[z[
2
z

z
1
i

(a) Piano Complesso (, , z)


z
z
z + z
2
Real[z] z + z
(b) Piano Complesso, evidenziato il
procedimento per ricavare Re [z]
z z
2 i
z z
Imag[z]
z
z
(c) Piano Complesso, evidenziato il
procedimento per ricavare Im[z]
Figura 5.1: Sintesi graca della rappresentazione di numeri complessi sul piano di Gauss (piano complesso)
5.3. ESERCIZI 55
Propriet`a speciche della rappresentazione esponenziale

e
i

= 1, infatti

e
i

=
_
cos
2
() + sin
2
() = 1
e
i
= e
i
e
i
=
1
e
i
n N
_
e
i
_
n
= e
in
e
i
e
i
= e
i(+)
n Z z
n
=
n
e
in
=
n
(cos(n ) +i sin(n ))
[z
1
z
2
[ = [z
1
[ [z
2
[

z
1
z
2

=
[z
1
[
[z
2
[
Propriet`a di un esponenziale complesso Sia z C si denisce esponenziale complesso la quantit`a
e
z
:= e
Re[z]+iIm[z]
= e
Re[z]
e
iIm[z]
5.3 Esercizi
Esercizio 5.1 (11/11/2006) Risolvere in C lequazione
z
2
+ 2 z = 5 [z[
2
Un semplice metodo risolutivo `e quello di sostituire z = x +i y pertanto
z
2
+ 2 z = 5 [z[
2
(x +i y)
2
+ 5 (x i y) = 5 (x
2
+y
2
)
x
2
+ 2 i x y y
2
+ 5 x 5 i y 5 x
2
5 y
2
= 0
4 x
2
6 y
2
+ 5 x +i (2 x y 5 y) = 0

_
4 x
2
+ 6 y
2
5 x = 0
y (2 x 5) = 0

_
4 x
2
5 x = 0
y = 0

_
4
_
5
2
_
2
+ 6 y
2
5
_
5
2
_
= 0
x =
5
2

_
x (4 x 5) = 0
y = 0

_
4
_
5
2
_
2
+ 6 y
2
5
_
5
2
_
= 0
x =
5
2

_
x = 0
y = 0

_
x =
5
4
y = 0

_
25 + 6 y
2

25
2
= 0
x =
5
2

_
x = 0
y = 0

_
x =
5
4
y = 0

_
6 y
2
+
25
2
= 0
x =
5
2

_
x = 0
y = 0

_
x =
5
4
y = 0

_
x = 0
y = 0

_
x =
5
4
y = 0
z = 0 z =
5
4
Esercizio 5.2 Scrivere x
2
+i x y in funzione di z e z
x =
z +z
2
y =
z z
2 i
x
2
+i x y =
_
z +z
2
_
2
+i
z +z
2

z z
2 i
=
1
4
(z
2
+ 2 z z
2
) +
1
4
(z
2
z
2
) =
z
2
(z +z) = z Re [z]
Esercizio 5.3 (#12, capitolo 1 delle dispense) Esprimere in funzione di z
f(x, y) = x
2
y
2
2 y + 2 i x (1 y)
x
2
y
2
2 y + 2 i x (1 y) = x
2
y
2
2 y + 2 i x 2 i x y = (x i y)
2
+ 2 (i x y) =
= (x i y)
2
+ 2 i (x +i y) = z
2
+ 2 i z
56 CAPITOLO 5. RIPASSO NUMERI COMPLESSI
Esercizio 5.4 Trovare i numeri z C tali che [z 1[ 1
[z 1[ = [x +i y 1[ = [(x 1) +i y[ =
_
(x 1)
2
+y
2
1
cio`e tutti i punti interni alla circonferenza, bordo bompreso, di centro (1, 0) e raggio 1.
Esercizio 5.5 Scrivere in forma algebrica z =
1+2i
34i
z =
(1 + 2 i) (3 4 i)
9 + 16
=
3 + 4 i + 6 i 6
25
=
3 + 10 i
25
Esercizio 5.6 Scrivere in forma polare (trigonometrica) i seguenti numeri complessi
z = i
_
[z[ = [i[ = 1
arg(i) =

2
z = cos
_

2
_
+i sin
_

2
_
= e
i

2
z = 1 +i
_
[z[ =

1 + 1 =

2
arg(i) =

4
z =

2
_
cos
_

4
_
+i sin
_

4
__
=

2 e
i

4
z = i (1 +i) = i 1
_
[z[ =

1 + 1 =

2
arg(i) =
3
4

z =

2
_
cos
_

3
4

_
+i sin
_

3
4

__
=

2 e
i
3
4

z = sin() +i cos()
z = sin() +i cos() = i (cos() i sin()) = i [cos() +i sin()] = i e
i
= e
i(

2
)
= z
Esercizio 5.7 Calcolare il modulo di z =
1 +

7 i

3 i
e
2+i

8
[z[ =

1 +

7 i

3 i

e
2

e
i

1 + 7

3 + 1
e
2
=

2 e
2
Esercizio 5.8 Sia z =
1i
i
, calcolare z
9
z =
1 i
i
= i (1 i) = i 1 =

2 e
i
5
4

z
9
= (

2)
9
e
i9
5
4

= 16

2 e
i(10+
5
4
)
= 16

2 e
i
5
4

Esercizio 5.9 Calcolare le radici quarte in C di 4


z = e
i
4 = 4 (1) = 4 e
i
z
4
= 4
4
e
i4
= 4 e
i
_

4
= 4
4 = + 2 k

_
=

2
=

4
+k

2
k 0, 1, 2, 3
z
1
= 1 +i, z
2
= 1 i, z
3
= 1 i z
4
= 1 +i
Dai risultati si pu`o ossevare che le radici sono i vertici di un poligono di n vertici, dove n `e il numero di
radici, inscritto in una circonferenza centrata in (0, 0).
Esercizio 5.10 Calcolare le soluzioni di z
2
2 z + 2 = 0.
In generale
a z
2
+b z +c = 0, a ,= 0, a, b, c C
z
1,2
=
b

b
2
4 a c
2 a
occorre quindi trovare le radici complesse di

b
2
4 a c.
Nellesempio specico si ha che
b
2
4 a c = 4 8 = 4

4 = 2 i
pertanto
z
1,2
=
2 2 i
2
= 1 i
5.3. ESERCIZI 57
Esercizio 5.11 Calcolare le soluzioni di 4 z
2
+ 4 z + 1 i = 0.
b
2
4 a c = 16 16 + 16 i = 16 i
_
w
2
= 16 i
w = e
i

_
w
2
= 16 i = 16 e
i

2
w
2
=
2
e
i2

_
= 4
2 =

2
+ 2 k

_
= 4
=

4
+k
k 0, 1
pertanto
z
1
= 4 e
i
1
4

= 2

2 +i 2

2, z
2
= 4 e
i
5
4

= 2

2 i 2

2
58 CAPITOLO 5. RIPASSO NUMERI COMPLESSI
Capitolo 6
Funzioni complesse
6.1 Esponenziale complesso
La funzione esponenziale complessa `e
e
z
:= e
x+iy
= e
x
e
iy
Siano z
1
= x
1
+i
1
C e sia z
2
= x
2
+i y
2
allora
e
z
1
= e
z
2

_
x
1
= x
2
y
1
= y
2
+ 2 k k Z
e
z
= e
z
z = z +i 2 k x +i y = x i y + 2 k y = k k Z
Poich`e lesponenziale complesso `e il prodotto di un esponenziale reale con la rappresentazione esponenziale
di un numero complesso valgono tutte le propriet`a di uso abituale.
6.2 Funzioni trigonometriche
Attraverso le formule di Eulero, nel campo reale, si pu`o denire il seno e coseno (reali)
t R
e
it
e
it
2 i
= sin(t)
e
it
+e
it
2
= cos(t)
Si possono denire le funzioni seno e coseno complesso.
z C
sin(z) :=
e
iz
e
iz
2 i
cos(z) :=
e
iz
+e
iz
2
6.2.1 Propriet`a
1 = sin
2
(z) + cos
2
(z) =
_
e
iz
e
iz
2 i
_
2
+
_
e
iz
+e
iz
2
_
2
=
=
1
4

_
e
i2z
2 e
iziz
+e
i2z
_
+
1
4

_
e
i2z
+ 2 +e
i2z
_
=
=
1
4

_
e
i2z
+ 2 e
i2z
+e
i2z
+ 2 +e
i2z
_
=
4
4
= 1
sin(z) = 0 z = k , k Z
e
iz
e
iz
2 i
= 0 e
iz
= e
iz
e
y
e
ix
= e
y
e
ix

_
e
y
= e
y
x = x + 2 k

_
y = 0
x = k
k Z
cos(z) = 0 z =

2
+k , k Z
e
iz
+e
iz
2
= 0 e
iz
= e
iz
= e
iz
e
i

e
y
e
ix
= e
y
e
i(x)

_
e
y
= e
y
x = x + 2 k

_
y = 0
x =

2
+k
k Z
59
60 CAPITOLO 6. FUNZIONI COMPLESSE
6.3 Funzioni iperboliche
z C
sinh(z) :=
e
z
e
z
2
cosh(z) :=
e
z
+e
z
2
6.3.1 Propriet`a
cosh
2
(z) sinh
2
(z) = 1
sinh(z) = 0 z = k i, k Z
cosh(z) = 0 z =

2
i +k i, k Z
6.4 Esercizi
Esercizio 6.1 (11/02/2009) Disegnare il dominio della funzione e trovare gli zeri di
f(z) =
e
i3z
1
z
4
4
dominio dom(f) = z C : z
4
,= 4
_
z
4
= 4
z = e
i

_
z
4
= 4 = 4 e
i0
z
4
=
4
e
i4

_

4
= 4
4 = 2 k

_
=

2
= k

2
k 0, 1, 2, 3
dom(f) = C
_

2 e
ik

2
, k 0, 1, 2, 3
_
= C
_
i

2,

2
_
zeri Si ricercano gli z tali che e
i3z
= 1 = 1 e
i0
i 3 z = i 2 k 3 z = 2 k z =
2
3
k k Z
Occorre, inne, vericare se gli zeri trovati fanno parte del dominio. Attraverso il graco si pu`o
osservare che gli zeri sono tutti interni al dominio.
5 4 3 2 1 0 1 2 3 4 5
5
4
3
2
1
0
1
2
3
4
5
0
sqrt(2)
4/3
2/3
sqrt(2)
sqrt(2) i
sqrt(2) i
2/3 4/3
punti esterni al dominio
zeri della funzione
-
Figura 6.1
f(z) = 0 z =
2
3
k k Z
6.4. ESERCIZI 61
Esercizio 6.2 (17/02/2011) Trovare gli zeri di
f(z) =
sin(2 z)
8 z
3
dom(f) = z C : 8 ,= z
3
= C
_
2, 2 e
i
2
3

, 2 e
i
4
3

_
sin(2 z) = 0 2 z = k z =
k
2
k Z
f(z) = 0 z =
k
2
k Z
Esercizio 6.3 Risolvere in C lequazione e disegnare il luogo degli zeri
(z i)
2
(z +i) = 9 z i 9
(z i) (z +i) = 9 z = i
z z +i z i z + 1 = 9 z = i
z z +i (z z) = x
2
+y
2
+i (i 2 y) = x
2
+y
2
2 y = 8 z = i
zeri: z C : [z i[ = 3 z = i
5 4 3 2 1 0 1 2 3 4 5
5
4
3
2
1
0
1
2
3
4
5
i
3
Figura 6.2
62 CAPITOLO 6. FUNZIONI COMPLESSE
Capitolo 7
Analisi in Campo Complesso
Denizione 7.1 Sia z
0
= (x
0
, y
0
) = x
0
+i y
0
C e sia r > 0.
Si denisce palla aperta o intorno aperto o disco aperto centrato in z
0
di raggio r linsieme
B
r
(z
0
) = z C : [z z
0
[ < r

Esempio 7.1 Calcola lintorno di i di raggio 3.


B
3
(i) = z C : [z i[ < 3 =
_
z = x +i y : x, y R,
_
x
2
+ (y 1)
2
< 3
_
Denizione 7.2 Si consideri D C, D si dice aperto se
z
0
D, B
r
(z
0
) D

Denizione 7.3 Un punto z


0
D si dice punto di bordo o punto di frontiera per D C se
r > 0, B
r
(z
0
) , D
La frontiera si indica con D.

Denizione 7.4 Si dice chiusura di D linsieme


D := D D

Denizione 7.5 Un insieme D C si dice chiuso se D = D (contiene i punti interni e i punti di


frontiera dellinsieme D).

Esempio 7.2 Sia D = B


r
(z
0
) C, un insieme aperto.
B
r
(z
0
) = z C : [z z
0
[ = r
B
r
(z
0
) = z C : [z z
0
[ r
Denizione 7.6 Sia D C, z
0
C si dice punto di accumulazione per D se ogni intorno di z
0
contiene
inniti punti di D, tali punti sono punti nei quali `e possibile calcolare il limite.

63
64 CAPITOLO 7. ANALISI IN CAMPO COMPLESSO
7.1 Curve in C
Denizione 7.7 Una curva in C `e una funzione : [a, b] C continua.
([a, b]) `e limmagine di sullintervallo [a, b]; limmagine si dice anche sostegno.

continua signica che se (t) = u(t) +i v(t) allora u, v : R R continue.


