Sei sulla pagina 1di 55

Calcolo delle Probabilit 2013/14 Foglio di esercizi 1

Spazi di probabilit.
Si consiglia di svolgere in particolare gli esercizi numero 4, 5, 9 e 7.
Esercizio 1. Sia data unarbitraria famiglia {Ai }iI di -algebre sullo stesso insieme .
T
(a) Si mostri che lintersezione A = iI Ai := {A : A Ai i I} sempre una
-algebra su .
S
(b) Si mostri che lunione B = iI Ai := {A : i I tale che A Ai } non
necessariamente una -algebra su .
Esercizio 2. Siano , E due insiemi non vuoti e sia f : E unapplicazione qualunque.
(a) Per ogni B E, definiamone la controimmagine f 1 (B) come


f 1 (B) := : f () B
(con f 1 () := ) .
Si mostri che per ogni scelta di B, {Bi }iI sottoinsiemi di E si ha
!
!
[
[
\
\
c
1
1
c
1
1
1
f (B) = f (B ) , f
Bi =
f (Bi ) , f
Bi =
f 1 (Bi ) ,
iI

iI

iI

iI

ossia la controimmagine rispetta le operazioni insiemistiche.


(b) Per ogni A , definiamone limmagine f (A) come



f (A) := f () : A} = x E : A tale che f () = x

(con f () := ) .

Si mostri che per ogni scelta di {Ai }iI sottoinsiemi di si ha


!
[
[
f
Ai =
f (Ai ) ,
iI

iI

ma che in generale
!
f (A)

c

6= f (Ac ) ,

\
iI

Ai

&

f (Ai ) .

iI

Esercizio 3. Siano , E due insiemi arbitrari e f : E unapplicazione qualunque.


(a) Sia E P(E) una -algebra su E. Si mostri che la famiglia di sottoinsiemi
f 1 (E) := {f 1 (B) : B E} = {A : B E tale che A = f 1 (B)}
una -algebra su .
(b) Sia A P() una -algebra su . Si mostri che in generale la famiglia di sottoinsiemi
f (A) := {f (A) : A A} = {B E : A A tale che B = f (A)}
non una -algebra su E.
(c) Sia A P() una -algebra su . Si mostri la famiglia di sottoinsiemi
G := {B E : f 1 (B) A} = {B E : A A tale che A = f 1 (B)} .
una -algebra su E.

Ultima modifica: 3 ottobre 2013.

Esercizio 4. Sia (, A, P) uno spazio di probabilit e sia {An }nN una successione di eventi.
S
(a) Si mostri che se P(An ) = 0 per ogni n N allora P( nN An ) = 0.
T
(b) Si mostri che se P(An ) = 1 per ogni n N allora P( nN An ) = 1.
Esercizio 5. Sia (, A, P) uno spazio di probabilit. Si mostri che la famiglia di insiemi
F := {A A : P(A) {0, 1}}
una -algebra.
Esercizio 6. Per ciascuno dei seguenti esperimenti aleatori, si determini uno spazio
campionario adeguato.
(a) Lancio un dado a sei facce e una moneta.
(b) Lancio n volte una moneta.
(c) Lancio n monete.
(d) Lancio una moneta ogni secondo, senza mai fermarmi.
(e) Osservo i 5 numeri estratti sulla ruota di Venezia del Lotto.
(f) Mescolo un mazzo da 40 carte e poi giro, una dopo laltra, le prime 20 carte.
Esercizio 7. Siano A, {Ak }kN sottoinsiemi di uninsieme fissato .
(a) Si mostri che Ak A se e solo se Ack Ac .
(b) Supponiamo che Ak A e poniamo Bk := Ak Ac per k N. Si mostri che Bk .
S
(c) Poniamo Ak := ki=1 Ci per
S k N (non facciamo alcuna ipotesi sugli insiemi {Ci }iN ).
Si mostri che Ak A := iN Ci .
(d) Supponiamo che Ak A e poniamo Ck := Ak \ Ak1 per k N (con A0 := ). Si
mostri che:
gli insiemi {Ck }kN sono a due a due disgiunti: Ck Cl = per ogni k 6= l;
S
nk=1 Ck = An per ogni n N;
S
kN Ck = A.
Esercizio 8 (Formula di inclusione-esclusione). Dato uno spazio di probabilit (, A, P),
siano A1 , A2 , . . . , An A eventi. Si dimostri per induzione che
!
n
X
X
\
P(A1 A2 An ) =
(1)k+1 P
Ai .
k=1 J{1,2,...,n}
tali che |J|=k

iJ

Soluzione 1.

