Appunti (Di Samuele Maci) (2012!05!16)

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 è 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 è un quaderno di appunti ; il nome del corso (Appunti di 05BQXNZ - Metodi
matematici per lingegneria) è 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 Probabilità 1
1 Calcolo Combinatorio 3
1.1 Permutazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Combinazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Assiomi della probabilità 7
2.1 Denizione assiomatica di probabilità . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.1 Principio di inclusione-esclusione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 Probabilità 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 densità congiunte di variabili aleatorie discrete . . . . . . . . . . . . . . 45
4.3.2 Funzioni di densità 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 Proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.3 Funzioni iperboliche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3.1 Proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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
Probabilità
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 è contare il numero di targhe italiane1
1
che possono essere realizzata (in
particolare si ha che la cardinalità dellinsieme delle targhe è #(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) è la cardinalità dellinsieme.
Denizione 1.1 Linsieme delle permutazioni di N, T(N), è 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 è il numero di elementi distinti e n
k
è il numero di elementi indistinguibili.
1.2 Combinazioni
Sia N = x
1
, x
2
, . . . , x
n
un insieme di elementi distinti, dove n = #(N) è la cardinalità dellinsieme.
Denizione 1.2 Linsieme delle combinazioni di N di classe k, con k n, (
n,k
(N) è linsieme dei
sottoinsiemi di N con cardinalità k.
Due combinazioni sono distinte se varia almeno un elemento, non è 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
Proprietà 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, cioè 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
Proprietà 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? (cioè non è 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 è 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 probabilità di circa il 51% di probabilità 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 può 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); poichè 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 è
#((
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 è 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 è 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 può 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 probabilità
Ci si interessa di eventi/fenomeni il cui risultato non può essere previsto con certezza.
Denizione 2.1 [Spazio campionario] Lo spazio campionario, S, è linsieme di tutti i possibili esiti
dellesperimento preso in esame.
Denizione 2.2 [Evento] Un evento, E, è 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, cioè E F =
Proprietà 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 probabilità
Denizione 2.4 Dati uno spazio campionario, S, e una famiglia di eventi, c, una misura di probabilità,
probabilita, è una funzione degli eventi che soddisfa i seguenti assiomi:
A1 0 P(E) 1
A2 P(S) = 1
A3 Se E
n
, n 1 è una successione di eventi a due a due incompatibili
1
, allora
P
_
+
_
i=1
E
i
_
=
+
i=1
P(E
i
) additività numerabile
Dagli assiomi seguono le seguenti proprietà
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()
poichè 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
) additività nita
Dimostrazione 2.2 Applicando lassioma A2 con E
i
= , i > n e sfruttando la proprietà 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 probabilità 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 è dato dal numero di
permutazioni distinte delle donne, il numero di possibili accoppiamenti è 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 è 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 probabilità che nessun unomo balla con la
propria moglie si ha una probabilità 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!
`
A
poichè 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 [Probabilità uniforme] Si ha probabilità 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
probabilità 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 è 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, cioè E
1
E
2
. . . E
n
(eventual-
mente E
1
E
2
. . . E
n
)
lim
n+
E
n
=
+
_
n=1
E
n
`
A 11
poichè 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 è 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, cioè E
1
E
2
. . . E
n
(eventualmente E
i
E
2
. . . E
n
)
lim
n+
E
n
=
+
n=1
E
n
poichè 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 è crescente, pertanto poichè
_
+
_
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 probabilità 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 è necessario eliminare
tale soluzioni. Prestando attenzione alla natura del problema si nota che una sola variabile può 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
`
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 probabilità che si verichi E
E = venga estratta la palla rossa
Poichè non è 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 probabilità che E
1
= C e F siano vicini in la indiana
4. la probabilità che E
2
= C e F siano vicini vicino al tavolo rotondo
1. Il numero di le indiane distinte è 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. anchè C e F siano vicini si può 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
`
A 13
Esercizio 2.8 Due dadi equi vengono lanciati ripetutamente. Quale è la probabilità 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
Poichè si lanciano due dadi in contemporanea, una per la somma 5 e una per la somma 7, si ha al
denominatore 36
n
; inoltre poichè 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 è 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 è la probabilit` a di passare per P?
A
P
B
Figura 2.1: Griglia
Per giungere da A a B è 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
_
può essere inteso come il numero di scelte dei passi in cui andare in alto.
_
7
4
_
può 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 può invitare se 2 amici non possono essere invitati insieme
2. in quanti modi li può 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
`
A
Esercizio 2.11 Un esame è composto da 5 quesiti scelti a caso tra 10 disponibili. Uno studente sa
risolvere esattamente 7 di 10 problemi.
Calcolare la probabilità 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 probabilità
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 possibilità 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
`
A 15
Figura 2.2: Rappresentazione insiemistica degli studenti
Calcolare la probabilità 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
`
A
Capitolo 3
Probabilità condizionata
Questo approccio operativo consente il calcolo della probabilità di eventi di cui si hanno informazioni
parziali; può anche essere adottato nella risoluzione di calcolo di probabilità di eventi complessi (realiz-
zando appositamente eventi che ne semplicano il lavoro).
Esempio 3.1 Si lanciano due dadi. Calcolare la probabilità che si verichi E = la somma dei due dadi è 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 (Probabilità condizionata) Sia F un evento non trascurabile
1
e sia E un evento
allora la probabilità dellevento E condizionato da F (cioè ponendo che si sia già vericato F) è
P(E[F) =
P(E F)
P(F)
Esempio 3.2 Una moneta equa viene lanciata due volte. Si calcoli la probabilità che E = si ottengono due teste
condizionatamente a
F = primo lancio è 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 probabilità
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 può dimostrare tale relazione applicando la probabilità condizionata, inoltre si può osservare che la
condizione P
_
n1
i=1
E
i
_
> 0 è suciente per poter denizre tutte le probabilità condizionate coinvolte
nella formula.
Esempio 3.3 Unurna contiene 8 palline rosse e 4 bianche.
Estraendo 4 palline senza reinserimento quale è la probabilità che si verichi E?
E = estratte due palline rosse e una bianca
1
cioè con probabilità 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
)
poichè gli eventi sono incompatibili si sostituisce lunione con la somma (additività 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 probabilità 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 probabilità e un evento non
trascurabile, F allora P( [F) è una misura di probabilita sullo spazio campionario S.
Dimostrazione 3.1 Per vericare se P( [F) è una misura di probabilità occorre vericare la validità
degli assiomi
A1 E S, 0 P(E[F) =
P(EF)
P(F)
1
P(EF)
P(F)
1 poichè (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 è 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 probabilità 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 probabilità 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
) è la probabilità iniziale (probabilità a priori)
P(F
j
[E) è la probabilità 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 può osservare che cambiare la scelta nel gioco raddoppia la probabilità 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
è la probabilità 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
`
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, cioè
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 probabilità di E è nulla o F è
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 probabilità di successo p = P(E), le prove sono indipendenti Calcolare
1. la probabilità 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 è suciente considerare n+m1 prove. Calcolando la probabilità di avere n successi
si ha la probabilità 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 è insuccesso ed s è successo) si può osservare che
(s, s, s, i) E (i, s, i, s) E
c
poichè E F (avere almeno n successi prima m insuccessi) e E
C
F
C
allora si ha che E = F
pertanto è possibile valutare la probabilità di E (calcolata su un numero nito di prove) al posto di
valutare la probabilità 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
probabilità)
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 probabilità 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
`
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 probabilità 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 probabilità che sullaltra
faccia vi sia la croce (cioè 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 probabilità che una lampadina del
primo tipo superi le 1000h è 0.7, per una del secondo tipo è 0.4 e per una del terzo tipo è 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 probabilità 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(cè 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 può pensare alle prove ripetute con p
i
come probabilità
di successo e (1 p
i
) come probabilità 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
`
A CONDIZIONATA
Capitolo 4
Variabili Aleatorie
Molto spesso si è interessati a funzioni degli esiti degli esperimenti pi` u che agli esiti stessi, ad esempio
Nel lancio di due dati si può 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 può formulare si può 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 probabilità di passarlo sia p. Nel caso in cui si venga
bocciati si riprova lesame allappello successivo.
Se X è 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 può osservare che
+
n=1
P(X = n) =
+
n=1
(1 p)
n1
p = 1
Pertanto si è 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 probabilità P; una variabile aleatoria è una funzione X : S R tale che
B R, X B = s : X(s) B
è un evento.
Allevento X B è associata una probabilita
P
X
(B) = P(X B)
P
X
è una misura di probabilità 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
è una funzione F : R [0, 1] denita da
F(x) = P(X x), x R
1
nel seguito della trattazione variabile aleatoria è abbreviata con v.a.
25
26 CAPITOLO 4. VARIABILI ALEATORIE
F(x) = P(< X x) = P(B)
Proprietà 4.1 (Funzione di distribuzione) Una funzione di distribuzione di una v.a. X è