Esempio 7.3
: [0, 2 ] C
(t) := e
it
= (cos(t), sin(t)) = cos(t) +i sin(t)
`e continua poich`e sin e cos sono funzioni continue
Esempio 7.4
: [0, 2 ] C
(t) := z
0
+r e
it
= x
0
+i y
0
+r cos(t) +i r sin(t) = x
0
+r cos(t) +i [y
0
+r sin(t)]
`e continua poich`e sin e cos sono funzioni continue
Denizione 7.8 Sia : [a, b] C, se (t) = u(t) +i v(t)

(t) = (t) = u

(t) +i v

(t)

Denizione 7.9 Una curva ha derivata continua se ha le componenti della curva hanno derivate conti-
nue.
u, v C
1
C
1

Denizione 7.10 si dice C


1
a tratti se ha derivata continua tranne un numero nito di punti, cio`e
a = t
0
< t
1
< . . . < t
n1
< t
n
= b : C
1
([t
i
, t
i+1
]), i [0, n 1] N

Denizione 7.11 Sia C aperto, si dice connesso se dati due qualsiasi punti esiste una curva,
interamente contenuta in , che li unisce.
z
1
, z
2
, z
1
,= z
2
: a, b R, c,d [a, b], ([a, b]) : (c) = z
1
e (d) = z
2

7.2 Limiti
Denizione 7.12 Sia f : D C C e sia z
0
punto di accumulazione di D, si dice che
lim
zz
0
f(z) = l C lim
(x,t)(x
0
,y
0
)
[f(x, y) l[ = 0
se
> 0,

> 0 : 0 < [z z
0
[ <

[f(z) l[ <

Anche in campo complesso valgono le principali propriet`a algebriche dei limiti in campo reale.
Cio`e se f l, g m per z z
0
allora
lim
zz
0
[f(z) +g(z)] = lim
zz
0
f(z) + lim
zz
0
g(z) = l +m
lim
zz
0
[f(z) g(z)] = lim
zz
0
f(z) lim
zz
0
g(z) = l m
z B
r
(z
0
) : g(z) ,= 0, m ,= 0 : lim
zz
0
f(z)
g(z)
=
lim
zz
0
f(z)
lim
zz
0
g(z)
=
l
m
7.3. DERIVATA COMPLESSA 65
Osservazione Se f(z) = u(z) +i v(z)
lim
zz
0
f(z) = l = a +i b
_
_
_
lim
(x,y)(x
0
,y
0
)
u(x, y) = a
lim
(x,y)(x
0
,y
0
)
v(x, y) = b
7.3 Derivata complessa
Denizione 7.13 Sia f : C C con aperto e sia z
0
. Si dice che f ha derivata complessa
in z
0
pari ad l C se
lim
zz
0
f(z) f(z
0
)
z z
0
= l C lim
h0
f(z
0
) f(z
0
+h)
h
= l C
Si dice che f

(z
0
) =
f
z
(z
0
) = l

E possibile eettuare anche le derivate di ordine superiore denotandole con f

(z
0
), f
(n)
(z
0
),

n
f
z
n
Anche
in campo complesso continuano a valere le regole algebriche
, R, ( f + g)

(z
0
) = f

(z
0
) + g

(z
0
)
(f g)

(z
0
) = f

(z
0
) g(z
0
) +f(z
0
) g

(z
0
)
g(z
0
) ,= 0
_
f
g
_

(z
0
) =
f

(z
0
) g(z
0
) f(z
0
) g

(z
0
)
[g(z
0
)]
2
f(g(z))
z
= f

(g(z)) g

(z)
f `e continua in z
0
1
se e solo se u(x,y), v(x,y) sono continue in (x
0
,y
0
).
Esempio 7.5 Vericare se f(z) = z
2
z `e continua
f(x +i y) = (x +i y)
2
(x i y) = x
2
y
2
x +i (2 x y +y)
u(x, y) = x
2
y
2
x v(x, y) = 2 x y +y
poich`e u e v sono continue allora f `e continua.
Per la derivata complessa non `e suciente la derivabilit`a di u e v; infatti z non `e derivabile, nel senso
complesso, in C.
Denizione 7.14 Sia C aperto, f : C; f si dice analitica o olomorfa se f `e derivabile in ogni
punto di
z , f

(z)

Esiste un teorema che aerma che se f(z) = u(z) +i v(z) `e analitica in allora u, v C
1
().
Osservazione 7.1 Sia u(x, y) armonica e sia v(x, y) una sua armonica coniugata. In generale, per`o,
u(x, y) non `e unarmonica coniugata di v(x, y).
Esempio 7.6 Sia u(x, y) = x una funzione armonica.
Unarmonica coniugata di u(x, y) `e v(x, y) = y, infatti f(z) = u(x, y)+i v(x, y) = x+i y = z `e analitica;
per`o u(x, y) = x non `e unarmonica coniugata di v(x, y) = y infatti
f(z) = v(x, y) +i u(x, y) = y +i x = i (x i y) = i z non `e analitica
Teorema 7.1 Sia f(z) = u(z) +i v(z) : C; supponiamo che u, v C
1
() allora f `e derivabile in
z
0
= x
0
+i y
0
se e solo se valgono le equazioni di Cauchy-Reimann
2
in z
0
_

_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
)
u
y
(x
0
, y
0
) =
v
x
(x
0
, y
0
)
1
lim
zz
0
f(z) = f(z
0
)
2
nel seguito della trattazione tali equazioni saranno denominate C-R
66 CAPITOLO 7. ANALISI IN CAMPO COMPLESSO
Cio`e
f `e derivabile
_

_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
)
u
y
(x
0
, y
0
) =
v
x
(x
0
, y
0
)
Dimostrazione 7.1 La dimostrazione bisogna eseguirla per entrambi i sensi dellimplicazione.
f `e derivabile
_

_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
)
u
y
(x
0
, y
0
) =
v
x
(x
0
, y
0
)
Lidea `e quella di calcolare la derivata come limite
del rapporto incrementale avvicinandosi a z lungo i due assi coordinati
f

(z
0
) = lim
z z
0
z = (x, y
0
)
f(z) f(z
0
)
z z
0
= lim
z z
0
z = (x, y
0
)
f(x, y
0
) f(x
0
, y
0
)
x x
0
= lim
xx
0
f(x, y
0
) f(x
0
, y
0
)
x x
0
=
= lim
xx
0
u(x, y
0
) +i v(x, y
0
) u(x
0
, y
0
) i v(x
0
, y
0
)
x x
0
=
= lim
xx
0
_
u(x, y
0
) u(x
0
, y
0
)
x x
0
+i
v(x, y
0
) v(x
0
, y
0
)
x x
0
_
=
u
x
(x
0
, y
0
) +i
v
x
(x
0
, y
0
)
f

(z
0
) = lim
z z
0
z = (x
0
, y)
f(z) f(z
0
)
z z
0
= lim
z z
0
z = (x
0
, y)
f(x
0
, y) f(x
0
, y
0
)
i (y y
0
)
= lim
yy
0
f(x
0
, y) f(x
0
, y
0
)
i (y y
0
)
=
= lim
yy
0
u(x
0
, y) +i v(x
0
, y) u(x
0
, y
0
) i v(x
0
, y
0
)
i (y y
0
)
=
= lim
yy
0
_
i
u(x
0
, y) +i v(x
0
, y) u(x
0
, y
0
) i v(x
0
, y
0
)
y y
0
_
=
= lim
yy
0
_
v(x
0
, y) v(x
0
, y
0
)
y y
0
+i
_

u(x
0
, y) u(x
0
, y
0
)
y y
0
__
=
=
v
y
(x
0
, y
0
) +i
_

u
y
(x
0
, y
0
)
_
Poich`e il valore della derivata `e indipendente dalla direzione scelta si ha che
f

(z
0
) =
u
x
(x
0
, y
0
) +i
v
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
) +i
_

u
y
(x
0
, y
0
)
_
Luguaglianza sopra `e vera se sono uguali le parti reali e le parti immaginarie
_

_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
)
v
x
(x
0
, y
0
) =
u
y
(x
0
, y
0
)
f `e derivabile
_

_
u
x
(x
0
, y
0
) =
v
y
(x
0
, y
0
)
u
y
(x
0
, y
0
) =
v
x
(x
0
, y
0
)
Si assume che valgono le C-R e si verica che f

(z
0
); dallenunciato si ha che u, v C
1
()
pertanto esiste lo sviluppo di Taylor al primo ordine (piano tangente)
_

_
u(z) u(z
0
) =
u
x
(z
0
) (x x
0
) +
u
y
(z
0
) (y y
0
) +o([z z
0
[)
zz
0
v(z) v(z
0
) =
v
x
(z
0
) (x x
0
) +
v
y
(z
0
) (y y
0
) +o([z z
0
[)
zz
0
7.4. ESERCIZI 67
lim
zz
0
f(z) f(z
0
)
z z
0
= lim
zz
0
u(z) +i v(z) u(z
0
) i v(z
0
)
z z
0
= lim
zz
0
u(z) u(z
0
) +i [v(z) v(z
0
)]
z z
0
=
= lim
zz
0
u
x
(z
0
) (x x
0
) +
u
y
(z
0
) (y y
0
) +i
_
v
x
(z
0
) (x x
0
) +
v
y
(z
0
) (y y
0
)
_
z z
0
=
= lim
zz
0
_
u
x
(z
0
) +i
v
x
(z
0
)

(x x
0
) +
_
u
y
(z
0
) +i
v
y
(z
0
)
_
(y y
0
)
z z
0
=
= lim
zz
0
_
u
x
(z
0
) +i
v
x
(z
0
)

(x x
0
) +i
_
v
y
(z
0
) i
u
y
(z
0
)
_
(y y
0
)
z z
0
=
C-R
= lim
zz
0
_
u
x
(z
0
) +i
v
x
(z
0
)

(x x
0
) +i
_
u
x
(z
0
) +
v
x
(z
0
)

(y y
0
)
z z
0
=
= lim
zz
0
_
u
x
(z
0
) +i
v
x
(z
0
)

(z z
0
)
z z
0
=
u
x
(z
0
) +i
v
x
(z
0
)
Si `e quindi riusciti a dimostrare che il limite del rapporto incrementale esiste e soprattutto che la
derivata vale
f

(z
0
) =
u
x
(z
0
) +i
v
x
(z
0
)
7.4 Esercizi
Esercizio 7.1 Determinare la derivata e linsieme di derivabilit`a delle seguenti funzioni
f(z) = e
z
e
z
= e
x
e
iy
= e
x
cos(y) +i e
x
sin(y)
Si osserva che u e v sono funzioni C
1
(R
2
) (addirittura sono C

(R
2
), occorre quindi vericare la
veridicit`a delle C-R
_

_
u
x
(z) =
v
y
(z)
u
y
(z) =
v
x

_
e
x
cos(x) = e
x
cos(x)
e
x
sin(x) = (e
x
sin(x))
Poich`e le C-R sono valide per ogni z C allora f(z) `e derivabile in C e
f

(z) =
u
x
(z) +i
v
x
(z) = e
x
cos(y) +i e
x
sin(y) = e
z
z C,
e
z
z
= e
z
f(z) = sin(z)
sin(z) =
e
iz
e
iz
2 i
sin(z)
z
=

e
iz
e
iz
2 i
z
=
1
2 i

_
i e
iz
(i) e
iz
_
=
1
2 i
i
_
e
iz
+e
iz
_
= cos(z)
z C,
sin(z)
z
= cos(z)
f(z) = cos(z)
cos(z) =
e
iz
+e
iz
2
cos(z)
z
=

e
iz
+e
iz
2
z
=
1
2

_
i e
iz
+ (i) e
iz
_
=
1
2
i
_
e
iz
+e
iz
_
= sin(z)
z C,
cos(z)
z
= sin(z)
68 CAPITOLO 7. ANALISI IN CAMPO COMPLESSO
f(z) =
n

i=0
a
i
z
i
poich`e (z)

= lim
zz
0
z z
0
z z
0
= 1 e sfruttando la derivata del prodotto si ha che
_
z
2
_

= z z = 1 z +z 1 = 2 z
_
z
3
_

= z
2
z = 2 z z +z
2
1 = 3 z
2
procedendo per induzione si ha che (z
n
)

= n z
n1
pertanto
f

(z) =

z
_
n

i=0
a
i
z
i
_
=
n

i=1
a
i
z
i+1
z C,

z
_
n

i=0
a
i
z
i
_
=
n

i=1
a
i
z
i+1
f(z) = sinh(z)
sinh(z) =
e
z
e
z
2
sinh(z)
z
=

e
z
e
z
2
z
=
1
2

_
e
z

_
e
z
_
=
1
2

_
e
z
+e
z

= cosh(z)
z C,
sinh(z)
z
= cosh(z)
f(z) = cosh(z)
sinh(z) =
e
z
+e
z
2
cos(z)
z
=

e
z
+e
z
2
z
=
1
2

_
e
z
+
_
e
z
_
=
1
2

_
e
z
e
z

= sinh(z)
z C,
cosh(z)
z
= sinh(z)
Esercizio 7.2 (15/02/2007) Determinare linsieme de analiticit`a di f(z) =
cos(4 z)
(2 z +i) (z
2
+ 5)
.
Poich`e cos(4 z) `e derivabile, perch`e composizione di funzioni derivabili, e poich`e il denominatore `e un
polinomio e quindi derivabile si ha che f(z) `e derivabile in tutto il dominio di f.
dom(f) = Cz C : 2 z +i = 0, z
2
+ 5 = 0 = C
_

i
2
, i

5
_
f `e derivabile in C
_

i
2
, i

5
_
Esercizio 7.3 Dire dove `e derivabile:
f(z) = z
f(z) = z = x i y
Poich`e u, v C

(R
2
) si vericano le C-R.
_

_
u
x
(z) =
v
y
(z)
u
y
(z) =
v
x

_
1 = 1
0 = 0
Poich`e la prima equazione non vale per nessun z C allora z non `e mai derivabile.
f(z) = [z[
2
f(z) = [z[
2
= x
2
+y
2
Poich`e u, v C

(R
2
) si vericano le C-R.
_

_
u
x
(z) =
v
y
(z)
u
y
(z) =
v
x

_
2 x = 0
2 y = 0

_
x = 0
y = 0
Pertanto [z[
2
`e derivabile solo per z = 0.
Capitolo 8
Integrali
8.1 Denizioni: Curve in C
Si tratter` a nello svolgimento : [a, b] C curva continua, C
1
a tratti.
Denizione 8.1 [Punto iniziale, punto nale] Il punto (a) `e detto punto iniziale, mentre il punto b `e
detto punto nale.

Denizione 8.2 [Curva chiusa] Una curva si dice chiusa se il punto iniziale coincide con il punto nale.
(a) = (b)

Denizione 8.3 [Parametrizzazione] Se C C e C = ([a, b]) allora si dice parametrizzazione di C.