(a)

(b) Si noti che {, A, Ac , } una -algebra, per ogni A P().


Sia = {1, 2, 3, 4}, A1 := {, {1}, {2, 3, 4}, }, A2 := {, {1, 2}, {3, 4}, }. Allora
B := A1 A2 = {, {1}, {1, 2}, {3, 4}, {2, 3, 4}, } non una -algebra, perch {1} B,
{3, 4} B ma {1, 3, 4} = {1} {3, 4} 6 B.
Soluzione 2.

(a)

(b) Sia = {0, 1, 2}, E = {a, b, c} e sia f (0) := a e f (1) = f (2) := b. Scegliendo A := {1}
si ha che f (A) = {b} e f (Ac ) = f ({0, 2}) = {a, b}, pertanto

f (A)c = {a, c} 6= {a, b} = f (Ac ) .
Scegliendo A := {0, 1} e B := {0, 2} si ha A B = {0}, pertanto f (A B) = {a};
dato che f (A) = f (B) = {a, b}, si vede che
f (A B) = {a} & {a, b} = f (A) f (B) .
Soluzione 3.

(a)

(b) Se |E| 2 e la funzione f costante, ossia esiste c E tale che f () = c per ogni
, allora per ogni -algebra A su si ha f (A) = {, {c}} che non una -algebra
su E, dal momento che E 6 f (A).
(c)
S
P
P
Soluzione
4.
(a)
A
Per
la
subadditivit
P(
)

P(A
)

n
n
nN
nN
nN 0 = 0, quindi
S
P( nN An ) = 0.
T
S
(b) Per le leggi di de Morgan P(( nN An )c ) = P( nN Acn ) = 0 grazie al punto precedente,
perch P(Acn ) = 1 P(An ) = 0 per ogni n N.
Soluzione 5. chiaro che F e F. Inoltre A F, cio P(A) {0, 1}, se e solo se
Ac F, poich P(Ac ) = 1 P(A).
Infine, siano {An }nN eventi con An F, cio P(An ) {0, 1}, per ogni n S
N. Distinguiamo
due
casi.
Se
P(A
)
=
0
per
ogni
n

N,
allora
per
subaddititivit
P(
n
nN An )
P
P
S
S
P(A
)
=
0
=
0
ossia
P(
A
)
=
0,
dunque
A

F.
Se
invece
esiste
n
nN
nN
nN n
SnN n
n SN tale che P(An ) = 1, dato cheS nN An An , per monotonia
della probabilit si ha
S
P( nN An ) P(An ) = 1, ossia P( nN An ) = 1, dunque nN An F.
Esercizio 9. La scelta di non univoca: riportiamo possibili soluzioni.
(a) = {1, 2, 3, 4, 5, 6} {T, C}.
(b) = {0, 1}n = {(x1 , . . . , xn ) : xi {0, 1} per ogni i}.
(c) = {0, 1}n .
(d) = {0, 1}N = {(xi )iN : xi {0, 1} per ogni i}.
(e) = {(x1 , x2 , x3 , x4 , x5 ) : xi {1, . . . , 90} per ogni i, xi 6= xj per ogni i 6= j}
{1, . . . , 90}5 . Oppure, se non interessa lordine in cui i numeri sono stati estratti, si
pu scegliere 0 = {A {1, . . . , 90} : |A| = 5} P({1, . . . , 90}).
(f) = {funzioni : {1, . . . , 20} {1, . . . , 40} iniettive}. Equivalentemente, si pu
scegliere 0 = {(x1 , . . . , x20 ) : xi {1, . . . , 40} per ogni i, xi 6= xj per ogni i 6= j}.

