Isbn6413-7 Soluzioni

Soluzioni dei problemi proposti
Capitolo 1
1.9 Il numero telefonico pu terminare con 100 differenti coppie ordinate
Per cui la coppia 99 (come del resto qualsiasi altra delle 100 possibili)
1.10 La probabilit non pu essere misurata come se fosse un parametro fisico. La
probabilit di un evento una valutazione umana, effettuata in base ad un insieme
dinformazioni (non esaustive) disponibili e che crescono continuamente con
lesperienza. In questambito, certamente i risultati di eventuali prove sperimentali
ripetute trovano un posto importante, ma non costituiscono n uno strumento e n
una procedura di misura della probabilit.
1.11 Gli eventi a e b hanno la stessa probabilit. Se qualcuno rispondesse pi pro-
babile levento b lo farebbe certamente perch si riferirebbe non gi a questa specifi-
ca successione (unica, come la a, nellambito delle 2
12
possibili) ma allinsieme delle
924 successioni caratterizzate da sei T e sei C.
1.12 Ha ragione, infatti, essendo:

(10 10 100). =
ha probabilit 1/100.
Pr{ } Pr{ }Pr{ } Pr{ }Pr{ }
0.09091 0.10000 0.10101 0.9 0.10000 Pr{ }
B B A A B A A
A
= + =
= + = =

leguaglianza Pr{ } Pr{ } A B B A = segue immediatamente. Il risultato vale in generale
per le estrazioni senza rimessa da unurna composta da d elementi difettosi e b buoni.
Infatti abbiamo:

1
Pr{ } ; Pr{ } ; Pr{ }
1 1
d d d
A B A B A
d b d b d b
= = =
+ + +

da cui:
Probabilit e Statistica per le Scienze e lIngegneria, 3/ed, P. Erto - Copyright 2008, The McGraw-Hill Companies srl
542

Pr{ } Pr{ }Pr{ } Pr{ }Pr{ }
1
Pr{ }.
1 1
B B A A B A A
d d d b d
A
d b d b d b d b d b
= + =
= + = =
+ + + + +

1.13
versi: il prim
o raro mentre il
1.14 La probabilit che i 10 amici siano nati in giorni diversi :

Lapparente paradosso conseguenza del fatto che si confondono due eventi di-
o acquisto del biglietto vincente da parte di una specifica persona; il
plicemente acquisto del biglietto vincente. Il prim secondo sem
secondo certo.
10
364 363 356 365!
1 0.8831 88%
365 365 365
365 355!
= =

quindi la probabilit che almeno due siano nati nello stesso giorno pari a circa il
12%.
1.15 ente con laiuto dei dia-
grammi di Venn:
a) {
Le probabilit richieste possono essere calcolate facilm
} Pr 0.5 0.4 0.3 0.6 A B = + = ;
b)
{ }
Pr 1 Pr{ } Pr{ } Pr{ ( )}
(1 0.5) 0.4 (0.4 0.3) 0.8;
A B A B B A B = + =
= + =

c)
{ } { }
Pr Pr 1 0.6 0.4 A B A B = = = ;
d)
{ }
Pr (1 0.5) (1 0.4) 0.4 0.7 A B = + = .
1.16 Pr{ } Pr{ } A B A = Dallequazione Pr{ } B A Pr{ } Pr{ } B A B = otteniamo:

Pr{ } Pr{ }
4
Pr{ }
15 Pr{ }
A B A
B
A B
= = .
1.17 Tenendo conto delle ipotesi di incom -indipendenza, le probabilit
richieste sono:
a) {
patibilit ed s
} Pr 0.2 0.3 0.06 0.44 B C = + = ;
b) { } { } { } { } Pr Pr Pr Pr ( ) ( )
0.1 0.44 0.54;
A B C A B C A B A C = + =
= + =

c)
{ }
{ } { }
{ } { }
Pr ( ) Pr ( ) ( )
Pr 0
Pr Pr
A B C A B A C
A B C
B C B C

= = =

;
d)
{ }
{ } { }
{ } { }
Pr ( ) ( ) Pr
Pr 0.136
Pr Pr
B C B C B C
B C B C
B C B C

= = =

.
1.18
a)
Utilizzando le soluzioni del problema precedente, e tenendo conto ancora una
volta delle ipotesi di incompatibilit ed s-indipendenza, le probabilit richieste sono:
{ } { } Pr 1 Pr 0.46 A B C A B C = = ;
543
b)
( ) ( ) ( ) { }
( ) { } ( ) ( ) { }
Pr
Pr Pr Pr{ } Pr{ } 0.06.
A B C A B C A B C
A B C A B A C B C
=
= = = =

Le asserzioni nessuno dei tre si verifica e almeno uno si verifica sono tra loro
complementari. Lincompatibilit di A sia con B che con C implica le identit
A B B = e . A C C =
a) aggio-
re:

1.19 Conveniamo di indicare col primo numero il punteggio realizzato da Aldo e col
secondo quello realizzato da Bruno.
Qualunque sia il punteggio realizzato da Aldo, Bruno ne realizza uno m
Pr{[1 ( 1)] [2 ( 2)] [3 ( 3)] [4 ( 4)] [5 ( 5)]}
1 5 1 4 1 3 1 2 1 1 15
;
6 6 6 6 6 6 6 6 6 6 36
> > > > > =
= + + + + =

b) Bruno realizza un punteggio maggiore oppure realizza lo stesso di Aldo e viene
favorito dal successivo lancio della moneta:
Pr{[1 ( 1)] [2 ( 2)] [3 ( 3)] [4 ( 4)] [5 ( 5)]}
Pr{[(1 1) (2 2) (3 3) (4 4) (5 5) (6 6)] (croce)}
15 6 1 18 1
;
36 36 2 36 2
> > > > > +
+ =
= + = =

c) Bruno realizza un punteggio maggiore di 4 oppure realizza anche lui 4 e viene
favorito dal successivo lancio della moneta:
Pr{( 4)} Pr{(4) (croce)}
2 1 1 5
.
6 6 2 12
> + =
= + =

1.20
me
Linsuccesso di un ciclo pu avvenire in 3 maniere diverse a seconda che non
o intervento o non riesca il secondo o non riescano entram
nte per il secondo ciclo. In totale ci sono 3 3
riesca il prim bi. Analoga-
maniere differenti i cui si pu veri-
ficare linsuccesso dei due cicli. Ogni maniera ha probabilit
4
(1 2) per cui la proba-
bilit dinsuccesso di entrambi i cicli 9 116 0.56. =
1.21 Il successo di un ciclo pu avvenire in una sola maniera, ossia quando entrambi
gli interventi riescono. Un solo successo pu verificarsi in 6 maniere diverse a secon-
da che linsuccesso sia capitato al primo od al secondo ciclo nonch a seconda
che non sia riuscito il primo o il secondo o entrambi gli interventi Ogni maniera
ha probabilit
(2)
(3).
4
(1 2) per cui la probabilit di un solo successo 6 116 0.38. =
1.22 Due successi possono verificarsi in una sola maniera allorch entrambi i cicli
sono coronati da successo ossia quando si verifica una successione di 4 interventi riu-
sciti. La probabilit che ci accada
4
(1 2) 0.06. =
1.23 La probabilit dellevento A pu essere calcolata come rapporto tra il numero di
coppie di carte di denari (eventi favorevoli) ed il numero di coppie di carte (eventi
544
possibili) che possono essere estratte dal mazzo:
{ }
10
2
10 9
Pr 0.058
40 39 40
2
A

= = =

.
Analogamente, la probabilit dellevento B pu essere calcolata come rapporto tra il
numero di coppie di carte di denari e di bastoni (eventi favorevoli) ed il numero di
coppie di carte (eventi possibili) che possono essere estratte dal mazzo:
{ }
10 10
1 1
10 10
Pr 2 0.128
40 39 40
2
B

= = =

.
1.24 itanze di specifiche estra-
zioni (ed utilizzando una sim ente:
{ }
Considerando ciascuno dei due eventi come concom
bologia intuitiva) abbiam
} { }
o rispettivam
{ { }
10
I II Pr I Pr II I
40
d d d d d
= = =
9
Pr Pr 0.058
39
A = ;

{ ( ) ( ) { } } { } { } { } { } Pr Pr I II I II Pr I Pr II I Pr I Pr II I
10 10 10 10 10 10
2 0.128.
40 39 40 39 40 39
d b b d d b d b d b
B = = + =
= + = =

tanza di eventi elementari la cui probabilit composta sempre la stessa, otteniamo
che:

1.25 Entram patibi-
3 di un altro. Inoltre, considerando che ognuna delle maniere costituisce una concomi-
bi gli eventi si possono presentare in
5,2
C maniere diverse (incom
li) ossia a seconda del numero di ordinamenti possibili di 5 pezzi di cui 2 di un tipo e
5 5 4 10 9 8
Pr{2 } 0.400;
2 15 14 13 12 11
5 500 499 1000 999 998
Pr{2 } 0.330.
2 1500 1499 1498 1497 1496
A
B

= =

= =

Le stesse probabilit possono essere valutate come rapporto tra il numero di differenti
gruppi di 5 pezzi di cui 2 difettosi (eventi favorevoli) ed il numero di differenti gruppi
di 5 pezzi qualsiasi (eventi possibili) potenzialmente estraibili da entrambi i lotti:

5 10 500 1000
2 3 2 3
Pr{2 } 0.400; Pr{2 } 0.330
15 1500
5 5
A B

= = = =

1.26 Per il lotto eno: A i risultati sono differenti; per il lotto B lo sono molto m
545

2 3
2 3
5 5 10
Pr{2 } 0.329 0.400
2 15 15
5 500 1000
Pr{2 } 0.329 0.330.
2 1500 1500
A
B

= =

= =

In generale, le valutazioni in caso di estrazione con e senza rimessa tendono a coinci-
dere quanto pi inferiore a 0.10 il rapporto tra il numero di pezzi estratti ed il nume-
ro di pezzi presenti nel lotto.
1.27 indipendenti (perch in-
eni di al-
lenamento o af di centrare il bersaglio
almeno una volta in ai. Pertanto,
dovendo essere troviamo per tentativi che Infatti ad
corrisponde
Nellipotesi che i lanci possano essere ritenuti eventi s-
nanzitutto le condizioni di lancio sono omogenee, nonch sono assenti fenom
faticamento del concorrente) la probabilit p
n lanci il complemento allunit di non centrarlo m
( )
n
= 1 1 0.75 0.99, p
0.98 p = e ad 4 n
4. n =
3 n = = corrisponde 0.996. p =
1.28 La probabilit di vincere un terno :

5
5 90 5 4 3
: 8.512 10
3 3 90 89 88
p

= = =

che in termini di scommessa coerente pu essere espressa dal rapporto ( ) , a a b p + =
essendo a la somma che siamo disposti a scommettere per guadagnare b se
levento T si verificher. Da cui, tenendo conto che deve essere ( ) 1 , b a b p + = ot-
teniamo che la scommessa coerente sarebbe di 1 a euro contro 11.747,00 b = = euro.
1.29 Applicando il teorem

a di Bayes abbiamo:
Pr{100 incon
Pr{10 incontaminati 100 incontaminati} Pr{100 incontaminati}
Pr{10 incontaminati}
= =

taminati 10 incontaminati}=
( )
3
0
1 14
Pr{10 incontaminati esemplari contaminati su 100} Pr{}
i
i i
=
= =

3
0
14 14
0.0931
1 14 0.900 0.809 0.727
100 100
: 14
10 10
i
i
=
= = =
+ + +
.
1.30 A priori possiamo dire che il lotto esaminato ha la stessa probabilit (13)
sere quello indicato con A, B o C. Inoltre le probabilit di estrarre un esemplare di
di es-
a
1
scelta dai lotti A, B e C sono rispettivamente 1, 1 e 13. Levento cui siamo interessati
(lunico che
scelta. Ap-
implica la concomitanza che il lotto esaminato sia quello indicato con C
ha esemplari di scelta) e che da questo sia estratto un esemplare di
plicando il teorema di Bayes, la probabilit di questo evento :
a
2
a
2
546

( ) { }
a a a a
Pr 2 scelta 1 scelta Pr{ 1 scelta} Pr{2 scelta } C C C = =

a
a
a
Pr{1 scelta } Pr{ }
Pr{2 }
Pr{1 scelta}
C C
C
= =

13 13
2 3 0.0952
1 13 1 13 13 13
= =
+ +
.
Si noti che questa probabilit pi che dimezzata rispetto a quella assoluta (grazie
allapplicazione del teorema di Bayes che ha permesso lutilizzo dellinformazione
sperimentale lesemplare controllato di
a
1 scelta):

{ } { } { }
a a
Pr 2 Pr C Pr 2 sceltaC 13 2 3 0.222 2 0.0952 C = = = > .
Capitolo 2
2.9 Indicando con b un pezzo cattivo, i possibili risultati del-
la prima estrazione sono: , rispettivamente di proba-
bilit p
1
=30/50 29/49,
2 3
p
4
=20/50 19/49. Per-
tanto, applicando la regola di Bayes, la richiesta probabilit data complessivamente
dalla somma:

un pezzo buono e con c
{ },{ }, { }, { } b b b c c b c c
p =30/50 20/49, p =20/50 30/49,
1 2 3 4
15 2 15 1 15
Pr{ } ( ) .
27 27 27
b p p p p
+ +
= + + +
2.10 Applicando il Teorem plare sia non confor-
me
a di Bayes, la probabilit che lesem
( ) C , una volta che stato scartato (SC), data da:

{ }
{ }
{ }
{ } { }
{ } { } { } { }
Pr Pr Pr
Pr
Pr
Pr Pr Pr Pr
0.90 0.001
0.0826.
0.90 0.001 0.01 (1 0.001)
SC C C C SC
C SC
SC
SC C C SC C C
= = =
+
= =
+

2.11
C. Infatti:

Grazie allipotesi di s-indipendenza non necessario calcolare la probabilit di
{ }
{ }
{ }
{ }
Pr
1 1 1
Pr ( ) Pr
5 4 20 Pr
A B C
A B C A B
C

= = = = .
2.12 A B e C
non sono
Anche se risulta Pr{ } Pr{ } Pr{ } Pr{ }, A B C A B C = gli eventi
s-indipendenti perch Pr{ } Pr A B { } Pr{ }, A B
Pr{ } Pr{ } Pr A C A { }, C e Pr{ } Pr{ } Pr{ }. B C B C
2.13 A differenza del problema precedente, ora risultano verificate le condizioni
Pr Pr{ } Pr{ } Pr{ }, A B A B = { } Pr{ } Pr{ }, A C A C =
Pr{ } Pr{ } Pr{ }. B C B C =
Pr{ } Pr{ } Pr{ A B C A
Tuttavia, essendo
anche questa volta gli eventi A B e C non } Pr{ }, B C
547
sono s-indipendenti.
2.14 Indicando con e il numero dei pezzi non conformi estratti, rispettiva-
mente dal I e dal II lotto (nellipotesi che il controllo dei lotti avvenga indipendente-
mente uno dallaltro) la probabilit di superare il controllo :
( ) ( ) { } { } { }
I
d
II
d
3 17 3 17
0 2 0 2
Pr 0 0 Pr 0 Pr 0 0.512
20 20
2 2
I II I II
d d d d

= = = = = = =

.
Viceversa, se la fornitura avviene in ununica soluzione, la probabilit di superare il
controllo lievemente inferiore e pari a:

34 40
: 0.507
4 4

=

.
o

{ }
2.15 Dai dati in nostro possesso possiamo ricavare le seguenti valutazioni (indicando
con
i
C levento il coperchio i-esimo copre la moneta, con
1
P levento abbiam
puntato sul coperchio n 1 e con
2
S levento lavversario ha scoperto il coperchio
n 2):
( ) { } ( ) { } ( ) { }
2 1 1 2 2 1 2 3 1
1
Pr ; 1, 2, 3
3
1
Pr ; Pr 0; Pr 1
2
i
C i
S C P S C P S C P
= =
= = =

e quindi, applicando la regola di Bayes, abbiamo le valutazioni a posteriori:

( ) { }
{ { } ( )}
{ } ( ) { }
( )
1 2 1 1
1 2 1 1
3
2 1
1
Pr Pr
Pr
Pr Pr
13 12 1
3 13 12 0 1
i i
i
C S C P
C S C P
C S C P
=
= =

= =
+ +

( ) { }
{ { } ( )}
{ } ( ) { }
( )
3 2 3 1
3 2 3 1
3
2 1
1
Pr Pr
Pr
Pr Pr
13 1 2
.
3 13 12 0 1
i i
i
C S C P
C S C P
C S C P
=
= =

= =
+ +

Quindi, ancora una volta abbiamo la conferma che la strategia del cambiamento della
puntata quella che sfrutta meglio le informazioni di cui disponiamo al momento.
2.16 nore di

I casi possibili sono
3
6 216 = , mentre quelli favorevoli ad un incasso mi
60 euro sono quelli riportati nella tabella seguente:
548
Caso Vendita Incasso
Probabi-
lit
3
(1 6) 1 10,10,10 30
3
(1 6) 2 20,10,10 40
3
(1 6) 3 10,20,10 40
3
(1 6) 4 10,10,20 40
3
(1 6) 5 10,20,20 50
3
(1 6) 6 20,10,20 50
3
(1 6) 7 20,20,10 50
3
(1 6) 8 30,10,10 50
3
(1 6) 9 10,30,10 50
3
(1 6) 10 10,10,30 50

Conseguentemente:

3
Pr{incasso 60} 1 Pr{incasso 60}
10 1
1 1 10 0.954.
216 6
= < =

= = =

2.17
prodotti di costo inf

Levento si verifica se e solo se le prime 2 vendite hanno per oggetto altrettanti
eriore a 50 euro ed il terzo no:
2
4 4

Pr{ } 1 0.944
6 6
A = =

.
2.18 Levento si verifica se e solo se le e 3 vendite hanno per oggetto altrettanti
prodotti di costo infe

prim
riore a 60 euro:
3
5
Pr{ } 0.579
6
B

= =

.
2.19 Levento almeno un successo plementare dellevento nessun
successo ( . Dovendo essere:
Pr{ 1} 1 Pr{ 0} 1 (1 0.60) 0.90
x
n n = = =
ricaviamo che il numero minimo di tentativi da effettuare :

( 1) n il com
0) n =
ln(0.10)
2.51
ln(0.40)
x = .
2.20 Le coppie distinte di lettere sono
24,2
24 23 D = mentre le triplette distinte di
cifre sono
10,3
10 9 8 D = . Quindi sono 24 23 10 9 8 397440 =
obabilit di violarlo con un tentativo con-
i codici distin-
tivi che possiamo realizzare. Pertanto, la pr
549
dotto a caso pari a
2.21 Il num
6
2.52 10
.
ero di codici differen
5 2 3
( ) P P P = ti aumentato di un fattore 10 pari al
numero di possibili 974
.
400.
Ovviamente, giungiam ero di possibi-
li scelte delle 2 lettere
ulteriori
o allo stesso risulta
24,2
( 2 C =
ordinamenti. Il numero totale quindi pari a 3
to anche moltiplicando il num
76) e delle 3 cifre
10,3
( 120) C = per il numero delle
possibili perm
5
( 1 P 20) = utazioni di 5 oggetti distinti . La corrispondente probabilit
di violarlo con un tentativo condotto a caso , quindi, 10 volte pi bassa di prima.
2.22 Per quanto ne sappiamo, con la stessa probabilit il tecnico pu aver sostituito
un qualsiasi altro, purch differente dal pri-
mo. Applicando la regola di Bayes:

una scheda di un qualsiasi tipo con una di
{ } { }
{ } { }
{ } { }
{ } { }
{ } { }
Pr{ } Pr Pr{ } Pr ( ) Pr{ }
Pr ( } Pr ( ) Pr{ }
Pr ( } Pr ( ) Pr{ }
Pr ( } Pr ( ) Pr{ }
Pr ( } Pr ( ) Pr{ }
B A B A A C A C
A A A D B B A B A
B B C B B D B D
C C C A C C B C B
C C D D D A D A
= + +
+ +
+ +
+ + +
+ +

( )
) Pr{
) Pr{
) Pr{
) Pr{
A A A
D
B C
A
C D
+
+
+
{ } { }
Pr { } Pr ( ) Pr{ }
12 14 1 1 13 1 1
2
52 52 4 3 52 4 3
1 3 6 13 1 156
0.250.
12 12 52
D B D D C D C + =

= + =

= = =

Il risultato ovvio, essendoci simmetria tra i 4 casi possibili.
2.23

( ) Pr
1 1
3 3
4 3
12 3 14
52
D D B +

+

+ +
Le probabilit richieste sono:
{ } { }
Pr{ 89 = .
2.24

{
} 86100 0.86; Pr 39 47 0.83; Pr 47 53 0. L L D L U = = = = =
Il fatto che le probabilit condizionate siano diverse da quelle assolute indicano che
loccupazione dipende dal sesso.
Applicando la regola di Bayes abbiamo:
{ } } { } { } { } Pr Pr Pr Pr Pr
0.83 0.47 0.89 0.53 0.86.
L L D D L U U = + =
= + =

ossia la probabilit assoluta coincide con la media pesata di quelle condizionate.
2.25 Applicando il teorem

a di Bayes abbiamo:
{ }
{ } { }
{ } { } { } { }
1
Pr Pr C S C
1
1 1
Pr
Pr Pr Pr Pr
0.001 0.90
0.0826
0.999 0.01 0.001 0.90
C S
C S C C S C
= =
+
= =
+

essendo le probabilit di diagnosi (corretta o scorretta) delle probabilit condizionate
per natura. La valutazione 0.0826 pu essere interpretata come un aggiornamento del
dato storico 0.001 alla luce del risultato sperimentale e delle qualit diagnostiche del
550
sistema adoperato.
2.26 Applicando nuovamente il teorema di Bayes e tenendo conto della valutazione
della probabilit di non conformit appena effettuata, abbiamo:

{ } {
( )
{ }
}
{ } { } { } { }
1 2
1 2
1 2 1 2
Pr Pr
Pr
Pr Pr Pr Pr
0.0826 0.90
0.890.
0.917 0.01 0.0826 0.90
C S S C
C S S
C S S C C S S C
= =
+
= =
+

Riscontriamo un evidente ed ulteriore affievolimento della memoria del dato storico
assoluto Pr{ } 0.001 C = (valido per tutta la produzione) nella valutazione riguardante
un esemplare specifico. Questa seconda applicazione del teorema di Bayes differisce
dalla prima unicamente per la sostituzione dellinformazione a priori Pr{ } 0.001 C =
con quella aggiornata
1
Pr{ } 0.0826 C S = .
2.27

Basta applicare la regola di Bayes:
{ } { } { } { } { } Pr Pr Pr Pr Pr
0.90 0.001 0.01 0.999 0.011
S S C C S C C = + =
= + =

avendo questa volta, ovviamente, utilizzato la valutazione della probabilit di non
it relativa a tutti gli esemplari e non quella relativa allesemplare esam conform inato.
2.28
pia mista ( a pompa di tipo in
Ancora una volta basta applicare il teorema di Bayes tenendo conto che la cop-
) pu verificarsi in due modalit diverse (la prim
1 2
A A
coppia con la seconda di tipo
1
A
2
A e viceversa):
{ } { }
{ }
{ } { } { } { } { } { }
1 1 1 1
1 1
1 1 1 1 1 2 1 2 2 2 2 2
3,2 10,2
3,2 10,2 7,2 10,2
10,2
Pr Pr
Pr
Pr Pr 2Pr Pr Pr Pr
0.04
3 7
0.04 2 0.006 0.003
0.0027
0.2784.
0.0027 0.0056 0.0014
A A G A A
A A G
A A G A A A A G A A A A G A A
C C
C C C C
C
= =
+ +
= =
+ +
= =
+ +

2.29 In effetti sarebbe opportuno valutare almeno la probabilit delle altre tre ipotesi
alternative (
1 2
A A ,
2 1
A A e
2 2
A A ).
Ripetendo lapplicazione del teorema di Bayes utilizzando gli stessi dati di prima, ri-
sulta
1 2 2 1
Pr{ } Pr{ } 0.2887 A A G A A G = = e
2 2
Pr{ } 0.1443 A A G = . Pertanto
lipotesi della fornitura conforme alle richieste
2 2
( ) A A risulta probabile solo al 14%,
contro l86% dellunione degli altri tre casi di non conformit (
1 2
A A ,
2 1
A A e
1 1
A A ).
2.30
e (2-2) e dalle 3 coppie di stati equivalenti (0-1) e (1-0), (0-2) e (2-0), (1-2) e (2-1).
2
facile riconoscere che gli stati sono 3 e sono costituiti dai 3 stati (0-0), (1-1)
551
Attesa lipotesi di s-indipendenza facile calcolare la probabilit di ogni stato come
prodotto delle due probabilit con i pedici corrispondenti. Tuttavia in casi pi com-
plessi risulta utile ricorrere alla sviluppo della potenza:
( )
2
2 2 2
0 1 2 0 1 0 2 1 2
0 1 2
2 2 2 p p p p p p p p p p p p + + = + + + + +
che fornisce automaticamente le probabilit di tutti gli stati tenendo anche conto
dellesistenza di probabilit uguali.