Denizione 8.4 [Curva di Jordan o curva semplice] Una curva si dice di Jordan o semplice se la curva
non passa mai due volte per lo stesso punto, fatta eccezione del punto iniziale; cio`e
c, d (a, b), (c) ,= (d)

Esempio 8.1

1
= z
0
+r e
it
, t [0, 2 ]

1
`e una curva di Jordan perch`e `e la parametrizzazione di un giro di circonferenza di raggio r e centro
z
0
.

2
= z
0
+r e
it
, t [0, 4 ]

2
non `e una curva di Jordan perch`e `e la parametrizzazione di due giri di circonferenza di raggio r e
centro z
0
.
8.2 Integrali curvilinei
Denizione 8.5 [Integrale di curva] Lintegrale della curva `e
_
b
a
(t) dt :=
_
b
a
Re [(t)] dt +i
_
b
a
Im[(t)] dt
Re [(t)], Im[(t)] : C R

Poich`e lintegrale della curva si scompone in due integrali di funzione reale di variabile reale valgono tutte
le propriet`a valide per gli integrali presentati nel corso di Analisi Matematica I.
69
70 CAPITOLO 8. INTEGRALI
Denizione 8.6 [Teorema fondamentale del calcolo integrale] Sia , curve tali che

(t) = (t) allora


_
b
a
(t) dt =
_
b
a

(t) dt = (b) (a)

Denizione 8.7 [Integrale curvilineo] Sia f : C C continua e sia : [a, b] , C


1
a tratti su
_

f(z) dz :=
_
b
a
f((t))

(t) dt

La nuova ridenizione dellintegrale `e un integrale di una curva pertanto `e possibile risolverlo mediante
la scomposizione della parte reale e della parte immaginaria.
Propriet`a 8.1 Se
1
,
2
sono due diverse parametrizzazioni dello stesso sostegno che lo percorrono nello
stesso verso e lo stesso numero di volte allora
_

1
f(z) dz =
_

2
f(z) dz
Propriet`a 8.2 Se
1
,
2
percorrono lo stesso sostegno lo stesso numero di volte ma con verso opposto
allora
_

1
f(z) dz =
_

2
f(z) dz
Propriet`a 8.3 Se =
1

2
allora
_

f(z) dz =
_

1
f(z) dz +
_

2
f(z) dz
Propriet`a 8.4 Sia : [a, b] C curva C
1
a tratti che percorre il sostegno una sola volta ( curva iniettiva)
allora

f(z) dz

_
sup
z([a,b])
[f(z)[
_
L()
con
L() :=
_
b
a
[

(t)[ dt
detta lunghezza della curva.
Denizione 8.8 [Insieme regolare] Sia C aperto e connesso. si dice regolare o regione con bordo
es (frontiera di ) `e lunione di un numero nito di curve di Jordan disgiunte.

Esempio 8.2
1
= B
r
(z
0
)
1
`e regolare poich`e
1
`e racchiuso una circonferenza (curva di Jordan).

2
= z C : 1 < [z +i[ < 2
2
`e lunione di due circonferenze disgiunte, pertanto
2
`e regolare.

3
= z C : [z + 1[ < 2, [z + 1[ ,= 1
3
`e lunione di due curve disgiunte ma
3
non `e regolare
poich`e linsieme non `e connesso (ad esempio i punti (1, 0) e
_
1
2
, 0
_
non sono collegabili da una curva
che resti sempre in
3
)
8.2.1 Richiamo di Analisi Matematica II
Teorema 8.1 (di Gauss-Green) Sia A R
2
aperto, connesso e regolare e sia

E : A R
2
campo
vettoriale
1
continuo
2
tale che

E C
1
(A)
3
allora
_
A
_


E
_
dx dy =
_
A
_
b
x

a
y
_
dx dy =
_
A

E d

l
dove : [a, b] R
2
parametrizza A percorrendolo una sola volta in senso positivo
4
_
A

E d

l =
_
A

E ds :=
_
b
a

E((t))

(t) dt
1
funzione che ad ogni punto associa un vettore, in generale

E : R
n
R
m
2
un campo vettoriale `e continuo se ha le sue componenti continue
3
un campo vettoriale `e di classe C
1
se ha le derivate parziali continue
4
geometricamente si intende verso positivo il verso di percorrenza che si ottiene quanto si lascia A sulla sinistra
8.2. INTEGRALI CURVILINEI 71
Teorema 8.2 (di Cauchy-Goursat) Sia A C aperto, connesso e regolare e sia f : A C continua
e analitica in A allora
_
A
f(z) dz = 0
Dimostrazione 8.1 Si deniscono
f(z) = u(x, y) +i v(x, y) : [a, b] C parametrizzazione di A
_
A
f(z) dz :=
_
b
a
(u((t)) +i v((t)))
. .
f((t))
(x

(t) +i y

(t))
. .

(t)
dt =
=
_
b
a
[u x

v y

] dt +i
_
b
a
[v x

+u y

] dt =
=
_
b
a
(u, v) (x

, y

) dt +i
_
b
a
(v, u) (x

, y

) dt =
=
_
A
(u, v) d

l +i
_
A
(v, u) d

l
GaussGreen
=
=
_
A
_

v
x

u
y
_
dx dy +i
_
A
_
u
x

v
y
_
dx dy
CR
=
=
_
A
0 dx dy +i
_
A
0 dx dy = 0
Denizione 8.9 [Indice di avvolgimento] Sia : [a, b] C una curva di Jordan che circonda z
0
C.
Si denisce indice di
I

= Ind(, z
0
) :=
1
2 i

_

dz
z z
0

Esempio 8.3 Calcolare


I =
_

dz
z z
0
con z
0
C e r > 0; sulle curve

1
= [0, 2 ] C
1
(t) = z
0
+r e
it

n
= [0, 2 n ] C
n
(t) = z
0
+r e
it
_

1
dz
z z
0
=
_
2
0
1
r e
it
r e
it
i dt = i
_
2
0
dt = 2 i
_

n
dz
z z
0
=
_
2n
0
1
r e
it
r e
it
i dt = i
_
2n
0
dt = 2 n i
Si osserva dunque che
1
2 i

_

n
dz
z z
0
= n
indica il numero di volte che la parametrizzazione
n
apassa attorno a z
0
in senso antiorario.
Dimostrazione 8.2 Sia una curva di Jordan qualsiasi, contenente z
0
C, si prende B
r
(z
0
) tale che
stia tutto allinterno dellarea racchiusa da .
Per il teorema di Cauchy-Goursat si ha che
_
B
r
(z
0
)
dz
z z
0
=
_

dz
z z
0

_
B
r
(z
0
)
dz
z z
0
=
_

dz
z z
0
2 i = 0
I

=
_

dz
z z
0
= 2 i
72 CAPITOLO 8. INTEGRALI
Osservazione 8.1 Sia f(z) analitica in C aperto. Siano
1
,
2
due curve di Jordan disgiunte
contenute in , una interna allaltra allora
_

1
f(z) dz
_

2
f(z) dz
Infatti per Cauchy-Goursat applicato allarea racchiusa tra le due curve si ha che
_
A
f(z) dz =
_

1
f(z) dz
_

2
f(z) dz = 0
_

1
f(z) dz =
_

2
f(z) dz
Teorema 8.3 (formula di Cauchy) Sia A C un insieme aperto e regolare
5
, z
0
A e f : A A
continua e analitica in A
allora
f(z
0
) =
1
2 i

_
A
f(z)
z z
0
dz
A `e percorsa una sola volta con senso positivo
Dimostrazione 8.3 Si considera g(z) =
f(z)
z z
0
, g `e analitica in A pertanto lo `e anche in AB
r
(z
0
), r
R
+
: B
r
(z
0
) A.
Linsieme AB
r
(z
0
) cos` denito `e regolare e la sua frontiera `e
(AB
r
(z
0
)) = A B
r
(z
0
)
sotto queste condizioni `e possibile applicare il teorema di Cauchy-Goursat pertanto
0 =
_
(A\B
r
(z
0
))
g(z)
z z
0
dz =
_
A
f(z)
z z
0
dz
_
B
r
(z
0
)
f(z)
z z
0
dz
_
A
f(z)
z z
0
dz =
_
B
r
(z
0
)
f(z)
z z
0
dz, r R
+
: B
r
(z
0
) A
passando al limite si ha
_
A
f(z)
z z
0
dz = lim
r0
+
_
A
f(z)
z z
0
dz = lim
r0
+
_
B
r
(z
0
)
f(z)
z z
0
dz
_
B
r
(z
0
)
f(z)
z z
0
dz =
_
B
r
(z
0
)
f(z) f(z
0
) +f(z
0
)
z z
0
dz =
=
_
B
r
(z
0
)
f(z) f(z
0
)
z z
0
dz +f(z
0
)
_
B
r
(z
0
)
1
z z
0
dz =
=
_
B
r
(z
0
)
f(z) f(z
0
)
z z
0
dz +f(z
0
) 2 i
lim
r0
+
_
B
r
(z
0
)
f(z)
z z
0
dz = lim
r0
+
_
_
B
r
(z
0
)
f(z) f(z
0
)
z z
0
dz
_
+f(z
0
) 2 i
poich`e (come visto in precedenza si ha)

_
B
r
(z
0
)
f(z) f(z
0
)
z z
0
dz

sup
zB
r
(z
0
)
[f(z) f(z
0
)[
[z z
0
[
2 r =
= sup
zB
r
(z
0
)
[f(z) f(z
0
)[
r
2 r =
= sup
zB
r
(z
0
)
[f(z) f(z
0
)[ 2
poich`e f `e continua
_
lim
r0
+
[f(z) f(z
0
)[ = 0
_
lim
r0
+

_
B
r
(z
0
)
f(z) f(z
0
)
z z
0
dz

lim
r0
+

sup
zB
r
(z
0
)
[f(z) f(z
0
)[ 2

= 0

E, quindi, possibile concludere che


_
A
f(z)
z z
0
dz = f(z
0
) 2 i
5
regolare connesso, limitato con bordo composto da un numero nito di curve di Jordan disgiunte
8.3. ESERCIZI 73
Denizione 8.10 [formula di Cauchy per le derivate] Sia f analitica in A aperto, regolare; continua su
A e regolare
n N : f
(n)
(z) =
n!
2 i
_
A
f(w)
(w z)
n+1
dw

Dimostrazione 8.4 Si pu`o dimostrare, non lo si fa, che si pu`o derivare f(z) sotto il segno di integrale,
pertanto
f

(z) =
1
2 i
_
A
f(w)
(w z)
2
dw
f

(z) =
2
2 i
_
A
f(w)
(w z)
3
dw
per induzione si ha che
n N : f
(n)
(z) =
n!
2 i
_
A
f(w)
(w z)
n+1
dw
Corollario 8.1 Sotto lipotesi di f analitica in un insieme apero si ha che f C

(A); in particolare si
ha che se f(z) = u(x, y) +i v(x, y)
u, v C

(A)
In R C
1
C
2
. . . C

In C C
1
= C
2
= . . . = C

8.3 Esercizi
Esercizio 8.1 Calcolare
I =
_
b
a
e
it
dt
Sfruttando la denizione di integrale si ha
I =
_
b
a
e
it
dt =
_
b
a
cos(t) dt +i
_
b
a
sin(t) dt =
= [sin(t)]
b
a
+i [cos(t)]
b
a
= sin(b) sin(a) i cos(b) +i cos(a) =
= i (cos(b) +i sin(b)) +i (cos(a) +i sin(a)) =
i e
ib
+i e
ia
= i (e
ib
e
ia
)
Sfruttando il teorema fondamentale si ha
I =
_
b
a
e
it
dt =
_
e
it
i
_
b
a
=
1
i
(e
ib
e
ia
) = i (e
ib
e
ia
)
Esercizio 8.2 (18/04/2005) Calcolare
I =
_

(2 z + 3) dz
dove `e il cammino chiuso semplice avente come sostegno la circonferenza di centro Z
0
= 0 e raggio
r = 1, percorsa in senso antiorario.
Si ha subito che
(t) = z
0
+r e
it
= e
it
, t [0, 2 ]
I =
_

(2 z + 3) dz =
_
2
0
(2 (t) + 3)

(t) dt =
_
2
0
_
2 e
it
+ 3
_
i e
it
dt =
_
2
0
_
2 i + 3 i e
it

dt =
=
_
2 i t + 3 e
i
t

2
0
= 4 i + 3 0 3 = 4 i
74 CAPITOLO 8. INTEGRALI
Esercizio 8.3 Calcolare
I =
_

e
z
dz
dove ha come sostegno il segmento che va da i a
i
2
.
Si parametrizza la curva in senso inverso, perch`e pi` u comodo.