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 può assumere un numero nito o al
pi` u numerabile di valori è detta variabile aletoria discreta.
Si denisce supporto di X e lo si indica con X linsieme dei valori che la variabile X può assumere.
Ad ogni v.a. discreta è associata una funzione di densità 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 quantità
E(X) =
x
i
X
x
i
p(x
i
)
se la serie è convergente.
2
.
Esempio 4.2 (Valore atteso, dado) Si lancia un dato equo e X è 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 può 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$, la multa è di 30$ e la probabilità di incontrare un controllore è del 5%.
Per minimizzare il costo medio sarebbe necessario comprare il biglietto?
Si denisce C il costo
Comprando il biglietto il costo ogni volta è C con probabilità 1. Pertanto E(C) = 2 1 = 2$
Non comprando il biglietto il costo è
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 utilità, U(X), in modo da riuscire meglio a caratterizzare il dif-
ferente atteggiamento degli sperimentatori. Infatti negli esperimenti precendenti si può 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 utilità si calcola il valor atteso con E(U(X)).
2
nello svolgimento del corso si supporrà 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 può denire una nuova v.a. discreta, Y = g(X). Data la funzione di densità
discreta di X si può 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)
Proprietà 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 è dato da
E(g(X)) =
x
i
X
g(x
i
) P(x
i
)
Proprietà 4.3 (Linearità del valore atteso) Il valore atteso è 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 può essere utile
sintetizzare le caratteristiche con delle misure. Si può osservare che negli esempi seguenti si ha sempre
un valore atteso nullo ma si può capire che le v.a. sono molto distinte pertanto è chiaro che manca un
valore discriminante, la varianza.
Esempio 4.5
X = 0 probabilità = 1
Y = 1 e Y = 1 probabilità = 0.5
Z = 100 e Z = 100 probabilità = 0.5
Denizione 4.5 [Varianza] Sia X una v.a. di media E(X) allora la varianza di X è denita da
V ar(X) = E
_
(X E(X))
2
che è indice della variabilità della v.a. .
Proprietà 4.4 La varianza ha le seguenti proprietà