Soluzione 6.
che
AB

(a) Ak A significa che Ak Ak+1 per ogni k N e

x A, x B

x 6 B, x 6 A

kN Ak

= A. Si noti

B c Ac ,

quindi Ack+1 Ack , ossia (Ack )kN una successione decrescente di insiemi. Per De
Morgan
[
c
[
\
c
A=
Ak
=
A =
Ak =
Ack ,
kN

kN

kN

e dunque Ack Ac .
(b) Dal fatto che Ak Ak+1 segue immediatamente che Ak C Ak+1 C per ogni C,
in particolare per C = Ac . Quindi (Bk )kN una successione crescente di insiemi. Per
la propriet associativa dellunione
[

[
[

c
Bk =
Ak A =
Ak Ac = A Ac = ,
kN

kN

kN

il che mostra che Bk .


(c) Chiaramente Ak+1 = Ak Ck+1 Ak , dunque (Ak )kN una successione crescente.
Resta solo da verificare luguaglianza
 [
k
[ [
Ci =
Ci .
(0.1)
kN

i=1

iN

Se appartiene al membro sinistro, per definizione esiste k N ed esiste i {1, . . . , k}


tale che Ci , in particolare esiste i N tale che Ci , dunque appartiene al
membro destro; viceversa, se esiste i N tale che Ci , scegliendo k := i si ha che
S
ki=1 Ci e dunque appartiene al membro destro.
(d) Senza perdita di generalit, supponiamo che k < l. Allora k l1 e dunque Ak Al1
(ricordiamo che (An )nN una successione crescente di insiemi), quindi Ak Acl1 = .
Di conseguenza
Ck Cl = (Ak \ Ak1 ) (Al \ Al1 ) = (Ak Ack1 ) (Al Acl1 )
= Ack1 Al (Ak Acl1 ) = Ack1 Al = ,
dunque gli insiemi (Cn )nN sono
S a due a due disgiunti.
Verifichiamo luguaglianza nk=1 Ck = An per induzione. Per n = 1 si ha C1 = A1 ,
che vera per definizione di C1 . Procedendo per induzione, supponiamo la relazione
vera al passo n: per il passo n + 1 si ha allora

[
n+1
n
[
Ck =
Ck Cn+1 = An Cn+1 = An (An+1 \ An ) = An (An+1 Acn )
k=1

k=1


= An An+1 An Acn ) = An+1 = An+1 .
S
S
S
S
Infine, per luguaglianza kN Ck = A, notiamo che A = nN An = nN nk=1 Ck ,
quindi ritroviamo la relazione (0.1) gi dimostrata.
Soluzione 7. Procediamo per induzione su n. Per n = 1 la formula si riduce a P(A1 ) =
P(A1 ), e dunque non c nulla da dimostrare. Supponiamo allora che lasserto sia vero per

ogni k n, e mostriamo che vero per n + 1. Siano A1 , A2 , . . . , An , An+1 eventi. Usando il


fatto che, per ipotesi induttiva, la formula vale per n = 2 otteniamo
P(A1 A2 An An+1 )
= P(A1 A2 An ) + P(An+1 ) P((A1 A2 An ) An+1 )

(0.2)

= P(A1 A2 An ) + P(An+1 ) P(B1 B2 Bn ) ,


dove abbiamo posto per comodit Bi = Ai An+1 , per i = 1, 2, . . . , n. Usando nuovamente
lipotesi induttiva, questa volta per n eventi, otteniamo
!
n
X
X
\
k+1
P(A1 A2 An ) =
(1) P
Ai
iJ

k=1 J{1,2,...,n}
tale che |J|=k

n
X
k=1

(0.3)

!
X

k+1

(1)

Ai

iJ

J{1,2,...,n+1}
tale che |J| = k e n + 1 6 J

e analogamente
P(B1 B2 Bn ) =

n
X

!
X

(1)k+1 P

Bi

iJ

k=1 J{1,2,...,n}
tale che |J| = k
n
X

!!
X

k+1

(1)

P An+1

k=2

Ai

(0.4)

iJ

k=1 J{1,2,...,n}
tale che |J| = k
n+1
X

!
X

(1)k+1 P

Ai

iJ

J{1,2,...,n+1}
tale che |J| = k e n + 1 J

Sostituendo (0.3) e (0.4) nellultimo membro di (0.2), si ottiene


P(A1 A2 An An+1 ) =

n+1
X

!
X

k=1 J{1,2,...,n+1}
tale che |J| = k

che quanto si voleva dimostrare.