(t) = i t, t
_
1
2
, 1
_
I =
_

e
z
dz =
_

e
z
dz =
_
1
1
2
e
it
i dz = i
_
e
it
i
_
1
1
2
=
_
e
it

_
1
1
2
=
e
i
e
i

=
1 i

Esercizio 8.4 (15/02/2007) Si calcoli


I =
_

(2 i z) dz
dove
: [0, 1] C (t) = (t, t t
2
) = t +i (t t
2
)
Provando a risolvere lintegrale attraverso la denizione si potrebbero avere passaggi molto lunghi, ma
applicando Cauchy-Goursat si ha che poich`e f(z) `e analitica allora
_

f(z) dz = 0 con curva di


natura pi` u semplice rispetto a ma con stasso punto iniziale e nale.
= t t [0, 1]
pertanto
I =
_

(2 i z) dz =
_

(2 i z) dz =
_
1
0
(2 i t) dt =
_
2 t i
t
2
2
_
1
0
= 2
i
2
Esercizio 8.5 Calcolare
I =
_

_
12 z
2
4 i z
_
dz
su una curva che parametrizza linsieme
C =
_
z = x +i y : y = x
3
3 x
2
+ 4 x 1, 1 x 2
_
Tracciando il graco di C si osserva che la curva parte dal punto (1, 1) e giunge nel punto (2, 3) eettuando
il percorso una sola volta. Poich`e f `e analitica allora si pu`o prendere un percorso alternativo che abbia
come punti iniziale e nale gli stessi punti di C. Si formano quindi

1
= t +i t [1, 2]
2
= 2 +i t t [1, 3]
in questo modo


1

2
forma un percorso chiuso e per il teorema si ha che
I =
_

f(z) dz =
_

2
f(z) dz =
_

1
f(z) dz +
_

2
f(z) dz =
=
_
2
1

_
12 (t +i)
2
4 (t +i)
_
dt +
_
3
1
_
12 (2 +i t)
2
4 (2 +i t)
_
dt =
= 4
_
2
1

_
3 t
2
t 3 +i (6 t 1)
_
dt + 4
_
3
1
_
3 t
2
+ 10 +i 11 t
_
dt =
= 4
_
_
t
3

t
2
2
3 t +i
_
3 t
2
t
_
_
2
1
+
_
t
3
+ 10 t + 11 i
t
2
2
_
3
1
_
=
= 4
_
5
2
+ 8 i 6 + 44 i
_
= 14 + 208 i
Esercizio 8.6 Calcolare
I =
1
2 i

_

dz
z z
0
dove curva di Jordan con senso positivo e sia z
0
C allinterno di Poich`e `e una curva di Jordan
(percorre il sostegno, C, una sola volta) si ha
I = Ind(, z
0
) = 1

E possibile utilizzare tale formula in quanto f(z) =


1
zz
0
`e analitica in CB
r
(z
0
), r R
+
: B
r
(z
0
) C
8.3. ESERCIZI 75
Esercizio 8.7 Sia (t) = 2 cos(t) +i sin(t), t [2 , 4 ]
_

dz
z 1
=
_

_
a) 2 i
b) 0
c) 4 i
d) 6 i
`e la parametrizzazione di un ellisse.
In generale un ellisse ha la seguente equazione cartesiana
(x x
0
)
2
a
2
+
(y y
0
)
2
b
2
= 1 a, b R
+
_
x = x
0
+a cos(t)
y = y
0
+b sin(t)
t [0, 2 ]
Prendendo B
r
(1), r R
+
: B
r
(1) area racchiusa da si ha
_

dz
z 1
=
_
4
2
1
r e
i
i r e
it
dt = 6 i
Pertanto la soluzione corretta `e d.

E possibile farlo poich`e z = 1 `e allinterno dellarea racchiusa da (se fosse esterno lintegrale varrebbe
0).
Esercizio 8.8 (settembre 2006) Calcolare
I =
_
C
z
12
e
cos(z)
dz
con C = z C : [z + 2[ = 1
6
.
Poich`e f(z) =
z
12
e
cos(z)
`e analitica in C (cmposizione di funzioni analitiche) si ha per il teorema di Cauchy-
Goursat che
_
C
f(z) dz = 0
Esercizio 8.9 (17/11/2007) Calcolare
I =
_

_
2 [z[ 3 z
2
_
dz
con parametrizzazione di C = z C : [z[ = 2.
Il teorema di Cauchy-Goursat non pu`o essere usato poich`e f non `e analitica (`e una composizione di
funzioni non analitiche, [z[) pertanto `e necessaro ricorrere alla denizione.
(t) = 2 e
it
t [0, 2 ]
I =
_

_
2 [z[ 3 z
2
_
dz = 2
_

[z[ dz 3
_

z
2
dz
CauchyGoursat
= = 2
_

[z[ dz =
= 2
_
2
0

2 e
it

2 i e
it
dt = 8
_
2
0

e
it

..
1
i e
it
dt = 6
_
e
it

2t
0
= 0
I = 0
Esercizio 8.10 Calcolare
I =
_
C
z dz
dove C = z = t
2
+i t, t [0, 2]
Poich`e f non `e analitica pertanto occorre ricorrere alla denizione
I =
_
2
0
t
2
+i t (2 t +i) dt =
_
2
0
(t
2
i t) (2 t +i) dt =
_
2
0
_
2 t
3
i t
2
+t

dt =
=
_
t
4
2
i
t
3
3
+
t
2
2
_
2
0
= 8 i
8
3
+ 2 = 10 i
8
3
6
quando non sono indicate le caratteristiche di una curva si intendono curve percorse una sola volta in senso positivo
76 CAPITOLO 8. INTEGRALI
Esercizio 8.11 (12/02/2008) Calcolare
I =
_
C
e
5iz
z
2
+ 4 i z 3
dz
con C = z C : [z[ =

3
Occorre vericare dove la funzione `e denita, e quindi linsieme di analiticit`a (essendo il rapporto di
funzioni analitiche nel loro dominio lindieme di analiticit`a `e dom(f)).
z
2
+ 4 i z 3 = 0 z
1,2
=
4 i

16 + 12
2
= 2 i i dom(f) = C 3 i, 1
I =
_
C
e
5iz
(z +i) (z + 3 i)
dz
poich`e z = 3 i (polo di f(z)) non `e contenuto nellarea racchiusa da C si pu`o riscrivere lintegrale nel
seguente modo
I =
_
C
e
5iz
z + 3 i

1
z +i
dz
Mediante questa riscrittura `e possibile applicare la formula di Cauchy con
f(z) =
e
5iz
z + 3 i
z
0
= i
pertanto
I = 2 i f(i) = 2 i
e
5i(i)
i + 3 i
= 2 i
e
5
2 i
= e
5

Esercizio 8.12 Calcolare
I =
_

e
z
(z
2
3)
2 z
2
+ 3
dove ha come sostegno C =
_
z = x +i y : x
2
+
2
3

_
y
_
3
2
_
= 1
_
2 z
2
+ 3 = 2
_
z
2
+
3
2
_
= 2
_
z +i

32
_

_
z i

32
_
=
I =
_

e
z
(z
2
3)
2
_
z +i
_
3
2
_
1
z i
_
3
2
dz = 2 i
_

_
e
z
(z
2
3)
2
_
z +i
_
3
2
_
_

_
z=i

3
2
=
= 2 i
e
i

3
2

_
_
i
_
3
2
_
2
3
_
2
_
i
_
3
2
+i
_
3
2
_ = 2 i
e
i

3
2

3
2
3
_
2
_
i 2
_
3
2
_ =
=
e
i

3
2

9
2
_

3
= e
i

3
2

3
2

2
Esercizio 8.13 (06/09/2005) Calcolare
I =
_
C
1
z
2
(z
2
+ 9)
dz
dove C `e il bordo dellinsieme z C : [z 1[ < 2
1
z
2
(z
2
+ 9)
=
1
z
2
(z +i 3) (z i 3)
Poich`e il polo doppio in z = 0 `e lunico polo allinterno dellinsieme delimitato da C allora si pu`o denire
f(z) =
1
z
2
+ 9
una f analitica in C pertanto si ha
I =
_
C
f(z)
z
2
dz
Utilizzando la formula di Cauchy per le derivate (n = 1) si ha
I =
2 i
1!

f
z
(z
0
) = 2 i
_

2 z
(z
2
+ 9)
2
_

z=0
= 0
8.3. ESERCIZI 77
Esercizio 8.14 Calcolare
I =
_

e
z+1
(z 2)
24
dove `e il sostegno di C = [z[ = 4
Utilizzando la formula per le derivate di Cauchy con n = 23 e f(z) = e
z+1
analitica
I =
2 i
23!


23
e
z+1
z
23

z=2
=
2 i
23!
e
3
78 CAPITOLO 8. INTEGRALI
Capitolo 9
Successioni e Serie
Denizione 9.1 [Successioni in C] Una successione di numeri complessi z
n
C converge a l C se
lim
n+
[z
n
l[ = 0

Prosizione 9.1 Se z
n
= a
n
+ i b
n
, a
n
, b
n
R converge a l = a + i b allora a
n
converge ad a e b
n
converge a b.
9.1 Serie in C
Denizione 9.2 [Serie complessa] Una serie si dice complessa se il termine generale della serie `e
complesso
+

n=0
c
n
, c
n
C

Prosizione 9.2 (Convergenza serie complessa) Una serie complessa,


+

n=0
c
n
, converge alla somma
s se converge la successione delle somme parziali; cio`e
+

n=0
c
n
= s lim
k+
_
k

n=1
c
k
_
= s
Propriet`a 9.1 (Convergenza della Serie) Data la serie complessa
+

n=0
c
n
1. La serie converge se converge la serie delle parti reali e la serie delle parti immaginarie.
2. Se la serie converge allora lim
n+
c
n
= 0
_
cio`e anche se lim
n+
[c
n
[ = 0
_
3. Se converge la serie in valore assoluto,
+

n=0
[c
n
[, converge allora
+

n=0
c
n
converge. Se si ha conver-
genza assoluta allora si ha anche convergenza semplice (non vale lopposto).
9.2 Serie di potenze in C
Denizione 9.3 [Serie di potenze] Si dice serie di potenze centrata in z
0
C la serie
+

n=0
a
n
(z z
0
)
n
, a
n
, z C
79
80 CAPITOLO 9. SUCCESSIONI E SERIE

Teorema 9.1 (Convergenza serie di potenze) Se S(z) :=


+

n=0
a
n
(z z
0
)
n
allora R R
+
0
(raggio
di convergenza)
S(z) converge se z B
R
(z
0
)
S(z) non converge se z CB
R
(z
0
)
Denizione 9.4 [Raggio di convergenza] Si denisce raggio di convergenza
R =
1
lim
n+

a
n+1
a
n

=
1
lim
n+
n
_
[a
n
[
per convenzione se il limite vale 0 allora R = +; mentre se il limite vale + allora R = 0

Denizione 9.5 [Serie geometrica] La serie


+

n=0
z
n
si dice serie geometrica; tale serie converge a
1
1z
con [z[ < 1

Teorema 9.2 (Derivata per serie) Sia


S(z) =
+

n=0
a
n
(z z
0
)
n
una serie convergente in z B
R
(z
0
); allora
S

(z) =
+

n=1
a
n
n (z z
0
)
n1
, z B
R
(z
0
)
Corollario 9.1 Le serie di potenze hanno innite derivate nellinsieme di convergenza.
Teorema 9.3 (sviluppo in serie di Taylor) Sia C aperto e sia f : C analitica e sia z
0
,
r > 0 : B
r
(z
0
) si ha che
f(z) =
+

n=0
f
(n)
(z
0
)
n!
(z z
0
)
n
, z B
r
(z
0
)
f
(n)
(z
0
) =
n!
2 i

_
C
f(w)
(w z
0
)
n+1
dw con C circonferenza arbitraria in di centro z
0
Dimostrazione 9.1 Sia 0 < r
1
< r, per la formula di Cauchy per le derivate si ha che
z B
r
1
(z
0
), f(z) =
1
2 i

_
B
r
1
f(w)
w z
dw =
1
2 i

_
C
f(w)
z z
0
z +z
0
dw =
=
1
2 i

_
C
f(w)
(w z
0
) (z z
0
)
dw =
=
1
2 i

_
C
f(w)
(w z
0
)
_
1
zz
0
wz
0
_ dw =
=
1
2 i

_
C
f(w)
w z
0

n=0
_
z z
0
w z
0
_
n
dw
T
=
T
=
+

n=0
_
1
2 i

_
C
_
f(w)
(w z
0
)
n+1
_
dw (z z
0
)
n
_
=
+

n=0
f
(n)
n!
(z z
0
)
n
9.3. ESERCIZI 81

T
= suppone la conoscenza di un teorema che consente di trasportare il simbolo di serie fuori dal
simbolo di integrale.
Inoltre lindipendenza di C deriva dallapplicazione del teorema di Cauchy-Gousart.
Esempio 9.1 (Sviluppi di Taylor notevoli)
e
z
=
+

n=0
z
n
n!
R = +
sin(z) =
+

n=0
(1)
n
z
2n+1
(2 n + 1)!
R = +
cos(z) =
+

n=0
(1)
n
z
2n
(2 n)!
R = +
sinh(z) =
+

n=0
z
2n+1
(2 n + 1)!
R = +
cosh(z) =
+

n=0
z
2n
(2 n)!
R = +
9.3 Esercizi
Esercizio 9.1 (06/09/2005) Determinare linsieme di convergenza di
+

n=1
(z 4)
n
n
3
(9 i)
n
Si osserva che la serie `e una serie di potenza centrata in z
0
= 4 con a
n
=
1
n
3
(9 i)
n
1
R
= lim
n+

a
n+1
a
n

= lim
n+

n
3
(9 i)
n
(n + 1)
3
9 i (9 i)
n

=
1
9
R = 9
1
R
= lim
n+
n
_
[a
b
[ = lim
n+
n
_
1
n
3
9
n
= lim
n+
1
n

n
3
9
=
1
9
R = 9
Se [z z
0
[ = R, cio`e [z 4[ = 9, si considera
[a
n
(z z
0
)
n
[ =
1
n
3
9
n
[z 4[
n
=
1
n
3
9
n
9
n
=
1
n
3
poich`e
+

n=0
1
n
3
converge allora converge
+

n=0
[a
n
(z z
0
)
n
[ e di conseguenza anche
+

n=0
a
n
(zz
0
)
n
pertanto
la serie
+

n=0
a
n
(z z
0
)
n
converge per z B
9
(4)
Esercizio 9.2 (03/09/2009) Determinare linsieme di convergenza di
+

n=0
(n + 3) z
2n
i
n
5
n
+

n=0
(n + 3) z
2n
i
n
5
n
=
+

n=0
(n + 3)
i
n
5
n
w
n
, w = z
2
Si studia la serie in w e poi si trasformano i risultati in z.
1
R
w
= lim
n+

n + 3 + 1
5 i (5 i)
n

(5 i)
n
n + 3

= lim
n+
n + 4
5 (n + 3)
=
1
5
R
w
= 5
82 CAPITOLO 9. SUCCESSIONI E SERIE
Se [w[ = 5 si considera il modulo del termine n-esimo
[a
n
w
n
[ =