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)
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) è il momento secondo centrato
Si può denire la quantità
X
=
_
V ar(X), scarto quadratico medio. Si denisce questo coeciente
che è indice della variabilità 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 probabilità p. La funzione X =
successo
è una v.a. discreta che vale
1 in caso di successo con probabilità p
0 in caso di insuccesso con probabilità 1 p
Denizione 4.6 [V.a. di Bernoulli] La variabile di Bernoulli di parametro p è X Be(p) che assume
valori in 0, 1.
Tale v.a. gode delle seguenti proprietà
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 probabilità 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
Denizione 4.7 [V.a. Binomiale] La variabile Binomiale di parametri n e p è 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) perchè 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 è positivo allora è
necessario eettuare singolarmente il test alle k persone (complessivamente 1 + k prove necessa-
rie); mentre se il test è negativo allora è suciente il test eettuato (complessivamente 1 prova
necessaria)
Supponiamo che la probabilità di essere positivi al test sia p per ogniuna delle N persone e che questi
eventi sono indipendenti
1. trovare la probabilità che il test sia positivo per il campione formato dal miscuglio relativo a k
persone
2. qualè 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 è positivo) = q
0 P(nessuno dei k è 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}
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 è X Poisson() con R
+
è una v.a. discreta che assume valori di X = 0, 1, . . . e gode delle seguenti proprietà
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 può 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!
Esercizio 4.1 Ogni anno la polizia municipale di Londra registra circa 160 omicidi e questo dato è stabile
da 5 anni. Si suppone che ogni omicidio è indipendente dagli altri.
Sembra strano ma questa apparente casualit` a è 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 può
calcolare la probabilità di
un giorno tranquillo (senza omicidi), cioè P(X = 0)
una settimana tranquilla (senza omicidi)
a blody sunday, cioè 3 o pi` u omicidi in un giorno
X Poisson() omicidi giornalieri
Si suppone omogeneità 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 probaiblità p) o insuccesso (con probabilità 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
Anchè la funzione di densità sia valida è 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
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 è 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 povertà; 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 è 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) è una funzione di N, la si può quindi considerare come successone di a
N
;
ci si aspetta che a
N
sia crescente e da un punto in poi,

N, è 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 è detta stima di massima verosimiglianza;

N è 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 è 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 è 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 è denito.
Denizione 4.10 [Funzione di densità] f(x) denita nellintegrale di una v.a. continua si dice funzione
di densità.
Proprietà 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)
Proprietà 4.6 B = [a, b] P(a X b) =

_
b
a
f(x) dx = F(b) F(a)
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 è una misura di probabilità.