(1)k+1 P

\
iJ

Ai

Calcolo delle Probabilit 2013/14 Foglio di esercizi 2


Calcolo combinatorio.
Esercizio 1. In un mazzo di 52 carte da Poker ogni carta identificata da un seme (cuori
, quadri , fiori , picche ) e da un tipo (un numero da 1 a 10 oppure J, Q, K). Quindi
il mazzo di carte pu essere identificato con linsieme
M := {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K} {, , , } .
Una mano consiste di 5 carte estratte dal mazzo, ossia un elemento dellinsieme
:= {A M : |A| = 5} .
Munendo della probabilit uniforme, si calcoli la probabilit di ottenere i seguenti punti
(in ordine decrescente di valore):
(a) scala reale (5 carte dello stesso seme e con tipi crescenti in progressione aritmetica di passo 1, per es. {5, 6, 7, 8, 9}, {8, 9, 10, J, Q}; le progressioni ammissibili
sono {1, 2, 3, 4, 5}, {2, 3, 4, 5, 6}, . . . , {9, 10, J, Q, K} e infine {10, J, Q, K, 1});
(b) poker (4 carte dello stesso tipo, la quinta arbitraria);
(c) full (3 carte dello stesso tipo, le altre 2 carte dello stesso tipo, ovviamente diverso dal
precedente);
(d) colore (5 carte dello stesso seme, ma non sono in progressione aritmetica di passo 1);
(e) scala semplice (5 carte con tipi crescenti in progressione aritmetica di passo 1, cf. la
scala reale, ma non tutte dello stesso seme);
(f) tris (3 carte dello stesso tipo, le altre 2 arbitrarie, ma tali da non produrre un poker
n un full);
(g) doppia coppia (2 carte dello stesso tipo, 2 altre carte dello stesso tipo diverso dal
precedente, la quinta carta arbitraria, ma tale da non produrre un full);
(h) coppia (2 carte dello stesso tipo, le altre 3 arbitrarie, ma tali da non produrre un tris
n un poker n un full).
Esercizio 2. In una estrazione del Lotto su una determinata ruota vengono estratti a caso
5 numeri tra 1 e 90. Si calcoli la probabilit di fare:
(a) ambata giocando un numero n (cio n tra i 5 numeri estratti);
(b) ambo giocando due numeri n, m (cio n e m sono tra i 5 numeri estratti);
(c) terno giocando tre numeri n, m, k (cio n, m e k sono tra i 5 numeri estratti);
[Nella realt che le vincite vengono pagate molto meno di quanto sarebbe equo: per
lambata si oggiene 11.23 volte la giocata (invece di 18), per lambo 250 volte (invece di
400.5), per il terno 4500 volte (invece di 11748).]
Esercizio 3. Si lanciano 12 dadi. Qual la probabilit che ognuno dei numeri 1, 2, 3, 4, 5, 6
compaia esattamente 2 volte?

Ultima modifica: 9 ottobre 2013.

Esercizio 4. 21 passeggeri salgono su un treno della metropolitana vuoto formato da 3


vagoni, e ognuno sceglie a caso il vagone su cui viaggiare. Si calcoli la probabilit che
(a) ci siano 4 passeggeri nel primo vagone;
(b) ci siano 7 passeggeri in ciascun vagone;
(c) 5 persone siano su un vagone, 6 su un altro e 10 sul rimanente.
Esercizio 5. Quattro coppie di sposi salgono su un minibus con otto posti a sedere, disposti
in quattro coppie di sedili adiacenti.