(n + 3) 5
n
i
n
5
n

= n + 3
poich`e lim
n+
[a
n
[ ,= 0 allora la serie non converge per [w[ = 5 Il raggio di convergenza trovato precen-
dentemente riguarda la serie in w, pertanto la serie converge per
[w[ =

z
2

< 5 [z[ <

5
Pertanto la serie converge per z B

5
(0)
Esercizio 9.3 (17/02/2011) Trovare linsieme di convergenza e disegnarlo della serie
+

n=2
e
2niz
e
i
[n
3
+ (1)
n
]
+

n=2
e
2niz
e
i
[n
3
+ (1)
n
]
=
+

n=2
w
n
e
i
[n
3
+ (1)
n
]
, w = e
2iz
1
R
w
= lim
n+

a
n+1
a
n

= lim
n+

e
i
[n
3
+ (1)
n
]
e
i
[(n + 1)
3
(1)
n
]

= 1 R
w
= 1
Se [w[ = 1
[a
n
w
n
[ =

1
e
i
(n
3
+ (1)
n
)

=
1
n
3
+ (1)
n
n+

1
n
3
Poich`e
+

n=2
[a
n
w
n
[ converge allora
+

n=2
a
n
w
n
converge. Pertanto la serie converge se
[w[ 1

e
2iz

e
2iz

= e
Re[2iz]
= e
Re[2ix+2y]
= e
2y
1
Pertanto la serie converge in
z C : Im[z] 0
Esercizio 9.4 Sia f : C C analitica tale che f(z) = 0, z C. Provare che f(z) = 0, z C.
Per il teorema dello sviluppo in serie si ha che
f(z) =
+

n=0
f
(n)
(0)
n!
z
n
R = +
n, f
(n)
(0) = 0 poich`e f(z) = 0 se z B
1
(0) di conseguenza
f(z) =
+

n=0
0
n!
z
n
= 0
Esercizio 9.5 (12/02/2008) Ricavare linsieme di convergenza e la somma di
+

n=0
(z + 3 i)
2n+1
(3 + 4 i)
n
+

n=0
(z + 3 i)
2n+1
(3 + 4 i)
n
= (z + 3 i)
+

n=0
w
n
, w =
(z + 3 i)
2
3 + 4 i
poich`e si ha usa serie geometrica si sa che R
w
= 1 pertanto
+

n=0
w
n
=
1
1 w
(z + 3 i)
+

n=0
w
n
= (z + 3 i)
1
1 w
= (z + 3 i)
1
1
(z + 3 i)
2
3 + 4 i
=
(z + 3 i) (3 + 4 i)
3 + 4 i (z + 3 i)
2
9.3. ESERCIZI 83
[w[ =

(z + 3 i)
2
3 + 4 i

=
[z + 3 i[
2
5
< 1 [z + 3 i[ <

5
La serie converge per z B

5
(3 i)
+

n=0
(z + 3 i)
2n+1
(3 + 4 i)
n
=
(z + 3 i) (3 + 4 i)
3 + 4 i (z + 3 i)
2
Esercizio 9.6 Determinare linsieme di convergenza e la somma di
+

n=1
(3 i)
n
(z i)
n
n!
Ricordando che e
w
=
+

n=1
w
n
n!
, R = + si ha che
+

n=1
(3 i)
n
(z i)
n
n!
=
+

n=1
[(3 i) (z 1)]
n
n!
= e
(3i)(zi)
1, R = +
Linsieme di convergenza pertanto `e tutto C
+

n=1
(3 i)
n
(z i)
n
n!
= e
(3i)(zi)
1, z C
Esercizio 9.7 Determinare linsieme di convergenza e la somma di
+

n=1
e
2nz+inz
=
+

n=1
_
e
2z+iz
_
n
=
+

n=1
w
n
, w = e
2z+iz
+

n=1
w
n
=
1
1 w
1, w : [w[ < 1
+

n=1
e
2nz+inz
=
1
1 e
2z+iz
1 =
e
2z+iz
1 e
2z+iz
z :

e
2z+iz

e
2x+2iy+ixy

< 1 e
2xy
< 1 2 x y < 0 y > 2 x
+

n=1
e
2nz+inz
=
e
2z+iz
1 e
2z+iz
, z w C : Im[w] > 2 Re [w]
Esercizio 9.8 (21/09/2011) Determinare linsieme di convergenza di
+

n=1
3

n (z +i)
4n
2 i n
2
+ (i + 3) log n
+

n=1
3

n (z +i)
4n
2 i n
2
+ (i + 3) log n
=
+

n=1
3

n
2 i n
2
+ (i + 3) log n
w
n
, w = (z +i)
4
Utilizzando il criterio del rapporto si ha
lim
n+

a
n+1
a
n

= lim
n+

n + 1
2 i (n + 1)
2
+ (i + 3) log(n + 1)

2 i n
2
+ (i + 3) log(n)
3

= 1 R = 1
Se [w[ = 1 si ha

n w
n
2 i n
2
+ (i + 3) log(n)

n
2 i n
2
+ (i + 3) log(n)

n+

n
2 i n
2

1
2 i n
2
1
3

=
1
2 n
5
3
+

n=1
[a
n
w
n
[ =
+

n=1
1
2 n
5
3
converge
Pertanto linsieme di convergenza della serie `e
[w[ 1

(z +i)
4

1 [z +i[ 1 z B
1
(i)
84 CAPITOLO 9. SUCCESSIONI E SERIE
Capitolo 10
Teorema di Laurent e dei Residui
Teorema 10.1 (Teorema di Laurent) Siano 0 r
1
< r
2
+ e sia f analitica in r
1
< [z z
0
[ <
r
2
, z
0
C, allora
f(z) =
+

n=
c
n
(z z
0
)
n
:=
+

n=1
c
k
(z z
0
)
k
+
+

n=0
c
n
(z z
0
)
n
, z B
r
2
(z
0
)B
r
1
(z
0
)
dove
c
n
:=
1
2 i
_
C
f(w)
(w z
0
)
n+1
dw
con C una qualunque circonderenza di centro z
0
e raggio r (r
1
, r
2
)
Denizione 10.1 [Singolarit`a isolata di f] Sia aperto, z
0
e sia f(z) analitica in z
0
, si dice
che z
0
`e una singolarit`a isolata di f.

Sia r > 0 e B
r
(z
0
) e sia
f(z) = . . . +
c
2
(z z
0
)
2
+
c
1
z z
0
+
+

n=0
c
n
(z z
0
)
n
Denizione 10.2 [Residuo di f] Si denisce residuo di f in z
0
la quantit`a
Res
f
(z
0
) := c
1
=
1
2 i

_
c
f(w) dw

Denizione 10.3 [Polo di ordine n] Se


f(z) =
c
n
(z z
0
)
n
+. . . +
c
1
z z
0
+
+

n=0
c
n
(z z
0
)
n
con c
n
,= 0 e c
k
= 0, k > n
z
0
si dice polo di ordine n, in particolare se n = 2 z
0
si dice polo doppio, mentre se n = 1 si dice polo
semplice.

Denizione 10.4 [Parte principale di f] Si denisce parte principale di


f(z) =
+

n=1
c
k
(z z
0
)
k
+
+

n=0
c
n
(z z
0
)
n
la parte di serie con potenze negative di (z z
0
) cio`e
+

n=1
c
k
(z z
0
)
k
85
86 CAPITOLO 10. TEOREMA DI LAURENT E DEI RESIDUI

Denizione 10.5 [Punto di singolarit`a essenziale di f] Si denisce z


0
punto di singolarit`a essenziale di
f(z) se la parte principale contiene un numero innito di termini (cio`e ha un numero nito di c
k
,= 0)

Denizione 10.6 [Zero di ordine h] Se f(z) =


+

n=h
c
n
(z z
0
)
n
con h N
+
, z
0
si dice singolarit`a
eliminabile o apparente, se c
h
,= 0 z
0
si dice zero di ordine h.

10.1 Metodi di calcolo dei Residui


Il calcolo dei residui pu`o essere eseguito attraverso la determinazione della serie di Laurent, tuttavia vi
sono dei metodi che consentono il loro calcolo senza la determinazione esplica della serie di Laurent
associata ad f.
Teorema 10.2 (Calcolo dei residui, poli semplici) Se z
0
`e un polo sempolice per f(z) allora f(z) =
g(z)
z z
0
,
con g analitica in ; sotto questipotesi
Res
f
(z
0
) = g(z
0
) = lim
zz
0
(z z
0
) f(z)
Dimostrazione 10.1 Se z
0
`e un polo semplice allora
f(z) =
c
1
z z
0
+
+

n=0
c
n
(z z
0
)
n
=
1
z z
0

_
c
1
+
+

n=0
c
n
(z z
0
)
n+1
_
g(z) = c
1
+
+

n=0
c
n
(z z
0
)
n+1
Teorema 10.3 (Calcolo dei residui, poli multipli) Se z
0
`e un polo di ordine n N con n > 1 allora
f(z) =
g(z)
(z z
0
)
n
con g analitica in e g(z
0
) ,= 0
allora
Res
f
(z
0
) =
g
(n1)
(z
0
)
(n 1)!
= lim
zz
0
1
(n 1)!


n1
g(z)
z
n1
= lim
zz
0
1
(n 1)!


n
z
n
[(z z
0
)
n
f(z)]
Osservazione 10.1 Se f(z) =
n(z)
d(z)
con n, d analitiche in con
n(z
0
) ,= 0 d(z
0
) = 0 d

(z
0
) ,= 0
allora z
0
`e un polo semplice di f e Res
f
(z
0
) =
n(z
0
)
d

(z
0
)
Teorema 10.4 (dei Residui) Se C `e una curva do Jordan e se f `e analitica allinterno di C (`e
suciente che C racchiuda le singolarit`a), tranne che nelle singolarit`a isolate z
1
, z
2
, . . . , z
a
_
C
f(z) dz = 2 i
a

k=1
Res
f
(() z
k
)
10.2. ESERCIZI 87
Dimostrazione 10.2 Per il teorema di Cauchy-Goursat poich`e il bordo dellinsieme preso in esame `e
=
a
_
k=1
B
r
k
C
Integrando su , ricordando che le varie curve devono essere percorse in senso positivo si ha che
0 =
_

f(z) dz =
_
C
f(z) dz
a

k=1
_
_
B
r
k
f(z) dz
_
=
=
_
C
f(z) dz
a

k=1
2 i Res
f
(z
k
)
_
C
f(z) dz = 2 i
a

k=1
Res
f
(() z
k
)
10.2 Esercizi
Esercizio 10.1 (17/11/2007) Trovare lo sviluppo di Laurent in z
0
= 0 nella regione C0 di
f(z) =
sinh
_
2 z
2
_
z
11
e ricavare i residui e le singolarit`a di f.
Attraverso lo sviluppo di McLaurin si ha
f(z) =
1
z
11

+

n=0
(2 z
2
)
2n+1
(2 n + 1)!
=
+

n=0
2
2n+1
z
4n9
(2 n + 1)!
=
2
z
9
+
2
3
3! z
5
+
2
5
5! z
. .
potenze negative
+
+

n=3
2
2n+1
z
4n9
(2 n + 1)!
. .
potenze positive
Res
f
(0) =
2
5
5!
coeciente di
1
z
z
0
= 0 `e un polo di ordine 9 di f
Esercizio 10.2 Determinare lo sviluppo di Laurent di f(z) in z
0
= 0 e il residuo re le singolarit`a.
f(z) = z
4
cos
_
2
z
_
Attraverso lo sviluppo di McLaurin si ha
f(z) =z
4

n=0
(1)
n
(2 n)!

_
2
z
_
2n
=
+

n=0
(1)
n
4
n
(2 n)! z
2n4
= z
4

4
2
z
2
+
4
2
4!
. .
potenze positive

4
3
6! z
2
+
+

n=4
(1)
n
4
n
(2 n)! z
2n4
. .
potenze negative
Res
f
(0) = 0 z
0
`e un punto di singolarit` a essenziale di f (ha inniti termini con potenza negativa)
Esercizio 10.3 (27/01/2010) Determinare lo sviluppo di Laurent in z
0
= 0, il residuo e le singolarit`a
in C0, al variare di R
f(z) = ( 3) z cosh
_
1
z
_


z
f(z) = ( 3) z
_
+

n=0
1
(2 n)!

_
1
z
_
2n
_


z
= ( 3)
_
+

n=0
1
(2 n)!

1
z
2n1
_


z
=
= ( 3) z +
_
3
2

_

1
z
+ ( 3)
_
+

n=0
1
(2 n)! z
2n1
_
Res
f
(0) =
3
2
=
3 +
2
se ,= 3, z
0
`e un punto di singolatrit` a essenziale
se = 3, z
0
`e un punto di singolatrit` a semplice
88 CAPITOLO 10. TEOREMA DI LAURENT E DEI RESIDUI
Esercizio 10.4 (12/02/2010) Determinare lo sviluppo di Laurent in z
0
= 0 nella regione di spazio
0 < [z[ < 1 di
f(z) =
z
3
4
z
3
z
5
determinare inoltre il residuo e le singolarit`a
f(z) =(z
3
4)
1
z
3
(1 z
2
)
=
z
3
4
z
3

1
1 z
2
=
z
3
4
z
3

+

n=0
z
2n
= (z
3
4)
+

n=0
z
2n3
Lo sviluppo trovato `e valido nella regione di spazio, poich`e la serie geometrica ha raggio di convergenza
R = 1, pertanto si ha convergenza per [z[ < 1.
f(z) = (z
3
4)
+

n=0
z
2n3
=
+

n=0
z
2n
4
+

n=0
z
2n3
=
_
1 +z +z
2
+z
3
+. . .
_
4
_
z
3
+z
2
+z
1
+ 1 +z +z
2
+. . .
_
Res
f
(0) = 4 z
0
`e un polo di ordine 3
Esercizio 10.5 (03/09/2009) Determinare lo sviluppo di Laurent in z
0
= 0 di f in [z[ > 1
f(z) =
1
i z
2
z
5
f(z) =
1
i z
2

_
1
z
3
i
_ =
1
i z
2

+

n=0
_
z
3
i
_
n

z
3
i

< 1 [z[z < 1


poich`e con il raccoglimento scelto si ottiene un risultato esterno allintervallo desiderato allora si cambia
raccoglimento
f(z) =
1
i z
5

_
i
z
3
1
_ =
1
z
5

_
1
1
z
3
_ =
1
z
5

+

n=0
_
1
z
3
_
n

1
z
3

< 1 [z[ > 1


f(z) =
+

n=0
i
n
z
3n+5
Esercizio 10.6 Calcolare la singolarit`a e i residui di
f(z) =
cosh(z)
3 + 2 i z
f(z) =
cosh(z)
3 + 2 i z
=
cosh(z)
2 i
_
3
2i
+z
_
z
0
=
3
2i
`e un polo semplice di f poich`e f `e nella forma
g(z)
zz
0
; poich`e g(z
0
) ,= 0 e g

(z
0
) =
1
2i

cosh
_

3
2i
_
,= 0 allora si ha che
Res
f
_

3
2 i
_
=
cosh
_

3
2 i
_
2 i
Esercizio 10.7 Calcolare la singolarit`a e i residui di
f(z) =
_
z + 1
z 1
_
2
f(z) =
(z + 1)
2
(z 1)
2
z
0
= 1 `e un polo doppio poich`e
g(z)[
z
0
=1
= (z + 1)
2

z
0
=1
= 2
2
= 4 ,= 0
Res
f
(1) =
g

(1)
1!
=
1
1!