P(X = x) =
_
{x}
f(u) du =
_
x
x
f(u) du = 0
pertanto la probabilità che la v.a. assuma esattamente un valore (o un numero nito di essi, o
uninnità numerabili di essi) è 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 è una funzione di densità di una v.a. co0ntinua e calcolare
P(X > 1).
Anchè f sia una funzione di distribuzione occorre imporre
f(x) 0, x
_
R
f(x) dx = 1
Poichè 4 x 2 x
2
0, x (0, 2) allora è 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 poichè osservando il graco di f(x) si osserva che f è simmetrica
rispetto alla retta x = 1 pertanto
_
1
f(x) dx =
_
+
1
f(x) dx
e poichè
_
+
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 densità
f(x) =
_
e
x
100
x > 0
0 x 0
Si determini anchè f sia una funzione di densità e si calcoli P(X > 50).
Poichè 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
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 è una v.a. continua con funzione di densità f
X
. Detarminare la funzione di densità
della v.a. Y = 2 X.
Poichè X è una v.a. continua allora lo è 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 densità f, allora si denisce valore atteso di X
(se lintegrale esiste)
E(x) =
_
+
x f(x) dx
Osservazione 4.2 Se X è dice simmetrica rispetto a x

0
, cioè se f(x+x
0
) = f(xx
0
), il valore atteso
è
E(X) = x
0
Proprietà 4.7 Se X è 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) è 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 è interessati allo studio di funzione di variabili aleatorie.
Esempio 4.14 Sia X una v.a. continua con funzione di densità f
X
. Determinarela densità delle variabili
Y = X
2
, T = [X[ e Z = a X +b con a,b R.
poichè 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
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 densità 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 densità, 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
Proprietà 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))
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 è 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) è 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 (unità di misura di tempo) e
che si abbia appena nito una telefonata
1. Quale è la probabilità di aspettare per pi` u di unora per la prossima telefonata?
2. Qualè la probabilità di ricevere almeno una telefonata nei prossimi 10 minuti?
3. Qualè la probablità di aspettare pi` u di 10 minuti e meno di 1 ora per la prossima chiamata?
Dai dati del problema è chiaro che la v.a. da considerare è 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
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 densità
f(x) =
_
e
x
x > 0
0 x 0
Proprietà 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), proprietà 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
poichè 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 è 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 può 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
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 densità
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)!
Proprietà 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 può 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 densità
f(x) =
_
1
b a
x (a, b)
0 x / (a, b)
Proprietà 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
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
F(x) =
_
_
0 x < 1
x a
b a
x (a, b)
1 x > 1
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
_
Proprietà 4.12 In una v.a. continua, X N(,
2
), f
X
:
ha valore massimo in x =
è crescente per x ed è decrescente per x
ha concavità verso lalto per x x + e concavità 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[, +]
Proprietà 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 perchè la funzione integranda è 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
è analiticamente impossibile; pertanto si procede linearizzando la v.a. in modo da poter utilizzare le
tavole con i valori di (z) (dove (z) è la funzione F
Z
(z) con Z la v.a. standardizzata di X).
Proprietà 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
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, è presente il valore di che è la funzione di distribuzione della
normale standardizzata, cioè di N(0, 1).
Tali tavole, inoltre, sfruttano la proprietà 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; cioè poichè 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
_
La risoluzione dellesercizio precedente porta alla denizione della va continua
2
1
(dove il pedice 1 indica
il numero di gradi di libertà).
Nel caso generale, cioè 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 è stato necessario luso di un PC.
Come si può osservare bisogna maneggiare numeri estremamente grandi, mentre accettando una piccola
approssimazione si può calcolare la medesima probabilit` a approssimando la distribuzione binomiale con
una distribuzione normale,

X
X N
_
1000
6
,
5000
36
_
poichè 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
probabilità
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
Ricorrendo invece alla proprietà 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 quantità giornaliera di riuti segue la distribuzione
X N(25
[g]
, 16)
Supponendo che la quantità 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 quantità 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 è 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) può 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
è 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
probabilità 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 densità congiunte di variabili aleatorie discrete
Si considerino due v.a. reali discrete, X e Y
Denizione 4.20 Si denisce funzione di densità 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 è 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 densità 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 può 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 densità 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 densità congiunta
f : R R [0, +)
tale che, tutte le volte che lintegrale è 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