Se le otto persone scelgono i posti in modo casuale, qual la probabilit che ciascuno sposo
sieda accanto alla propria consorte?
Esercizio 6. Una lotteria emette n biglietti, di cui m < n sono vincenti. Qual la probabilit
che un possessore di r biglietti ne abbia almeno uno di vincente?
Esercizio 7. Si supponga di avere un mazzo di n chiavi diverse. Dovendo aprire una
serratura di cui si ha la chiave, si provano a caso le n chiavi, mettendo da parte quello gi
provate, fino a che non si trovata la chiave giusta. Qual la probabilit di trovare la chiave
giusta dopo k tentativi, con 1 k n?
Esercizio 8. Si eseguano n estrazioni casuali con reimmissione da unurna contenente 2n
oggetti distinti. Sia pn la probabilit che gli n oggetti estratti siano tutti diversi.
(a) Determinare pn .
(b) Introduciamo la notazione an bn per indicare che an /bn 1 per n . Usando la
formula di Stirling n! nn en 2n, si mostri che pn c%n , determinando c e %.
Esercizio 9. n paia di guanti vengono mescolate, e poi distribuite a caso a n persone (due
guanti per persona).
(a) Qual la probabilit pn che ognuno riceva un guanto per la mano destra e uno per la
sinistra?
(b) Si determini
il comportamento asintotico pn per n usando la formula di Stirling
n
n
n! n e
2n.

Soluzione 1. Detto M linsieme delle carte del mazzo, uno spazio di probabilit naturale
= {B
 M : |B| = 5} munito della probabilit uniforme, per cui P(A) = |A|/|| =
|A|/ 52
5 per ogni A .
1
40
1
(a) scala reale: 52
4 10 = 2 598
960 = 64 974 0.000015 = 0.0015%.
5
1
624
1
(b) poker: 52
13 48 = 2 598
5
960 = 4 165 0.00024 = 0.024%.
1


3 744
(c) full: 52
13 12 43 42 = 2 598
5
960 0.0014 = 0.14%.


1
5 108
(d) colore: 52
4 ( 13
5
5 10) = 2 598 960 0.0020 = 0.20%.
1
200
5
10 (45 4) = 2 10
(e) scala semplice: 52
5
598 960 = 1274 0.0039 = 0.39%.
 4
1
54 912
13 12
(f) tris: 52
2 3 4 4 = 2 598 960 0.021 = 2.1%.
5
1 13


552
(g) doppia coppia: 52
2 11 42 42 4 = 2123
5
598 960 0.48 = 4.8%.
1

 3 1 098 240
(h) coppia: 52
13 42 12
5
3 4 = 2 598 960 0.42 = 42%.
Soluzione 2. Uno spazio di probabilit naturale = {B {1, . . . , 90} : |B| = 5} munito
della probabilit uniforme, per cui P(A) = |A|/|| = |A|/ 90
5 per ogni A .
1 89
1
0.055 = 5.5%.
(a) ambata (un numero) giocando un numero: 90
4 = 18
5


1
2
(b) ambo giocando due numeri: 90
88
5
3 = 801 0.0024 = 0.24%.
1 87
1
0.000085 = 0.0085%.
(c) terno giocando tre numeri: 90
2 = 11748
5
Soluzione 3. Si sceglie = {f : {1, . . . , 12} {1, 2, 3, 4, 5, 6}} munito della probabilit
uniforme. Se A levento in questione, scegliere un elemento di A significa scegliere i due
dadi che danno 1 (ossia la coppia di valori {i, j} {1, . . . , 12} tali che f (i) = f (j) = 1),
quindi i due che danno 2, e cos via. Allora
    
12 10 8 6 4
|A|
2 2 2
2
2
P(A) =
=
.
||
612
Soluzione 4. Numerati i passeggeri e i vagoni, lo spazio di probabilit naturale =
{f : {1, . . . , 21} {1, 2, 3}} munito della probabilit uniforme. Chiaramente || = 321 .
Calcoliamo i casi favorevoli dei vari punti.
(a) Levento in questione A = {f : |f 1 (1)| = 4}. Si noti che J := f 1 (1) 
{1, . . . , 21} linsieme dei passeggeri che siedono nel 1o vagone, per cui ci sono 21
4
possibili modi di effettuare questa scelta. Resta da definire f su {1, . . . , 21} \ J, ossia
restano da piazzare i restanti 21 4 = 17 passeggeri che siedono
nel 2o e 3o vagone: per