(z + 1)
2
z

z=1
= 2 (z + 1)[
z=1
= 4
10.2. ESERCIZI 89
Esercizio 10.8 (28/01/2009) Calcolare lintegrale
I =
_
C
dz
(z
2
+ 1) (z 1 i)
con C =
_
z C :

z i
3
2

=
3
2
_
I poli della funzione integranda sono
z
1
= 1 +i z
2
= i z
3
= i
I poli z
1
e z
3
sono interni alla curva, mentre z
2
`e esterno alla curva; pertanto
I = 2 i [Res
f
(i) + Res
f
(1 +i)] = 2 i
_
1
(z +i) (z 1 i)

z=i
+
1
z
2
+i

z=1+i
_
=
= 2 i
_
1
2 i (1)
+
1
1 + 2 i 1 + 1
_
= 2 i
_

1
2 i
+
1
1 + 2 i
_
Esercizio 10.9 (09/09/2010) Calcolare lintegrale
I =
_
c
z
2
(z
2
+ 1)
_
z i
3
2
_ dz
con C = z = x +i y : [z[ y 2 percorsa una sola volta in senso antiorario
I poli della funzione integranda sono
z
1
= i z
2
= i z
3
=
3
2
i
I poli z
1
e z
3
sono interni alla curva, mentre z
2
`e esterno alla curva; pertanto
I = 2 i
_
Res
f
(i) + Res
f
_
3
2
i
__
= 2 i
_
z
2
(z +i)
_
z i
3
2
_

z=i
+
z
2
z
2
+ 1

z=
3
2
i
_
=
= 2 i
_
1
2 i
_

i
2
_ +

9
4

9
4
+ 1
_
= 2 i
_
1 +
9
5
_
= 2 i
4
5
90 CAPITOLO 10. TEOREMA DI LAURENT E DEI RESIDUI
Capitolo 11
Distribuzioni
11.1 Introduzione (non formale)
In questa sezione si introdurra il concetto di distribuzione utilizzando un approccio eristico per nulla
rigoroso.
Si prende ad esempio una funzione
f(x) =
_
0 x 0
x x > 0
derivandola puntualmente, cio`e utilizzando la denizione standard di derivata, si ha
f

(x) = H(x) =
_
0 x < 0
1 x > 0
, x ,= 0
H(x) `e detta Gradino di Heaviside
derivando ancora la funzione H(x) si ottiene a(x) = f

(x) = H

(x) = 0, x ,= 0 ma `e chiaro che tale


funzione non `e soddisfacente dal punto di vista modellistico poich`e in a(x) non vi sono informazioni
sullimpulso presente in x = 0.
Lidea di Schwarz
1
`e quella di abbandonare il punto di vista puntuale (cio`e non si guarda pi` u il valore delle
funzioni punto per punto) ma guardando le medie integrali delle funzioni, cio`e si guarda
1
b a

_
b
a
f(x)dx
al posto di g(x)
Esempio 11.1 Si ipotizza che f C
1
pertanto
v =
f(b) f(a)
b a
=
1
b a

_
b
a
f

(x) dx =
1
b a

_
b
a
v(x) dx
Denizione 11.1 [Funzione indicatrice] Si denisce una nuova funzione detta funzione indicatrice o
funzione caratteristica

[a,b]
(x) = 11
[a,b]
(x) =
_
1 x [a, b]
0 x / [a, b]

Sfruttando la nuova denizione si ha che


_
b
a
f(x) dx =
_
+

11
[a,b]
(x) f(x) dx
pertanto la media integrale
_
b
a
1
b a
f(x) dx =
_
+

1
b a
11
[a,b]
(x) f(x) dx
Attraverso il teorema della media integrale, se f(x) C
0
, tramite il teorema della media integrale `e
possibile ricavare f(x) attraverso la sola conoscienza della media integrale di f(x), infatti, poich`e
g(x
c
) =
1
2 h

_
x+h
xh
g(t) dt, con x
c
[x h, x +h]
1
detentore della medaglia Fields per questo
91
92 CAPITOLO 11. DISTRIBUZIONI
facendo tendere h a 0 si ha
g(x) = lim
h0
_
1
2 h

_
x+h
xh
g(t) dt
_

E comunque possibile utilizzare (si pu`o anche dimostrare) funzioni C

vicine a
11
[a,b]
ba
; pertanto se si
conosce
_
+

f(x) (x) dx, C

del tipo sopra


`e possibile ricavare anche le medie integrali.
Luso di questo tipo di funzioni, , rende operativamente pu`o semplice i calcoli.
Se considerano, pertanto, corrispondenza del tipo

_
+

f(x) (x) dx al posto di f(x)


Se f(x) `e derivabile allora come si interpreta la derivata?
A f

(x) si associa la corrispondenza


_
+

(x) (x) dx ma attraverso lintegrazione per parti si


ottengono i seguenti risultati
_
+

(x) (x) dx = [f(x) (x)]


+

_
+

f(x)

(x) dx =
_
+

f(x)

(x) dx
() = 0 in base alla denizione che `e stata data.
pertanto si associa a f

(x) la corrispondenza
_
+

f(x)

(x) dx che sar`a intesa come la nuova


nozione di derivata (per le distribuzioni).
Esempio 11.2 Tornando allesempio precedente
f(x) =
_
0 x 0
x x > 0
v(x) = f

(x) = H(x) =
_
0 x 0
1 x > 0
a(x) = f

(x) = H

(x) = 0, x ,= 0
Come detto prima a(x) non va bene.
Consideriamo, allora, la corrispondenza
_
+

H(x)

(x) dx al posto di H

(x) si ha

_
+

H(x)

(x)dx =
_
0

H(x)

(x)dx
_
+
0
H(x)

(x)dx =
_
+
0

(x)dx = [(x)]
+
0
= (0)
cio`e invece che la derivata classica (punto per punto), si considera la corrispondenza phi (0) che si
chiama delta di Dirac che non `e una funzione a valori reali, ma `e un nuovo oggetto che verr`a denotato
con Distribuzione.
11.2 Distribuzione: denizioni rigorose
Denizione 11.2 [supporto di f] Sia f : R C si dice supporto di f la chiusura dellinsieme
x R : f(x) ,= 0 cio`e il pi` u piccolo insieme chiuso che lo contiene.

Esempio 11.3 Determinare i supporti delle funzioni sotto elencate


f(x) =
_
0 [x[ 1
1 [x[ < 1
.
supp(f) = [1, 1]
f(x) = x
2
.
supp(f) = R
poich`e f(x) ,= 0, x ,= 0 pertanto f(x) ,= 0 (, 0) (0, +) ma chiudendo linsieme si ha
(, +) = R
11.2. DISTRIBUZIONE: DEFINIZIONI RIGOROSE 93
f(x) = sin(x)
supp(f) = R
poich`e f(x) ,= 0, x ,= k , k Z
f(x) ,= 0,
+
_
k=
(k , (k + 1) )
pertanto chiudendo linsieme si ha che
+
_
k=
(k , (k + 1) ) = R = supp(f)
Denizione 11.3 [funzione test] Si dice funzione test una funzione : R C che gode delle seguenti
propriet`a:
C

supp() `e un insieme compatto


2

Esempio 11.4 (funzione a supporto compatto) Un tipico esempio di funzione a supporto compatto
`e
(x) =
_
_
_
0 [x[ 1
e
1
x
2
+ 1
[x[ < 1
supp() = [1, 1]
Non `e facile, ma `e possibile dimostrare per induzione che C

(R), pertanto `e una funzione test.


Denizione 11.4 [Notazione funzione test] Linsieme delle funzioni test `e denotato con T(R) o pi` u
semplicemente T.

Denizione 11.5 [Norme di funzioni] Data una funzione f : I R R `e possibile denire le seguenti
norme
norma 1 [[f[[
2
=
_
+

[f(x)[ dx
norma 2 o norma quadratica [[f[[
1
=
_
+

[f(x)[
2
dx
norma innito o norma uniforme [[f[

[ = sup
xI
[f(x)[

Richiamo di Analisi II
Sia f
n
, f : I R si dice che f
n
converge uniformemente ad f se
lim
n+
sup
xI
[f
n
(x) f(x)[ = lim
n+
[[f
n
(x) f(x)[

[ = 0
Denizione 11.6 [convergenza funzione test] Siano
n
, T; si dice che
n
converge a ,

n
T, se
R > 0 :
n
(x) = 0 x / [R, R]
p N,
(p)
n
unif

(p)

T `e uno spazio vettoriale, cio`e se , T


_
+ T
T, C
2
insiem compatto `e equivalente a sistema chiuso e limitato, cio`e R > 0 : (x) = 0, x [R, R]
94 CAPITOLO 11. DISTRIBUZIONI
Denizione 11.7 [distribuzione] Si dice distribuzione unapplicazione (o funzionale), T
T : T(R) C
T() = T,
tale che
T `e lineare, cio`e
, C, , T : T, + = T, + T,
T `e continua, cio`e se
n
unif
T allora T,
n
T,
(questione tecnica)
Linsieme delle distribuzioni si denota con T

o T

(R).

Osservazione 11.1 Sia T : T C lineare, allora T `e continua se e solo se

n
0 T e T,
n
0, n +
Dimostrazione 11.1 Supponendo che
0 T T,
n
0, n +
sia vera si deve provare che

n
T T,
n
T,
Se consideriamo
n
:=
n
si pu`o vericare che
n
0 T allora per lipotesi sopra si ha che
T,
n
0, n +
ma
T,
n
= T,
n
= T,
n
T,
quindi
T,
n
T, 0 T,
n
T,
Denizione 11.8 [funzione localmente sommabile] Sia f : R C, f si dice localmente sommabile se
a,b R,
_
b
a
f(x) dx R e
_
b
a
[f(x)[ dx R
Notazionalmente si dice che f !
1
loc

Esempio 11.5 Vericare se le seguenti funzioni sono localmente sommabili:


f(x) = x
2
a,b R,
_
b
a
x
2
dx R
_
b
a

x
2

dx =
_
b
a
x
2
dx
x
2
`e localmente sommabile
f(x) =
1
_
[x[
a,b R,
_
b
a

1
_
[x[

dx =
_
b
a
1
_
[x[
dx R
1

|x|
`e localmente sommabile
f(x) =
1
x
Poich`e
_
1
0
dx
x
non converge allora
1
x
non `e localmente sommabile
11.3. OPERAZIONI 95
Denizione 11.9 [distribuzione regolare] Sia f !
1
loc
; si denisce la distribuzione T
f
associata ad f
tramite la seguente associazione
T
f
: T C
T
f
, :=
_
+

f(x) (x) dx, T

Dimostrazione 11.2 Vericare che T


f
`e lineare
T
f
, + =
_
+

f ( + ) dx =
_
+

dx+
_
+

dx = T
f
, + T
f
,
Dimostrazione 11.3 Vericare che T
f
`e continua, cio`e che T
f
,
n
0.
Si prende
n
0 T
T
f
,
n
=
_
+

f(x)
n
(x) dx 0, n +
Lo si dimostra utilizzando la stima degli integrali deniti, cio`e

_
+

f(x)
n
(x) dx


_
+

[f(x)[ [
n
(x)[ dx =
_
R
R
[f(x)[ [
n
(x)[ dx

_
R
R
[f(x)[ sup
xR
[
n
(x)[ dx =
_
_
R
R
[f(x)[ dx
_
[[
n
[

[ 0, n +
Denizione 11.10 [distribuzione regolare] Una distribuzione, T, del tipo T
f
, con f !
1
loc
si dice
regolare.

Denizione 11.11 [delta di Dirac] Sia x


0
R si dice delta di Dirac centrata il x
0
la distribuzione

x
0
: T C

x
0
, := (x
0
)
Si pu`o vericare che
x
0
T

.
Nel caso in cui sia indicata la distribuzione si intende
la distribuzione delta di Dirac centrata in 0, cio`e :=
0
.