Osservazione 4.4 Derivando F
XY
si ha la funzione di densità 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 densità congiunta di 2 v.a.
E necessario che f(x, y) 0, (x, y) [0, 1] [0, 1], questa condizione impone k > 0, inoltre è 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 densità congiunta dei tempi di vita dei due componenti misurata in ore è
f(x, y) =
_
2 x 0 < x < 1, 0 < y < 1
0 altrimenti
Determinare la probabilità 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 densità della X e Y si dicono densità 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 densità congiunta dei tempi di vita dei 2 componenti, misurato in ore, è
f(x, y) =
_
x+y
8
0 < x < 2, 0 < y < 2
0 altrimenti
Determinare la probabilità 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 può 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 può 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 probabilità 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, cioè se
P(X A, Y B) = P(X A) P(X B), A, B
cioè conoscere il valore di una delle variabile non modica la distribuzione di probabilit` a dellaltra.
Utiizzando gli assiomi della probabilità si può 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 densità 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
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 può 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 probabilità 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.
Poichè 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
Poichè 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
Poichè f
X
(x) è 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) oichè 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 è 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 densità 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 è 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
è 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
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 è presente ununità immaginaria tale che i
2
= 1, inoltre in C non è possibile
denire relazioni dordine
1
.
5.1 Rappresentazioni
Un numero z C : z = (x, y) può 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|
, poichè
R :
z
[z[
= (cos(), sin()) = cos() +i sin()
z = (cos() +i sin()) = [z[, = arg(z)
forma esponenziale se z ,= 0, poichè 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 è 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 è 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 è 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
Proprietà 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
[
Proprietà di un esponenziale complesso Sia z C si denisce esponenziale complesso la quantità
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 è 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
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
cioè 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 può ossevare che le radici sono i vertici di un poligono di n vertici, dove n è 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
Capitolo 6
Funzioni complesse
6.1 Esponenziale complesso
La funzione esponenziale complessa è
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
Poichè lesponenziale complesso è il prodotto di un esponenziale reale con la rappresentazione esponenziale
di un numero complesso valgono tutte le proprietà di uso abituale.
6.2 Funzioni trigonometriche
Attraverso le formule di Eulero, nel campo reale, si può 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 Proprietà
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 Proprietà
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 può
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 è possibile calcolare il limite.
63
64 CAPITOLO 7. ANALISI IN CAMPO COMPLESSO
7.1 Curve in C
Denizione 7.7 Una curva in C è una funzione : [a, b] C continua.
([a, b]) è 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)
è continua poichè 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)]
è continua poichè 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, cioè
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 proprietà algebriche dei limiti in campo reale.
Cioè 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 è 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 è 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
poichè u e v sono continue allora f è continua.
Per la derivata complessa non è suciente la derivabilità di u e v; infatti z non è derivabile, nel senso
complesso, in C.
Denizione 7.14 Sia C aperto, f : C; f si dice analitica o olomorfa se f è derivabile in ogni
punto di
z , f
(z)
Esiste un teorema che aerma che se f(z) = u(z) +i v(z) è 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, però,
u(x, y) non è unarmonica coniugata di v(x, y).
Esempio 7.6 Sia u(x, y) = x una funzione armonica.
Unarmonica coniugata di u(x, y) è v(x, y) = y, infatti f(z) = u(x, y)+i v(x, y) = x+i y = z è analitica;
però u(x, y) = x non è 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 è analitica
Teorema 7.1 Sia f(z) = u(z) +i v(z) : C; supponiamo che u, v C
1
() allora f è 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
Cioè
f è 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 è 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 è 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
)
_
Poichè il valore della derivata è 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 è 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 è 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 è 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 derivabilità 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
veridicità 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))
Poichè le C-R sono valide per ogni z C allora f(z) è 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)
f(z) =
n
i=0
a
i
z
i
poichè (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 analiticità di f(z) =
cos(4 z)
(2 z +i) (z
2
+ 5)
.
Poichè cos(4 z) è derivabile, perchè composizione di funzioni derivabili, e poichè il denominatore è un
polinomio e quindi derivabile si ha che f(z) è 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 è derivabile in C
_
i
2
, i
5
_
Esercizio 7.3 Dire dove è derivabile:
f(z) = z
f(z) = z = x i y
Poichè 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
Poichè la prima equazione non vale per nessun z C allora z non è mai derivabile.
f(z) = [z[
2
f(z) = [z[
2
= x
2
+y
2
Poichè 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
è 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) è detto punto iniziale, mentre il punto b è
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; cioè
c, d (a, b), (c) ,= (d)
Esempio 8.1
1
= z
0
+r e
it
, t [0, 2 ]
1
è una curva di Jordan perchè è 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 è una curva di Jordan perchè è 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 è
_
b
a
(t) dt :=
_
b
a
Re [(t)] dt +i
_
b
a
Im[(t)] dt
Re [(t)], Im[(t)] : C R
Poichè lintegrale della curva si scompone in due integrali di funzione reale di variabile reale valgono tutte
le proprietà 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 è un integrale di una curva pertanto è possibile risolverlo mediante
la scomposizione della parte reale e della parte immaginaria.
Proprietà 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
Proprietà 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
Proprietà 8.3 Se =
1