21 17
17
questa scelta ci sono 2 modi possibili, per cui |A| = 4 2 . La probabilit cercata
dunque:

21 17
|A|
4 2
P(A) =
=
' 0.0749942.
||
321
(b) Ci devono essere 7 passeggeri per ogni vagone. I casi favorevoli sono allora:
 


21 21 7 21 7 7
21! 14! 7!
21!
=
.
=
7
7
7
7!14! 7!7! 7!0!
(7!)3

La probabilit cercata :
21!
' 0.038151.
(7!)3 321
(c) Conto prima il numero di casi favorevoli allevento 5 sul I vagone, 6 sul II e 10 sul III.
Si hanno
 


21 21 5 21 5 6
5
6
10
casi. Ora moltiplicando questo numero per 3!, cio il numero di modi di permutare i 3
vagoni ottengo i casi favorevoli, e la probabilit cercata :
 
21 16
5
6 3!
' 0.09347.
21
3
Soluzione 5. Indicato con S linsieme delle otto persone e P quello degli otto sedili, uno
spazio di probabilit naturale = {f : P S biunivoche}, per cui || = 8!. Detto A
levento che ogni sposa sieda accanto al proprio consorte, facile vedere che gli elementi
di A si possono determinare scegliendo il posto della prima sposa, quindi quello di suo
marito, poi quello della seconda sposa,quindi quello di suo marito, ecc. Si ottiene dunque
|A| = 8 1 6 1 4 1 2 1 = 8 6 4 2, da cui P(A) = |A|/|| = 1/(7 5 3) 0.0095.
Soluzione 6. Possiamo scegliere = insieme dei sottoinsiemi di r elementi dellinsieme
degli n biglietti. Se A levento in questione, Ac linsieme dei sottoinsiemi di r elementi
degli n m biglietti non vincenti. Allora

nm
c
r
P(A) = 1 P(A ) = 1 n .
r

Soluzione 7. Sia linsieme delle permutazioni delle n chiavi, e diciamo che la chiave
giusta sia la numero 1. Levento in questione { : (1) = k}, che ha cardinalit
(n 1)!. Da ci segue subito che la probabilit richiesta (n 1)!/n! = 1/n.
Soluzione 8. (a) Il numero di sequenze di n estrazioni in cui gli oggetti estratti siano
tutti diversi
(2n)!
.
2n(2n 1) (n + 1) =
n!
Perci
(2n)!
pn =
.
n!(2n)n
(b) Usando la Formula di Stirling

 n

4n (2n)2n e2n
2
pn
2
,
n
n
n
e
2n n e (2n)

cio c = 2 e % = 2/e.
Soluzione 9. Numeriamo i guanti da 1 a 2n, supponendo che i guanti di numero dispari
(risp. pari) siano quelli sinistri (risp. destri). Scegliamo quindi = S2n = {f : {1, . . . , 2n}
{1, . . . , 2n} biunivoche} munito della probabilit uniforme. Linterpretazione la seguente:
i guanti assegnati alla prima persona sono quelli con i numeri f (1), f (2); i guanti assegnati
alla seconda persona sono quelli con i numeri f (3), f (4); pi in generale, i guanti assegnati

alli-esima persona, con 1 i n, sono quelli con i numeri f (2i 1), f (2i). Levento A che
ci interessa identificabile con il sottoinsieme delle f tali che per ogni 1 i n la
coppia di numeri {f (2i 1), f (2i)} costituita da un numero pari e da uno dispari.
(a) Gli elementi di A possono essere determinati scegliendo successivamente i valori
f (1), f (2), . . . , f (2n1), f (2n). Per f (1) ci sono 2n possibilit, mentre per f (2) soltanto
n, poich deve avere parit diversa da f (1); per f (3) ci sono 2n 2 = 2(n 1) possibili
valori rimasti, mentre per f (4) le possibilit sono n 1; iterando il ragionamento, si
ottiene |A| = 2n n 2(n 1) (n 1) 2j j 2 1 = 2n n! n! = 2n (n!)2 , per cui
pn = P(A) =

|A|
2n (n!)2
=
.
||
(2n)!