11.3 Operazioni
Denizione 11.12 [Traslazione della distribuzione] Sia T T

e sia x
0
R si dice traslazione della
distribuzione (di x
0
) la distribuzione T
(xx
0
)
denita da

T
(xx
0
)
,
_
:= T, (x +x
0
) , T

Denizione 11.13 [Riscalamento della distribuzione] Sia T T

,b R0 si dice riscalamento della


distribuzione o modulazione della distribuzione la distribuzione T
(bx)
denita da

T
(bx)
,
_
:=
_
T,
1
[b[

_
x
b
_
_
, T

un caso particolare `e quando si ha b = 1, infatti

T
(x)
,
_
= T, (x) `e detta inversione temporale,
nome signicativo quando la variabile x indica un tempo.
96 CAPITOLO 11. DISTRIBUZIONI
Denizione 11.14 [Prodotto di distribuzione per funzione] Sia g C

(R) e sia T T

(R) allora si
denisce g T T

g T, := T, g , T

Denizione 11.15 [Derivata di distribuzione] Se T T

(R), si dice derivata (distribuzionale) di T la


distribuzione T

T(R) denita da
T

, := T,

Osservazione 11.2 Se f e g dieriscono solo in un numero nito di punti oppure in uninnit`a di punti
numerabile allora T
f
= T
g
.
Propriet`a 11.1 Per la derivata distribuzionale valgono le solite propriet`a delle derivate di funzioni reali.
Teorema 11.1 Sia f !
1
loc
(R), si suppone che
f sia continua tranne in un numero nito di punti, cio`e f C
0
(Rx
1
, x
2
, . . . , x
m
)
i punti di discontinuit`a, x
1
, x
2
, . . . , x
m
, siano punti di discontinuit`a di salto, cio`e
f(x

k
) = lim
xx

k
f(x) R, f(x
+
k
) = lim
xx
+
k
f(x) R, k [1, m] N
esiste la derivata in tutti i punti in cui f `e continua, cio`e f

(x), x / x
1
, x
2
, . . . , x
m

la derivata sia localmente sommabile, cio`e f

!
1
loc
allora
T

f
= T
f
+
m

k=1
_
[f(x
+
k
) f(x
k
)]
x
k

Denizione 11.16 [Funzione segno] Si denisce la funzione segno, sng, la funzione che vale 1 se x < 0
e 1 se x > 0
sng(x) =
_
_
_
1 x < 0
0 x = 0
1 x > 0
sng(0) = 0 per convenzione, dato che nellambito delle distribuzioni T
f
= T
g
se f(x) ,= g(x) solo in un
numero nito di punti.

Osservazione 11.3 Sia f : R R con f(x) =


_
0 x ,= 0
+ x = 0
_
+

f(x) dx = 0 lintegrale `e indipendente dal valore della funzione in un punto


Tuttavia esiste una teoria (teoria della misura) per la quale
_
+

0
(dx) = 1
N.B.: lintegrale sopra non `e lintegrale di una funzione.
Osservazione 11.4 (Analisi I) Siano f, : [a, b] R tali che
C
1
([a, b])
f C
1
(]a, b[) con f

integrabile su (a, b) con f(a


+
),f(b

) R (esistono niti i limiti)


_
b
a
f(x)

(x) dx
p.p.
= [f(x) (x)]
b

a
+
_
b
a
f

(x) (x) dx = f(b

) (b) f(a
+
) (a)
_
b
a
f

(x) (x) x
11.4. CONVERGENZA DI DISTRIBUZIONI 97
Dimostrazione 11.4 Dimostrazione del teorema 11.1 nel caso di un solo punto di discontinuit`a di salto,
x
1
.
Sia T
_
T

f
,
_
= T
f
,

=
_
+

f(x)

(x) dx =
_
x
1

f(x)

(x) dx
_
+
x
1
f(x)

(x) dx
p.p.
=
p.p.
= [f(x

1
) (x
1
) 0] +
_
x
1

(x) (x) dx [0 f(x


+
1
) (x
1
)] +
_
+
x
1
f

(x) (x) dx =
[f(x
+
1
) f(x

1
)] (x
1
) +
_
+

(x) (x) dx = [f(x


+
1
) f(x

1
)]
x
1
, +

f
,
_
Denizione 11.17 [funzione porta] Si denisce funzione porta di ampiezza a R
+
la funzione p
a
: R
R
p
a
(x) =
_
1 [x[ <
a
2
0 [x[ >
a
2

Denizione 11.18 [Valore principale di


1
x
] Si denisce valore principale di
1
x
T

ponendo
_
v.p.
1
x
,
_
:= lim
o
+
__

(x)
x
dx +
_
+

(x)
x
dx
_

Denizione 11.19 [Formula di Leibniz, per le distribuzioni] Sia g C

(R) e T T

(g T)

= g

T +g T

Dimostrazione 11.5 Sia T


(g T)

, = g T,

= T, g

= T, (g )

= T, (g T)

+T, g

=
= T

, g +T g

, = g T

, +g

T,
(g T)

= g T

+g

T
Osservazione 11.5 Una distribuzione ha innite derivate, poich`e la derivata di una distribuzione `e a
sua volta una distribuzione.
p N,
_
T
(p)
,
_
= (1)
p

_
T,
(p)
_
Dimostrazione 11.6 Sia T
T

, = T,
Si consideri G = T

, = G, T

, = T

= T,

procedendo per induzione si ha quindi


p N,
_
T
(p)
,
_
= (1)
p

_
T,
(p)
_
11.4 Convergenza di distribuzioni
Denizione 11.20 Sia T
n
T

, n N e T T

si dice che T
n
T T

(T
n
converge a T nel senso
delle sistribuzioni), se
T, T
n
,
n+
T,

98 CAPITOLO 11. DISTRIBUZIONI


Propriet`a 11.2 Se T
n
T e S
n
S in T

e , C allora
T
n
+ S
n
T + S
Propriet`a 11.3 Si denisce supporto di supp(f) := x : f(x) ,= 0. Si pu`o dimostrare che
N
f
:= unione di tutti gli intervalli aperti in cui f `e nulla = (a, b) : f((a, b)) = 0
supp(f) = RN
f
Denizione 11.21 [Supporto di una distribuzione] Si dice che una distribuzione T T

`e nulla su (a, b)
se
T, = 0, T con supp() (a, b)
e si pone
supp(T) := R(a, b) : T `e nulla su (a, b) = R (a, b) : T, = 0, T : supp() (a, b)
Si dice che T `e a supporto compatto se supp(T) `e compatto in R (cio`e ha supporto chiuso e limitato).

Propriet`a 11.4 Sia T T

allora
supp(T

) supp(T)
11.4.1 Estensione a C

(R) delle distribuzioni a supporto compatto


Sia T : T(R) C distribuzione con supporto compatto.
Sia or C

(R) e prendiamo
0
T tale che
0
(x) = 1, x (a, b); allora
0
T.
Si pone quindi
T, := T,
0
, C

(R)
Il fatto che supp(T) `e compatto consente di dimostrare che la denizione precedente non dipende dalla
scelta di
0
.
Si `e quindi estesa la distribuzione a supporto compatto da T a C

, cio`e si ha dato senso a T, con


C

.
11.5 Esercizi
Esercizio 11.1 Sia T : T C denita da T, =
_
+

e
x
(x) dx dire se T T

E una distribuzione poich`e e


x
!
1
loc
quindi
T = T
f
= T
e
x T

Esercizio 11.2 Dire se T : T C denita da T, =


_
1
0
arctan(x) (x) dx `e una distribuzione.
T `e una distribuzione poich`e
T, =
_
1
0
arctan(x) (x) dx =
_
+

11
[0,1]
(x) arctan(x) (x) dx =
_
+

f(x) (x) dx
f(x) = 11
[0,1]
(x) arctan(x) !
1
loc
Esercizio 11.3 Dire se T : T C denita da T, =
_
1
1
x
2
(x) dx +
_
1
2
e
x
(x) dx `e una
distribuzione.
T, =
_
+

11
[1,1]
(x) x
2
(x) dx +
_
+

11
[2,1]
(x) e
x
(x) dx =
=
_
+

f(x) (x) dx +
_
+

g(x) (x) dx =
_
+

(f(x) +g(x)) (x) dx = T


f+g
pertanto T `e una distribuzione.
11.5. ESERCIZI 99
Esercizio 11.4 Dire se T : T C denita da T, =
_
1
0
x

(x) dx `e una distribuzione.


T, =
_
1
0
x

(x) dt
p.p.
= [x (x)]
1
0

_
1
0
(x) dx = (1)
_
1
0
(x) dx =
= (1)
_
+

11
[0,1]
(x) (x) dx =
1
,

T
11
[0,1]
,
_
=

1
T
11
[0,1]
,
_
Poich`e T =
1
11
[0,1]
allora T `e una distribuzione ma non `e regolare.
Esercizio 11.5 Dire se T : T R denita da T, =
_
1
0

(x) dex `e una distribuzione.


T, =
_
1
0

(x) dx = (1) (0) =


1

0
,
T =
1

0
T

, `e una distribuzione
Esercizio 11.6 Vericare che
x
0
`e una distribuzione.
Occorre vericare che:

x
0
sia lineare
, C, , T
x
0
, + = (x
0
) + (x
0
) =
x
0
, +
x
0
,

x
0
sia continua, cio`e se
n
unif
T allora
x
0
,
n

unif
v
x
0
,

x
0
,
n
=
n
(x
0
)
unif
(x
0
) =
x
0
,
pertanto poich`e
x
0
,
n

unif

x
0
, allora
x
0
T

Esercizio 11.7 Dire se T : T C denita da T, = 1, T `e una distribuzione.


T / T

poich`e T non `e lineare, infatti se T allora anche T e in base alla denizione della
distribuzione si ha che
T, = 1 = T,
ma per avere linearit`a `e necessario che T, = T, ma
1 = T, = T, = 1
Esercizio 11.8 Sia T : T R denito da T, = [[[[
1
. Dire se T T

.
T, = [[[[
1
0
T, = [[[[
1
= [[[[
1
0
Poich`e anche T T

`e necessario che T sia lineare e che T, = T, , non `e lineare, allora


T / T

.
Esercizio 11.9 Sia T : T R denita da T, = [[[[
2
, vericare che T / T

.
T, = [[[[
2
0
T, = [[[[
2
= [[[[
2
0
Poich`e anche T T

`e necessario che T sia lineare e che T, = T, , non `e lineare, pertanto


T / T

.
Esercizio 11.10 Sia f : R C con f !
1
loc
, sia x
0
R e g(x) = f(x x
0
), vericare che T
g
, =
T
f
, (x +x
0
).
Se T si ha che
T
g
, =
_
+

f(xx
0
)(x)dx
y=xx
0
=
_
+

f(y)(y+x
0
)dy
x=y
=
_
+

f(x)(x+x
0
)dx = T
f
, (x +x
0
)
100 CAPITOLO 11. DISTRIBUZIONI
Esercizio 11.11 Sia T =
0
e sia x
0
R, determinare T
(xx
0
)
=
0
(xx
0
)
.
Sia T
_

0
(xx
0
)
,
_
=
0
, (x +x
0
) = (x
0
) =
x
0
,
T
(xx
0
)
=
0
(xx
0
)
=
x
0
Esercizio 11.12 Sia T =
a
e sia a,x
0
R, determinare T
(xx
0
)
=
a
(xx
0
)
.
Sia T
_

a
(xx
0
)
,
_
=
a
, (x +x
0
) = (a +x
0
) =
a+x
0
,
T
(xx
0
)
=
a
(xx
0
)
=
a+x
0
Esercizio 11.13 Sia f !
1
loc
(R),b R0 e sia g(x) = f(bx), vericare che T
g
, =
_
T
f
,
1
[b[

_
x
b
_
_
.
Sia T
T
g
, =
_
+

f(b x) (x) dx
y=bx
=
_

_
_
+

f(y)
1
b

_
y
b
_
dy b > 0
_
+

f(y)
1
b

_
y
b
_
dy b < 0
=
=
_
+

f(y)
1
[b[

_
y
b
_
dy
x=y
=
_
+

f(x)
1
[b[

_
x
b
_
dx =
_
T
f
,
1
[b[

_
x
b
_
_
T
g
, =
_
T
f
,
1
[b[

_
x
b
_
_
Esercizio 11.14 Sia
a
,a R, calcolare
a
(bx)
con b R0.
Sia T

a
(bx)
,
_
=
_

a
,
1
[b[

_
x
b
_
_
=
1
[b[

_
a
b
_
=
_
1
[b[

a
b
,
_

a
(bx)
,
_
=
_
1
[b[

a
b
,
_
Esercizio 11.15 Sia g C

(R),a R calcolare g
a
.
Sia T
g
a
, =
a
, g = g(a) (a) = g(a)
a
,
pertanto g
a
= g(a)
a
Esercizio 11.16 Sia f !
1
loc
(R) : f

!
1
loc
(R) of C
1
(R), vericare che T
f
, = T
f
,

T
f
, =
_
+

(x) (x) dx =
_
R
R
f

(x) (x) dx
p.p.
=
p.p.
= [f(x) (x)]
R
R

_
R
R
f(x)

(x) dx =
_
+

f(x)

(x) dx = T
f
,

T
f
, = T
f
,

, T, f !
1
loc
: f

!
1
loc
of C
1
Esercizio 11.17 Sia f : R R la funzione rampa, si chiede di ricavare T

f
e T

f
.
f(x) =
_
0 x 0
x x > 0
Eettuando il calcolo diretto, prendendo T si ha che
_
T

f
,
_
= T
f
,

=
_
+

f(x)

(x) dx =
_
0

f(x)

(x) dx
_
+
0
f(x)

(x) dx =
=
_
0

(x) dx
_
+
0
x

(x) dx =
_
+
0
x

(x) dx
p.p.
=
p.p.
= [x

(x)]
+
0
+
_
+
0
(x) dx =
_
+
0
(x) dx =
_
+

H(x) (x) dx = T
H
,
lim
x+

(x) = 0 poich`e (x) = 0, x / [R, R] pertanto essendo costante ha derivata nulla.