2
allora
_
f(z) dz =
_
1
f(z) dz +
_
2
f(z) dz
Proprietà 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 ) è lunione di un numero nito di curve di Jordan disgiunte.
Esempio 8.2
1
= B
r
(z
0
)
1
è regolare poichè
1
è racchiuso una circonferenza (curva di Jordan).
2
= z C : 1 < [z +i[ < 2
2
è lunione di due circonferenze disgiunte, pertanto
2
è regolare.
3
= z C : [z + 1[ < 2, [z + 1[ ,= 1
3
è lunione di due curve disgiunte ma
3
non è regolare
poichè linsieme non è 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 è continuo se ha le sue componenti continue
3
un campo vettoriale è 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
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 è percorsa una sola volta con senso positivo
Dimostrazione 8.3 Si considera g(z) =
f(z)
z z
0
, g è analitica in A pertanto lo è anche in AB
r
(z
0
), r
R
+
: B
r
(z
0
) A.
Linsieme AB
r
(z
0
) cos` denito è regolare e la sua frontiera è
(AB
r
(z
0
)) = A B
r
(z
0
)
sotto queste condizioni è 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
poichè (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
poichè f è 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 può dimostrare, non lo si fa, che si può 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 è 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
I =
_
e
z
dz
dove ha come sostegno il segmento che va da i a
i
2
.
Si parametrizza la curva in senso inverso, perchè 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 poichè f(z) è 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
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. Poichè f è analitica allora si può 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
I =
1
2 i

_
dz
z z
0
dove curva di Jordan con senso positivo e sia z
0
C allinterno di Poichè è 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
è 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
è 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 è d.
E possibile farlo poichè z = 1 è 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
.
Poichè f(z) =
z
12
e
cos(z)
è analitica in C (cmposizione di funzioni analitiche) si ha per il teorema di Cauchy-
Goursat che
_
C
f(z) dz = 0
I =
_
_
2 [z[ 3 z
2
_
dz
con parametrizzazione di C = z C : [z[ = 2.
Il teorema di Cauchy-Goursat non può essere usato poichè f non è analitica (è una composizione di
funzioni non analitiche, [z[) pertanto è 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
I =
_
C
z dz
dove C = z = t
2
+i t, t [0, 2]
Poichè f non è 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
I =
_
C
e
5iz
z
2
+ 4 i z 3
dz
con C = z C : [z[ =
3
Occorre vericare dove la funzione è denita, e quindi linsieme di analiticità (essendo il rapporto di
funzioni analitiche nel loro dominio lindieme di analiticità è 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
poichè z = 3 i (polo di f(z)) non è contenuto nellarea racchiusa da C si può riscrivere lintegrale nel
seguente modo
I =
_
C
e
5iz
z + 3 i

1
z +i
dz
Mediante questa riscrittura è 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

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
I =
_
C
1
z
2
(z
2
+ 9)
dz
dove C è il bordo dellinsieme z C : [z 1[ < 2
1
z
2
(z
2
+ 9)
=
1
z
2
(z +i 3) (z i 3)
Poichè il polo doppio in z = 0 è lunico polo allinterno dellinsieme delimitato da C allora si può 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
I =
_
e
z+1
(z 2)
24
dove è 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
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 è
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; cioè
+
n=0
c
n
= s lim
k+
_
k
n=1
c
k
_
= s
Proprietà 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
_
cioè 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 è 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, cioè [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
poichè
+
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)
+
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
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
poichè 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
Poichè
+
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 poichè 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
poichè 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 è 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]
+
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 è
[w[ 1
(z +i)
4
1 [z +i[ 1 z B
1
(i)
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 [Singolarità isolata di f] Sia aperto, z
0
e sia f(z) analitica in z
0
, si dice
che z
0
è una singolarità 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 quantità
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
) cioè
+
n=1
c
k
(z z
0
)
k
85
86 CAPITOLO 10. TEOREMA DI LAURENT E DEI RESIDUI
Denizione 10.5 [Punto di singolarità essenziale di f] Si denisce z

0
punto di singolarità essenziale di
f(z) se la parte principale contiene un numero innito di termini (cioè 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 singolarità
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 può 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
è 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
è 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
è 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
è un polo semplice di f e Res
f
(z
0
) =
n(z
0
)
d
(z
0
)
Teorema 10.4 (dei Residui) Se C è una curva do Jordan e se f è analitica allinterno di C (è
suciente che C racchiuda le singolarità), tranne che nelle singolarità 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 poichè il bordo dellinsieme preso in esame è
=
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 singolarità 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 è 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 singolarità.
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
è 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 singolarità
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
è un punto di singolatrit` a essenziale
se = 3, z
0
è un punto di singolatrit` a semplice
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 singolarità
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 è valido nella regione di spazio, poichè 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
è un polo di ordine 3
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