Capitolo 3
3.9 La differenza quadratica media rispetto ad un generico valore x, della v.a. X, da-
ta da:

[ ]
{

{ }
( ) ( )
}
( )
2 2
2
E E E{ } E{ }
Var{ } E{ }
X x X X X x
X X x
= + =

= +

che assume il valore minimo per x coincidente con la media (similmente al fatto che il
momento dinerzia m
3.10 asse positivo, con
un accumulo di m
inimo rispetto al baricentro).
La seguente Cdf relativa ad una v.a. mista, definita sul semi
assa nel punto x
1
, di valore
1
1
( ) ( ) F x F x
:
0
1
0
x
F x ( )
F x ( )
1
F x ( )
1
-
x
1

3.11 La diffe pu
verificarsi
3.12
3.13 La me
Questa v.a., pur essendo non continua, ha un insieme di definizione continuo.
renza consiste nel fatto che un insieme di eventi a probabilit nulla
contrariamente ad un insieme di eventi impossibili.
La risposta affermativa: una v.a. mista ha queste caratteristiche.
dia della v.a. discreta per definizione data da:
552

1
1 ( 1) ( 1)
0 1
0
1
E{ } (1 ) (1 )
1
(1 )
n n
y n y y n y
y y
m
x m x
x
n n
y y p p np p p
y y
m
np p p np
x

= =

= = =

= =

avendo posto 1 n m = ed 1 y x = .
3.14

La richiesta varianza :
2
0
Var{ } ( ) (1 )
n
y n y
y
n
y y np p p
y
=

=

da cui, utilizzando i risultati del Problema 3.13 , otteniamo:

2 2
1
2 1 ( 1) ( 1)
1
2
Var{ } ( ) 2 (1 )
1
( ) [( 1) 1] (1 )
1
( ) ( 1) (1 ).
n
y n y
y
n
y n y
y
n
y np np np y p p
y
n
np np y p p
y
np np n p np np p
=

=

= + =

= + + =

= + + =

3.15

La media della v.a. continua :
[ ]
0
0 0
}
x x
E{
1 1
0 .
x
x
o
x x e dx xe e

= = +

dx
e
=
= =
3.16 o che la richiesta varianza
data da:

Utilizzando la soluzione del Problema 3.15 , otteniam
( )
2
2
0
2
0 0
1
1 2
x x
2 2
Var{ }
1 2 1 1
0
x
x x e dx x e x

= = +

e dx
=
= + + =
3.17 Dalla trasformazione inversa ( )
13
1 X Y = deduciamo ( )
2 3 1
1
3
dx
y
dy
= e
quindi:
( )
{ }
( )
2 3 2 3 1
( ) 1 1 1 1 ;
3
Y
f y y y y

= + < <

.
3.18 La funzione me- cos( ) Y X = non biunivoca (essendo una curva convessa e sim
trica rispetto allasse delle ordinate) nellintervallo 2 2 x , a cui corrisponde
. Dal suo diagram deduciamo:

0 1 y ma
[ ] [ ]
[ ] [ ]
) ( 2) ( 2) ( )
( ) 0 1 ( )
Y X X X X
X X
x F F F x
F x F x
+ =
= +

da cui:
( ) ( F y F =
553
[ ] [ ] { }
2
( ) ( ) ( )
arcos( ) arcos( ) 1
Y X X
X X
f y f x f x
dy dy dy
f y f y y
= = =
= + =

( )
Y
dF y dx dx

2
(2 ) 1 ; per 0 1 y y =
essendo la derivata della trasformata inversa:

2
arcos( ) 1
1
d y dx
dy dy
y
= =
.
3.19 La funzione
2
1 Y X = + non biunivoca per 1 1 x (a cui corrisponde
1 2 y ). Invece biunivoca per 2 5 y <
ente a:
1 2 x < (a cui corrisponde ). Pertanto, es-

sendo la trasformata inversa e la sua derivata uguali rispettivam
12
1
1; ( 1)
2
dx
X Y y
dy
= =
abbiamo:

1
per 1 2;
3
( )
1
per 2 5.
6
Y
y
y
f y
y
y

<

Per ulteriore esercizio, si verifichi che pari allunit lintegrale della ( )
Y
f y per
1 5 y .
3.20 Dalla trasform ( ) azione inversa ( )
13
1 X Y = deduciam
2 3
o
1
1
3
dx
y
dy
= e
quindi:
( )
2 3 1 1
( ) 1 ; 1 9
2 3
Y
f y y y
= .
3.21 non altro che una pdf condizionata a
:

La pdf della vita residua allet
0
t
0
T t >
2
2 2
0
2
0
0
0
0
( )
0
0
Pr{( ) ( )}
Pr{( ) }
Pr{ }
( ) 2
2 ; .
1 ( )
t
T t t
t
T
t T t dt T t
t T t dt T t
T t
f t dt t e dt
t e dt t t
F t
e
< + >
< + > = =
>
= = = >

come dire che la massa di probabilit che compete a ( , ) t t dt + rimasta quella ori-
ginaria; invece, le alternative possibili sono diminuite del tratto
0
(0, ) t . Pertanto, solo
dividendola per
0
1 ( )
T
F t , il suo integrale esteso da
0
t ad risulta essere uguale
allunit. Ovviamente, giungiamo allo stesso risultato se calcoliamo la derivata della
554
Cdf condizionata a
0
T t > (3.7).
3.22 atematica per il calcolo della media:

{ }
Utilizzando loperatore speranza m
2
4 5
2
2
11 16
E{ } E 1 1 1 1
5 5 5
x x
Y X dx

= + = + = + = + =

e per il calcolo del mome

{ } ( )
{
1
1
3 1

nto secondo:
}
2 2
5 7
2
2 2
1 1
11 43 404
E E 1 1 2 1 2
15 21 5 7 35
x x
Y X

= + = + + = + + =

abbiamo anche i due addendi per calcolare la varianza:

{ } [ ]
2
2
2
404 16 228
Var{ } E E{ }
35 5 175
Y Y Y

= = =

.
Ovviamente otteniamo gli stessi risultati anche se invece della pdf della v.a. X utiliz-
ziamo la pdf della v.a. Y ottenuta come soluzione del problema 3.19. Ad esempio per
la media abbiamo:

0.5 0.5
2 5
1 2
( 1) ( 1) 16 128 16
E{ } ( )
3 6 45 45 5
Y
y y
Y y f y dy y dy y dy
+

= = + = + =

.
3.23 Innanzitutto calcoliamo la Cdf della v.a. X (definita per 1 2 x ) integrando
la pdf

data:
3
1 x +
( ) ; per 1 2
9
X
F x x =
essendo 19 la costante dintegrazione della pdf (necessaria affinch la Cdf sia positi-
va, non decrescente e tale che ( 1) 0
X
F = ed (2) 1
X
F = ).
Per definizione di Cdf di Y :

{ }
{ } { }
( ) ( )
2
( ) Pr{ } Pr{ 1} Pr 1 1
Pr 1 Pr 1
1 1 .
Y
X X
F y Y y X y y X y
X y X y
F y F y
= = = =
=
=

Considerando che la funzione di trasformazione una parabola con vertice nel punto
(0,1) , deduciamo che allintervallo di definizione [ 1,2] X per corrisponde linter-
vallo [1,5] per Y . Inoltre, poich a valori 2 y > corrispondono valori negativi 1 x <
per i quali ( ) 0
X
F x = , possiamo scrivere:

3 2
3 2 3 2
3 2 3 2
1 ( 1)
2( 1) 1 ( 1)
; per 1 2
9 9 9
( )
1 ( 1) 1 ( 1)
0 ; per 2 5.
9 9
Y
y
y y
y
F y
y y
y
+
+

=
=

+ +
= <

3.24 Calcoliamo la Cdf della v.a. X integrando la pdf data
( ) ; per 0 2
x
F x x
2
X
= .
555
Per definizione di Cdf di Y :

{ }
3 13
13
13
( ) Pr{ } Pr{ 1} Pr ( 1)
( 1)
( 1) ; per 1 9.
2
Y
X
F y Y y X y X y
y
F y y
= = = =
= =

3.25 Imponiam

o che sia pari a 0.5 il valore della Cdf di Y :
{ } { }
( ) ( )
2
( ) Pr{ } Pr ( 1) Pr 1 1
1 1
F y Y y X y y X
y y
= = = +
+
1 1 0.5
16 16
Y
X X
y
F y F y
=
= + = =

da cui risulta che la mediana di Y 2 y X , la quale non corrisponde a quella di =
(pari ad 8, per simmetria) in ragione della trasformazione non biunivoca. Se invece,
ad esempio, la trasformazione fosse stata
3
( 1) Y X = , avremmo avuto per Y la me-
diana
3
7 . y =
3.26

Applicando la definizione di media abbiamo:
2
1 1
0
1
E{ } ( ) ( )
3
X X
X x P x x f x dx = + =

inoltre, essendo:

{ }
2
2 2 2
1
1
0
8
E ( ) ( )
18
X X
X x P x x f x dx = + =

abbiamo:

{ } [ ]
2
2
1
Var{ } E E{ }
3
X X X = = .
interessante notare che otteniamo lo stesso risultato se (in analogia al teorema di
Huygens) sommiamo le varianze delle due masse parziali (4 6e2 6), rispetto alle lo-
ro rispettive medie (0 ed 1), alla varianza rispetto alla media globale (13) delle due
masse concentrate nelle loro rispettive medie:

( )
2
2
2 2
0
4 6 0 1 16 (4 6) (13) (2 6) (1 13)
19 2 27 4 27 13.
x dx + + + =
= + + =

3.27

Applicando la definizione di Mgf abbiamo:
1
2
2
2
1
0
0
4 1 1 1
( ) ( ) ( ) 4
6 6 6
t
t x t x
X X X
e e
t e P x e f x dx
t t
t x

= + = + = +

da cui, ad esempio, possiamo calcolare la media:

2 2 2 2
'
2
0
2 1 2 1 1
E{ } (0) lim
6 3 3
t t t t
X
x
t
te e e te
X
t

=
+ +
= = = =

.
3.28 0 ed
suoi tre possibili valori (0, 2, 3) cui competono rispettivam
La funzione non decrescente e soddisfa le due condizioni ( )
X
F =
( ) 1
X
F = . Essendo a gradini caratterizza una v.a. discreta. I tre salti individuano i
ente le seguenti probabili-
556
t:

1 1
(0) (0 ) (0 ) 0 ;
2 2
5 1 1
(2) (2 ) (2 ) ;
6 2 3
5 1
(3) (3 ) (3 ) 1
6 6
X X X
X X X
X X X
P F F
P F F
P F F
+
+
+
= = =
= = =
= = =

La Mgf :

2 3
1 1 1
( )
2 3 6
t t
X
t e e = + + .
3.29 Il cercato m

odello di pdf deve essere tale che:
4 4
0 0
( ) 8 1
X
f x dx ax dx a = = =

ulazione della pdf semplicemente il prodotto 8 quindi la form x .
3.30 Imponendo che sia:
[ ]
1
( ) ln(1 ) ln(2) 1
X
f x dx a x a
1
= + = =

abbiamo 1ln(2) a = .
3.31
( ) ; per 0 ; 0
0; per
X
f x a x b a
x b
= >
>

Essendo per continuit ( ) 1
X
F b = , deduciamo che deve essere 1 ab
Derivando la Cdf abbiamo:
0; per 0 x <
= .
3.32 La form

ulazione dela pmf ed i valori che essa assume sono:
1 2 3 5
0.583; 0.339; 0.702 10 ; 0.683 10 ; 0.251 10 ; 0.335 10
5
.
100
X
10 90
5
( ) ; 0, , 5;
x x
P x x

Il valore atteso non solo diverso da quelli che pu assumere la v.a. ma anche sor-
prendentemente basso:

5
0
E{ } ( ) 0.50
X
x
X x P x
=
= =
.
3.33

= =
Per essere costretti ad effettuare x estrazioni, senza rimessa, per trovare anche il
o esemplare difettoso, vuol dire che si verifica la seguente concomitanza: nelle
e 1
decim
prim x estrazioni sono trovati 9 esemplari ed all' -esima x si trova il decim
indi la probabilit di
o.
Qu x :
557

10 90
9 10
1
( ) ; 10, 11, 12, , 100
X
x
P x x

= = .
3.34
100 ( 1) 100
1
x
x

Se dobbiamo effettuare x lanci per ottenere un numero inferiore a 3, vuol dire
che si verifica la seguente concomitanza: nei primi 1 x lanci compaiono tutti num
uguali o superiori a 3 ed all' -esimo x il primo inferiore a 3. Quindi la probabilit di
eri
x
:

1
2 1
( ) ; 1, 2, ,
3 3
x
X
P x x

= =

.
3.35 La varianza della som

{
ma delle tre v.a. :
} { } { } { } { }
{ } { }
1 2 1 2
1 3 2 3
Var 2Cov ,
2Cov , 2Cov ,
X X X X
X X X X
+ + + +
+ +
utilizzando le (3.61) e (3.81) abbiamo:
{
3 1 2 3
Var Var Var X X X X = + +
} { } { }
{ } { } { }
1 2 3
3 3 3
1 2 1 3 2 3
Var 0.01; Var 0.08; Var 0.13;
Cov , 5.66 10 ; Cov , 18.03 10 ; Cov , 30.59 10
X X X
X X X X X X

= = =
= = =
quindi il richiesto scarto tipo :
{ }
1 2 3
Var 0.3286 0.5732 X X X + + = = .
3.36 Il numero di pezzi difettosi che loperatore trover la somma Y di 100 n =
v.a.
i
X che, assumendo i valori 1 e 0 rispettivamente con probabilit 0.01 p = e
1 0.9 = 9, hanno tutte media q p = E{ } 1 0
i
X p q p = + =
o:
. Per la linearit
delloperatore speranza matematica abbiam
{ }
100 100
1 1
E{ } E E 100 0.01 1
i i
i i
Y X X n p
= =

= = = = =

come, del resto, era intuitivo prevedere.
3.37 a
precedente ottenendo che il num
3
sufficiente ripetere lo stesso ragionamento impiegato per risolvere il problem
ero atteso di guasti
1 2
E{ } Y P P P = + + .
notare che un guasto si Per controllare questo risultato, sufficiente verifica se a gua-
starsi luno o laltro o laltro ancora; due guasti si verificano se continua a funziona-
re solo luno o solo laltro o solo laltro ancora; tre guasti si verificano solo se si gua-
stano tutti. Pertanto la pmf del numero di guasti :

1 2 3
1 2 3 1 2 3 1 2 3
1 2 3
(1)
(2) (1 ) (1 ) (1 )
(3)
Y
Y
Y
P P P P
P P P P P P P P P P
P P P P
= + +
= + +
=

da cui facile controllare che:
558
3
1 2 3
1
E{ } ( )
Y
i
Y i P i P P P
=
= = + +
.
3.38 Una successione di x pezzi conformi
diato arresto della linea) prodotta con probabilit
seguita da un pezzo difettoso (che deter-
(1 )
x
p p
a due arresti consecutivi della linea, (cfr.
mina limme . Pertanto il
numero atteso di pezzi conformi prodotti, tr
Appendice A):

p
0 0
E{ } ( ) (1 )
1
x
X
x x
X x P x x p p
p

= =
= = =

.
3.39 esso di ri-
solvere il problem ero
massimo
necessario seguire un ragionamento analogo a quello che ci ha perm
a precedente, facendo per attenzione che questa volta il num
di ispezioni inutili finito e pari ad 1 n :

( )
2
1
1 1
1 1
1
E{ } ( ) (1 )
1
n
n n
x
X
x x
p
X x P x x p p p
p

= =
= = =

e, quindi, la media cercata pari alla somma parziale della serie gi considerata nel
problema precedente (cfr. Appendice A).
3.40 Le v.a. X ed Y hanno stessa media e varianza:

0
1
E{ } E{ } ;
2
a
a
X Y xdx
a
= = =
2
2 2 2
2
0
1
Var{ } Var{ }
2 3 4 12
a
a a a a
X Y x dx
a

= = = =

da cui essendo E{} i un operatore lineare:
E{ } E{ } E{ } E{ } 0 Z X Y X Y = = =
tenendo conto che Var{} i e un operatore non lineare e che ls-indipendenza di X ed
Y implica Cov{ , } 0 X Y = :

2
Var{ } Var{ } Var{ }
6
a
Z X Y = + = .
Il m

3.41 odello valido, infatti la funzione positiva ed inoltre:
( )
1 1 1 1 1
0 0 0 0 0
1 1
( , ) 1
1 1
x
XY
1 f x y dx dy e dy e dy
e e
= =

rginali sono:
=

.
Le pdf ma

1 1
0 0
1 1
( ) ; ( ) 1
1 1 1
x
x x
X Y
e
f x e dy f y e dx
e e e
= = = =

con medie:

1
1
2
0
0
( 1)
1 1
E{ } ; E{ }
1 1 2 2
x
e x
y
X Y
e e

= = = =

.
Le due v.a. sono s-indipendenti perch vale lequazione ( , ) ( ) ( )
XY X Y
f x y f x f y . =
559
Z X Y = 3.42 Per calcolare la pdf della v.a. , possiamo scegliere come variabile di
comodo :
[ ]
V X =
( , ) ( , ), ( , )
1
v
ZV XY
e
f z v f x z v y z v J
e
= =

dove Z 1 J = . La v.a. V risulta limitata inferiormente dal valore della , ossia dalla
differenza aleatoria e che separa X da Y . Inoltre V limitata superiormente dal li-
mite fisico costituito dalla capienza unitaria del serbatoio. Quindi 1 Z V . Inte-
grando la ( , )
ZV
f z v tra z ed 1 rispetto a v , otteniamo la richiesta pdf:

1 1
1 1
( )
1 1 1
z
v v
Z
z z
e e
f z e dv e
e e e
= = =

il cui integrale tra 0 ed 1, ovviamente, pari allunit.
Il valore atteso del volume dacqua residua :

1
2
1
0
0
1
1
2
E{ } ( ) ( 1) 0.209
1 2 1
z
Z
e
e z
Z z f z dz e z
e e

= = = =

.
3.43 La Pr{ 3 > = } 1 Pr{ 3} 1 0.16 3 0.52 X X = = . La Cdf di X :
{
0.16 ; per 0 5 x x
( )
0.80 0.02 ; per 5 15
X
F x
x x
<
=
+ <

da cui possiamo verificare che Pr{ 3} 1 (3) 0.52
X
X F > = = .
La media di X :

5 15
0 5
E{ } 0.16 0.02 4 X xdx xdx = + =

.
La mediana di poco inferiore alla media ed pari a 3.125, essendo
(3.125) 0.5
X
F = . La varianza :

{ } [ ]
5 15
2
2 2 2
0 5
Var{ } E E{ } 0.16 0.02 16 28.33 16 12.33 X X X x dx x dx = = + = =

quindi lo scarto tipo 3.51.

3.44 La Mgf :
{ } ( )
5 15 t X t t
5 15
1
t x t x
0 5
( ) E 0.16 0.02 0.14 0.02 0.16
X
t e e dx e dx e e
t
= = + = +

da cui, ad esempio, possiamo calcolare la media:

[ ] [ ]
' 5 15
2
0
5 15
0
1
E{ } (0) 0.14 (5 1) 0.02 (15 1) 0.16
lim 7 3.5(5 1) 9 4.5(15 1) 4
2 2
t t
X
t
t t
t
X e t e t
t
e e
t t
=
= = + =

= + + + =

avendo applicato la regola dellHpital.
3.45 Per tale v.a. la Mgf non esiste perch lintegrale diverge. Infatti, integrando per
parti abbiamo:
560

2
1 1
1
1
t x t x
t x
e e
e dx dx
x x
x

= +

essendo quello a secondo membro un noto integrale non convergente nellintervallo
[1, ) .
3.46 X La Cf di :
{ }
(1 )
0
1
( ) E
1
i t X i t x
X
t e e dx

= = =
i t

ed legata alla Mgf dallidentit ( ) ( )
X X
t i t = .
3.47 La Mgf di X :

{ }
( ) E
2
X
t e
t t
t X
e e
+
= = .
3.48 Utilizzando la soluzione del problem o:

a precedente, abbiam
'
1
2
0
E{ } (0) 1
(1 )
X
t
X
t
=
= = =

{ } [ ]
2
2 ''
3
0
2
Var{ } E E{ } (0) 1 1 1
(1 )
Y
t
X X X
t
=
= = = =
.
3.49 Essendo la pdf continua in 0 x = , nulla la probabilit che il livello di em
ite. Il valore atteso del danno :
issioni
sia pari esattamente al valore lim

30
2 4
30
3 5
0
0
(900 ) 1
3 900 5062.50
36000 12000 4
x x
x dx x

= =

.
3.50 Essendo le v.a. X ed Y s-indipendenti, abbiamo:

{ }
( )
( ) E ( ) ( )
t X Y
Z X Y
t e t t
+
= =
dove le due Mgf a secondo membro sono rispettivamente:

2 2
2
2
0
2 1
( ) ; 0
t t
t x
X
e e
t xe dx t
t
t
= = + >

2 2
0
0
sin( ) cos( ) sin( ) 1
( )
2
2(1 ) 2(1 )
t
t y t y
Y
t y y y e
t e dy e
t t

+
= = =

+ +

.
Per il calcolo del secondo integrale si noti che valgono entrambe le seguenti equazio-
ni:
sin( ) 1 1
cos( ) cos( ) cos( )
2 2 2 2
t y t y t y t y
y t
e dy e d y e y y e dy = = +

sin( ) 1 1 1
sin( ) sin( ) cos( )
2 2 2 2
t y t y t y t y
y
e dy y d e e y e y dy
t t t
= =

da cui:
561

2
sin( ) cos( )
cos( )
1
t y t y
t y
e y t e y
y e dy
t
+
=
+

che sostituito in una delle due equazioni precedenti fornisce lintegrale indefinito uti-
lizzato nel calcolo di ( )
Y
t .
Capitolo 4
4.9 Le ipotesi rendono possibile lapplicazione del modello Binomiale. Fissando
ed , la Cdf binomiale ci fornisce:

2
0
Pr{ 2} ( ) 0.8179 0.1652 0.0159 0.9990
Y
y
Y P y
=
= = + + =

quindi, solo una volta ogni 1000 prelievi rileveremo pi di 2 provini inquinati oltre il
limite tollerabile.
4.10
0.01 p = 20 n =
Dalla definizione di periodo di ritorno, deduciamo che levento si verifica ogni
12.05 anni. Allo stesso risultato perveniamo considerando la v.a. 10.083=
essendo X la v.a. Geometrica (con
1 Y X = +
1 0.083 p =
e prima
) che conta il num
cedono quello in cui si verifica leccesso di pioggia. Per cui il periodo di ritorno
dellallagamento risulta essere com
ero di anni che pre-
1(1 ) 12.05 T p = = anni.
4.11 Possiamo adottare il modello di Poisson con 0.82 = ottenendo:
3
4 0
( ) 1 ( ) 1 (0.4404 0.3611 0.1481 0.0405) 0.0099
Y Y
y y
P y P y
= =
= = + + + =

cio pari a circa l1% la probabilit che la soglia venga superata (tuttavia, se le con-
seguenze fossero gravi il rischio sarebbe non trascurabile).
4.12 Adottiamo il modello di Poisson con 15 30 0.5 = = :
1
( ) 1 ( ) 1 (0.6065 0.3033) 1 0.9098 0.0902 P y P y
= = + = =

2 0
Y Y
y y = =
quindi, la probabilit non trascurabile, essendo pari a circa il 10%.
4.13 aco ad e-
sattame
ne sono caratterizzate. Pertanto, possiamo applicare il modello Binomiale Negativo
con e
Preliminarmente, notiamo che essere costretti a somministrare il farm
nte 6 pazienti (uno dopo laltro) per osservarne 2 che manifestano effetti colla-
terali, equivale ad accumulare 4 osservazioni esenti da effetti prima delle 2 che invece
0.70 p = 2 m = . La richiesta probabilit quindi:
5 0
( ) 1 ( ) 1 (0.0900 0.1260 0.1323 0.1235 0.1080) 0.4202.
Y Y
y y
P y P y
= =
= = + + + + =

4
4.14 Applicando il modello Ipergeometrico con 80 N = e 30 D = , otteniamo che per
562
10 n = il numero medio di confezioni avariate riscontrate 3.75 n D N = .
4.15 Applichiamo il modello di v.a. Binomiale, Y, con 0.95 p = . Dobbiamo indivi-
duare il valore di n per cui
3
(1 ) 0.98
y
p p
y
=
>

.
ero di esemplari da portare 4; infatti per 3 n
Pr{ 3} 0.98 Y =
n
risolvendo per tentativi lequazione:
y n y
n

Il num = abbiamo Pr{ 3} 0.857 Y = e
4 abbiamo Pr{ 3} 0.986 Y = .
Applicando il modello Binomiale Negativo con 0.05 p
per n =
, 1 y = = ed 3 m= abbiamo:
(1) Pr{uno solo guasto tra i primi tre} Pr{il quarto funziona}
0.14 0.95 0.13.
Y
P = =
= =

prassi
nei collaudi) applicabile il m etrico. I risultati sono raccolti nella ta-
bella seguente e sono indicativi del livello di approssimazione che comporta
lapplicazione del modello Binomiale in caso di estrazione senza rimessa di un cam-
ensione non trascurabile rispetto a quella del lotto.
linea A lotto B

4.16
nom
pione di dim

Al collaudo degli esem
iale. A quello degli esem (senza rimessa, come
plari prelevati dalla linea A
plari prelevati dal lotto B
odello Ipergeom
applicabile il modello Bi-

prob. di superare
il collaudo =0.80
frazione di
conformi =0.80
{ }
Pr 0 10 n =
7
1.024 10
>
9
7.6491 10