H(x) =
_
0 x 0
1 x > 0
11.5. ESERCIZI 101
T

f
= T
H
_
T

f
,
_
= T

H
, = T
H
,

=
_
+

H(x)

(x) dx =
_
+
0

(x) dx =
=
_
R
0

(x) dx = (R) +(0) = (0) =


0
,
T

f
= T

H
=
0
Esercizio 11.18 Sia f(x) = [x[ si chiede di ricavare T

f
.
Sia T
_
T

f
,
_
= T
f
,

=
_
+

[x[

(x) dx =
_
0

(x) dx
_
+
0
x

(x) dx =
p.p.
= [x

(x)]
0

_
0

(x) dx [x (x)]
+
0
+
_
+
0
(x) dx =
=
_
0

(x) dx +
_
+
0
(x) dx =
_
+

sng(x) (x) dx =

T
sng(x)
,
_
T

|x|
= T
sng(x)
Esercizio 11.19 Determinare la distribuzione

x
0
.
Sia T

x
0
,
_
=
x
0
,

(0)
Esercizio 11.20 Sia f(x) =
_
0 x / (0, 1)
e
2x
x (0, 1)
, determinare T

f
.
Poich`e f !
1
loc
e
x ,= 0, 1, f

(x) =
_
0 x / (0, 1)
2 e
2x
x (0, 1)
!
1
loc
poich`e nei punti di discontinuit` a si hanno discontinuit`a di salto allora valgono le ipotesi del teorema
pertanto
T

f
= T
f
+ [f(0
+
) f(0

)]
0
+ [f(1
+
) f(1

)]
1
= T
[11
[0,1]
2e
2x
]
+
0
e
2

1
Esercizio 11.21 Calcolare la derivata distribuzionale di T = e
x
2

1
+T
[3sng(x)]
.
Poich`e si pu`o facilmente osservare che le ipotesi del teorema sono rispettate allora dato che
T

[3sng(x)]
= T
0
+ [3 sng(0
+
) 3 sng(0

)]
0
= 6
0
e
x
2

1
= e
(1)
2

1
= e
1
T

= [e
1
6
0
]

= e

1
6

0
= e

1
T

= e

1
Esercizio 11.22 (12/02/2008) Sia
f(x) =
_
sin( x) x (0, 9)
x
3
x / (0, 9)
calcolare T

f
.
x R0, 9, f

(x) =
_
cos( x) x (0, 9)
1
3
x / [0, 9]
poich`e f

!
1
loc
allora
T

f
= T
f
+ [f(0
+
) f(0

)]
0
+ [f(9
+
) f(9

)]
9
= T
f
+ 3
9
Esercizio 11.23 (11/11/2006) Sia
f(x) =
_
[1 p
2
(x)] [1 + log [x[] x ,= 0
0 x = 0
calcolare T

f
.
x R1, f

(x) =
_
0 [x[ < 1
1
x
[x[ > 1
pertanto poich`e f

!
1
loc
si ha che T

f
= T
f
+
1
+
1
102 CAPITOLO 11. DISTRIBUZIONI
Esercizio 11.24 (11/02/2009) Sia
f(x) = [3 x[ H(x + 1) + sng(2 x)
calcolare T

f
.
x R1, 0, f

(x) =
_
_
_
0 x < 1
3 x (1, 0)
3 x > 0
pertanto T

f
= T
f
+ 3
1
+ 2
0
.
Esercizio 11.25 Sia
f(x) = e
x
H(x) + (e
x
+ 1) p
2
(x 1)
calcolare T

f
.
x R0, f

(x) =
_
e
x
x < 2
0 x > 2
pertanto T

f
= T
f
+
0
(e
2
+ 1)
2
.
Esercizio 11.26 (20/02/2012) Sia
f(x) = [sng(x 1) + sng(x)] x
2
calcolare T

f
.
x R1, f

(x) =
_
_
_
4 x x < 0
0 0 0 < 1
4 x x > 1
pertanto T

f
= T
f
+ 2
1
.
Esercizio 11.27 Sia T tale che

(0) = 2, calcolare [sin(x)]

0
, .
[sin(x)]

0
, =

0
, sin(x) (x) =

0
, cos(x) (x) + sin(x)

(x) =
=
0
, sin(x) (x) + cos(x)

(x) + cos(x)

(x) + sin(x)

(x) =

0
, sin(x) [

(x) (x)] + 2 cos(x)

(x) = 2 cos(0)

(0) = 4
Esercizio 11.28 Sia T = (x
3
12cos(x))
3
(x4) calcolare T, dove (x) =
_
0 [x 7[ 1
e
1
(x7)
2
1
[x 7[ < 1
.
T, =

[x
3
12 cos(x)]
3
(x 4),
_
=

[x
3
12 cos(x)]
7
,
_
= [7
3
12 cos(7)] (7) =
= [7
3
12 cos(7)] e
1
Esercizio 11.29 Calcolare la derivata distribuzionale di T = T
H(2x)
+ 5
3
(2 x).
H(2 x) = H(x) T

H(2x)
= T

H(2x)
=
0

x
0
(a x) =
1
[a[

x
0
a
(5
3
(2 x))

=
5
2

3
2
pertanto T

=
0
+
5
2

3
2
.
Esercizio 11.30 Sia f : R0 R denita da f(x) = log [x[, calcolare T

f
.
f !
1
loc
, infatti
lim
x0
[x[
1
2
log [x[ = 0 [x[
1
2
log [x[ 1 log [x[
1
[x[
1
2
Sia T
_
T

f
,
_
= T
f
,

=
_
+

log [x[

(x) dx = lim
0
+
__

log [x[

(x) dx +
_
+

log [x[

(x) dx
_
=
= lim
0
+
_
log [[ () 0
_

(x)
x
dx + 0 log [[ ()
_
+

(x)
x
dx
_
=
= lim
0
+
_
log [[ (() ()) +
_

(x)
x
dx +
_
+

(x)
x
dx
_
=
= lim
0
+
_
2 log [[
() ()
2
+
_

(x)
x
dx +
_
+

(x)
x
dx
_
=
= lim
0
+
__

(x)
x
dx +
_
+

(x)
x
dx
_
11.5. ESERCIZI 103
Si pone
_
v.f.
1
x
,
_
:= lim
0
+
__

(x)
x
dx +
_
+

(x)
x
dx
_
pertanto T

log |x|
= v.p
1
x
T

Esercizio 11.31 Sia T = x


2
T
11
[1,1]
, calcolare se esiste T

.
T = T
f
= x
2
T
11
[1,1]
= T
x
2
11
[1,1]
T

= T
2x11
[1,1]
+
1
+
1
Ricorrendo alla formula di Leibniz si ha che
T

=
_
x
2
T
11
[1,1]
_

= 2 T
11
[1,1]
+x
2
T

11
[1,1]
= 2 x T
11
[1,1]
+x
2
(
1
+
1
) =
= 2 x T
11
[1,1]
+x
2

1
+x
2

1
= 2 x T
11
[1,1]
+
1
+
1
Esercizio 11.32 Calcolare, se esiste, T

con T = (5 x + 3) T
H
.
Per la formula di Leibniz si ha
T

= 5 T
H
+ (5 x + 3)
0
= 5 T
H
+ 3
0
Esercizio 11.33 Sia p N e T =
x
0
_

(p)
x
0
,
_
= (1)
p

x
0
,
(p)
_
= (1)
p

(p)
(x
0
)
Esercizio 11.34 Calcolare, se esiste, lim
n+

n
.
Sia T

n
, = (n)
n+
0
poich`e x R, (R(R, R)) = 0

n
n+
0
Esercizio 11.35 (21/09/2011) Sia T
n
= n
n
, calcolare se esiste lim
n+
T
n
.
Sia T
T
n
, = n
n
, = n (n) = 0
n
n
n+
0
Esercizio 11.36 Sia T
n
=
3n
1
n
, calcolare se esiste lim
n+
T
n
.
Sia T
T
n
, =
_

3n
1
n
,
_
= (3 n)
_
1
n
_
n+
(0)

3n
1
n
n+

0
Esercizio 11.37 Sia T
n
=
(2)
3n
ln(n)
, calcolare se esiste lim
n+
T
n
.
Sia T
T
n
, =

(2)
3n
ln(n)
,
_
=
_
(2)
3n
ln(n)

poich`e (2)
3n
ln(n) non ha limite si verica che

(2)
3n
ln(n)

= 2
3n
ln(n) +
allora
((2)
3n
ln(n))
n+
0

(2)
3n
ln(n)
n+
0
Esercizio 11.38 Sia T
n
=
(1)
n, calcolare se esiste lim
n+
T
n
.
Sia T

(1)
n,
_
= ((1)
n
)
In generale la successione non converge pertanto , lim
n+
T
n
(si ha convergenza solo per alcune come
ad esempio (x) = x
2
11
[R,R]
)
104 CAPITOLO 11. DISTRIBUZIONI
Esercizio 11.39 Sia f
n
(x) = n p 1
n
(x), calcolare se esiste T tale che T
f
n
n+
T.
Sia T
T
f
n
, =
_
+

f
n
(x) (x) dx =
_ 1
2n

1
2n
n (x) dx = n
_ 1
2n

1
2n
(x) dx =
1
1
n

_ 1
2n

1
2n
(x) dx = (x
n
)
x
n

_

1
2 n
,
1
2 n
_
ma per n +, x
n
0
f
n
n+
(0)
T
f
n
= T
np 1
n
n+

0
= T
Esercizio 11.40 Sia f
n
(x) = n
2
p 1
n
(x), calcolare se esiste T tale che T
f
n
n+
T.
Sia T
T
f
n
, =
_
+

f
n
(x)(x)dx =
_ 1
2n

1
2n
n
2
(x)dx = n
2

_ 1
2n

1
2n
(x)dx =
n
1
n

_ 1
2n

1
2n
(x)dx = n(x
n
)
per n + (x
n
0)
n (x
n
) 0 se (x
n
) = 0
n (x
n
) + se (x
n
) R0
pertanto T
f
n
non converge in T

.
Esercizio 11.41 Sia f
n
(x) = sin(n x), calcolare se esiste T tale che T
f
n
n+
T.
Dal graco in Figura (11.1f) `e chiaro che f
n
non converge a nessuna funzione.
Sia T
T
f
n
, =
_
R
R
sin(n x) (x) dx
p.p.
=
_

cos(n x)
n
(x)
_
R
R
+
_
R
R
cos(n x)
n

(x) dx =
=
1
n

_
R
R
cos(n x)

(x) dx

1
n

_
R
R
cos(n x)

(x) dx

1
n

_
R
R
[cos(n x)[ [

(x)[ dx
1
n

_
R
R
[

(x)[ dx
n+
0
_
R
R
[

(x)[ dx R poich`e T e quindi a supporto compatto


T
f
n
n+
0
Esercizio 11.42 (Treno di impulsi) Sia n N, T
n
=
n

k=n

k
, calcolare se esiste il lim
n+
T
n
.
Sia T
T
n
, =
_
n

k=n

k
,
_
=
n

k=n

k
, =
n

k=n
(k)
Non `e restrittivo porre R N (al limite si prende lintero superiore di R)
T
n
=
n

k=n

k

+

k=

k
+

k=

k
=
R

k=R

k
poich`e ha inniti termini nulli
11.5. ESERCIZI 105
Esercizio 11.43 Sia T
n
= n
_

0
_
x
1
n
_

0
_
x +
2
n
_
, calcolare se esiste il lim
n+
T
n
.
Sia T
T
n
, =
_
n
_

0
_
x
1
n
_

0
_
x +
2
n
__
,
_
= n
_

_
1
n
_

2
n
__
=
=

_
1
n
_
(0) +(0)
_

2
n
_
1
n
=

_
1
n
_
(0
1
n

2
n
_
(0)
1
n
=
=

_
1
n
_
(0
1
n
+ 2

_

2
n
_
(0)

2
n
=

_
1
n
_
+ 2

2
n
_
n+

(0) + 2

(0) = 3

(0)
3

0
,
n
_

0
_
x
1
n
_

0
_
x +
2
n
__
n+
3

0
106 CAPITOLO 11. DISTRIBUZIONI
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
(a) Graco di f(x) dellesercizio 11.23
1.5 1 0.5 0 0.5 1
1
0.5
0
0.5
1
1.5
2
2.5
3
3.5
(b) Graco di f(x) dellesercizio 11.24
0.5 0 0.5 1 1.5 2 2.5 3
0
1
2
3
4
5
6
7
8
(c) Graco di f(x) dellesercizio 11.25
1 0.5 0 0.5 1 1.5 2
2
1
0
1
2
3
4
5
6
7
8
(d) Graco di f(x) dellesercizio 11.26
2 1.5 1 0.5 0 0.5 1 1.5 2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
(e) Graco di f(x) dellesercizio 11.31
10 5 0 5 10
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
sin(x)
sin(2 x)
sin(5 x)
(f) Graco di f(x) dellesercizio 11.41
Figura 11.1: Graci di f(x) degli esercizi 11.23, 11.24, 11.25, 11.26, 11.31, 11.41
107
108 CAPITOLO 12. APPENDICE
Capitolo 12
Appendice
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84850 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99597 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99897 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
3.8 0.99993 0.99993 0.99993 0.99994 0.99994 0.99994 0.99994 0.99995 0.99995 0.99995
3.9 0.99995 0.99995 0.99996 0.99996 0.99996 0.99996 0.99996 0.99996 0.99997 0.99997
4.0 0.99997 0.99997 0.99997 0.99997 0.99997 0.99997 0.99998 0.99998 0.99998 0.99998
4.1 0.99998 0.99998 0.99998 0.99998 0.99998 0.99998 0.99998 0.99998 0.99999 0.99999
4.2 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999
4.3 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999 0.99999
4.4 0.99999 0.99999 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000
Tabella 12.1: Funzione di distribuzione di X N(0, 1) con precisione 10
5
e passo di 0.01
109

clc
2 clear all
file = fopen(distNormale.tex, w);
4 file = 1;
min = 0;
6 max = 4.4;
step_c = 0.1;
8 cifre_significative =5;
fx = inline(1/sqrt (2*pi).*exp(-x.^2/2) );
10 c = min:step_c:max;
r = 0: step_c /10: step_c -step_c /10;
12 fprintf(file , \\ begin{tabular }{r);
for indice = 1: length(r)
14 fprintf(file , |r);
end
16 fprintf(file , });
for indice = 1: length(r)
18 fprintf(file , & %.*f, -log10(step_c /10), r(indice));
end
20 fprintf(file , \\\\\n \\ hline \\\\\n);
for indice = 1: length(c)
22 fprintf(file , %.*f, -log10(step_c), c(indice));
for indice1 = 1: length(r)
24 fprintf(file , & %.*f, cifre_significative , quadl(fx, -10, c(indice)+r
(indice1), 10^(- cifre_significative)));
end
26 fprintf(file , \\\\\n);
end
28 fprintf(file , \\end{tabular }\n);
fclose(file);


Tabulazione della funzione di distribuzione di una normale standardizzata