poichè 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 singolarità 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
è un polo semplice di f poichè f è nella forma
g(z)
zz
0
; poichè 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 singolarità e i residui di
f(z) =
_
z + 1
z 1
_
2
f(z) =
(z + 1)
2
(z 1)
2
z
0
= 1 è un polo doppio poichè
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
è 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
è 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
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, cioè utilizzando la denizione standard di derivata, si ha
f
(x) = H(x) =
_
0 x < 0
1 x > 0
, x ,= 0
H(x) è detta Gradino di Heaviside
derivando ancora la funzione H(x) si ottiene a(x) = f
(x) = H
(x) = 0, x ,= 0 ma è chiaro che tale

funzione non è soddisfacente dal punto di vista modellistico poichè in a(x) non vi sono informazioni
sullimpulso presente in x = 0.
Lidea di Schwarz
1
è quella di abbandonare il punto di vista puntuale (cioè non si guarda pi` u il valore delle
funzioni punto per punto) ma guardando le medie integrali delle funzioni, cioè 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 è
possibile ricavare f(x) attraverso la sola conoscienza della media integrale di f(x), infatti, poichè
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 può anche dimostrare) funzioni C
vicine a
11
[a,b]
ba
; pertanto se si
conosce
_
+
f(x) (x) dx, C
del tipo sopra

è possibile ricavare anche le medie integrali.
Luso di questo tipo di funzioni, , rende operativamente può semplice i calcoli.
Se considerano, pertanto, corrispondenza del tipo

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

Se f(x) è 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 è stata data.
pertanto si associa a f
(x) la corrispondenza
_
+
f(x)
(x) dx che sarà 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)
cioè invece che la derivata classica (punto per punto), si considera la corrispondenza phi (0) che si
chiama delta di Dirac che non è una funzione a valori reali, ma è un nuovo oggetto che verrà 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 cioè 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
poichè 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
poichè 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
proprietà:
C
supp() è un insieme compatto

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

Denizione 11.4 [Notazione funzione test] Linsieme delle funzioni test è denotato con T(R) o pi` u
semplicemente T.
Denizione 11.5 [Norme di funzioni] Data una funzione f : I R R è 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 è uno spazio vettoriale, cioè se , T

_
+ T
T, C
2
insiem compatto è equivalente a sistema chiuso e limitato, cioè R > 0 : (x) = 0, x [R, R]
Denizione 11.7 [distribuzione] Si dice distribuzione unapplicazione (o funzionale), T
T : T(R) C
T() = T,
tale che
T è lineare, cioè
, C, , T : T, + = T, + T,
T è continua, cioè 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 è 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 può 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
è localmente sommabile
f(x) =
1
_
[x[
a,b R,
_
b
a
1
_
[x[
dx =
_
b
a
1
_
[x[
dx R
1
|x|
è localmente sommabile
f(x) =
1
x
Poichè
_
1
0
dx
x
non converge allora
1
x
non è 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
è lineare
T
f
, + =
_
+
f ( + ) dx =
_
+
dx+
_
+
dx = T
f
, + T
f
,
Dimostrazione 11.3 Vericare che T
f
è continua, cioè 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, cioè
_
+
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 può vericare che
x
0
T
.
Nel caso in cui sia indicata la distribuzione si intende
la distribuzione delta di Dirac centrata in 0, cioè :=
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 è quando si ha b = 1, infatti
T
(x)
,
_
= T, (x) è detta inversione temporale,
nome signicativo quando la variabile x indica un tempo.
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 uninnità di punti
numerabile allora T
f
= T
g
.
Proprietà 11.1 Per la derivata distribuzionale valgono le solite proprietà 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, cioè f C
0
(Rx
1
, x
2
, . . . , x
m
)
i punti di discontinuità, x
1
, x
2
, . . . , x
m
, siano punti di discontinuità di salto, cioè
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 è continua, cioè f
(x), x / x
1
, x
2
, . . . , x
m
la derivata sia localmente sommabile, cioè 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 è 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 è 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 discontinuità 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, poichè la derivata di una distribuzione è 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,

Proprietà 11.2 Se T
n
T e S
n
S in T
e , C allora
T
n
+ S
n
T + S
Proprietà 11.3 Si denisce supporto di supp(f) := x : f(x) ,= 0. Si può dimostrare che
N
f
:= unione di tutti gli intervalli aperti in cui f è 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
è nulla su (a, b)
se
T, = 0, T con supp() (a, b)
e si pone
supp(T) := R(a, b) : T è nulla su (a, b) = R (a, b) : T, = 0, T : supp() (a, b)
Si dice che T è a supporto compatto se supp(T) è compatto in R (cioè ha supporto chiuso e limitato).
Proprietà 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) è compatto consente di dimostrare che la denizione precedente non dipende dalla
scelta di
0
.
Si è quindi estesa la distribuzione a supporto compatto da T a C
, cioè 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 poichè 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 è una distribuzione.
T è una distribuzione poichè
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
_
1
1
x
2
(x) dx +
_
1
2
e
x
(x) dx è 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 è una distribuzione.
11.5. ESERCIZI 99
_
1
0
x
(x) dx è 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]
,
_
Poichè T =
1
11
[0,1]
allora T è una distribuzione ma non è regolare.
Esercizio 11.5 Dire se T : T R denita da T, =
_
1
0
(x) dex è una distribuzione.