{ }
Pr 2 10 n =
5
7.37 10
>
5
1.96 10

{ }
Pr 5 10 n =
0.0264 >
0.0210
{ }
Pr 10 10 n =
0.1074 > 0.0937

4.17 20 60 0.333 = In media arrivano auto al secondo. Applicando il modello di
Poisson abbiamo:
1
2 0
( ) 1 ( ) 1 (0.7168 0.2387) 1 0.9555 0.0445
Y Y
y y
P y P y
= =
= = + = =

.
4.18 Possiamo applicare il modello Binomiale con 0.94 p = , avendo fissato il valore
Cdf 1 0.999 0.001 = = . Risolvendo per tentativi la seguente equazione: della

9
0
(1 ) 0.001
y n y
y
n
p p
y
=

=

563
otteniamo che deve essere 14 n = , infatti, per 13 n = , 14 e 15 abbiamo rispettivamente
che la Cdf 0.0060 = , 0.0010 e 0.0001.
4.19 ulazione della Mgf :

{
La form
} { }
(4 3) 3 7
( ) E E 0.3 0.7 .
t Y t X t t
X
t e e e e
+
= = = +
4.20 La v.a. Z numero complessivo di richieste definita come somma di due v.a.
s-indipendenti: Z X Y = + , dove X rappresenta la v.a. numero di richieste di tipo
tecnico e ero di richieste di tipo commerciale. Sia Y la v.a. num X che si pos-
odello di Poisson con parametri, rispettivamen-
te,
Y
sono ritenere distribuite secondo un m
10
X
= richieste di tipo tecnico/minuto e 5
Y
= richieste di tipo com ercia-
le/minuto. Per la riproducibilit della v.a. di Poisson,
me
m
Z una v.a. di Poisson di para-
tro 15
Y Z X
= = + richieste/mi o:
{ }
( )
nuto, per cui abbiam
100
15 5
15 5
15; 100; =5; Pr 100 0.0009
100!
Z
z t Z e

= = = = = .
4.21 o u-
tilizzare il m
plausibile ritenere che lestrazione avvenga senza rimessa per cui possiam
odello Ipergeometrico con 100 N = , 3 D = , 2 n = e 1 k = . La richiesta
probabilit :
{ }
100 3 3
1 1
Pr 1 0.059
100
2
K

= = =

.
Poich la frazione di campionamento (rapporto tra il numero di pezzi estratti, 2 n = ,
ed il numero di pezzi presenti nel lotto, 100 N = ) minore del 10%, possibile rite-
nere che lestrazione avvenga con rimessa e, quindi, approssimare il modello iperge-
ometrico con quello binomiale con 3100 0.03 p D N = = ed 2 n = = . Abbiamo:
{ } ( )
2 1
1
2
Pr 1 0.03 1 0.03 0.058 K

= = =

.
4.22 La v.a.
1

X num inattivi pu essere ritenuta di tipo
binomiale di parametri
ero giornaliero di autocarri
50 = e 2 50 0.04 p = = . Il rischio richiesto :
5
n
( ) ( ) ( )
50
0
50
Pr 5 1 Pr 5 1 0.04 1 0.04 1 0.986 0.014
x
x
x
X X
x
=

> = = = =

.
4.23 Possiamo adottare il modello Binomiale con 13 p = e 10 n = ottenendo:
564

{ } ( )
10 10 10
8 8
10 1 1
Pr 8 1
3 3
y y
Y
y y
Y P y
y
= =

= = =

4.24 se si calcola age-
volme 4=12 giocate
complessive:
( ) ( ) ( )
2 10
10
2 4 4 4
12 12
1 24.97 10 1 24.97 10 4.013 10
2 2
p p
0.00305 0.00034 0.00002 0.0034. = + + =
La probabilit che i tre amici totalizzino due vincite in un me
nte tenendo conto dellipotesi di s-indipendenza degli esiti delle 3

= =

dove p la probabilit di vincere un ambo giocando due numeri su di una specifica
ruota calcolata nellEsempio 1.20.
4.25 Il numero X di candidati da esaminare prima di trovare il primo idoneo una
v.a. Geometrica con parametro 0.6 p = . Il numero totale di candidati da esaminare
per trovare il primo idoneo 1 X + . Pertanto, per 1 10 x + = , abbiamo che la probabi-
lit richiesta :
( )
9 9 3
1 0.6 0.4 4.03 10 . p p

= =
4.26 Il numero di inserim , richiesto per raggiungere il credito necessa-
rio ad ottenere il caff una v.a. Binomiale Negativa con parametri ed
Pertanto la probabilit richiesta :
( )
3
2 2 3
4
(2) 1 6 0.1 0.9 0.044
2
Y
P p p

= = =

.
4.27 Il num a fila una
v.a. Ipergeometrica
enti a vuoto, Y
0.1 p = 3 m= .
ero di allievi Gestionali che capitano negli 8 posti della prim
K di parametri 25 N = , 13 D = ed 8 n = . Pertanto la probabilit
richiesta :

( ) ( )
( )
13 12
8! 25 8 ! 5 3
13! 12!
(5) 0.262.
25! 25 5! 13 5 ! 3! 12 3 !
8
K
P

= = =

4.28 Da
ma

lle sole informazioni in nostro possesso possiamo valutare la probabilit del
nifestarsi della congestione in accordo ad una v.a. di Poisson con:
1
121 giorni

=
o che la probabilit di congestione in una settimana : da cui otteniam
{ }
7 13
1 Pr nessuna congestione in 7 giorni 1 1 0.284. e e

= = =
4.29
[
Essendo
1 2
Cov{ , } 0 X X = , abbiamo:
] [ ] [ ]
[ ] [ ] [ ]
1 2 1 2
1 2 1 2
E E 3
Var Var Var 2.7.
Z X E X n p n p np
Z X X n pq n pq npq
= + = + = =
= + = + = =

565
Grazie allipotesi di s-indipendenza ed alleguaglianza
1 2
p p = , possiamo affermare
che sono soddisfatte le condizioni di riproducibilit della Binomiale. Pertanto la v.a.
Z binomiale con parametri
1 2
p p p = = ed
1 2
n n n = + .
Adottando il m 4.30 odello di Poisson con 2 x = punti/set, per 5 = set, si ottiene:

( )
5
0
Pr{ 5} 0.0671
!
y
x
y
x
Y e
y

=
= =
;
Pr{ 7} 1 Pr{ 5} Pr{ 6} 1 0.0671 0.0631 0.8698 Y Y Y = = = = .
Capitolo 5
5.9 La richiesta pdf insiste sul segm metrica e
di area unitaria, deve essere un triangolo isoscele con vertice nel punto (1, 1). Pertanto
la sua pdf costituita dai due segmenti seguenti:

ento (0, 2) e, quindi, dovendo essere sim
{
per 0 1
( )
2 per 1 2
Z
z z
f z
z z

=
<

5.10 Analogamente al problem chiesta pdf insiste su un segmento di
lo isoscele con vertice nel punto (1/2, 2) affinch la sua area sia unitaria. Pertanto la
sua pdf costituita dai due segmenti seguenti:

a precedente, la ri
lunghezza unitaria (che parte dallorigine degli assi) e, quindi, deve essere un triango-
{
4 per 0 12;
( )
4 4 per 12 1.
z z
f z
z z

=
<

5.11 Per la dimo are la Mgf della v.a. Triangolare defini-
ta nel problem Z, me-
dia di due v.a. Uniformi ridotte, gi ricavata prima (cfr. Problema Error! Reference
source not found.):

strazione sufficiente formul
a precedente e verificare che essa coincide con quella della v.a.
[ ]
1 1
1
2
2 2
1
1
2
2
1
; ;
2
( ) ( ) ( ) ; 0
2
x
X U U
du
X U U X x
dx
du x
f x f u f u e x
dx

= = =
= + = < <
e traslando di 1/2 verso sinistra la funzione integranda del secondo integrale:

12 12 12
2 2
0 0 0
4 (2 4 ) 4 (2 4 )
t z t z t t z t
e z dz e z dz e z e z dz
+
+ = + =

( )
2 2
2
0
4 (2 4 ) 1 .
t t z t
z e z de e
t
t
= + =

2 12
1 4
5.12 La v.a. bidimensionale ( , ) X Y distribuita uniformemente sul quadrato Q di la-
to unitario.
566
z<1 1 z>1
YY
z>1 z>1
X
z<1
1
T
s
T
i
z<1 1 z>1
X
z<1
1

La retta X Y z + = , essendo z uno specifico
valore di Z. I punti (
interseca gli assi nei punti (0, ) z e ( , 0) z
, ) X Y di Q, sottostanti questa retta, rispettano la diseguaglianza
X Y z + < . Se 1 z , lintersezione con gli assi cade allinterno del lato di Q e detti
punti appartengono al triangolo rettangolo
i
T incluso tra la retta e gli assi. Il rapporto
tra le aree di
i
T e Q fornisce la probabilit di detti punti:

2
areadi
( ) Pr{ } ; se 1
areadi 2
i
Z
T z
F z X Y z z
Q
= + = = .
Se invece 1 z > , lintersezione con gli assi cade allesterno del lato di Q ed i punti,
che rispettano la diseguaglianza X Y z + < , sono tutti quelli che appartengono a Q
meno quelli che appartengono al triangolo rettangolo
s
T incluso tra la retta e langolo
del quadrato di coordinate (1,1) . Il rapporto tra le aree di
s
Q T e Q fornisce la pro-
babilit di questo secondo insieme di punti:

2
areadi areadi (2 )
( ) Pr{ } 1 ; se 1
areadi 2
s
Z
Q T z
F z X Y z z
Q

= + = = > .
La Cdf cercata lunione di queste due formulazioni e la sua derivata coincide con la
pdf di cui al Problema (5.9 ).
Error!
Y
i
, ha la seguente Mgf:

5.13 Analogamente alla media di due v.a. Uniformi
), la media Z di n v.a. Uniformi
ridotte (cfr. Problem
Reference source not found. ridotte
a
s-indipendenti,
1
1
( ) ;
n
n
t n
i
i
Z
Y
e
t Z
t n n
=

= =

.
Lo sviluppo in serie di Mac Laurin di questa Mgf fornisce:
567
2 3
2
( ) ( ) 1
1 1
2 3!
( ) 1
1 2 1
3!
n
n
t n
n
n
t n t n e n
t n
t n t
t n n
t
n n

= + + + + =

= + + + = +

da cui, infine, otteniamo:

lim ( )
2
( )
lim 1
n
n
n
t
n
n
e e
n

+ = =

che costituisce la Mgf di una v.a. ad un sol valore, 1/2 (con probabilit unitaria). Vale
la pena notare che, in accordo col teorema del limite centrale, essa coincide pure con
5.14
dizionata assegnata:

la Mgf di una v.a. Gaussiana (con media 1/2 e varianza nulla).
sufficiente esprimere in funzione del modello Esponenziale la probabilit con-
1
1
1
1 1 1
1
( )
{ }
1 ( )
x
x
f x dx e dx
Pr . x X x dx X x
F x
e
dx
< + > = = =

5.15

( )
La richiesta vita media :
( )
2
12
2 x y
( ) ( )
0 0 0
12
3 2 1
12 12
0
( ) 2 2 1 2
1 1 1
3 2
2
X
y
f x dx x e dx y e y dy
y e dy

= =
= = =

2

avendo utilizzato la trasformazione . y x =
Supponendo che la sostituzione del componente critico avvenga in un tem
scurabile, il numero di guasti segue una legge di probabilit di Poisson con
3
10
. Se Y il numero di guasti ed n il numero di ricambi, lavaria coinci-

5.16 po tra-
. Quindi:

1.3 =
de con levento { } Y n >
6
0
( )
Pr{avaria} Pr{ } 1 1 10
!
n y
x
y
x
Y n e
y

=
= > = <
.
Risolvendo per tentativi questa disequazione troviamo che solo per 2 n = abbiamo un
valore inferiore a
6
1 10
e pari a
-7
1.25 10 (infatti per 0 n = abbiamo
3
9.06 10
e
per 1 n = abbiamo
5
4.12 10
).
5.17 La pdf Weibull ( )
( )
1
( ) ( )
w
W
f w w e

= da cui:
568

( )
( )
( )
1
1 1
0 0
1 1
1
E{ }
1
1 ; ; ; .
w z
W w e dw z e dw
dw
z w w z z
dz

= = =

= + = = =

5.18 ncato allarme
circa del 60%:

Dalla Cdf relativa al gruppo A, abbiamo che la probabilit di ma
{ }
{ }
{ }
2.80 2.65
Pr 2.80 Pr Pr 0.25 0.60
0.59
A
A
X
X U

< = < = < =
Dalla Cdf relativa al gruppo B, abbiamo che la probabilit di falso allarm
.
e circa del
20%:
{ }
{ }
{ }
2.80 2.39
Pr 2.80 Pr Pr 0.85 0.20
0.48
B B
B
B
X
X U

> = > = > = .
5.19 /dl :
{ }
La probabilit che il livello ematico di acido urico sia superiore a 7 mg
{ }
{ } Pr 7 Pr Pr 1.6 0.0548
1
X
X U
> = > = > =

il cui inverso fornisce il periodo di ritorno 18.25 T
7 5.4
X
X
= , ossia, in media, ogni circa 18
soggetti controllati ne troviamo uno con livello ematico di acido urico superiore a 7
mg/dl.
5.20 Condizioni sfavorevoli significa rapporto 1 X Y < che, a sua volta, implica che
sia . La v.a. 0 X Y < Z X Y = anchessa Normale con media
Z X Y
= e
scarto tipo
2 2
Z
X Y
= + , per cui:
{ }
{ }
{ }
0 4.6
Pr 0 Pr Pr 1.69 0.045
2.72
Z
Z
Z
Z U

< = < = < =
5.21 Se le prim }
p
} che si verifica solo quando le prime 20 hanno peso complessivo
Questo secondo evento si verifica il 50% delle volte, visto che il peso di 20 caram
ale proprio di media
quindi, in circa il 5% dei casi il dosaggio impiegato non risulta efficace.
e 19 o 18 o 17 hanno peso complessivo 130 g levento
si verifica. Conviene quindi calcolare la probabilit dellevento com
{ 20 n <
lementare
130 g.
elle
{ 20 n
una v.a. norm 20 20 6.5
X
130 = = = .
5.22 Imponendo che sia:

1 1
0 0
1 1
x x
e dx e e

= = =

abbiamo che per ln(2) = la funzione pu essere assunta come modello di pdf
nellintervallo [0, 1]. La Mgf di questo modello :
569

{ }
1
( ) E
t
t X
X
e
t e
t

+

= =
+

da cui, ad esempio, calcoliamo la media:

'
2
1 ( ) 1
E{ } (0) 0.557
( )
t t
X
e e e t e
X
t

+ +
+ + +
= = = =
+
.
5.23 odello di Pois-
son per la pm
0 t =
Dai dati in nostro possesso riteniamo plausibile limpiego del m
f delle v.a.
A
Y numero di pezzi di tipo A ed
B
Y numero di pezzi di
tipo B con, rispettivamente, 615 0.4
A
= = pezzi di tipo A/minuto e
315 0.2
B
= = pezzi di tipo B/minuto. Se riteniamo s-indipendenti le v.a.
A
Y ed
B
Y ,
la riproducibilit del m isson ci garantisce che la v.a. odello di Po
A B
Y Y Y = + num
di pezzi una v.a. di Poisson con
ero
0.4 0.2
A B
0.6 = + = +
po intercorrente tra gli eventi contati dalla v.a. di Poisson di tipo Esponen-
= pezzi/minuto. La v.a.
tem
ziale, per cui risulta:
{
T
}
0.6 3
Pr 3 1 e 0.835. T

= =
5.24 La v.a. superficie complessiva ricoperta da n fogli di alluminio ottenuta
come somma n v.a. Gaussiane: , essendo
Y
di
1
n
i
i
Y X
=
=
i
X la v.a. superficie rico-
perta dalli o foglio di alluminio. La riproducibilit del modello Normale ci ga-
rantisce che anchessa una v.a. Norm edia e scar-
to tipo
-esim
Y ale di m
1
2
2 m
n
i i
Y X
n
=
= =
1
2 2
0.1 m
n
i
Y i
n
=
= = inio
quello tale che:
{ }
. Pertanto, il numero m o di fogli di allum inim

n
{ }
50 2 50 2
Pr 50 Pr Pr 0.99
0.1 0.1
Y
Y
Y n n
Y U
n n

> = > = > >

.
Utilizzando le tabelle della Normale standard, si deduce che il primo percentile
0.01
u
uguale a 2.33 ; per cui il valore minimo di n quello che soddisfa la seguente di-
suguaglianza:

50 2
2.33
0.1
n
n
< .
Il numero di fogli 26; infatti per 25 n { } abbiamo = Pr 50 0.50 Y > = e per 26 n =
abbiamo { } Pr 50 0.99996 Y > = .
5.25 Per la riproducibilit della v.a. Normale, la v.a. Z R S =
edia 637 450 187
Z R S
anchessa una v.a.
Normale con m = = = e scarto tipo
2 2
Z
R S
= + =
2 2
30 90 = + 94.87. Poich:
{
=
} { } Pr Pr R S Z R S > = = 0 >
570
la richiesta probabilit :
{ } { }
{ }
{ }
0 187
Pr 0 1 Pr 0 1 Pr 1 Pr 1.971 0.98.
94.87
Z
Z
Z
Z Z U

> = = = =
{ }
( )
5.26 Ritenendo plausibile ladozione del modello di Poisson, abbiamo:
20
0.5 50
0
0.5 50
0.5; 50; Pr 20 0.185
!
y
y
x Y e
y
= = = =
.
Il calcolo di questa sommatoria risulta alquanto laborioso. Diventa pi semplice se
approssimiamo il modello di Poisson di parametro 0.5 50 25
Y
= = con un modello
Normale di parametri: 25
Y
= = e 25 5
Y Y
= = = = . Pertanto, una buona
approssimazione della probabilit richiesta :
{ }
{ }
{ }
20 0.5 25
Pr 20 Pr Pr 0.9 0.184
5
Y
Y U
+
= = = .
Laddizione del valore 0.5 migliora lapprossimazione, poich la densit gaussiana
che si estende da 20 0.5 a 20 0.5 + viene assegnata al valore poissoniano 20. A-
nalogamente, qualora avessimo voluto calcolare { } Pr 20 Y avremmo dovuto sottrar-
re il valore 0.5. Lapprossimazione gaussiana adottata valida quanto pi la pmf del-
la v.a. di Poisson ha forma simmetrica. In pratica ci accade quando 10 > .
5.27

Calcoliamo innanzitutto la probabilit che un prodotto sia conforme:
{ }
{ }
{ } ( ) ( )
Pr
Pr 1.5 1.5 1.5 1.5 0.9332 0.0668 0.8664.
X
U U
U F F
=
= < = = =

Applicando il modello di v.a. Binomiale, Y , con 100 n
119.7 120.0 120.3 120.0
119.7 120.3 Pr
0.2 0.2
X
X
X

< = <
e 0.8664 p = = , abbiamo:
{ } ( ) ( )
100 100
75 75
100
Pr 75 0.8664 1 0.8664 0.9995
n y
y
Y
y y
Y P y
y
= =

= = =

.
Il calcolo di questa sommatoria risulta alquanto laborioso. Diventa pi semplice se
approssimiamo il modello Binomiale di parametri 100 n e 0.8664 p = = con un mo-
dello Normale di parametri: 86.64
Y
n p ( ) = = = e 1 3.40
Y
n p p = = = .
Una buona approssimazione della probabilit richiesta :
{ }
{ }
{ }
75 0.5 86.64
Pr 75 Pr Pr 3.57 0.9998
3.40
Y
Y U

= = = .
La sottrazione del valore 0.5 migliora lapprossimazione. Qualora avessimo voluto
calcolare { } Pr 75 Y avremmo dovuto, invece, aggiungere il valore 0.5.
Lapprossimazione gaussiana adottata tanto pi valida quanto pi la pmf della v.a.
Binomiale ha forma simmetrica. In pratica ci accade quando 10 np > e ( ) 1 10 n p > .
5.28 Sulla base delle informazioni in nostro possesso ragionevole assumere un mo-
571
dello Gumbel (dei massimi) per la v.a. X , assegnando ai parametri di posizione e
scala, e , valori tali da conferire alla distribuzione la media e la deviazione stan-
dard fornite (cfr. Appendice A):

a b
2 2 2
E{ } (1) 0.57721 770
Var{ } 6 370
X a b a b
X b
= = + =
= =

da cui si ricavano i valori 603.5 a = e 288.5. b = Quindi:
( ) ( )
1000 603.5
288.5 1
Pr{ 1000} 1 1000 1 0.22; 1000 4.5 anni.
0.22
e
X
X F e T
> = =
5.29 Indicando con T la durata complessiva e con
j
T quella della generica batteria,
abbiamo:
{ }
{ } { }
1 2 3
1 2 3
E 3 1.5 4.5 h
Var Var 3 0.15 0.26 h.
T
T
T T T
T T T T
= + + = =
= = + + = =

Generalizziamo ad un n qualsiasi il risultato precedente e consideriamo il quantile
0.90
u della Normale Standard. Otteniamo il valore corrispondente al numero di batte-
rie cercato maggiorando le soluzioni della seguente equazione di 2 grado:
2 2 2
0.90
0.90
5
; (5 ) 0
n
u n u n
n
= =
la cui soluzione 3.33 n = ; quindi, assumiamo pari ad 4 il numero richiesto.
Per la v.a. 5.30 X Normale di parametri 50 cm = e 6 cm = , immediato calco-
lare:

( ) ( )
( )
Pr{49 54} 54 49
54 50 40 50
1 0.2525 0.4338 0.31.
6 6
X X
U U
X F F
F F
< = =

= =

Lintervallo, simmetrico rispetto alla media , si ottiene imponendo:

( ) ( ) Pr{ }
2 1 0.25
X X
U U U
X F F
F F F

< + = + =

= = =

da cui, consultando la tabella della coda destra della Gaussiana standard, si ricava:

0.375
0.32; 0.32 1.92 u
= = =
. e quindi lintervallo di misure ricercato 501.92, compreso tra circa 48 e 52 cm
580
Capitolo 6
6.9 Non avremmo nessun motivo per giudicare anomala la successione di tutte croci
(o tutte teste), per il semplice motivo che ogni successione ha la stessa probabilit
(1/2
6
) di verificarsi con lanci ritenuti corretti di una moneta ritenuta perfetta.
Listintiva sensazione di sorpresa che proveremmo dovuta semplicemente al fatto
che tra tutte le 2
6
possibili successioni ce ne sono:
una sola con 6 croci
sei con 1 testa
quindici con 2 teste
venti con 3 teste
quindici con 4 teste
sei con 5 teste
una sola con 6 teste
Per cui, naturale essere abituati ad osservare uno dei 63 risultati (con almeno 1 testa)
tra i 64 possibili. Tale abitudine cinduce pure a confondere casuale con disordinato:
casuale significa solo che stato scelto a caso tra tutte le alternative possibili, e tra
queste pu pure essere estratta una molto ordinata, come la suddetta successione di
6 croci.
6.10 Le frequenze competenti a ciascun intervallo d'et sono:
0.3030, 0.4545, 0.2424
l'et media e quella mediana sono rispettivamente:
54.389, 54.334.
6.11 Essendo 6 = e 2, = dalla disuguaglianza di Chebyshev abbiamo:

{ }
2
1
Pr 6 2 ; 2 3 X k k
k
=
per cui il richiesto limite inferiore di probabilit :

{ } ( )
2
Pr 6 3 1 2 3 0.555. X < > =
6.12 Media e varianza, calcolati utilizzando la funzione di probabilit empirica, sono:
( )
6 6
2
2
1 1
7.583; 2.576.
i i i i
i i
x x P s x x P
= =
= = = =

Media e varianza, calcolati dal campione di dati, sono:

( )
12 12
2
2
1 1
1 1
7.583; 2.811.
12 11
j j
j j
x x s x x
= =
= = = =

6.13 Ordinati in senso crescente i due campioni di determinazioni:
1 2 3 4 5 6 7 8 9
NA 16.4 27.1 35.6 49.6 66.0 71.7 72.1 72.8 94.2
MI 58.1 62.1 71.6 72.8 80.6 82.0 89.0 101.2
nel primo caso, essendo dispari il numero di determinazioni, la mediana subito indi-
581
viduata nella 5 determinazione, 66.0 mm. Nel secondo caso, il numero di determina-
zioni pari e quindi la mediana cade tra la 4 e la 5 determinazione ed uguale a
(72.8 80.6) 2 76.7. + =
6.14 Dalla diseguaglianza di Chebyshev e dalle tabelle della distribuzione Normale
per si ottengono rispettivamente i seguenti valori delle code:
k 2 2.5 3
2, 2.5, 4 k =
Chebyshev 0.250 0.160 0.111
Normale 0.046 0.012 0.003
6.15 Associamo alla generica ripetizione i-esima la v.a. bernoulliana
i
X che assume
i valori 1 e 0 a seconda che levento A si verifichi o meno. La media delle
i
X pro-
prio la frequenza di A e converge alla media delle medie delle
i
X ,
1
,
n
i
p n p
=
=
perch la varianza della somma delle

i
X
{ }
{ }
i i
1 1
Var
n n
i i
Var X X n p q = = e,
e-
= =

soddisfa la condizione richiesta dalla legge dei grandi num quindi, rapportata ad
ri.
6.16 La misura della grandezza X data dalla media aritmetica di tutte le sue valuta-
zioni disponibili. I prodotti
2
n
n
X n e
m
X m ci forniscono rispettivamente la somma
delle n ed m valutazioni disponibili; pertanto la misura di X :
( )
n m
( ) X n X m n m + +
che equivale alla media pesata delle due misure disponibili.
6.17 Le misure
n
X ed
m
X sono affette rispettivamente dagli errori medi
n
S S = n
ed
m
S S = m (essendo S lerrore medio delle n m + valutazioni) da cui risulta:

2 2 2 2
;
n m
n S S m S S = = .
Pertanto, i pesi attribuiti alle misure
n
X ed
m
X , nel problema precedente, sono in-
versamente proporzionali alle stime delle loro rispettive varianze.
6.18 Imponendo la condizione richiesta ed utilizzando il valore 1.28 del 90 percenti-
le della Cdf Normale si ottiene:
2
5 5 1.28 20
Pr{ 5} Pr 0.90; 1.28; 26.
5
20 20
X
x n
n n n

+ +

+ = = = =

6.19 Trasformando la limitazione imposta allerrore assoluto di S in una corrispon-
dente limitazione alla v.a. Chi-Quadrato, si ottiene

{ } { }
( ) ( )
2
2 2
2
Pr 0.25 0.25 Pr 0.75 1.25
Pr 10 0.75 ( 1) 10 1.25
S S S S S
n
S

< < = < <

= < < =

=

{ }
2
Pr 5.62 15.62 0.9 0.1 0.8; 10 = < < = . =
582
6.20 Media, mediana, varianza (corretta), deviazione standard, quartili e range sono
rispettivamente:
1
22.2
n
i
i
x x n
=
= =
,
2 2
1
( ) ( 1) 24
n
i
i
s x x n
=
= =
,
0.5
21.2 x = .2,
4.92 s = ,
0.25
x 19.3 = ,
0.75
24.5 x = ,
.
6.21 Arrotondando il valore
1 1
) Min( Max( 17.1
n n
= , , x x , , x x ) 31.4 14.3 =
10
1 3.3log ( ) 4.88 m n = + = abbiamo da cui, arro-
tondando
5 m=
1 1
[Max( , , ) Min( , , )] 3.42
n n
x x x x m =
3. Arrotondando per difetto
1
Min( , , )
n
x x
, segue unampiezza dellinter-
vallo x = 14.3 = abbiamo che lestremo
uguale a 14. Arrotondando per eccesso inferiore del primo intervallo
, ) 31.4 32
n
x x = ed essendo intero il rapporto
1
( , Max (32 14) 3 6 =
o intervallo. Ai 6 intervalli cos individuati
fissiamo al
valore 32 lestremo superiore dellultim
corrispondono le frequenze assolute {1, 4, 6, 0, 2,
i
n 2} = e le densit di frequenza
( ) {145,4 45,
i i
f n n x = = 6 45,0,2 45,2 45}.
6.22 Sulla base dei calcoli gi effettuati, listogramma ed il diagramma Stem-and-
Leaf, del campione della v.a. X esaminato nei due problemi precedenti, sono rispetti-
vamente:
17 23 29
x 0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
f
i
14 3
17 4
18 0
19 24
20 68
21 228
22 5
26 5
27 5
31 24

6.23 Media, mediana, varianza (corretta), deviazione standard, quartili e range sono
rispettivamente:
1
41.3
n
i
i
y y n
=
= =
,
2 2
1
( ) ( 1) 19
n
i
i
s y y n
=
= =
,
0.5
41.2 y = .4,
, 4.40 s =
0.25
y 39.2 = , ,
6.24 Arrotondando il valore
0.75
43.6 y =
1 1
, ) Min( , 14.8 y y = . Max( , , ) 48.9
n n
y y = 34.1
10
1 3.3log ( ) 4.88 m n = + = abbiamo da cui, arro-
tondando
5 m =
1 1
[Max( , , ) Min( , , )] 2.96
n n
y y y y m = , segue unampiezza dellin-
583
tervallo . Arrotondando per difetto 3 y =
1
Min( , , ) 34.1
n
y y =
llo uguale a 34. Arrotondando per eccesso
essendo non intero il rapporto
abbiamo che
lestremo inferiore del primo interva
ma
1
Max( 48.9 50 , , )
n
y y = (50 34) 3 5.33 = fis-
o superiore dellu siam
viduati corrispondono le frequenze assolute
o al valore 52 lestrem ltimo intervallo. Ai 6 intervalli cos indi-
{3, 2, 5, 3, 2, 0}
i
n = e le densit di fre-
quenza ( ) {3 45,2 45,5 45,3 45
i i
f n n y = =
6.25 Sulla base dei calcoli gi effettuati, listogram ma Stem-and-
Leaf, del campione della v.a. esaminato nei due problemi precedenti, sono rispetti-
vamente:
,2 45,0}.
ma ed il diagram
Y
37 43 49
y 0
0.02
0.04
0.06
0.08
0.1
0.12
f
i
34 17
35 4
38 6
39 8
41 012
42 28
43 1
44 17
48 29

6.26 Utilizzando i valori
1
Min( , , ) 14.3
n
x x = ,
1
Min( , , ) 34.1
n
y y
1
Max( , , ) 31.4
n
x x = ,
0.25
19.2 x = ,
0.75
26.5 x = , nonch =
, gi calcolati in precedenza, i richiesti grafici
,
1
Max( , , ) 48.9
n
y y = ,
Box-Plot,
0.25
38.6 y =
rispettivam
e
0.75
44.1 y =
ente del campione della v.a X e di quello della v.a. Y , sono:
10 20 30 40 50
x, y
v.a. X
v.a. Y

6.27 La media, mediana, varianza (corretta), deviazione standard, quartili e range so-
no rispettivamente:
584
1
28.96
n
i
i
x x n
=
= =
,
2 2
1
( ) ( 1) 730.
n
i
i
s x x n
=
= =
,
0.5
23 x = 71,
27 s = .03,
0.2
x
5
14 = ,
0.75
39 x = ,
.
6.28 Il vettore dei dati ordinati
1 1
( , , Max 123 x x = ( , , ) Min x x ) 123 0
n n
=
i
x , quello delle corrispondenti frequenze assolute
e quello delle frequenze relative sono:
i
n
i
P
i
x ={0, 2, 4, 5, 9, 14, 15, 16, 19, 22, 23, 24, 28, 30, 36, 39, 41, 43, 61, 62, 65, 123};
{1, 1, 2, 1, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1};
{0.04, 0.04, 0.08, 0.04, 0.04, 0.04, 0.04, 0.08, 0.04, 0.04, 0.08, 0.04, 0.04, 0.04,
0.04, 0.04, 0.04, 0.04, 0.04, 0.04, 0.04, 0.04}.
6.29 Sulla base dei calcoli gi effettuati, il diagramma a barre ed il diagramma Stem-
and-Leaf, del campione della v.a.
i
n =
i
P =
X esaminato nei due problemi precedenti, sono ri-
spettivamente:
0 25 50 75 100 125
x
i
0
0.02
0.04
0.06
0.08
P
i
0 024459
1 45669
2 23348
3 069
4 13
6 125
12 3

evidente che il diagramma a barre essendo alquanto piatto risulta meno informa-
tivo dello Stem-and-Leaf che, invece, sembra far intravedere meglio la forma della
legge di probabilit.
6.30 In questo caso il Box-Plot evidenzia che un dato addirittura distante dalla me-
diana pi di 3 volte la distanza interquartilica pari a
0.75 0.25
39 14 25 x x = = .
585
0 20 40 60 80 100 120
x
i
v.a. X

Capitolo 7
7.9 La relazione
{ }
2 2 2
Pr 1.5 0.95 S < > pu essere facilmente trasformata nel-
la
{ }
2 2
( 1)(1.5 1) 0.95 n < + > Pr ( 1) n S , essendo
2 2
( 1) n S una v.a.
2
con
1 n = gradi di libert.
Dalle tabelle deduciamo che deve essere almeno 5. n = Infatti per 1 3 n = =
2
3, 0.95
la pro-
babilit inferiore a 0.95 essendo . Invece per 2.5( 1 7.81 n < = ) 7.50 =
1 4 n = = abbiamo
appena superiore a 0.95.
7.10 La condizione imposta
2
4, 0.95
= 2.5( 1) 10. n = 00 9.49 > e, quindi, la probabilit
{ }
Pr 0.5 0.90 X S < > facilmente trasformata nella
( ) ( ) { }
Pr 0.5 0.5 0.90 n X S n n < < > , da cui ricaviamo che deve essere
( ) ( ) { }
Pr 0.5 0.95 X S n n < > essendo
( ) ( )
X S n una v.a. T con
1 n = gradi di libert.
Dalle tabelle deduciamo che deve essere alm 13. n = Infatti per 1 11 n = = eno la
probabilit inferiore a 0.95 essendo
11, 0.95
. Invece per 0.5 1.796 n T = 1.732 = <
1 12 n = = abbiamo
12, 0.95
= 0.5 1.803 1.782 n T = >
pena superiore a 0.95.
7.11 Lellisse considerata ha semiassi di lunghezza
e, quindi, la probabilit ap-
X
k e
Y
k . Un punto cade
allinterno di tale ellisse se e solo se le sue coordinate verificano lequazione di
unellisse contenuta nella prima:

2 2
2
2 2
X Y
y x
k

+ <
586
e questevento si verifica con probabilit
{ }
2 2
Pr k <
di
perch il primo membro della
diseguaglianza essendo la somma 2 quadrati di v.a. Normali standard s-
indipendenti costituisce una v.a.
2
con 2 gradi di libert.
7.12 Poich una semplice trasformazione delle variabili X ed Y pu far ruotare
questellisse facendo sovrapporre i suoi assi agli assi coordinati, il problema viene ri-
dotto a quello precedente.
7.13 Per verificare laffermazione calcoliamo la Mgf del quadrato di una v.a. normale
standard:

{ }
2
2 2 2
2
2
(1 2 )
2
2
12
2
12 12
1 1
( ) E
2 2
1 1 1
; (1 2
2 (1 2 ) (1 2 )
u
t
tU tu u
U
y
t e e e du e du
e dy y u t
t t

+ +
= = =
= =

)
=
=
da cui deduciamo che la Mgf della
2
1
i
i
U
, essendo ovviamente uguale a:

2
2
1
( )
(1 2 )
U
t
t
=

risulta effettivamente coincidente con quella della v.a.
2
.
7.14 La pdf del quadrato di una v.a. Normale standard
2
X U = (cfr. Problema
Er r or ! Refer ence sour ce not found.):

1
2 2
1
( ) ; 0
2
x
X
f x x e x

= . (1)
Quindi, la pdf della somma Y di due X s-indipendenti pu essere ottenuta a partire dal-
la pdf bidimensionale:

1 2
1 1
2 2
2
1 2 1 2
1 2
1
( , ) ( ) ( )
2
x x
X X
f x x f x f x x x e
+

= =
operando la trasformazione:

2 2
1 2
1 2
; ; ; 0
x x
y x x z J y z
y x
= + = = =
+
1
x
otteniamo:

1 2 3 4 5 6 7
1.45 1.75 2.05 2.35 2.65 2.95 3.25
0.020 0.060 0.340 0.220 0.240 0.100 0.020
i
i
i
i
x
n
f x
n
=

( )
1
2
2
= arcsen(1 2 ), z z dz z
che, integrata rispetto a z, tenendo conto che forni-

sce:
587
1
(1 )
n
i
i
x n x
=
=

. (2)
Analogamente, possiamo ricavare la pdf della somma Z, di Y e di unulteriore X, a
partire dalla pdf bidimensionale:

1
2 2
1
( , ) ( ) ( )
2 2
y x
Y X
f y x f y f x x e
+

= =
che pu essere trasformata:
1
1
2
2 2
1
; ; ; ; 0 1; ( , )
2
2
z
x x z
z y x t J z t f z t e t
z y x

= + = = = =

+

e quindi integrata rispetto a t:

1
2
2
1
( ) ; 0
2
z
Z
z
f z e z

=

. (3)
Le (1) (2) e (3), tenendo rispettivamente conto delle identit:
( )
1 3
; 1 1;
2 2

= = =

1 1
2 2
possono essere poste nella seguente forma:

2 1
1 1
2 2
2 2
1 1
( ) ; ( )
2 2 1 2
2 2
2 2
y x
X Y
y x
f x e f y

e

= =

3
1
2
2
1
( )
2 3
2
2
z
Z
z
f z e

da cui appare evidente la ricorsivit che conduce direttamente alla pdf della Chi-
Quadrato. Inoltre possiamo verificare facilmente che:

1
1 2
2 2
0 0 0
1 2
( ) ( ) 1;
2 2
2 2
2 2
x
f d e d x e dx x

= = =

. =
7.15 I valori di una v.a. che delimitano una massa di probabilit centrata sono quelli
che definiscono code di probabilit simmetriche. Nel nostro caso sono i percentili
e . Il primo immediatamente individuabile nella tabella del 95 percentile
0.05
z
della
0.95
z
5,8
Z :
{ }
5,8
Pr 3.69 0.95 Z < = .
Anche il secondo pu essere dedotto dalla stessa tabella tenendo per conto che pari
al reciproco del valore 4.82 del 95 percentile della
8,5
Z (si noti linversione dei pe-
588
dici):
{ }
5,8
1
Pr 0.21 0.05
4.82
Z < = = .
Quindi:
{ }
5,8
Pr 0.21 3.69 0.90 Z = .
7.16 Dovendo valutare la seguente probabilit:

{ }
Pr 2 X <
s n , cos da ottenere: baster dividere entrambi i membri della disuguaglianza per
2 2
Pr
5 25 5 25
X
S n

< <

e considerare che nellipotesi di campionamento da una popolazione Gaussiana, la
quantit ( ) ( ) X S n una v.a. di Student con T 1 24 n = = gradi di libert.
Dalla tabella della di Student deduciamo: T
{ }
{ } { } ( )
24 24
Pr 2 Pr 2 2 1 2 Pr 2 1 2 0.025 0.95 X T T < = < < = > =

avendo utilizzato il valore presente in tabella pi vicino a 2.0 (cio 2.064).
7.17 Il valore dellerrore, , che soddisfa la condizione imposta
Pr( ) 0.01 X > = , pu essere individuato considerando la seguente trasformazio-
ne:
Pr 0.01
5 25
X
S n

> =

.
Nellipotesi di campionamento da una popolazione Gaussiana, ( ) ( ) X S n una
v.a. di Student con T 1 24 n = =
2.492
gradi di libert. Dalla tabella della di Student
o che esso pari a . Pertanto:

T
troviam
2.492; 2.492
5 25
= = .
2 2
Pr 2 { }
A B
S S > 7.18 Dovendo valutare la seguente probabilit , baster moltiplicare
entrambi i membri della disuguaglianza per
2 2
B A
, ottenendo:

( ) ( ) { }
2 2 2 2
Pr 2(1.8 2)
B B A A
S S > .
Nellipotesi di campionamento da una popolazione Gaussiana, il primo membro della
disequazione una v.a. Z di Fisher con
1 2
1 20 n = = = gradi di libert. Dalla ta-
bella del 90 percentile della pdf di Fisher, deduciamo che la probabilit richiesta :

{ }
20,20
Pr 1.8 0.10. Z > =
, essendo una Normale standard al quadrato, una
2
2
1
36 X 7.19 La v.a. con
1 = . Quindi la probabilit richiesta
2
1
Pr 36 7.88 0.995 { } X = .
589
7.20 La v.a. una di Student con Y T 1 = . Poich il valore non presente in
tabella, procediamo per interpolazione lineare. La probabilit richiesta :

15
{ }
31.821 15
Pr 15 0.010 (0.025 0.010) 0.023.
31.821 12.706
Y

> = + =

Z la radice quadrata di una v.a. Chi-Quadrato, , con K 3 = 7.21 La v.a. . Dalla
tabella della
2
, abbiamo:

7.22 sufficiente eguagliare la Mgf della v.a. Chi-Quadrato con
2
Pr{ 3.06} Pr{ 9.35} 1 0.025 Z Z K = = = 0.975. =
gradi di libert
con la Mgf della v.a. Esponenziale con 12 = :
( )
2
2 12 1 1
;
1 2 12 2 t t t

= = =

ottenendo che deve essere 2. =
Z 7.23 Indicando con la v.a. distanza del proiettile dal bersaglio, la probabilit
cercata formalmente esprimibile in termini di Cdf della v.a. Chi-Quadrato con
2 = :
{ } { }
2 2
2 2
0 0
Pr 20 Pr 400 Pr 4 Pr{ 4}
10 10
X Y
Z X Y K

= + = + =

e quindi, in base alla soluzione del problema precedente, pu essere calcolata utiliz-
zando la Cdf della v.a. Esponenziale con 12 = :
{ }
2
Pr 4 1 0.86 K e
= = .
7.24 Applicando la trasformazione di v.a., otteniamo:
1
1
2 2
2
1 1
( )
( ) 2 2 ( ) 2
n
n y y
Y
y
y
f y e e
n n

= =

che la pdf di una v.a. Chi-Quadrato con 2n = gradi di libert. Si giunge allo stesso
risultato considerando che la Mgf della v.a.

Y :
{ } { }
( )
2
1
( ) E E
2
(1 2 )
n
t Y t X
Y
n
t e e
t
t

= = = =

7.25 Partendo dal numeratore della quantit a secondo membro si ha:
590
( ) ( ) ( ) ( )
( ) ( ) ( )( )
( ) ( ) ( ) ( )
( )
2 2 2
1 1 1 1 1 1
2 2
1 1 1 1 1 1
2 2
1 1 1 1
2
1 1
2
2
2 2
n n n n n n
i j i j i j
i j i j i j
n n n n n n
i j i j
i j i j i j
n n n n
i j i j
i j i j
n n
i i
i i
X X X X X X X X X X
X X X X X X X X
n X X n X X X X X X
n X X X
= = = = = =
= = = = = =
= = = =
= =
= + = =

= + =

= + =

=

( )
2
1 1
2
n n
j i
j i
nX X nX n X X
= =

=

da cui luguaglianza resta dimostrata.
7.26 Nel caso di un campione di dimensione 2 n = la media e la varianza campiona-
ria possono essere riformulate come segue (cfr. problema precedente):

( ) ( )
2
2
2
1 2
1 2 2
1
;
2 2 1
i
i
X X
X X
X X
X S
=

+
= = =
.
2
Per dimostrare che X ed sono s-indipendenti sar sufficiente dimostrare che lo
sono le v.a.
2
2
S
2
ed
1 1
Y X X = +
2 1
Y X X = e
2
X
. Indichiamo con
X
rispettiva-
mente la media e la varianza della popolazione gaussiana da cui estratto il campio-
ne. In virt della riproducibilit della v.a. Gaussiana (5.3) abbiamo:

( )
1 1 2
2 2
( ) ( ) exp 2
Y X X X
X
t t t
+
= = + ; t

( )
2 1 2
2 2
( ) ( ) exp
Y X X
X
t t
= = t
Indicando con la v.a. somma delle v.a. ed , abbiamo:

1

3
Y
1
Y
2
Y
3 1 2 1 2 1 2
2 Y Y Y X X X X X = + = + + =
( )
3 1
2 2
2
( ) ( ) exp 2 2
Y X X
X
t t t = = + t
da cui, risultando verificata luguaglianza:
t
si evince che le v.a. ed sono s-indipendenti.
7.27 Essendo una v.a. riproducibile, la
1 2 3
( ) ( ) ( )
Y Y Y
t t =
1
Y
2
Y
2
con 50 = coincide con la somma di 50
2
con 1 = .
a del lim
Se ne deduce che, per la convergenza in distribuzione dimostrata dal
ite centrale, i percentili di una teorem
2
con 50 = gradi di libert tendono
a quelli di una Gaussiana con media 50 = e varianza 2 100 = (rispettivamente pari
edia e la varianza di una ad n volte la m
2
con 1 = ). Indicato con
0.95,
il per-
o:

centile cercato, abbiam
( )
1
0.95,
0.95 2 1.645 2
U
F
= + = +
591
essendo il 95 percentile della v.a. Gaussiana standard. Pertanto risulta:

mentre la tabella della
( )
1
0.95
U
F
0.95, 50 0.95, 100

66.45; 123.26

= =
= = ,
2
fornisce rispettivamente i valori esatti:

indicando che lerrore relativo connesso alla procedura diminuisce al crescere di
0.95, 50 0.95, 100
67.51; 124.34

= =
= =
.
7.28 Indicando con la v.a. Chi-Quadrato, per definizione abbiamo:

K
1
1
2
10
6
K
Z
K
= ,
da ci si deduce che essendo:

2
2
1 1
6 1
10
K
Z
Z K
= =
e
2
10 = il percentile cercato quello indicato in tabella per
1
6 = , cio 3.22.
7.29 Per definizione abbiamo:

U
T
K

=
dove e U K
indicano le v.a., s-indipendenti, Gaussiana standard e Chi-Quadrato

con gradi di libert. Vale la seguente identit:

2
1 2
1 K U
T Z
K K

= = =
da cui si evince che il quadrato di una di Student con T gradi di libert una v.a.
di Fisher con
1
1 = e
2
= gradi di libert.
7.30 Indicati con e rispettivamente il 5 ed il 95 percentile della con
0.05
t
0.95
t T
10 = gradi di libert e con il 90 percentile di una v.a.
0.90
z Z di Fisher con
1
1 =
e
2
10 = = gradi di libert, utilizzando la soluzione del problema precedente, ab-

biamo:
{ } { } { }
2 2
0.05 0.95 0.90
0.95
Pr 0.90 Pr Pr t T t T t Z z = = =
da cui:

2
0.90 0.95 0.90
0.95
; t z t z = = .
Infatti, dalle tabelle delle due v.a. abbiamo:

0.90 0.95
3.29; 1.81 3.29. z t = = =
Capitolo 8
8.9 La risposta affermativa. Infatti la media dei primi due costituisce uno stimatore
con le caratteristiche richieste. Esso corretto come i primi due condividendone la
speranza matematica, essendo:

1 2 1 2
E{( ) 2} (E{ } E{ }) 2 p p p p + = + . p =
592
Inoltre esso ha varianza:

1 2 1 2 1 2
Var{( ) 2} (Var{ } Var{ }) 4 2Cov{ , } 4 p p p p p p + = + +
che notevolmente inferiore, essendo pari alla met della media delle varianze dei
primi due stimatori meno unulteriore aliquota dovuta alla covarianza negativa.
8.10 sufficiente utilizzare il primo stimatore per i dati pseudo-sperimentali generati
a partire da una serie di determinazioni della v.a. Uniforme definita in (0, 1) ed il
secondo stimatore a partire dalla serie di determinazioni
i
u
1
i i
u u = , ottenute come
complemento allunit delle prime.
8.11 Per effettuare una verifica rapida, si pu generare un numero alto di determina-
zioni (ad esempio n=20000), calcolarne media e varianza campionaria e controllare
che queste siano prossime rispettivamente a 0.5 ed a 112, valori della media e della
varianza teorica della Uniforme definita nellintervallo (0, 1). Una verifica pi rigoro-
sa un test dipotesi di adattamento (cfr. 10.4) effettuato sui dati generati.
8.12 Generate n determinazioni, , di una v.a. uniforme definita in (0, 1), per ottene-
re n determinazioni
i
u
i
x di X , pu essere utilizzata la trasformazione:
( ) ( ) ln 1 1 .
i i i
X
x F u u e = =
1
+

8.13 Una possibile procedura : a) estrarre n valori da una tabella di numeri pseudo-
casuali; b) ridurli allintervallo (0, 1) ottenendo n determinazioni, , di una v.a. Uni-
forme definita in (0, 1); utilizzare questultimi come
dard,
i
u
valori della Cdf Gaussiana stan-
( )
X i
F x
Questi ultim
, per ottenere da una tabella di questultima i corrispondenti percentili.
i costituiscono le determinazioni cercate.
8.14 Una volta generate n determinazioni,
i
x , di una v.a. Gaussiana standard, anche
senza luso di strumenti di calcolo come nel caso del problema precedente, le corri-
spondenti determinazioni, , di una Gaussiana di media 5 e varianza 9 sono ottenute
con la trasformazione
8.15 Si possono generare n successioni di k determinazioni di una v.a. uniforme defi-
nita nellintervallo (0, 1), k
i
y
i i
y x 3 5 = + .
, i j
u ( 1, , ; 1, , ) i n j = = , e ricavare le n determinazioni,
i
x , come medie norma successioni:

lizzate dei dati delle rispettive n
( )
,
1
1
1 12
2
.
i j
i
j
x k
k
=
=

Per il teorema del limite centrale lapprossimazione migliora al crescere di k.
8.16 La variabile
k
u
( ) ( ) (
X
) Z Y a b a F x = =
( ) Y b a Z a
uniforme in (0, 1) per cui la sua tra-
sformata lineare = + resta uniforme ma risulta definita in
8.17 Si possono generare n successioni di k determinazioni di una v.a. esponenziale,
di parametro
( , ) a b .
,
, i j
x ( 1, , ; 1, , ) i n j = = k , e ricavare n determinazioni dello stima-
593
tore del parametro 1 = come medie dei k dati delle rispettive n successioni:

,
1
k
i j
i
j
x
k
=
=
n
i
i
n
=
ed il valore vero 1 = e verificare che la differenza tra la media dimi-

nuisce allaumentare del prodotto .
8.18 Come per il problema precedente, si possono generare n successioni di k deter-
minazioni di una v.a. esponenziale, di parametro
k n
,
, i j
x ( 1, , ; 1, , ) i n j k = = , e
ricavare n determinazioni dello stimatore del parametro 1 = come medie campio-
narie dei k dati delle rispettive n n de-
terminazioni:

successioni. Quindi, calcolare la varianza delle
2
1
( )
n
i
i
n

=

2
1 ( ) k e verificare che la differenza tra questa ed il valore vero diminuisce
allaumentare del prodotto
8.19 Fissato, nel primo quadrante di un sistema di assi cartesiani, un quadrato con
vertice nellorigine e con lati di lunghezza a (sovrapposti agli assi) tale da includere la
figura piana, sufficiente generare un numero elevato n di coppie di determinazioni s-
indipendenti di v.a. uniformi definite nellintervallo (0, a). Il rapporto tra il numero,
, di punti che cadono allinterno della figura piana ed il numero totale, n, fornisce
una stima della sua area.
8.20 Utilizzando lequazione (8.8) con
k n .
I
n
Pr{ } 0.5
X
p X = = ed , la
soluzione del problema il valore pi piccolo di n che verifica la disequazione:
0.975
1.96 u =
( ) ( ) 1.96 1 0.5 0.5 100 10. n <
Risolvendo si ricava:
2
1.96 100
384.2.
10
n

> =

Pertanto necessario generare almeno 385 campioni pseudo-casuali.
8.21 In base ai parametri e adottati per il generatore, per ogni seme a b
0
x , la lun-
ghezza massima tti, ad esempio, per 32 m = . Infa
0
1 x = ed
0
2 x = abbiamo rispetti-
vamente:
8, 15, 22, 29, 4, 11, 18, 25, 0, 7, 14, 21, 28, 3, 10, 17, 24, 31, 6, 13, 20, 27, 2, 9, 16,
23, 30, 5, 12, 19, 26, 1, 8, 15, 22, 29, 4, 11, 18, 25, ;
9, 16, 23, 30, 5, 12, 19, 26, 1, 8, 15, 22, 29, 4, 11, 18, 25, 0, 7, 14, 21, 28, 3, 10, 17,
24, 31, 6, 13, 20, 27, 2, 9, 16, 23, 30, 5, 12, 19, 26, .
8.22 No, in quanto essendo 1 (con 3 4 k + 0,1,2, k = ) non sarebbe rispettata una
delle condizioni necessarie per il raggiungimento della lunghezza massima del ciclo.
594
3 a = Infatti, fissando e mantenendo inalterate le altre ipotesi, invece delle due prece-
denti sequenze di lunghezza massima 32 m = abbiamo rispettivamente due sequenze
entram
29, 30, 1, 10, 5, 22, 9, 2, 13, 14, 17, 26,
21, 6, 25, 18, 29, 30, 1, 10, 5, 22, 9, 2, 13, 14, 17, ;
22, 9, 2, 13, 14, 17, 26, 21, 6, 25, 18, 29,
30, 1, 10, 5, 22, 9, 2, 13, 14, 17, 26, 21, 6, 25, 18, .
8.23 Generando 100
be di lunghezza 16:
10, 5, 22, 9, 2, 13, 14, 17, 26, 21, 6, 25, 18,
13, 14, 17, 26, 21, 6, 25, 18, 29, 30, 1, 10, 5,
000 punti pseudo-casuali nel rettangolo di base 3 ed altezza
1.1, 38 p senx e lasse delle ascisse. Invece, 531 sono risultati com resi tra la funzione
generando 100000 punti pseudo-casuali nel rettangolo di base 3 ed altezza 1.1 ,
18989 sono risultati compresi tra la funzione senx e lasse delle ascisse. Pertanto la
stima dellintegrale : 3 1.1 (38531 ) 2.026. 18989 100000 =
10 x 8.24 Risulta per ( ) ( )
W K
x f x > A f ed ( ) ( )
W K
A f x f x
facile generare una sequenza di determ
ero di determinazioni
e determ
per . Es-
sendo la Cdf della v.a. W ibull invertibile, i-
nazioni , nonch un uguale num
niform se
risulta
10 x >
della v.a. U-
K
e
W
w
i
w
i
u
inazione della v.a.
i
della v.a.
e definita in (0, 1). Ogni accettata com
( ) [ (
i K i W i
w A f w )] u f . Visto che il rapporto ( ) [ ( )]
K i W i
f w A
inazioni pseudo-casuali del-
f w
todo raggiunge la

prossim
massim e determ
8.25 La funzione di trasform
o
a
la v.a. Chi-Quadrato
allunit per 10
i
w >
efficienza, risultando tutti accettati com
K .
i
w che il me , per questi valori di
azione richiesta :
0;
3 1;
1;
u
sta, in quanto con

0 13;
( ) 13 2 3;
2 3 1.
u
y u u
u
<
= = <

Si osservi che la una v.a. mi tinua in (0, 1) ed ha due masse
concentrate rispettivamente in 0 ed 1 essendo
Y
Pr{ 0} Pr{ 1} 13 Y Y = = = = .
8.26 Consideriamo le due seguenti trasf azioni:

orm
1
1 2
;
e de
inazioni della v.a. Gum
1
( ) ( ) 1 ( ) ( ) lnln
M
w
W
Z
w F w e u F u a b
u

= = = =

La prima pu essere utilizzata per trasformare le determinazioni pseudo-casuali della
v.a. Weibull in quelle della v.a. Uniform finita in (0, 1); mentre la seconda per tra-
sformare questultime in determ bel.
8.27 Fissato un sistema di assi cartesiani, si pu considerare il quadrato di vertici (0,
0), (1, 0), (1, 1) e (0, 1) e il settore circolare inscritto in esso. Il rapporto tra larea del
quadrante e quella del quadrato pari a 4 p = . Pertanto, generando punti con ascis-
se ed ordinate ottenute come determ s-indipendenti di due v.a.
uniformi, entrambe definite in (0, 1), la frazione di punti che cade nel settore circolare
una stima della probabilit p che, moltiplicata per 4, fornisce a sua volta una stima
inazioni pseudo-casuali
595
di .
Dalla condizione richiesta 8.28 ricaviamo ( ) 100 p p p 100 < 1 < es-
4 p = e 4 p = sendo . Utilizzando lequazione (8.8):
0.975
1.64 1 100 1; 1.64
4 4
n
u

< =

si ricava che il numero n di pseudo-esperimenti da effettuare deve essere superiore a
2
164
8.29
(4 ) 7349.05. =
Essendo la v.a. Gamma la somma di n v.a. Esponenziali s-indipendenti ed equi-
distribuite, sufficiente sommare 3 determinazioni s-indipendenti della v.a. Esponen-
ziale di parametro per ottenerne una della v.a. Z.
Dopo aver generato una determinazione pseudo casuale 8.30
i
x della v.a. Gaussiana
etri
X
di param e
X
, possiamo ottenere la corrispondente determinazione gene-
i
y
randola dalla Cdf gaussiana condizionata ( ) F y x di parametri
2 2 2
)
Y
(1 = e
.
Y Y i X
x = +
Capitolo 9
9.9 A rigore, il metodo della massima verosimiglianza non applicabile in questo ca-
e in tutti quelli in cui linsieme di definizione della v.a. dipende dai parametri
Tuttavia, disponendo di un campione casuale

so com
incogniti.
1 2
, , ,
n
x x x , notiamo che la funzione
iglianza
1 2
( ; , , , )
n
n
L a x x x a
=
1 2
max{ , , , }
n
a x x x
massima
. Infatti la pdf Uniform
di verosim , per valori finiti di a, in corri-
spondenza di e caratterizzata da questo
valore del parametro quella che presenta la massima pdf sui valori che sono stati os-
Per un campione casuale, tratto da una popolazione poissoniana, la funzione di
iglianza ed il suo logaritmo naturale sono:

=
servati.
9.10
verosim
1
1 2
1 1
1
1
( ; , , , ) ;
! !
ln( ) ln( ) costante
n i
i
i
n n y
y
n
n
i i
i i
n
i
i
L y y y e e
y y
L n y

=

= =
=
= =
= + +

1 1
ln( ) 1
0;
n n
i i
i i
d L
n y
d

= =
= + = =

. da cui: y n
Possiamo ipotizzare che i dati ottenuti sono determinazioni di una v.a. Binomia-
le con La stima puntuale della proporzione incognita
9.11
1000. n = p
301000 0.03. = = p Il limite superiore di confidenza :
596
( )
2 4 2 2 2
2
2
2 4 4
0.0403; 1.96.
2
u n p u nu p nu p
p u
n u

+ + +
= =
+
=
Tuttavia considerando che n elevato, possiamo trascurare i termini che aggiunge-
rebbero (a quelli funzione di n) quantit certamente trascurabili:

2
(1 )
0.0407; 1.96.
p p
p p u u
n

= + = =
evidente che lapprossimazione accettabile e che il limite ottenuto corrisponde
allutilizzo della funzione ancillare U con x p = e (1 ) p p = .
9.12 Calcolando due volte il logaritmo della Cdf Weibull otteniamo:
( )
1 1
ln ; ( ) lnln ln( ) ln( )
1 ( ) 1 ( )
W W
w Y w w
F w F w

= = =

.
Stimata la retta di regressione di [ ]
1
( ) lnln 1 ( 1)
i
Y w i n

= + in i valori
e corrispondenti a
ln( ),
i
w
0
w
1
w 0 Y = sono tali che
0
w = ed 1 Y = e
9.13 Il numero medio di guasti per ora di lavoro
[ ]
1
ln( ln( )

.
1
) w =
3 7500 0.0004 = = . Utilizzando

la funzione ancillare U abbiamo:

2 2 2
Pr 1 ; 1.96 u u u
n

< < = =

( )
2
2
2
u
n

= che ci permette dimpostare lequazione le cui soluzioni costitui-
scono i limiti cercati:
4
1
1.36 10

= e
4
2
11.76 10

= .
22143 0.154 p = = 9.14 La stima della frazione di morti . Utilizzando la funzione
ancillare U possiamo scrivere:

2 2
Pr 1 ; 1.96
(1 )
p p
u u u
p p n

< < = =

2
cui corrisponde lequazione quadratica ( ) ( )
2
2
2
1 n p p u p p
= le cui soluzioni
forniscono i limiti e
1
0.104 p =
2
0.222 p = ossia, al livello di fiducia del 95%,
lintervallo 10%22% include la percentuale effettiva di mortalit. Tale valutazione
concorda con quanto lOMS afferm negli stessi giorni: il tasso di fatalit della
SARS va dallo 0 al 50 per cento a seconda dellet, con una stima complessiva di fa-
talit del 14-15 per cento.
597
X 9.15 La v.a. , numero di esemplari difettosi giornalieri, assimilabile ad una v.a.
di Poisson. Per la stima del parametro incognito , si pu adottare il metodo della
massima verosimiglianza (si otterrebbe lo stesso risultato utilizzando il metodo dei
momenti). La funzione di verosimiglianza ed il suo logaritmo naturale sono:

30
1 2 30
1
( , ,..., )
!
i
y
i
i
L y y y e
y

=
; =
;
[ ]
30 30 30 30
1 1 1 1
ln( ) ln ln ln( !) ln ln( !)
!
i
y
i i i
i
i i i i
L e y y y n
y
= = = =

= = =

i
y
da cui:

30 30
1 1
ln( ) 1 1
; 5
30
i i
i i
L
y n y

= =
= = =

.833.
Quindi, utilizzando la Cdf della v.a. di Poisson, possibile valutare la probabilit ri-
chiesta:
( )
3
3 0
!
y
Y
y
F e
y

=
= =
. .166
9.16 La funzione di verosimiglianza ed il suo logaritmo naturale sono:

i
p
da cui:

10
1 2 10
1
10
1
( ; , ,..., ) (1 ) ;
ln( ) ln ln ( )ln(1 )
i i
i y n y
i
i
i
i i i
i
i
n
L p y y y p p
y
n
L y p n y
y
=
=

=

= + +

10 10 10
1 1 1
ln( ) ( ) 1 8
0 0
1 1
i i
i i
i i i
d L n y
y p y n
dp p p
= = =

= = ; = = =

.
3
.56
47
i
In pratica, lo stimatore di massima verosimiglianza di p uguale al rapporto tra il
numero totale di elementi difettosi ed il numero complessivo di elementi estratti.
bene evidenziare che potremmo ottenere un risultato anche molto diverso consideran-
do la media delle singole stime
i i i
p y n = . Invece, i risultati coincidono quando tutti
i campioni hanno la stessa ampiezza,
1 2 1
... n n n
0
= = =
i, Y
enti non conformi
. Infine, notiamo che il numero
complessivo di elementi non conform , pu essere considerato come somma
del numero di elem estratti ogni giorno, . Ritenendo
10
1 i
Y Y
=
=
i
Y
p costante, per la riproducibilit della v.a. Binom una v.a. Binomiale, di pa-
e
iale, Y
rametri =
10
1
i
i
n n
=
p . Pertanto com o un unico campione di e se avessim

10
1
i
i
10
1
i
i
n n
=
=
elementi di cui y y
=
sono non conform =
i o la , da cui deduciam
stessa stima p di prima.
598
[ ]
10
1 2 10
1
10
1
( )
( ; , ,..., ) ;
!
ln( ) ln ln ln( !)
i
i
y
i x
i
i
i i i i
i
x
L y y y e
y
L y y x y
i
x
=
=
=
= +

da cui:

( )
10 10 10
1 1 1
ln( ) 1 2
0 0
30.5
i i i i
i i i
d L
y x y x
d

= = =
= = ; = = =

.
4
.787
In pratica, lo stimatore di massima verosimiglianza di uguale al rapporto tra il
numero totale di difetti e la superficie complessiva delle lamiere. bene evidenziare
che potremmo ottenere un risultato anche molto diverso considerando la media delle
singole stime
i i
y x =
nsione,
i
. Invece i risultati coincidono quando tutte le lamiere hanno
la stessa dime
0 1 2 1
... x x x = = =
, pu essere considerato come
. Infine, notiamo che il numero complessivo di
difetti, somma Y =
10
1 i
Y Y
=
del numero di difetti ri-

scontrati su ogni lamiera,
i
Y . Ritenendo costante, per la riproducibilit della v.a. di
Poisson, etro
1
i
Y una v.a. di Poisson, di param
10 10 10
1 1
i i i
i i i
x x
= = =
= = =

.
i
Pertanto come era di se avessimo una lami
10
1 i
x
=
m
2
in cui sono presenti
10
1 i
i
y y
=
=
dife la stessa stim tti, da cui deduciamo a
di prima.
9.18 Lo stimatore dei momenti del parametro a si ottiene eguagliando il momento
primo del campione casuale, ossia la media campionaria, X , alla formulazione del
corrispondente momento della v.a. X , ossia il valore atteso, E{ } X . Quindi:

1
1
E{ } ;
1
1
a
a a X
X x dx X a
a
X x
+
+
= = = =
.

1
1
1
1
1
1
( ; , , ) ;
ln( ) ln( ) ( 1) ln( )
n
n
n
a n
i i a
i
i
n
i
i
a a
L a x x
x
x
L n a a x
+
=
+
=
=
= =
= +

da cui:

1
1
ln( )
ln( ) 0;
ln( )
n
i
n
i
i
i
L n n
x a
a a
x
=
=
= = =
.
9.20 Dalla relazione:
599
( )
x
Y x u

= =
x ( 0 u si deduce che lintercetta con lasse delle ) = ed il reciproco del coefficiente
angolare coincidono, rispettivamente, con le stime dei parametri incogniti e :
99.56; 10.097 10.31 = = = .
9.21 Calcolando due volte il logaritmo della Cdf Gumbel dei valori massimi otte-
niamo:
1 1
ln ( ) ; ( ) lnln ( )
M M
z a
b
Z Z
z a
F z e Y z F z
b

= =

=
Disponendo di un campione casuale , possibile stimare la retta di re-
gressione dei punti di ordinata
1 2
, , ,
n
z z z
( )
1
( ) lnln 1
i
Y z i n

= +

1 = sono tali che
0
a z
ed ascissa . I valori e
corrispondenti a ed
i
z
0
z
1
z 0 Y = Y = e
1
b z a = .
9.22 Dalla relazione:
[ ]
1
( ) ln 1 ( )
X
Y x F x x
= =
si deduce che il coefficiente angolare coincide con la stima del parametro
incognito
10.25 =
.
9.23 Uno stimatore detto pi efficiente di un altro se presenta un errore quadratico
medio minore. Poich:
[ ]
{ }
{ } { } ( )
( ) ( )
2
1 2 2
E =Var E Var 0
2 2
n
n n n
x x
T T T

+

+ = +

; =

{ }
{ } { } ( )
2 2
2 2
E =Var E 0 X X X
n n

+ = +

=
per lo stimatore 2 n > X risulta sempre pi efficiente dello stimatore . Per i
atori sono, ovviamente, equivalenti in quanto
n
T 2 n =
due stim X coincide con
tare che entrambi gli stimatori sono corretti e, quindi, hanno errore quadratico medio
coincidente con la varianza.
9.24 Sfruttando il risultato ottenuto nellEsempio 9.7 per lo stimatore del parametro
n
T . utile no-
, si ha:

9
0.18
2 1 8 4 3 9 6 1 4 12
= =
+ + + + + + + + +
.
X Indicando con la v.a. ritardo, si ha:
{ }
0.18 10
Pr 10 0.165 X e

> = = .
9.25 Sfruttando il risultato ottenuto nel problema precedente possibile, per la pro-
priet dinvarianza dello stimatore di massima verosimiglianza, calcolare una stima
puntuale del tempo medio di attesa:
1 5.5 x = = 6 minuti. Utilizzando la funzione

600
2
n
Z nX = ancillare otteniamo lintervallo di confidenza del tempo medio di attesa:

{ }
2 1
2 1 2
Pr 1
nx nx

< < = .
della v.a.
2
Fissando 0 1 0.9 = , individuiamo i percentili
1
e
2
con
2 n 2 10 20 = = = gradi di libert:

1 2 1 2
( ) 1 ( ) 0.05; 10.85; 31.41
K K
F F = = = =
ed otteniamo lintervallo di confidenza del tempo medio di attesa
9.26 In generale, per un assegnato livello di confidenza
(3.54, 10.25).
1 , lintervallo di confi-
denza della media con incognita:

( )
2 1
, x t s n x t s n +
risulta sempre pi ampio dellintervallo di confidenza con nota:

( )
2 1
, x u n x u + n
in quanto, a parit di valori numerici di ed , i percentili e della v.a. di Stu-
dent con
s
1
t
2
t
1 n =
1
e
2
u
, ossia quando lam
gradi di libert risultano sempre maggiori dei corrispondenti per-
centili della v.a. Normale standard. I percentili coincidono solo quando
piezza del cam nta tanto grande che la varianza
campionaria coincide con la varianza della popolazione.
In termini numerici, risulta:

u
n pione dive
2
1 2 1 2
1 2 1 2
9.74, 3.66;
9, ( ) 1 ( ) 0.025, 2.262, 2.262;
( ) 1 ( ) 0.025, 1.96, 1.96.
T T
U U
x s
F t F t t t
F u F u u u
= =
= = = = =
= = = =

Da cui otteniamo gli intervalli di confidenza con incognita e con (8.37, 11.10)
nota Euristicamente, possiam are che il primo intervallo pi
ampio del secondo perch essendo la varianza incognita lincertezza maggiore.
9.27 Partendo dal presupposto che la media
(8.55, 10.92). o afferm
della popolazione debba essere
volte su contenuta in un intervallo del tipo:

99
100
2 1
x u x u
n n

+
1 2 2
2.576 u u u
= = = ) si pu imporre che x ( 0.01 = con . Mediante la di-

suguaglianza
2
u n
, si ricava
2
2
( ) n u
ed essendo 0.1 = e 0.5 =

si ha , ossia
9.28 Le stime campionarie puntuali di media e varianza sono:
165.9 n 16 n 6.
7.96 x = ,
2
0.12 s = .
ediante Se il campione casuale ed estratto da una popolazione gaussiana, m
lutilizzo della funzione ancillare
2 2
( 1) K n S = otteniamo lintervallo di conf
denza della varianza:
i-
601
2 2
2
2 1
( 1) ( 1)
Pr 1
n s n s

< < =

.
Fissando 90 della v.a.
2
1 0. = , individuiamo i percentili
1
e
2
con
gradi di libert:

1 7 n =
1 2 1 2
( ) 1 ( ) 0.05; 2.17; 14.07
K K
F F = = = =
ed otteniamo lintervallo di confidenza della varianza (0.06, 0.38) e dello scarto tipo
. Lipotesi che la popolazione sia gau portante. Infatti, se fos- (0.24, 0.61)
se violata, la v.a.
ssiana im
2 2
( 1) n S potrebbe avere una Cdf m lto diversa dalla o
2
, an-
olto grande.
9.29 Le stime campionarie puntuali di media e varianza per i gruppi A e B sono:
che se n fosse m
90.75
A
x = ,
2
8.54
A
s = , 88.14
B
x = ,
2
9.99
B
s =
e
. Se i campioni sono casuali e sono
diante lutilizzo della funzione ancillare estratti da popolazioni gaussiane, m
2 2
)
2 2
( )(
B B A A
Z S S = otteniam onfidenza del rapporto di varianze o lintervallo di c
2 2
( )
B A
:

2 2 2
s s
1 2
2 2 2
Pr 1
A B A
B B A
z z
s s

< < =

.
Fissando 90 1 0. = , individuiamo i percentili e della v.a.
1
z
2
z Z di Fisher con
gradi di libert:

1 9
A
n = e 1 7
B
n =
1 2 1 2
( ) 1 ( ) 0.05; 13.29 0.303; 3.68
Z Z
F z F z z z = = = = =
ed otteniamo lintervallo di confidenza del rapporto di varianze
2 2
( )
B A

(0.36, 4.31)
v.a.
. Vale la pena sottolineare che se la popolazione non fosse gaussiana le
2 2
( 1
A
e
2 2
( 1)
B
B B
n S )
A A
n S potrebbero avere una Cdf molto diversa dalla
2
, anche se n fosse molto grande, per cui anche la v.a.
2 2 2 2
( )(
B B
)
A A
S S potreb-
olto diversa da quella di una be avere una Cdf m Z di Fisher.