(b) Usando la formula di Stirling, si ottiene

2n n2n e2n 2n
n

pn
n .
2n
2n
2
(2n) e
2 2n

Calcolo delle Probabilit 2013/14 Foglio di esercizi 3


Probabilit condizionale e indipendenza.
Esercizio 1. Per rilevare la presenza di una certa malattia, si effettua un test. Se la persona
sottoposta al test malata, il test d sempre esito positivo (non ci sono dunque falsi
negativi). Se invece la persona sottoposta al test sana, il test d (erroneamente) esito
positivo con probabilit 0.01. Indichiamo con (0, 1) lincidenza della malattia nella
popolazione (cio la frazione di persone malate). Si determini, in funzione di , la probabilit
p che una persona risultata positiva al test sia effettivamente malata. Si calcoli il valore
trovato per = 0.1, 0.01, 0.001 e se ne descriva il comportamento asintotico per 0.
Esercizio 2. Ho una moneta A regolare e una moneta B truccata, per cui la probabilit di
ottenere testa vale 34 . Scelgo una moneta a caso, con uguale probabilit, e la lancio. Se esce
testa, qual la probabilit che la moneta scelta sia stata B?
Esercizio 3. Durante la notte, un taxi ha causato un incidente. In citt operano due
compagnie di taxi, una con i taxi gialli (che sono l85% del totale) laltra con i taxi bianchi.
Un testimone ha dichiarato che il taxi coinvolto nellincidente era giallo. La probabilit che
un testimone, di notte, identifichi correttamente il colore del taxi pari a 0.8.
(a) Sulla base di queste informazioni, qual la probabilit che il taxi coinvolto nellincidente
fosse in realt bianco?
(b) Supponiamo che un secondo testimone abbia dichiarato che il taxi era giallo, e che la
correttezza dellidentificazione del colore da parte di questo testimone sia indipendente
da quella del primo. Sulla base di questa ulteriore informazione, qual ora la probabilit
che il taxi coinvolto nellincidente fosse in realt bianco?
Esercizio 4. Infilo in una busta tre carte: una ha entrambe le facce rosse, una le ha entrambe
nere, una ha una faccia rossa e una nera. Con gli occhi chiusi, pesco una carta a caso e la
depongo sul tavolo su una faccia a caso, quindi apro gli occhi. Se la faccia che vedo rossa,
qual la probabilit che anche laltra faccia sia rossa?
Esercizio 5. Una coppia ha due figli(e). Assumiamo che ciascun figlio possa essere maschio
o femmina con la stessa probabilit, indipendentemente dal sesso dellaltro figlio.
(a) Sapendo che il primogenito maschio, qual la probabilit che anche il secondogenito
lo sia?
(b) Sapendo che il secondogenito maschio, qual la probabilit che anche il primogenito
lo sia?
(c) Sapendo che almeno un figlio maschio, qual la probabilit che anche laltro lo sia?
Il sabato pomeriggio la madre esce a passeggio con uno dei due figli, mentre il padre resta a
casa con laltro. Supponiamo che la madre scelga il figlio con cui uscire in modo casuale.
(d) Se incontro la madre a passeggio con un figlio maschio, qual la probabilit che anche
laltro figlio sia maschio?

Ultima modifica: 22 ottobre 2013.