T, =
_
1
0
(x) dx = (1) (0) =

1
0
,
T =
1
0
T
, è una distribuzione
Esercizio 11.6 Vericare che
x
0
è 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, cioè se
n
unif
T allora
x
0
,
n
unif
v
x
0
,
x
0
,
n
=
n
(x
0
)
unif
(x
0
) =
x
0
,
pertanto poichè
x
0
,
n
unif

x
0
, allora
x
0
T
Esercizio 11.7 Dire se T : T C denita da T, = 1, T è una distribuzione.

T / T
poichè T non è lineare, infatti se T allora anche T e in base alla denizione della
distribuzione si ha che
T, = 1 = T,
ma per avere linearità è 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
Poichè anche T T
è necessario che T sia lineare e che T, = T, , non è 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
Poichè anche T T
è necessario che T sia lineare e che T, = T, , non è 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
)
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 poichè (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
.
Poichè f !
1
loc
e
x ,= 0, 1, f
(x) =
_
0 x / (0, 1)
2 e
2x
x (0, 1)
!
1
loc
poichè nei punti di discontinuit` a si hanno discontinuità 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)]
.
Poichè si può 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]
poichè 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 poichè f
!
1
loc
si ha che T
f
= T
f
+
1
+
1
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
poichè 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
n+
T
n
.
Sia T
T
n
, =
_
3n
1
n
,
_
= (3 n)
_
1
n
_
n+
(0)
3n
1
n
n+

0
n
=
(2)
3n
ln(n)
n+
T
n
.
Sia T
T
n
, =
(2)
3n
ln(n)
,
_
=
_
(2)
3n
ln(n)
poichè (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
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]
)
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
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
.
n
(x) = sin(n x), calcolare se esiste T tale che T
f
n
n+
T.
Dal graco in Figura (11.1f) è 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 poichè 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 è 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
poichè ha inniti termini nulli
11.5. ESERCIZI 105
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
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

Appunti (Di Samuele Maci) (2012!05!16)

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Appunti (Di Samuele Maci) (2012!05!16)

Caricato da

Copyright:

Formati disponibili

Appunti di 05BQXNZ - Metodi matematici per

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

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

nel quale sono presenti n

F = il sistema funziona non si sono 0 consecutivi

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

Propriet`a algebriche di unione e intersezione

insiemi che contengono

gruppi che contengono

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

E noto poi che

Corollario 3.1 Se E e F sono indipendenti allora E

Denizione 3.5 [Eventi indipendenti, n eventi] E

Esercizio 3.4 In seguito allacquisizione di dati sperimentali si ha che

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

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

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

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

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

Variabile aleatoria binomiale

Dimostrazione 4.5 E(X) = n p

N `e detta stima di massima verosimiglianza;

Propriet`a 4.5 Per v.a. continua

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

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

Osservazione 4.2 Se X `e dice simmetrica rispetto a x

Dimostrazione 4.9 La dimostrazione si suddivide in due casi distinti:

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

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

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

Osservazione 4.3 A partire da F

In base alla denizione `e necessario che

46 CAPITOLO 4. VARIABILI ALEATORIE

(a) Piano Complesso (, , z)

Esercizio 5.9 Calcolare le radici quarte in C di 4

Esempio 7.1 Calcola lintorno di i di raggio 3.

Denizione 7.3 Un punto z

Denizione 7.4 Si dice chiusura di D linsieme

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

Esempio 7.2 Sia D = B

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

Denizione 7.10 si dice C

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

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

(t) = (t) allora

(t) dt = (b) (a)

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

Esempio 8.3 Calcolare

E, quindi, possibile concludere che

Esercizio 8.4 (15/02/2007) Si calcoli

f(z) dz = 0 con curva di

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

Prosizione 9.2 (Convergenza serie complessa) Una serie complessa,

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

Denizione 9.5 [Serie geometrica] La serie

Teorema 9.2 (Derivata per serie) Sia

< 5 [z[ <

Denizione 10.3 [Polo di ordine n] Se

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

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

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

10.1 Metodi di calcolo dei Residui

< 1 [z[z < 1