{ } ( ) { } ( ) { } ( )
32 12 6
1 2 50
32 12 6
0 1 2
( ; , ,..., ) Pr 0 difetti| Pr 1 difetti| Pr1 2 difetti|
;
0! 1! 2
L y y y
e e e

= =

=

[ ]
1 2 50
ln ( ; , ,..., ) 32 12 12ln 6 12ln 6ln2 L y y y = + +
da cui:

( ) ln
12 12 12 2 6 24
32 12 6 0; 0.48
32 12 6 50
L
p

+
= + + = = = =
+
.
+
Sfruttando il metodo utilizzato nellEsempio 9.16, stimiamo, al livello di confidenza
5 1 0.9 = , i due intervalli (0.38, 0.66) e (0.29, 0.67). Il primo intervallo stato
602
ottenuto ritenendo la statistica distribuita come una v.a. Normale di media e va-
rianza n ; il secondo intervallo stato ottenuto adottando lapprossim
stente nel sostituire il valore stimato
azione consi-
24 50 0.48 = = a nellespressione della va-
rianza.
Capitolo 10
10.9 Alla registrazione di 4 risultati , sul totale di 6, corrisponde una coda pari ad
0.34. =
potremmo
Pertanto solo accettando un rischio di errore di I specie superiore al 34%
ritenere significativo il test.
10.10 Confrontando le frequenze osservate con quelle attese (in parentesi), il test ri-
sulta non significativo perch la statistica
2
X uguale a 5.36 ed inferiore anche al
95 percentile, 5.99, della distribuzione
2
con (3 1) 1) 2 (2 = gradi di libert:
b c a
I) 20 60
(53.33)
160
(26.67)
80
(80)
II) 30 40
(46.67)
140
(23.33)
70
(70)
50 100 150 300

10.11 Il test di Fisher risulta negativo, avendo levento osservato (caratterizzato da 2
risultati per il II campione) ed i due pi estremi una probabilit comp
vata, uguale a:
10.12 Lintervallo di confidenza, al livello
lessiva ele-
0.137 0.020 0.001 0.158. + + =
1 0.90 = , dellinquiname
medio, :

nto acustico
0.95
95.56 5.19;
90.37 100.75
s
x t
tte che il livello di
n
=
< <
per cui il test risulta significativo risultando il valore storico di 90 dB esterno a tale
intervallo. Se si amme rumo a i-
nuito, il livello di significativit non 0.90 bens 0.95 (rimnendo esclusa la coda in-
feriore di rigetto). Ovviamente la statistica di Student:

re non sarebbe potuto m
a
i essere dim
0.95
90
1.99 1.86 t
s n
= > =
non pu che confermare questo risultato.
10.13 Risulta che:

x

2
0.95
2
( 1) 41.40 28.87
2
= =
s
n
= > =
pertanto il test significativo e, quindi, lipotesi rigettata.
0
{ 0.00010}
603
10.14 Indicando col simbolo la prevalenza chilometrica dellautovettura apparte-
nente al secondo gruppo, i risultati possono essere ricodificati come segue:

La Cdf Binomiale con ed 0.5 p = 10 n = presenta in corrispondenza del valore 2 una
coda pari a 0.055. Pertanto, accettando un livello di rischio di I specie di poco supe-
riore a 0.05, il test risulta significativo.
10.15 La distribuzione di campionamento Binomiale ( 14 p = , 4 n = ) presenta una
probabilit
4
(14) 0.004 = = . La pmf binomiale ( 3 4 p = , 4 n = ), corrispondente
allipotesi alternativa, ha una massa di probabilit pari a
4
3 4) 0.68 = 1 ( = che
grava sullintervallo di accettazione.
10.16 Impiegando la statistica Z di Fisher, con e
2
14 =
1
12 = gradi di libert, il
test risulta non significativo. Infatti abbiamo:

2
1
0.95
2
2
1.42 2.53.
s
z z
s
= = < =
10.17 La statistica (10.11) che si ottiene con le frequenze osservate, (6, 10, 1, 2, 1) ri-
spettivamente per i cinque valori (0, 1, 2, 3, 4), e le corrispondenti frequenze attese
, (4.97, 7.42, 4.99, 1.99, 0.52) essendo:

20 ( )
Y i
P y
10
10
( ) 0.13 (1 0.13)
i i
y y
Y i
i
P y
y

=

che minore del 95 percentile della v.a.
2
fornisce il valore 4.74 = con 4 gradi
di libert (pari a 9.488). Pertanto, al livello di significativit 5 1 0.9 = , non possia-
mo rigettare lipotesi di Cdf Binomiale.
10.18 La statistica (10.11) che si ottiene con le frequenze osservate (11, 12, 6, 0, 1),
rispettivamente per i cinque valori (0, 1, 2, 3, 4), e le corrispondenti frequenze attese
, (11.04, 11.04, 5.52, 1.84, 0.460) essendo:

20 ( )
Y i
P y
1
1
( )
!
i
y
Y i
i
P y e
y
=
che minore del 95 percentile della
2
fornisce il valore 2.60 = con 4 gradi di li-
o rige
vello di signifi 5.
bert (pari a 9.488). Pertanto, non possiam
cativit
ttare lipotesi di Cdf di Poisson al li-
1 0.9 =
10.19 La statistica (10.14) fornisce il valore 0.113 che minore del valore critico al
livello di significativit 5, 1 0.9 = pari a 1.36 0.192.
n
D n = = Pertanto non pos-
siam
10.20 Il rischio di I specie,
o rigettare lipotesi di Cdf Gaussiana.
,
7
2.1 10
perch tale larea sottesa dalla v.a. Nor-

604
male di media 50 e scarto tipo 5 10 1.58 = nella regione di rigetto ( 42 X ). Il ri-
schio di II specie, , 0.103 perch tale larea sottesa dalla v.a. Normale di media
40 e scarto tipo 1.58 nella regione di accettazione ( 42 X > ).
10.21 Affermare che la probabilit di falso allarme sia pi bassa consiste nel rigettare
lipotesi nulla, correndo un rischio pari a:

10.22 Per una generica ampiezza del campione, , lintervallo di accettazione :

( )
2
16 1
0
16
0.3 1 0.3 0.09936.
i
i
i

=

= =

n
1.5 1.5
25 1.645 ; 25 1.645
n n

+

.
1
{ 26.5} = = ,
1
( ) Il valore della potenza nei confronti di , dato dallarea sot-
tesa alla pdf Gaussiana, di media 26.5 e scarto tipo n
quello che soddisfa la seguente disuguaglian-
, allesterno dellintervallo
di accettazione. Il valore minimo di
za:

n
1
1.5 1.5
25 1.645 26.5 25 1.645 26.5
( ) 1 0.99
1.5 1.5
U U
n n
F F
n n

+

= +

.
Risolvendo per tentativi si ricava 16 n = ; infatti, per 15 n = e per 16 n = otteniamo, ri-
spettivamente, 7 e
1
( ) 0.98 =
1
( ) 0.991. =
10.23 Il test direzionale e la regione di rigetto costituita dallinsieme di valori {8,
9, 10}. Il valore della potenza nei confronti di
1
{ 0.8 p } = = ,
1
( ) , dato dalla
massa di probabilit della pmf binomiale, di parametri 10 n = e 0. p = 8, che grava
sulla regione di rigetto:

+
10.24 Utilizzando la statistica di Student, troviamo il seguente valore di

( ) ( )
( )
10 8 10 9
8 9
10 10
10
10 10
( 0.8 1 0.8 0.8 1 0.8
8 9
10
0.8 1 0.8 0.6778.
10

+

+ =

1
) =
t :
120.87 120.00
1.070
3.15
15
t

= =
cui corrisponde, in corrispondenza di 14 gradi di libert, una significativit del test
pari a 1 0.849 = , avendo fissato lipotesi alternativa unidirezionale.
10.25 Con riferimnto alla distribuzione Ipergeometrica con 100 N = e , e 25 D =
20 n = , il rischio di II specie, , :
605
1
0
25 75
20
0.0015 0.0134 0.0149.
100
20
i
i i

= = + =

10.26 Adottando classi di ampiezza 10 x =
o il vettore (
, individuate dai valori centrali
, otteniam (45,55, 65, 75,85,95,105) 4,10, 20, 29, 24,8,5) di frequenze
osservate,
i
O , cui corrisponde il seguente vettore di frequenze attese, 100
i i
E P = ,
(3.80, , , , 11.09 21.08 26.11 2 ) 3.80 1.08, 11.09, , essendo:
2 7 x x + 5

2 75 x x
15 15
i i
i U U
P F F =

Con le suddette frequenze, la statistica (10.11) fornisce il valore
2.14 = , che mi-

nore del 90 percentile della v.a.
2
, con 6 = , pari a 10.64. Pertanto, al livello di
significativit 0 1 0.9 = , non possiamo rigettare lipotesi di Cdf gaussiana.
10.27 In questo caso le frequenze attese,
i
E , assumono un valore costante uguale a
100 7 14.29 = e la statistica (10.11) fornisce il valore 41.53 = che maggiore del
90 percentile della v.a.
2
, con 6 = , pari a 10.64. Pertanto, il test significativo
ma
(
7
-value 2.27 10 p

=
Ovviam
) e quindi lipotesi che la Cdf sia di tipo uniforme rigettata.
quanto listogram delle densit di fre-
quenza riportato nellEsempio 6.5 ha una forma molto diversa da quella di una pdf u-
niforme.
10.28 Lintervallo di confidenza,
ente il risultato era prevedibile in
, del rapporto di varianze
2 2
( )
B A
, (0.36, 4.31)
determinato nel Problem re 1, per cui, al livello di confidenza
0
a 9.29, include il valo
1 0.9 =
possiam
, non pu essere rigettata lipotesi di uguaglianza delle varianze. Verifica-
ta lipotesi di uguaglianza delle varianze, per confrontare le medie dei due campioni
o utilizzare la stima pooled pionaria e la statistica di Stu-
dent. Fissato il livello di signifi 0
della varianza cam
cativit 1 0.9 = e le ipotesi
0
{ }
A B
= = ed
1
{ }
A B
= , abbiamo:

0.95
90.75 88.14
1.82 1.746; 16
(8.54 9 9.99 7) 16 110 18
t t
= = > =
+ +
=
per cui possibile rigettare lipotesi nulla essendo significativa la differenza riscon-
trata.
10.29 Adottando classi di ampiezze individuate dai valori degli estremi superiori
, otteniamo il vettore (120, 240,360, 480) (22,12, 7, 6)
11.64, 6.38, 3.51
di frequenze osservate,
i
O ,
cui corrisponde il vettore (21.20, ) di frequenze attese,
47
i i
E P = , essendo:
. =
1
0.005
; 0 e x

=
0.005
i i
x x
0 i
P e
606
Con le suddette frequenze, la statistica (10.11) fornisce il valore 1.88 = , per il quale
la Cdf della v.a.
2
, con 3 = , fornisce un -value 0.60 p = . Conseguentem
0.60.
ente
0

verrebbe rigettata solo con un rischio di I specie almeno pari ad =
10.30 Il rischio di I specie , essendo 10 1 0. 0.90 larea sottesa dalla pdf
gaussiana con 2 = e 2 25 0.4 = = 0

, nella regione di accettazione:
2.048 2 2
(0.12) ( 0.12)
0.40 0.40
1 0.4522 0.4522 0.0956.
U U U U
F F F F

= =

= =

Capitolo 11
11.9 Non necessariamente. Per rispondere al secondo quesito si pu eseguire un test
di Student multiplo, valutando gli intervalli di confidenza delle quattro medie, con
luso della varianza pooled, e controllando quale intervallo include la media del primo
gruppo:

1.952

livello del osservazioni media e intervallo di confi-
fattore varianza denza della media
al livello 1 0.95
1 8.99, 9.89, 9.61, 9.43 8.60, 10.26
9.31, 9.35 0.8929
2 11.62, 11.40, 11.11, 11.33 10.50
10.80, 11.72 0.8929
pooled =
, 12.16
3 11.85, 11.33, 11.84, 11.98 11.15, 12.81
13.83, 11.05 0.8929
4 7.57, 11.27, 8.94, 8.99 8.16, 9.82
7.89, 9.28 0.8929

da cui risulta che solo il quarto gruppo non permette di rigettare lipotesi di media u-
guale a quella del primo, con un livello di confidenza di 0.95. Per il calcolo della semi
ampiezza degli intervalli di confidenza, si pu utilizzare la funzione CONFIDENCE
di Microsoft Excel che, in questo caso, per , 0.8929 0.9449 = = 0.05 = ed
, fornisce il valore 0.828.
11.10 Basta considerare lidentit elementare:

5 n =
2
2
1 1 1 1
( ) ( ) ( ) ( )
n b n b
ij ij i j i j
i j i j
x x x x x x x x x x

= = = =
= + + +

e tenere conto che sono nulli i tre prodotti incrociati dei tre termini del quadrato del
trinomio considerato. Per esempio:
607
{ }
1 1 1 1
1 1 1 1 1 1
1 1
[( ) ( )]( ) ( )( )
( )( ) ( ) ( ) ( ) (
( ) ( ) ( ) (
n b n b
ij i j i ij i i
i j i j
n b n b n b
j i i ij i i j
i j i j i j
b b
i ij ij i j
j j
x x x x x x x x x x
) x x x x x x x x x x x x
x x x x x x x x

= = = =

= = = = = =

= =
= +

=

=

1 1 1 1
) 0.
n n b b
j
i i j j = = = =

=

=
11.11 La tabella ANOVA completa :

*
2
orig. della devianza gradi di varianza, -value
varianza libert
fattore 15.1078 2 7.55391 1.91 0.2613
fattore 4.58149 2 2.29074 0.58 0.6009
errore 15.7958 4 3.94894
totale 35.4851 8
z p
S
A
B

per cui nessuno dei due fattori risulta significativo, anche se fissiamo un livello mini-
mo di significativit 1 0.9000. =
11.12 Essendo * 1 40 z = 0, abbiamo:

{ }
*
6, 2
Pr 1 0.0025 p Z z = > =
1 0.9975. p = per cui il test significativo al livello In questa condizione il model-
lo interpretativo a dover essere rigettato o almeno una delle sue ipotesi. Lipotesi che
pi plausibilmente non verificata quella di normalit dei rilievi sperimentali, visto
che per ogni trattamento le misure sono state ottenute su tre vetture (differenti
anche per il modello). Evidentemente la somma dellerrore sperimentale e delleffetto
dovuto allo specifico modello di autovettura non costituisce una v.a. normale. Pertan-
to, si dovrebbe depurare la varianza intraclasse dellaliquota dovuta al fattore autovet-
tura-giorno, come richiesto dal Problema 11.13 .
11.13 La richiesta ANOVA a due vie, riportata nella tabella seguente, indica che
leffetto del fattore autovettura-giorno significativo come previsto nella risposta
al problema precedente al livello 1 0.9989. p = Permane invece non significativo
leffetto del fattore pilota.
608
*
2
origine della devianza gradi di varianza, -value
Z
varianza libert
fattore 16.576 2 8.2878 0.05 0.9515
principale
fattore 19036 2 9518.4 57.86 0.0011
secondario
errore 658.04 4 164.51
totale 19711 8
p
S

11.14 Dal modello di analisi ( )
ijk i j ij ijk
x = + + + + , i valori attesi cercati
sono facilmente dedotti ricordando le ipotesi di s-indipendenza ed omogeneit delle
varianze:
2
2 2
1
2 2
1
2 2
1 1
2
orig. della varianza valore atteso della varianza, E{ }
fattore principale
( 1)
fattore secondario
( 1)
interazione ( )
( 1)( 1)
errore
n
i
i
b
j
j
n b
ij
i j
S
bc
n
nc
b
c
n b

=
=
= =
+

+

+

11.15 La produzione complessiva caratterizzata da una varianza pari a

3
2 2
(13) ( )
1
i
i
+
e da una media ( ) / 3
=
1 2 3
= + + . Infatti in ogni ba-
ricentro
i
concentrato 13 della m di queste contribuisce
alla varianza complessiva con la somm
assa totale e ciascuna
a di due aliquote,
2
13 e
2
13( )
i
, do-
vute rispettivamente alla varianza intorno alle singole mdie ed alla varianza delle
medie parziali intorno a quella comp
riportati nella seguente tabella.

e
lessiva. I valori attesi dellANOVA sono quelli
2
3
2 2
1
2
origine della valore atteso
varianza della varianza
E{ }
( )
fattore
2
errore
i
i
S
m
L

=
+

11.16 La prima eguaglianza segue dal seguente sviluppo:
609
2 2 2
1 1 1 1
2 2 2
1 1 1 1 1 1
2
2 2 2
1 1 1 1
( ) ( 2 )
2 2 (
n m n m
t ij ij ij
i j i j
n m n m n m
ij ij ij
i j i j i j
n m n m
ij ij
i j i j
x x x xx x
x x x nmx x x nmx nmx
T
x nmx x
nm
= = = =
= = = = = =
= = = =
= = + =
= + = +
= =

2
) =
Analogamente, per la seconda eguaglianza si ha:

2 2 2
1 1
2
2 2
1 1 1 1
2
2 2 2 2 2
1 1
( ) ( 2 )
2 2
1 1 1
2
n n
f i i i
i i
n n n n
i i
i i
i i i i
n n
i i
i i
m m x x m x x x x
T T
m x x x nx m x nx
m m
T
T xnmx nmx T nmx T
m m m
= =
= = = =
= =
= = + =

= + = +

= + = =

2
1
n
i
i
nm
=
=
La terza eguaglianza segue dalla (11.4).

11.17 Nel caso di un piano non bilanciato partendo dalla (11.4) e sviluppando i cal-
coli si ottiene:
origine della
varianza
devianza gradi di
libert
varianza,
2
S

1 n
( )
2
1
1
n
i i
i
m x x
n
=

( )
2
1
n
i i
i
m x x
=

Fattore
(var. interclassi)
( )
2
1 1
i
m
n
ij i
i j
x x
= =

( )
1
1
n
i
i
m
=

( )
( )
2
1 1
1
1
i
n m
ij i
i j
n
i
i
x x
m
= =
=

Errore
(var. intraclassi)
( )
2
1 1
i
m
n
ij
i j
x x
= =

( )
1
1
n
i
i
m
=

Totale

11.18 Eseguendo lanalisi della varianza ad una via dei dati sperimentali assegnati, si
ottiene la seguente tabella:

610
origine della
varianza
devianza gradi di
libert
varianza,
2
S
*
z 0.95
z
Fattore
(var. interclassi)
78.44 5 15.69 7.43 3.11
Errore
(var. intraclassi)
25.33 12 2.11
Totale 103.78 17

Poich risulta il test significativo al livello 0.95. Lipotesi nulla di ineffi-
cacia del fattore tipologia di confetti va rigettata.
11.19 Essendo:

*
0.95
z z >
1 1 1
1
; ;
m n m
n
ij ij
i
j i j
i
i i i i i
x x
x
x x x
m n nm

= = =
=

= = = = = = =

x
risulta:

1 2 3
4 5 6
1.22; 1.11; 2.55;
2.44; 2.22; 2.44.

= = =
= = =

Si osservi che (11.3):

1
0
n
i
i
=
=
.
11.20 In questo caso, essendo il piano non bilanciato (cio il numero di prove va-
ria al variare del livello del fattore) si ha:

i
m
1 1 1
1
1 1
; ;
i
m
n m
n
ij ij
i i
j i j
i
i i i i i
n n
i
i i
i i
x x
m x
. x x x
m
m m

= = =
=

= =
= = = = = = =

x
Risulta pertanto:

3
1
3
1
1 2 3
10 1 20 2 30 3
2.33;
10 20 30
1.333, 0.333, 0.667.
i i
i
i
i
m x
x
m

=
=
+ +
= = = =
+ +
= = =
i

Si osservi che in questo caso, trattandosi di piano non bilanciato, la condizione che
devono soddisfare le
i
non :

1
0
n
i
i
=
=

ma la seguente:
611
1
0
n
i i
i
m
=
=
.
11.21 Eseguendo lanalisi della varianza ad una via dei dati sperimentali disponibili,
si ottiene la seguente tabella:

origine della
varianza
devianza gradi di
libert
varianza,
2
S
*
z 0.95
z
Fattore
(var. interclassi)
0.0198 4 0.0094 5.99 3.06
Errore
(var. intraclassi)
0.0124 15 0.0008
Totale 0.0322 19
Risultando il test significativo al livello 0.95. Lipotesi nulla di ineffica-
cia del fattore fonderia va rigettata.
11.22 Eseguendo lanalisi della varianza a due vie con interazione si ottiene la se-
guente tabella:

origine della
varianza
devianza gradi
di
libert
varianza,
*
0.95
z z >
2
S
*
z 0.95
z
Modalit di prelievo
(B)
0.131 3.68 2
6
1.733 10
6
3.47 10

Zona di prelievo (A) 4
6
9.583 10
0.726 3.05
5
3.833 10
Interazione
(AB)
8
6
9.608 10
0.728 2.64
5
7.687 10
Errore 15
5
1.320 10
4
1.98 10

Totale 29
4
3.17 10

Per entrambi i fattori, risulta , per cui non possibile rigettare, al livello di
significativit 0.95, lipotesi nulla di inefficacia degli stessi fattori. Alla stessa conclu-
sione si giunge anche per linterazione.
11.23 Eseguendo lanalisi della varianza a due vie dei dati sperimentali assegnati, si
ottiene la seguente tabella:

*
0.95
z z <
612
origine della varianza devianza gradi di
libert
varianza, p-
value
2
S
*
z
0.99
z
Fattore A
(sito di estrazione)
3
3.393 10

4
4
8.48 10

3.096 4.18 0.033
Fattore B
(profondit di estrazione)
6
5.72 10

4
6
1.43 10

0.005 4.18 0.999
Interazione
(AB)
4
1.197 10

16
6
7.48 10

0.027 2.81 0.999
Errore
3
6.85 10

25
4
2.73 10

Totale 0.01034 49

Pertanto, al livello di significativit 0.99, il test non permette di rigettare lipotesi di
inefficacia dei fattori e della loro interazione.
11.24 Eseguendo lanalisi della varianza ad una via si ottiene la seguente tabella:

origine della varianza devianza gradi di
libert
varianza, p-
value
2
S
*
z
0.99
z
Fattore A
(sito di estrazione)
3
3.393 10

4
4
8.48 10

5.47 3.77 0.001
Errore
3
6.98 10

45
4
1.55 10

Totale
2
1.04 10

49

Risultando possibile rigettare lipotesi di inefficacia del fattore A al livel-
B ed AB non producono effetti significativi, in-
globando le quantit
*
0.99
z z >
lo 0.99. Si vede che, nel caso in cui
B
e nellerrore, si pu riuscire ad evidenziare lefficacia di
un trattamento che in prima analisi (problema 11.23 ) era stato considerato inefficace.
Per ulteriori considerazioni al riguardo, si veda anche il problema 11.26 .

11.25 In accordo con la (11.14) si ha:

I
12 12 2 1
( )
2.50 4.27 3.44 4.48 0.73.
x x x x = + =
= + =
i i i ii

11.26 In generale la potenza del test cresce al crescere del numero di gradi di libert
dellerrore. Pertanto, se si rileva che uno o pi fattori non sono efficaci, si pu effet-
tuare nuovamente il test inglobando il loro effetto nellerrore. Cos operando si ottiene
la seguente tabella:
613
origine della
varianza
devian-
za
gradi
di
libert
varian-
za,
p-value
2
S
*
z
Commissione 60.04 2 30.02 2.96 0.0628
Errore 426.27 42 10.15
Totale 486.31 44

Il numero di gradi di libert dellerrore passa da 30 a 42. Si vede (cfr. Tabella 11.25)
che operando questa nuova scomposizione il valore di p-value si riduce da circa 0.10
a circa 0.06.
11.27 Il modello di tabella ANOVA usata nellEsempio 11.7 quello a due vie con
interazione riportato in Tabella 11.23 cui corrisponde un insieme di dati raccolti se-
condo lo schema di Tabella 11.24. Invece, trascurando la presenza del fattore B, i dati
di Tabella 11.24 sarebbero stati riaggregati nella maniera seguente:

Livello del fattore osservazioni
24, 27, 25, 30, 26,
30, 23, 25, 28, 29,
29, 29, 25, 21, 26
1
A
23, 26, 26, 18, 30,
22, 25, 22, 25, 23,
21, 24, 26, 21, 23
2
A
24, 26, 30, 24, 26,
21, 30, 26, 30, 24,
30, 26, 18, 20, 30
3
A
e il modello di tabella ANOVA da utilizzare sarebbe stato quello ad una via riportata
in Tabella 11.11. Non difficile verificare che risultano valide le seguenti uguaglian-
ze:

( ) ( )
( ) ( )
2 2
1 1
2 2
1 1 1 1 1
n n
i i
i i
n m n b c
ij ijk
i j i j k
m x x bc x x
x x x
= =
= = = = =
=
=

x
(essendo i primi membri tratti dalla Tabella 11.11 ed i secondi dalla Tabella 11.23)
che indicano che in questo caso la
e
calcolata usando la scomposizione dellANO-
VA ad una via coincide con la som delle quantit ma
b
nc ,
i
c e relative alla
scomposizione dellANOVA a due vie con interazione.
11.28 Il piano non bilanciato, pertanto si ha:

e
614
origine della
varianza
devianza gradi di
libert
varianza,
2
S
*
z 0.95
z
Fattore
(var. interclas-
si)
0.192 1 0.192 3.77 4.75
Errore
(var. intraclas-
si)
0.610 12 0.051
Totale 0.802

Il test non significativo. Non si pu rigettare lipotesi che il livello medio di creati-
nuria sia lo stesso.
11.29 Dallo svolgimento dellEsempio 10.5 risulta:

2 1
1.94
1 1
x x
s n m
=
+

da cui si ottiene:

Pertanto, risultando 1.94 interno allintervallo si deduce che non possibile rigettare
lipotesi nulla.
11.30 Il test di Student e lANOVA nel caso di un fattore a due livelli e test bilaterali
sono totalmente equivalenti. Infatti, la variabile
0.025 0.975
2.179 e 2.179. t t = =
*
Z usata per lANOVA:

( )
( )
( )
1
2
2
1 1
1
1
1
1
i
n m
n
ij i
i i
i j
i
n
i
i
x x
m x x
n
m
= =
=
=

nel caso in esame ( ) pu essere particolarizzata come segue: 2 n =

( ) ( )
( )
( ) ( )
( )
( )
( )( )
( )
( )
( )
( ) ( )
2 2
2 2
2 2
1 1 2 2 1 2
2 1
1 1 2 2 1 2
1
2
1 2
2 2 2 2
1 1 1 1
1 2 1 2
2
1 2 1 2 1 2
2
1 2
2
2
1 2
1 2
2 2 2 2
1 2
1 2
1 1
1 2
1 2
2 1
2 2
1 1
2
2
i i
i
i i
i
m m
ij i ij i
i j i j
i
m
ij i
i j
m m x x m m x x
m x m x m x m m
m m
x x x x
m m m m
m m m m x x
m m
x x
m m
m m
m s m s
x x
m m
m m
=
= = = =
= =
+
+ +

+
= =

+ +
+
+
+
= =
+
+
+

che coincide col quadrato della variabile T usata per il test di Student:

( ) ( )
2 2
1 2
2 1 1 2
1 2
1 2
1 1
;
2
1 1
m s m s
x x
s
m m
s m m
+
=
+
+

625
Capitolo 12
12.9 Trattandosi del caso in cui la prestazione ideale
0
0 x = (LB), il valore atteso
della perdita :
{ }
2 2 2 2
2 2
15,00
E ( ) ( ) (0.04 0.004 ) 3,79 euro
0.08
C
L x = + = + =
.
12.10 I valori assunti dalla funzione SN suggeriscono di adottare la configurazione
contraddistinta col n 2:
combinazione i
2
10 0
1
10log ( )
n
i
i
SN x x n
=

=

1 15.2
2* 1.6
3 16.4
12.11 I valori assunti dalla funzione SN, valida per il caso LB, suggeriscono di adot-
tare la configurazione n 1:
combinazione i
( )
2
10
10log
i
i
SN x n =

1* 19.6
2 23.5
3 26.7
12.12 In corrispondenza della configurazione n 3 massimo il valore assunto dalla
funzione SN valida per il caso HB:
combinazione i
2
10
10log (1/ )
i
i
SN x n

=

1 19.2
2 23.4
3* 26.7

12.13 Il numero minimo di trattamenti coincide con il numero totale di gradi di liber-
t degli effetti dei fattori e delle loro interazioni che dobbiamo stimare:

12.14 Il piano
1 5 (2 1) 10 (2 1) (2 1) 16 + + = .
5 2
2

non ortogonale in quanto non sono nulli tutti i prodotti interni
dei vettori dei codici ( e ) tra tutte le combinazioni di colonne. Infatti, per le
coppie di colonne , e il prodotto uguale a
1
CD
1 +
DE BD 4 .
12.15 Per , il piano fattoriale pu essere esteso, nel rispetto dei vincoli
dellortogonalit, ad un numero di fattori pari a:
4 k = 2
k
626

Pertanto, un piano fattoriale pu essere impiegato per un numero di fattori al pi
uguale a , realizzando un piano
4
2
4
11.
i
p
i
=

= =

4
2
15 = 4 11 k k p = + = +
15 11
2

.
12.16 In base alle regole che definiscono loperatore I possiamo scrivere:
. Pertanto, dallequazione simbolica EE I EABCD = = I ABCDE = ricaviamo che il
piano di risoluzione V in quanto il num embro
dellequazione simbolica uguale a 5.
12.17 Dallequazione simbolica
ero di lettere al secondo m
I ABE = , poich E EI EABE AB = = = si deduce
che i codici ( e 1 1 + ) della colonna corrispondente al fattore E sono stati ottenuti
moltiplicando quelli delle colonne corrispondenti ai fattori A e B .
12.18 Il piano ha risoluzione III in quanto il numero di lettere al secondo membro
dellequazione simbolica 3 ( ) I ABE = . Inoltre, dallelenco dei confondimenti rela-
tivi a ciascun effetto principale:

A AI AABE BE
B BI BABE AE
C CI ABCE
D DI ABDE
E EI EABE AB
= = =
= = =
= =
= =
= = =

si deduce che ciascun effetto principale confuso con linterazione di almeno due fat-
tori ma non con altri fattori principali.
12.19 A partire dai generatori del piano possibile dedurre:

I FF ABEF
I GG ACDFG
= =
= =

da cui:
I ABEFACDFG BCDEG = =
e quindi lequazione simbolica del piano :
I ABEF ACDFG BCDEG = = = .
Il piano di risoluzione IV in quanto il numero minimo di lettere che compaiono
nellequazione simbolica 4. Inoltre, nessun effetto principale confuso con altri fat-
tori principali o con linterazione di due fattori principali, mentre alcune interazioni di
due fattori possono essere confuse con quelle di altri due.
12.20 Lelenco dei confondimenti richiesti si pu ricavare dallequazione simbolica
del piano I ABD ACE BCDE = = = :

; ; ;
; ; ;
.
A BD CE ABCDE B AD CDE ABCE C AE BDE ABCD
D AB BCE ACDE E AC BCD ABDE BC DE ABE ACD
CD BE ADE ABC
= = = = = = = = =
= = = = = = = = =
= = =

627

12.21 Lelenco dei confondimenti che scaturiscono dalla riduzione :

) a ) b

I DEF ABCF ABCDE
A BCF ADEF BCDE
B ACF ACDE BDEF
C ABF ABDE CDEF
D EF ABCE ABCDF
E DF ABCD ABCEF
AB CF CDE ABDEF
AC BF BDE ACDEF
AD AEF BCE BCDF
AE ABF BCD BCEF
AF BC ABE BCDEF
BD ACE BEF ACDF
DE ACD BDF ACEF
CD A
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= BE CEF ABDF
CE ABD CDF ABEF
= =
= = =

I ABCE ADEF BCDF
A BCE DEF ABCDF
B ACE CDF ABDEF
C ABE BDF ACDEF
D AEF BCF ABCDE
E ABC ADF BCDEF
F ADE BCD ABCEF
AB CE ACDF BDEF
AD EF ABCF BCDE
AE BC DF ABCDEF
AF DE ABCD BCEF
BD CF ABEF ACDE
BF CD ABDE ACEF
ABD
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= ACF BEF CDE
ABF ACD BDE CEF
= =
= = =

Il piano che scaturisce dalla coppia di generatori di risoluzione III; infatti, alcune
interazioni di due fattori sono confuse con alcuni effetti principali. Il piano che scatu-
risce dalla coppia di generatori di risoluzione IV; infatti, nessun effetto principa-
le confuso con altri fattori principali o con linterazione di due fattori principali.
Conviene utilizzare il piano di risoluzione maggiore (IV) in quanto, a parit di nume-
ro di trattamenti, consente di stimare, senza confondimenti, gli effetti principali (rite-
nendo, come di prassi, trascurabili le interazioni di tre o pi fattori).
12.22 Lequazione simbolica del piano
) a
) b
I DD ABCD = = per cui il piano di riso-
luzione IV. Pertanto nessun effetto principale confuso con altri fattori principali o
con linterazione di due fattori ma, linterazione di due fattori confusa con quella di
altri due ( AB CD = , AC BD = , AD BC = ). Gli effetti principali e le interazioni a due
a due risultano:
1
[(211.33 63.87 148.73 70.80) (57.27 45.93 41.50 17.50)] 83.13
4
A = + + + + + + = + ;
1
[(41.50 17.50 148.73 70.80) (57.27 45.93 211.33 63.87)] 24.97
4
B = + + + + + + = ;
1
[(45.93 17.50 63.87 70.80) (57.27 41.50 211.33 148.73)] 65.18
4
C = + + + + + + = ;
1
[(45.93 41.50 211.33 70.80) (57.27 17.50 63.87 148.73)] 20.6
4
D = + + + = + ;
1
[(57.27 45.93 148.73 70.80) (41.50 17.50 211.30 63.87)] 2.9;
4
AB CD + = + + + + + + =
628
1
[(57.27 41.50 63.87 70.80) (45.93 17.50 211.33 148.73)] 47.5
4
AC BD + = + + + + + + = ;
1
[(57.27 17.50 211.33 70.80) (45.93 41.50 63.87 148.73)] 14.2
4
AD BC + = + + + + + + = + .
12.23 A partire dai dati riaggregati per lANOVA a 2 vie con interazione:

1
( 1) B
2
( 1) B + medie
1
( 1) A 65.30, 53.90, 52.60,
49.30, 44.30, 44.20
(
11
x

=51.60)
36.90, 41.60, 46.00,
18.40, 18.70, 15.40
(
12
x

=29.50)
40.55
2
( 1) A + 204.70, 213.10, 216.20,
59.20, 64.80, 67.60
(
21
x

=137.60)
158.60, 141.30, 146.30,
72.30, 71.20, 68.90
(
22
x

=109.77)
123.69
medie 94.60 69.64 82.12

si ottiene:

origine della
varianza
devianza gradi di
libert
varianza p-value
2
S
*
z
A 41466.9 1 41466.9 19.19 0.0003
B 3740.0 1 3740.0 1.73 0.2032
AB 49.3 1 49.3 0.02 0.8815
errore 43221.4 20 2161.1
totale 88477.6 23

da cui si evince leffetto significativo del fattore . Non risultano invece significativi
il fattore
A
B e linterazione AB . Ovviamente, tale analisi ha un senso se si ritengono
trascurabili le interazioni BCD e (confuse, rispettivamente, con i fattori e ACD A
B ) e linterazione CD (confusa con AB ).
12.24 Non possibile in quanto il numero di gradi di libert relativo agli effetti che
dobbiamo stimare (5) maggiore del numero di trattamenti disponibili (4).
12.25 Non possibile in quanto ad un piano ortogonale fattoriale possono essere
aggiunti al pi 4 fattori, per un numero complessivo di 7 fattori.
12.26 La risposta affermativa. Il quadrato greco-latino applicato al piano fattoriale
completo seleziona un numero di trattamenti uguale a superiore al numero di
gradi di libert necessari per la stima degli effetti richiesti:
3
2
4
5
2
5 ,
1 4 (5 1) 17 + = .
o, per un generico piano fat- Il risultato, per ed , vale in generale in quant
toriale
4 f 3 n
f
n il num enti ero di trattam
2 f
n

previsto dal piano ridotto di tipo quadrato
greco-latino risulta semp ero di gradi di libert necessari per la
stim fe . Lunico limite legato allesistenza, per un
, di quadrati latini ortogonali (cfr. Problema 12.30).
re ma
1
( ) n
ggiore del num
1) a degli ef
generico num
tti richiesti:
ero di livelli
( f n +
629
12.27 Le prove di un quadrato latino sono sufficienti a saturare tutti i gradi di li-
bert ) per .
12.28 Il primo quadrato latino ortogonale sia al secondo che al terzo; infatti, nelle
celle corrispondenti, ogni coppia di livelli compare una ed una sola volta. Ne derivano
i seguenti quadrati greco-latini:

f 1
4
f 4 1 + ( ) ( ) (
f
1 4 1 4 1
2

+

f 5
1 2 3
1 2 3
1 1 3
2 3 1
2 2 1
3 1 2
3 3 2
j
l
i k
2
3
1

1 2 3
1 3 2
1 1 3
3 2 1
2 2 1
2 1 3
3 3 2
j
l
i k
2
3
1

o, data la simmetria, quelli realizzabili scambiando i livelli l con quelli k.
12.29 Il piano fattoriale ridotto che risulta dallapplicazione del primo quadrato latino
del problema precedente il seguente:

condizioni
sperimentali
A B C
1
T
1 1 1
2
T
1 2 3
3
T
1 3 2
4
T
2 1 2
5
T
2 2 1
6
T
2 3 3
7
T
3 1 3
8
T
3 2 2
9
T
3 3 1

Si verifica facilmente che le colonne di tale piano sperimentale sono linearmente in-
dipendenti. Tale propriet, di carattere del tutto generale, deriva dallortogonalit dei
quadrati latini.
12.30 Non possibile in quanto per 6 n = non esistono quadrati latini ortogonali (cfr.
il noto problema di Eulero, detto anche dei 36 ufficiali).
Capitolo 13
13.9 Alla statistica di Fisher corrisponde un -value pari a , quindi
10
1.04 10
p
630
lipotesi } rigettata.
13.10 } rigettata sia per
0
{ 0 a = =
Lipotesi
0
{ 0 a = = 0.05 = che per 0.01 =
bi i casi. Lipotesi
, essendo
i dellintervallo di conf positivi gli estrem
{ 0} = =
idenza in entram
0.05
0
b non pu essere rigettata n per = n per 0.01 = essendo nega-
tram
13.11 ati della variabile , in corrispondenza dei 12 valori
tivo lestremo inferiore dellintervallo di confidenza e positivo quello superiore in en-
bi i casi.
I 12 dati stim Y
i
x del cam-
pione, sono:
i
y =
ed in corrispondenza di
{486, 506, 509, 512, 515, 523, 660, 694, 709, 695, 710, 713}
520
i
x = 529.
i
y =
13.12 etri e del coefficiente di correlazione sono:

13.13 Alla statistica di Fisher corrisponde un
Le stime dei param
1.57; 54.65; 0.88 a b = = = .

p -value pari a , quindi
lipotesi } rigettata.
13.14 } rigettata sia per
8
1.08 10
0
{ 0 a = =
Lipotesi
0
{ 3 a = = 0.05 = che per 0.01 =
bi i casi. Lipotesi
, essendo
il valore 3 esterno allintervallo di c
{ 75} = = rigettata per
onfidenza in entram
0
b 0.05 = ma non per 0.01 = essendo il valore 75 non
incluso nellintervallo di confidenza nel prim
Lintervallo di conf
o caso ed invece incluso nel secondo.
13.15 idenza al livello 1 0.95 = della risposta corrispondente
ad

0
x = 53 :
( )
( )
137.99 2.074
Le stime dei param
8.878 1.0476; 137.99 2.074 8.878 1.0476
119.14; 156.83 .
+ =
=

13.16 etri e del coefficiente di correlazione sono:

13.17 Alla statistica di Fisher corrisponde un
0.102; 290.108; 0.51 a b = = = .

p -value pari a , quindi lipotesi
non pu essere rigettata, con un rischio di errore
0.136
0
a { 0} = = 0.136 = .
13.18 } rigettata per { 0.1 a = = 0.05 = Lipotesi
0
mentre non pu essere riget-
tata per
0
{ 340} b = = 0.01 = . Lipotesi non pu essere rigettata n per 0.05 =
e n per 0.01 = .
Lintervallo di conf 13.19 idenza al livello 5 1 0.9 = della risposta corrispondente
ad
0
x = 450 :
631
( )
( )
336 2.306 7.974 1.2547; 336 2.306 7.974 1.2547
356.60; 315.4 .
+
=

=
13.20 Lintervallo di confidenza al livello 95 1 0. = della risposta media corri-
spondente ad :

0
450 x =
( )
( )
336 2.306 7.974 0.2547; 336 2.306 7.974 0.2547
345.28; 326.72 .
+
=

=
13.21 Le stime dei parametri della retta di regressione e del coefficiente di correla-
zione sono Il grafico della retta di regressione, con re-
edia e del valore singolo, :
1.18; 70.44; 0.81. a b = = =

lative bande di confidenza al livello 0.95 della risposta m
20 30 40 50 60
x
i
X
90
100
110
120
130
140
150
160
y
i
Y

13.22 I residui sono:
(0.799209, 10.9486, 9.86825, 3.68131, 4.95232, 7.67003, 3.67003, 12.33).
Essi hanno media ed il relativo grafico di probabilit con coefficiente di
correlazione
6
8.875 10

: 0.97
-10 -5 5 10
z
i
-1
-0.5
0.5
1
F
U
-1
H
i
n + 1
L

13.23 Le stime dei parametri della retta di regressione e del coefficiente di correla-
632
zione sono
della risposta media e del valore singolo, :
0.87, 57.48, 0.90. a b = = =

Il grafico della retta di regressione, con relative bande di confidenza al livello 0.90
35 40 45 50 55 60
x
i
X
-10
0
10
20
30
y
i
Y

13.24 La retta di regressione, con bande di confidenza al livello 0.95, la seguente:
35 40 45 50 55 60
x
i
X
-10
0
10
20
30
y
i
Y

13.25 I residui sono:
(1.00528, 2.22359, 0.547535, 2.67606, 4.0669, 2.06162).
Essi hanno media ed il relativo grafico di probabilit con coefficiente di
correlazione
7
8.33 10

: 0.96
633
-2 2 4 6
z
i
-1
-0.5
0.5
1
1.5
F
U
-1
H
i
n + 1
L

13.26 I punti suggeriscono un andamento di tipo esponenziale, per cui la trasforma-
zione ( )
X
X e =
4.75 0.878
ci permette di linearizzarli e di stimare la retta dei minimi quadrati
( ) Y X = +
tri di questa retta, possiam
ete una stim
passante per lorigine. Quindi, utilizzando le stime dei parame-
o tracciare la curva interpolatrice cui 4.75 0.878
X
Y e = +
comp a
2
0.913 = :
1 2 3 4 5 6
X
100
200
300
400
500
600
Y

13.27 I dati mostrano un andamento iperbolico, per cui la trasformazione
( ) 1 X X =
neare stimiam
ci consente di linearizzarli. Utilizzando i parametri della regressione li-
o la curva interpolatrice 1.39 51.8 Y X = + , cui compete una stima
2
0.962 = :
1 2 3 4 5 6
X
10
20
30
40
50
60
Y

634
13.28 I punti sperimentali seguono il tipico andamento logaritmico, da cui scaturisce
il suggerimento di adottare la trasformazione ( ) ln( ) X X = che rende lineare il loro
grafico e ci permette di stimare la curva interpolatrice 99.57 103.77ln( ) Y X = + cui
compete una stima :
2
0.96 =
2 4 6 8
X
-100
100
200
300
Y

13.29 Il piano di regressione (stimato con la routine Regress di Mathematica 5.0)
X e la stima del relativo coefficiente di deter-
1 2
207.504 208.277 11.105 Y X = + +
minazione
2
0.56 = .
0.8
1
1.2
x
1i
X
1 1.5
2
2.5
x
2i
X
2
-50
0
50
100
y
i
Y
08
1
1.2
X

13.30 I parametri della superficie di risposta
2 1
1
bX X
Y aX =
4.914
(stimati con la routine
FindMinimum di Mathematica 5.0) sono a = e 12.987 b = ed il corrispondente
coefficiente di determinazione
2
= 0.992.
635
0.8
1
1.2
x
1i
X
1 1.5
2
2.5
x
2i
X
2
-50
0
50
100
y
i
Y
08
1
1.2
X

Capitolo 14
14.9 La Cdf di t
3
del PNOP, con :

3
( ) 2 , z t t =
4 2 2
4
3
0 0
( 2)
( ) 1 ( ) 1 exp( 2)
!
i
i
i i
t
F t P t t
i
= =
= =

da cui:

2
4 4 3 11 4 3
3
0
( )
( ) exp( 2) (2 4 ) (12) ! 4 exp( 2)
i i
i
d F t
f t t t t i t i t t
dt
=

= = =

.
14.10 La soluzione del problema precedente ci fornisce la pdf del terzo tempo di gua-
sto, da cui possiamo calcolare la richiesta probabilit:

11 4 4 8 4
3
2 2
2
( ) 4 exp( 2) ( 1 2 8) exp( 2)
0.013754.
f t dt t t dt t t t

= =

=

=
14.11 Innanzitutto, possiamo ricavare la Cdf della v.a.
k
X (intervallo tra larrivo
e ), utilizzando la form

1 k
T

t t =
k
T
0 1
e
ulazione dellaffidabilit per intervallo, avendo posto
k 0 1 k k
t t t x
+ = + :
1
1
1 1
( , ) 1 ( ) exp ( ) exp
k
k
k
t
k k
k k k X k
t
t t
R t t x F x z t dt

+ = = = +

da cui ricaviamo la funzione inversa
1
( )
k
X k
F x
:

1
1 1
1 1
ln ; ln
1 ( ) 1
i
k
k k k
k
X k i
t t t
t
F x u

= + = +

che ci consente di ottenere le determinazioni della v.a. dalle determinazioni
della v.a. Uniforme definita nellintervallo (0, 1).
i
k
t
k
T
i
u
636
0
1
2
3
4
5
t, T
k 0
2
4
6
8
10
m
N
HtL, k
0
0.2
0.4
0.6
0.8
f
k
HtL
0
1
2
3
4
5
t, T
k

Ad esempio, sulla base di 5000 determinazioni pseudo-sperimentali di ciascuna v.a.
( ), con
k
T 1, ,10 k = 1 = e 2 = , ed utilizzando uninterpolazione cubica degli i-
ottenuto il grafico precedente che appare
quasi indistinguibile da quello di Figura 13.11 realizzato utilizzando la formulazione
e in questo riportata la funzione media m
N
(t)
T
k
, le cui medie sono evidenziate con un pun-
to in grassetto. Anche qui, grazie alla robustezza del teorema del limite centrale, pos-
e le pdf risultano quasi indistinguibili da quella Nor-
male di pari media e varianza, disegnata a tratto pi sottile.
14.12 La media della generica v.a. data da:

=

stogrammi
analitica delle pdf
f
k
(t) dei prim
o notare com
delle densit di frequenza, si
. In quel graf
i dieci temp
gi per k
ico com
i di guasto
10
e le
siam =
k
T
[ ]
0 0 0
0
0 0
E{ } ( ) ( ) ( )
( ) ( ) ( ) ;
k k k k
k k k
T t f t dt t dF t t dR t
t R t R t dt R t dt

= = =
= + =

[ ]
1
0
( ) 1 ( ) exp ; lim ( ) 0
!
i
b
k
b
k k k
t
i
t
R t F t t t R t
i
=

= = =

da cui abbiamo:
( )
( )
( )
1 1
1 1
0
0 0
1
1 1
E{ } exp 1
! !
i
b
k k
b
k
b b
i i
t
k b
T t dt i b
i i
b k
= =

+

= = + =

.
Nel caso particolare in cui il processo quello Omogeneo di Poisson ed es-
sendo ) k risulta
1 b =
( 1) ( k k + = E{ }
k
T k = che corrisponde alla somma delle medie
di k tro v.a. Esponenziali di parame . In questo caso la funzione lineare discreta
E{ }
k
k T = sovrapposta alla retta ( ) m t t
N
= . Infatti, rispetto al riferimento di or-
) e di ascisse ( dinate ( ( )
N
m t k = E{ t T }
k
= ), le due funzioni hanno sempre la stessa
637
ordinata, E{ }
k
T , qualunque sia lascissa E{ }.
k
t T = In altre parole, il luogo (discre-
e sovrapposto al luogo (conti-
nuo) dei punti rappresentativi delle me .
ente ma tendono rapi-
dame b e/o k crescenti infinitam
14.13 essa, la vincita, turata dopo dieci estrazioni si distri-
buisce com una v.a. Binomiale di param
to) dei punti rappresentativi delle m
Nel caso generale (
nte a coincidere per
In presenza di rim
e
die delle v.a.
k
T
die delle v.a.
) le due funzioni differiscono leggerm
e
10
, ma
tri 10 n
( N t
nte.
)
1 b
Y
e p = = e 2 5:
{ }
10
2 2
10
10
1 0,1,2, ,10.
5 5
Y y y
y

= = =

14.14 la vincita maturata dopo i lincremento di
vincita mturato con le estrazioni 8-10, si pu scrivere:

Pr
Indicata con
a
( )
;
y y
i
Y
8,10
Y estrazioni e con
( ) { } ( ) { } ( ) ( )
{ }
( ) { } ( ) ( )
{ }
( ) { } ( ) { }
( )
10
;
Y
7 10 7 7
7 8,10 7 7 3
7 3
Pr Pr Pr
Pr Pr Pr Pr
7 3
2 2 2
1 1 ;
5 5 5
0,1,2, ,7; 0,1,2, .
x x y x y x
Y x Y y Y x Y x
Y x Y y x Y x x Y y x
x y x
x y y x

= = = = = =
= = = = = = =

=

= =

In virt della validit della uguaglianza:

2
5
,10
Y y =
=
( ) { } ( ) ( )
{ } 3 8 0
Pr Pr Y y x Y x Y x = = = =
,1
y
anche ad increm
, m
7
il processo anche detto senza memoria (o enti indipendenti e stazio-
nari).
14.15 In caso di assenza di rimessa la vincita, aturata dopo dieci estrazioni si
distribuisce come una v.a. Ipergeometrica:

10
Y
{ }
10
20 50 20
10
Pr ; 0,1,2, ,10.
50
10
y y
Y y y

= = =

14.16 Utilizzando la stessa notazione del problema 14.14 si pu scrivere:
638
( ) ( ) { } ( ) { } ( ) ( )
{ }
( ) { } ( ) ( )
{ }
7 10 7 10 7
7 8,10 7
Pr Pr Pr
Pr Pr
20 30 20 30 7
7 3
;
50 43
7 3
0,1,2, ,7; 0,1,2, ,10; .
Y x Y y Y x Y y Y x
Y x Y y x Y x
x x
x x y x y x
x y y x
= = = = = =
= = = = =
+

+

=

= =

=
Come si vede, in assenza di rimessa il processo ha memoria (la distribuzione
dellincremento dipende da , numero di biglie nere estratte in precedenza).
14.17 Indicata con la vincita maturata dopo i estrazioni e con lincremento di
vincita maturato con la i-esima estrazione, abbiamo che:
a) nel caso di estrazione con rimessa, per ogni i la v.a. una v.a. di Bernoulli di
parametro
8,10
Y
7
Y
i
Y
, i i
Y
, i i
Y
2 5 p = :

{ }
1
,
2 2
Pr 1 ; 0,1
5 5
y y
i i
Y y y

= = =

;
50 i b) nel caso di estrazione senza rimessa, per ogni si ha:

( ) { }
( ) ( )
{ }
{ }
( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( ) ( ) ( ) ( ) ( )
,
1
, 1 1
0
1
0
1
0
Pr 1
Pr 1 Pr
30 20 50
20
1 1 50 1
50 1 ! 1 !
20 20! 30!
50 1 20 ! ! 50! 30 1 ! 1 !
50 20 1 !
20 30!
50 20 1 ! ! 30 1 ! 1 !
i i
i
i i i i
x
i
x
i
x
Y
Y Y x Y x
x
i x x i i
i i
x
i x x i x i x
x x i x i x
=
= =
= = = = =

= =

= =
+
=
+
( ) ( ) ( )
( )
( )
1
0
1
0
1 1 ! 1 !
50 1 !
30 20 1 50 1
20 2
1 1 50 5
i
x
i
x
i i
i x x i
=

=

= =

da cui ricaviamo:

( ) { } ( ) { } , ,
3
Pr 0 1 Pr 1
5
i i i i
Y Y = = = = .
Pertanto, sia nel caso a) che nel caso b) una v.a. di Bernoulli di parametro
, i i
Y
2 5 p = . La differenza tra i due processi risiede nel fatto che nel caso a) le v.a. di
639
Bernoulli che si ottengono al variare di i sono s-indipendenti mentre nel caso b) sono
s-dipendenti.
14.18 Introdotte le seguenti notazioni:
{ } { }
1
;
i i
A T t B T t
+
= =
e considerando che , facile dedurre che B implica A, infatti se vero B si-
curamente vero anche A mentre se vero A non detto che sia vero B. Sul diagram-
ma di Venn i due eventi devono pertanto essere rappresentati come segue:
1 i i
T T
+
A
B
S

14.19 Utilizzando le stesse notazioni dellesercizio precedente possiamo scrivere:
{ } ( ) ( ) { } { }
1
Pr ( ) Pr Pr
i i
N t i T t T t A B
+
= = > = .
A B Osservando il seguente diagramma di Venn, in cui levento tratteggiato :
A
B
S

deduciamo che:

{ } { } { } Pr Pr Pr A B A B = .
Pertanto, ricordando che:
{ } { } { } { }
1 1
Pr Pr ( ) e Pr Pr ( )
i i i i
A T t F t B T t F t
+ +
= = = =
abbiamo:

{ } ( ) ( ) { } { }
{ } { }
1
1
Pr ( ) Pr Pr Pr Pr
( ) ( ).
i i
i i
N t i T t T t A B A B
F t F t
+
+
= = > = = =
=

14.20 Essendo il differenziale della funzione media, possiamo scrivere: ( ) r t dt
640
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) { }
0
,
Pr ,
N N N
k
r t dt dm t m t dt m t
E N t dt E N t E N t t dt
k N t t dt k
=
= = + =
= + = +

= + =
dove risulta:

( ) ( ) ( ) , E N t dt E N t E N t t dt + = +

per la linearit delloperatore speranza matematica.

14.21 La probabilit richiesta pu essere formulata come:

( ) ( )
{ }
( ) ( )
{ }
( ) { } ( ) { }
( )
( )
( )
( )
0
0
Pr Pr ,
Pr Pr ,
exp exp
! !
exp exp
! !
i j
t t t
t t t t
t
i j
N t i N t t i j N t i N t t t j
N t i N t t t j
dt dt
dt dt
i j
t t
t t
i j

+
+
= + = + = = + = =

= = + = =

= =

=

con la uguaglianza:
( ) ( )
{ }
( ) { } ( ) { }
Pr , Pr Pr , N t i N t t t j N t i N t t t j = + = = = + =

garantita dal fatto che in un processo di Poisson le variabili che contano gli eventi in
intervalli disgiunti sono s-indipendenti. In particolare, se la funzione intensit co-
stante risulta anche:
( ) { } ( ) { }
Pr , Pr N t t t j N t j + = = = .
In virt di questa propriet il processo Omogeneo di Poisson detto senza memoria.
14.22 Nelle condizioni ipotizzate, per 10 t , abbiamo:

( ) { }
( ) ( ) ( ) ( ) { }
( ) { }
( ) ( ) { }
( ) { }
( ) { }
( ) ( )
( )
1
Pr 1 ,10 0
Pr | 10 1
Pr 10 1
Pr 1 Pr 10 0 exp exp 10
10exp 10 10 Pr 10 1
N t N t
T t N
N
N t N t t t t
t
N

= =
= = =
=
= =

= =
=

=
La v.a. tempo al primo guasto, , dato
1
T ( ) 10 1 N = , ha Cdf Uniforme nellintervallo
(0,10) (che per vale 1).
14.23 In generale, per un processo Omogeneo di Poisson (cfr. Problema 14.21) vale
la seguente:

10 t >
( ) ( ) ( ) ( ) { }
( ) { } ( ) { }
Pr Pr Pr N t i N t t i j N t i N t j = + = + = = =
da cui ricaviamo:
641
( ) ( ) ( ) ( ) { }
( ) ( ) ( ) ( ) { }
( ) { }
( ) { } ( ) { }
( ) { }
( )
( )
( )
( )
( )
( )
( )
( )
( )
Pr
Pr
Pr
exp exp
Pr Pr
! !
Pr
exp
!
!
1 .
! !
i j
i j
i j i i j i
N t i N t t i j
N t i N t t i j
N t t i j
t t
t t
N t i N t j
i j
N t t i j
t t
t t
i j
i j i j
t t t t
i i j t t t t t t t t

+
+
= + = +
= + = + =
+ = +

= =
= =
+ = +
+

+

+
+ +
= =

+ + + +

=
=
Quindi, la richiesta probabilit :
( ) ( ) ( ) ( ) { }
2 5
5
4 4
Pr 4 2 | 10 5 1
2 10 10
N N
2

= = =

14.24 La Cdf del -imo tempo di guasto di un generico processo di conteggio defi-
sso Omogeneo di Poisson di intensit
k
nita dalla (14.39). Nel caso di un proce , ab-
biamo:
( )
( )
( ) exp
!
i
i
t
P t t
i
= .
La Cdf del tempo al quinto guasto pertanto:
( )
( )
( )
( )
( )
4
5
5 0
exp 1 exp
! !
i i
i i
t t
F t t t
i i

= =
= =

.
14.25 La Cdf del tempo al -esimo guasto per un generico processo definita dalla
(14.39). Nel caso di un processo Non-Omogeneo di Poisson di intensit , abbia-
mo:

k
( ) z t
( )
( )
( )
0
0
exp
!
i
t
t
i
z x dx
P t z x dx
i

=

.
Possiamo pertanto scrivere:
( ) ( )
( )
( )
( )
1
0 0
0
0 0
exp 1 exp
! !
i i
t t
t t
k
k
i k i
z x dx z x dx
F t z x dx z x dx
i i

= =

= =

da cui, essendo:
( )
1 b
b x
z t
a a

=

642
abbiamo:
( ) ( )
( )
( )
( )
( )
( ) 1
0
exp 1 exp
! !
i i
b b
k
b b
k
i k i
t a t a
F t t a t a
i i

= =

= =

che, posto , fornisce la Cdf del tempo al quinto guasto.

14.26 Indicata con lintensit del processo di Poisson, possiamo scrivere:

5 k =
( ) z t
( )
( )
( ) { } ( ) ( )
0 0
1
Pr exp
!
i
t t
k
k
i k i k
dF t
d d
f t N t i z x dx z x dx
dt dt dt i

= =

= = = =

.
Tenuto conto del fatto che:

( ) ( )
0
t
d
z x dx z t
dt

=

abbiamo:

( ) ( ) ( )
( )
( ) ( )
( ) ( )
( )
( ) ( )
1
0 0 0
1
0 0 0
1 1
exp
1 ! !
1 1
exp
1 ! !
i i
t t t
k
i k
i i
t t t
i k i k
f t z t z x dx z x dx z x dx
i i
z t z x dx z x dx z x dx
i i

= =

= =

=
( ) ( )
( )
( )
1
0 0
1
exp
1 !
k
t t
z t z x dx z x dx
k
Infatti risulta:

( )
( ) ( ) ( ) ( )
( )
( ) ( ) ( )
( )
( )
1
1
0 0 0 0
1
0 0 0 0
1 1 1 1
1 ! ! ! !
1 1 1 1
1 ! ! ! 1 !
i i j
t t t t
i k i k j k i k
k j i
t t t t
j k i k
z x dx z x dx z x dx z x dx
i i j i
z x dx z x dx z x dx z x dx
k j i k

= = = =

= =

= =

= + =

1 k
i

Nel caso del processo Omogeneo di Poisson, lintensit costante e pari a , per cui
abbiamo:
( ) ( )
( )
( )
( )
( )
( )
1 1
exp exp
1 !
k k
k
t t
f t t t
k k

= =

con . La v.a. di un processo Omogeneo di Poisson una Gamma
etri e
( ) ( ) 1 ! k k =
(Paragrafo 5.2) di param
k
T
k . Per ottenere la pdf
( )
5
f t del tempo al quinto
643
guasto, basta porre .
14.27 Nel caso dellassegnato processo Non-Omogeneo di Poisson, abbiamo:

5 k =
( )
( ) ( )
1
0
b
b
N
t
b t
z t
a a
t
m t
a
z x dx

=
= =

k - che sostituta nellespressione generale (cf
o guasto di un processo Non-Om
r. Problema 14.26) della pdf del tempo al
esim ogeneo di Poisson, fornisce:
( )
( )
( )
( )
( )
( )
( )
1
1
exp exp
1 !
k
b
k b
b b
k
t a
t a
b
f t t a t a
k a k

1 b
b t
a a

= =

.
14.28 piego del processo Omogeneo di Poisson

Le ipotesi assunte suggeriscono lim
(14.61). Per questo processo, indicata con la funzione intensit, laffidabilit
( ) ( ) { }
, Pr , R t t t N t t t + = + =
( )
0 e:

, pu essere espressa com
( ) { }
, Pr R t t t N + =
( )
{ }
( ) ( )
0
,
exp exp
0!
exp exp .
t t
t t t
t
N
t t t
dt
dt t t t
t m t
+
+
+ =

0 =
= = + =

= =

14.29 Per un processo Non-Omogeneo di Poisson si ha (Paragrafo 14.5):

( ) ( ) { }
( )
( )
( ) ( ) ( ) ( )
{ }
0
0 0
, Pr , 0 exp
0!
exp exp .
t t
t t t
t
t t t
N N
z t dt
R t t t N t t t z t dt
z t dt z t dt m t t m t
+
+
+

+ = + = = =

= = +

Nel caso in esame, abbiamo:
( ) , exp
b b
t t t
R t t t
a a
.

+
+ =

14.30 La Cdf richiesta :
644
{ } ( ) { }
( ) { } ( ) { }
( )
{ }
( ) ( )
( ) ( )
{ }
1
1
2 1 1 1 1 1
1 1 1 1
0 0
1 1
Pr Pr , 1
1 Pr , 0 1 Pr , 0
1 exp 1 exp
1 exp ; .
t t t
t
N N
T t T t N t t T t
N t t T t N t t
z x dx z x dx z x dx
m t m t t t
= = = =
= = = = = =

= = =

=

Capitolo 15
15.9 Dai dati calcoliamo i seguenti valori
j j
p d n = :
0.08, 0.04, 0.06, 0.06, 0.10, 0.20, 0.08, 0.06, 0.06, 0.12,
0.08, 0.12, 0.08, 0.12, 0.10, 0.0, 0.04, 0.06, 0.10, 0.12
che riportati sulla carta gi costruita evidenziano che si verificato un episodio di
fuori controllo in concomitanza del sesto prelievo.
5 10 15 20
j
0.05
0.1
0.15
0.2
p
j

15.10 Dai 20 campioni prelevati successivamente alla modifica del processo ottenia-
mo i seguenti valori
j j
p d n = :
0.06, 0.06, 0.14, 0.12, 0.14, 0.0, 0.04, 0.02, 0.02, 0.06,
0.08, 0.0, 0.08, 0.06, 0.06, 0.02, 0.06, 0.02, 0.04, 0.12
a cui corrispondono sulla carta di controllo gi calcolata i seguenti 20 punti:
645
5 10 15 20
j
0.05
0.1
0.15
0.2
p
j

La deriva imposta al processo sembra effettivamente essersi realizzata come era
nelle aspettative dei tecnici.
15.11 Se non ci fosse deriva, i punti dovrebbero capitare al disopra o al disotto della
linea centrale seguendo una legge di probabilit Bernoulliana di parametro 0.5. Quin-
di, dal diagramma della Cdf Binomiale di parametri 0.5 e 20 deduciamo che levento
osservato (16 punti al disotto della linea centrale su 20) appartiene ad una coda di pro-
babilit . Pertanto la deriva risulta significativa al livello 1 0.999. = 0.001 =
0 5 10 15 20
Y
0.2
0.4
0.6
0.8
1
Cdf
0 5 10 15 20
Y
0.2
0.4
0.6
0.8
1
Cdf

15.12 Dai dati deduciamo le seguenti stime per la costruzione della carta c:

1
1
0.50; 0.707;
3 1.62; 3 2.62.
j
j j
m
j c
j
c c
c c c
m
c c

=
= = = =
= + =

Possiamo quindi tracciare la carta (con limite inferiore nullo essendo risultata nega-
tiva la differenza
c
3 )
j
c
c che m stra una produzione verosimilmente in controllo.
15.13 Dai dati raccolti sui 30 campioni di 20 autovetture otteniamo le stime:
o
646
1
1 (1
0.087; 0.0629;
3 0.102; 3 0.275
j
j j
m
j p
j
p p
p p
p d
n m n
p p
= = = =
= + =

)
con cui costruiamo la seguente carta p (con limite inferiore nullo essendo risultata
negativa la differenza 3 )
j
p
p :
5 10 15 20 25 30
j
0.05
0.1
0.15
0.2
0.25
0.3
p
j

15.14 Assumendo come unit produttiva il lotto di 20 autovetture, deduciamo le
seguenti stime per la costruzione della carta c:
1
1
1.73; 1.317; 3 2.22; 3 5.68
j j
m
j c c c
j
c c c c c
m

=
= = = = = + =
tracciamo quindi la carta (con limite inferiore nullo essendo risultata negativa la
differenza
c
3 )
j
c
c :
5 10 15 20 25 30
j
1
2
3
4
5
6
c
j

Notiamo che questa carta appare del tutto simile alla precedente carta p, come del re-
sto dovevamo aspettarci essendo molto bassa la frazione media di esemplari difettosi
(0.087).
15.15 La nuova carta nota come carta ed ha la seguente linea centrale e limiti n p
647
di controllo:

1
1
1.74; (1 ) 1.258;
3 2.03; 3 5.51.
j
j j
m
j d
j
d d
n p d n p p
m
n p n p

=
= = = =
= + =

Confrontando questo grafico con quello della carta c del problema precedente, otte-
niamo unulteriore conferma della buona approssimazione ottenibile adottando la car-
ta c per il controllo di regimi a bassa difettosit.
5 10 15 20 25 30
j
1
2
3
4
5
6
d
j

Confrontando questo grafico con quello della carta c del problema precedente, otte-
niamo unulteriore conferma della buona approssimazione ottenibile adottando la car-
ta c per il controllo di regimi a bassa difettosit.
15.16 preferibile il primo piano perch ha probabilit di accettazione minore nei
confronti di un lotto con il 20% di pezzi difettosi:

1
2
4
0
2
0
200 1000 200
50
0.016;
1000
50
200 1000 200
25
0.095.
1000
25
a
k
a
k
k k
P
k k
P
=
=

= =

= =

15.17 Dai dati otteniamo:

2
0 0
1
0
1
0.252; (2 3) (2 2) 0.236;
2( 1) 0.089; 3 0.031; 3 0.503.
j j
m
j
j
S S
s s n n
m
n s s

=
= = = =
= = = + =

j
S
La carta (con limite inferiore nullo essendo risultata negativa la differenza S
648
3
j
S
S
le.

) evidenzia una sostanziale stabilit dello scarto tipo dellerrore dimensiona-
2 4 6 8 10
j
0.1
0.2
0.3
0.4
0.5
0.6
S
j

15.18 Dai dati otteniamo:
0
1
0.055; 0.113;
3 0.284; 3 0.394.
j
j j
m
j X
j
X X
x x m n
x x

=
= = = =
= + =

X La carta evidenzia una sostanziale stabilit del processo di foratura.

2 4 6 8 10
j
-0.4
-0.2
0.2
0.4
X
j

15.19 Con i dati disponibili calcoliamo i limiti di controllo della carta X :

50 5 50
2
0 0
1 1 1
250 502.5; 50 2.5; 5 1.1;
3 499.2; 3 505.8.
j
j j
ij j X
j i j
X X
x x S
x x

= = =
= = = = = =
= + =

Lefficacia della carta valutata mediante la probabilit:

649
502.5 3 2.5 5 (502.5 5) 502.5 3 2.5 5 (502.5 5)
1 1 Pr
2.5 5 2.5 5
1 Pr{ 7.47 1.47} 1 0.0708 0.9292.
U
U

+ + +
= =

= = =

15.20 La carta di controllo p consente di monitorare la frazione di registrazioni in-
complete. Poich la numerosit campionaria non costante necessario adottare una
carta p a limiti variabili in cui:

{0.771, 0.766, 0.788, 0.554, 0.546, 0.514,
0.544, 0.400, 0.455, 0.297, 0.322, 0.500};
j j j
p d n = =

( )
1 {0.049, 0.051, 0.056, 0.062, 0.050, 0.059,

0.052, 0.054, 0.067, 0.062, 0.052, 0.072};
j
p j
p p n = =

1 1
0.552;
m m
j j
j j
p d n
= =
= =

3 {0.698, 0.706, 0.719, 0.737, 0.704, 0.728,

0.710, 0.714, 0.754, 0.739, 0.710, 0.768};
j
p
p + =

3 {0.407, 0.399, 0.386, 0.367, 0.401, 0.377,

0.395, 0.391, 0.351, 0.366, 0.395, 0.337}.
j
p
p =

La carta di controllo mostra unevidente instabilit del processo.

2 4 6 8 10 12
j
0.2
0.4
0.6
0.8
p
`
j

15.21 La caratteristica di qualit da monitorare il numero di componenti scartati, a
tal fine pu essere utilizzata una carta np (o in maniera equivalente si pu monitorare
la frazione di pezzi scartati attraverso una carta p):
650
( )
1
0.033; 1 1.384;
1.980; 3 2.172; 3 6.132.
j
j j
m
j d
j
d d
p d nm np p
np np np

=
= = = =
= = + =

La carta (con limite inferiore nullo essendo risultata negativa la differenza np
3
j
d
np ) evidenzia che il processo in controllo.

5 10 15 20
j
1
2
3
4
5
6
d
j

15.22 Utilizzando la CdF della variabile aleatoria Binomiale di parametri e
, lefficacia della carta np pu essere valutata attraverso
15.23 La caratteristica di qualit da monitorare il numero di difetti. I componenti
esaminati hanno superfici differenti pertanto occorre valutare il numero di difetti ri-
spetto ad una stessa unit di riferimento. Per ciascuna parte esaminata calcoliamo il
numero medio di imperfezioni per
60 n =
0.033 (1 0.05) 0.035 p = + =
la probabilit:
( )
6
0
60
1 1 0.035 1 0.035 0.0049.
n d
d
d
d

=

= =

2
cm ,
j j j
u c n = :

Per monitorare il numero di imperfezioni per pu essere utilizzata una carta u
con linea centrale e limiti di controllo variabili cos definiti:

{0.070, 0.060, 0.056, 0.058, 0.058, 0.084, 0.065, 0.064,
0.062, 0.065, 0.065, 0.067, 0.074, 0.075, 0.072, 0.062}

2
cm
1 1
0.065;
3 {0.043, 0.041, 0.038, 0.038, 0.043, 0.033, 0.038, 0.041,
0.028, 0.043, 0.033, 0.028, 0.026, 0.037, 0.039, 0.026};
3 {0.087, 0.090, 0.093, 0.093, 0.087, 0.098, 0.093
j
j
m m
j j
j j
u
u
u c n
u
u
= =
= =
=
+ =

, 0.090,
0.103, 0.087, 0.098, 0.103, 0.104, 0.093, 0.092, 0.104}

651
essendo:

{0.007, 0.008, 0.009, 0.009, 0.007, 0.011, 0.009, 0.008,
0.012, 0.007, 0.011, 0.012, 0.013, 0.009, 0.009, 0.013}.
j
u j
u n = =

La carta di controllo u evidenzia che il processo in controllo.

2 4 6 8 10 12 14 16
j
0.02
0.04
0.06
0.08
0.1
u
`
j

( )
H
j
, 15.24 Dai dati calcoliamo i valori della somma superiore, e di quella infe-
riore, ( )
L
j
:
( ) {0,0,0,0,0,0,0,0,0,0,0,0,0
( ) {0.73,0,0,0,0,0,1.24,0.34,1.94,4.16,5.48,6.48,9.08,11.68}.
H
L
j
j
=
=

,0};
I valori riportati sulla carta CUSUM unilaterale inferiore insieme al limite
decisionale,
( )
L
j

4 8 L C = = , evidenziano una significativa riduzione della tempera-
tura.
2 4 6 8 10 12 14
j
2
4
6
8
10
S
L
H jL

15.25 In condizioni di controllo statistico, la linea centrale e i limiti di controllo della
carta p assumono i seguenti valori:
652
( )
0 0 0
0 0
0.22; 1 0.059;
3 0.043; 3 0.397
p
p p
p p p n
p p

= = =
= + =

Se dovesse verificarsi un incremento della difettosit del 25%,
, per poter individuare tale deriva, sar necessario, in me-
dia, esaminare un numero di campioni pari al periodo di ritorno di un fuori controllo:

0.22 (1 0.25) 0.275 p = + =
1
1
53
1
T

essendo

{ }
( )
20
2
Pr 0.043 0.397 0.275 Pr 2 20 0.275
50
0.275 1 0.275 0.981.
n d
d
d
D
p D p
n
d
=

= = = =

= =

=
Quindi, poich la frequenza di campionamento 30 minuti, lincremento di difettosit
sar segnalato dalla carta dopo circa 26 ore e 30 minuti dal suo verificarsi.
15.26 In condizioni di controllo statistico, la linea centrale ed i limiti di controllo del-
la carta c assumono i seguenti valori:

0 0
0 0
10; 3.16;
3 0.51; 3 19.49.
c
c c
c c
c c

= = =
= + =

10(1 0.40) 14 c = + = , Se dovesse verificarsi un incremento della difettosit del 40%,
per poter individuare tale deriva, sar necessario, in media, esaminare un numero di
campioni pari al periodo di ritorno di un fuori controllo:

1
1
21;
1
T

essendo

{ }
20
0
=Pr 0 20 14 0.952
!
d c
d
c e
D c
d

=
= = =
.
15.27 Dalle stime campionarie ricaviamo le stime della media
0
e dello scarto tipo
0
del processo:

0 0
3050.0 25 122.0; 28 25 1.1 = . = = =
Nellipotesi che la CdF della v.a. X sia ben interpretata da un modello Normale, la
stima della capacit del processo data da:
{ }
0 0
0 0
120 (1 0.03) 122 122 120 (1 0.03)
min , min ,
3 3 3 1.1 3 1.1
min 0.48, 1.70 0.48.
pk
LS LI
C

+
= =

= =
=

653
Lipotesi di normalit consente di stimare la frazione di fogli non conformi come se-
gue:
{ }
( ) ( )
0 0
0 0

1 Pr 1

1 1.45 5.09 0.0735.
U U
U U
LS LI
p LI X LS F F
F F

= = =

= =

Il valore della frazione di non conformi elevato, coerentemente alla scarsa capacit
del processo.
15.28 La probabilit di accettare il lotto calcolata utilizzando la CdF del modello
Ipergeometrico (

100, 0.05 100 5, 10) N D n = = = = :
5 100 5
( )
1
0
10
1 0.923
100
10
a K
k
k k
P F
=

= = =

.
15.29 Essendo la frazione di campionamento pari a 5150 0.033 n N = = (ossia infe-
riore al 10%), possibile approssimare la CdF del modello Ipergeometrico con quella
del modello Binomiale. In base alla regola di collaudo, la probabilit di accettazione
del lotto pu essere espressa come:
5
1
a
D
P
N

.
In corrispondenza di un rischio del cliente pari a 0.10 = il livello di qualit rifiuta-
bile (RQL) approssimativamente pari a:

15
1 0.10 0.37 RQL = .
15.30 In base alla regola di collaudo fissata, in corrispondenza di una frazione di di-
fettosi 0.05 D N =
odello Ipergeom
, la probabilit di accettare il lotto calcolata utilizzando la CdF
del m etrico : ( 40, 0.05 40 2, 3) N D n = = = =
( )
2 38
0 3
0 0.854
40
3
a K
P F

= = =

.
Il rischio del fornitore coincide con la probabilit che il lotto sia rifiutato ed pari a:
1 0.146
a
P = = .
15.31 Risolvendo in termini di Y e n le due equazioni:
654

( )
( )
0.01 1 0.01 1 0.05
ln ln ln ;
0.06 1 0.06 0.10
0.01 1 0.01 0.05
ln ln ln
0.06 1 0.06 1 0.10
y n y
y n y

+ =

+ =

si ottiene il piano di analisi sequenziale richiesto:

1.57 0.028
1.22 0.028 .
y n =
y n
+
= +

15.32 In base al piano di analisi sequenziale definito nel problema precedente ne-
cessario continuare a cam entale pi
elevata.

pionare per poter raggiungere unevidenza sperim

Isbn6413-7 Soluzioni

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

Isbn6413-7 Soluzioni

Caricato da

Copyright:

Formati disponibili

Soluzioni dei problemi proposti

. Se Y il numero di guasti ed n il numero di ricambi, lavaria coinci-

> = > = > =

. Pertanto, il numero m o di fogli di allum inim

perch la varianza della somma delle

< < = < <

, essendo ovviamente uguale a:

che, integrata rispetto a z, tenendo conto che forni-

0.95, 50 0.95, 100

indicano le v.a., s-indipendenti, Gaussiana standard e Chi-Quadrato

ed il valore vero 1 = e verificare che la differenza tra la media dimi-

sta, in quanto con

3 7500 0.0004 = = . Utilizzando

p . Pertanto com o un unico campione di e se avessim

del numero di difetti ri-

dife la stessa stim tti, da cui deduciamo a

1 5.5 x = = 6 minuti. Utilizzando la funzione

= = = ) si pu imporre che x ( 0.01 = con . Mediante la di-

ed essendo 0.1 = e 0.5 =

perch tale larea sottesa dalla v.a. Nor-

2.14 = , che mi-

11.15 La produzione complessiva caratterizzata da una varianza pari a

La terza eguaglianza segue dalla (11.4).

1.57; 54.65; 0.88 a b = = = .

0.102; 290.108; 0.51 a b = = = .

1.18; 70.44; 0.81. a b = = =

0.87, 57.48, 0.90. a b = = =

per la linearit delloperatore speranza matematica.

che, posto , fornisce la Cdf del tempo al quinto guasto.

1 {0.049, 0.051, 0.056, 0.062, 0.050, 0.059,

3 {0.698, 0.706, 0.719, 0.737, 0.704, 0.728,

3 {0.407, 0.399, 0.386, 0.367, 0.401, 0.377,

si ottiene il piano di analisi sequenziale richiesto:

Potrebbero piacerti anche