(e) Come cambia la risposta al quesito precedente se invece la madre avesse una particolare
predilezione per i figli maschi e pertanto decidesse sempre di uscire con un figlio maschio
(quando ne ha uno; altrimenti esce con una delle due figlie)?
Esercizio 6. Da unurna contenente n palline di cui k rosse e n k verdi, con 1 k n 1,
si estrae una pallina e quindi, senza reimmetterla nellurna, si estrae una seconda pallina.
Si calcoli la probabilit degli eventi A1 := la prima pallina estratta rossa e A2 := la
seconda pallina estratta rossa. Essi sono indipendenti?
Esercizio 7. Quante volte n necessario lanciare un dado regolare a N facce, affinch
la probabilit di ottenere almeno una volta il numero 1 sia superiore al 90%? Si calcoli
esplicitamente il valore di n per N = 6, 100, 1000.
Esercizio 8. Ho a disposizione n N monete: la i-esima moneta d testa con probabilit
i
n , per 1 i n. Scelgo una moneta a caso e la lancio k N volte.
(a) Qual la probabilit pn,k che esca sempre testa nei k lanci?
(b) Supponendo che sia effettivamente uscita sempre testa nei k lanci, qual la probabilit
(condizionata) qn,k che esca testa anche al lancio successivo?
(c) Si calcoli il limite per n (con k fissato) dei risultati ottenuti.
Esercizio 9. Siano assegnati tre numeri: 1 , 2 [0, 1] e (0, 1).
(a) Si mostri che esiste uno spazio di probabilit contenente due eventi A, B tali che
P(B) = ,

P(A|B) = 1 ,

P(A|B c ) = 2 .

[Sugg. Si consideri = {ab, ab, a


b, a
b} = {a, a
} {b, b}, definendo A := {ab, ab}, B := {ab, a
b}
e mostrando che esiste ununica probabilit P su che soddisfa le specifiche richieste.]

(b) Si mostri che come spazio di probabilit per il punto precedente si pu prendere
( = (0, 1), A = B((0, 1)), P = Leb), con B := (0, ) e definendo opportunamente A.
Esercizio 10. Un commerciante acquista certe componenti elettriche in egual misura da
due fornitori A e B. Viene a sapere che il 15% delle componenti provenienti da B difettosa,
cio si rompono dopo poche ore di utilizzo, contro solo il 3% di quelle provenienti da A.
Il commerciante in procinto di mettere in vendita una confezione tali componenti, tutte
provenienti dallo stesso fornitore, ma di cui non ha registrato la provenienza. Per conoscerne
la provenienza ne testa 20, di cui 2 risultano difettose. Con quale grado di confidenza pu
ritenere che la partita gli sia stata fornita da B?

Soluzione 1. Introducendo gli eventi A := lindividuo malato e B := il test d esito


positivo, si ha P(A) = , P(B|A) = 1 e P(B|Ac ) = 0.01. Per le formule di Bayes e delle
probabilit totali si ha dunque
P(B|A)P(A)
P(B|A)P(A)

=
=
p = P(A|B) =
1
P(B)
P(B|A)P(A) + P(B|Ac )(1 P(A))
+ 100 (1 )

1
= 1
= 100(1 99 + O(2 )) .
1
+
99
100
Si ha dunque lim0 p = 0; per = 0.1, 0.01, 0.001 si ottiene p = 0.92, 0.50, 0.09.
Soluzione 2. Il problema isomorfo a quello delle urne discusso a lezione. Introducendo
gli eventi B := scelgo la moneta B e T := esce testa, si ha
1
3
1
P(B) = ,
P(T |B) = ,
P(T |B c ) = ,
2
4
2
pertanto
31
3
P(T |B)P(B)
42
=
P(B|T ) =
31
11 = 5.
P(T |B)P(B) + P(T |B)P(B c )
+
42
22
Soluzione 3. (a) Consideriamo gli eventi: A = il taxi coinvolto bianco, B = il
testimone dichiara di aver visto un taxi giallo. Sappiamo che P(A) = 0.85 = 17
20 ,
P(B|A) = 0.2 = 51 , P(B|Ac ) = 0.8 = 45 . Perci, usando la Formula di Bayes,
P(A|B) =

P(B|A)P(A)
=
P(B|A)P(A) + P(B|Ac )P(Ac )

1 17
5 20
1 17
5 20

4 3
5 20

17
.
29

(b) Sia C = il secondo testimone dichiara di aver visto un taxi giallo. Per ipotesi
1
P(B C|A) = P(B|A)P(C|A) = (0.2)2 == .04 25
e, analogamente, P(B C|Ac ) =
16
c
c
2
P(B|A )P(C|A ) = (0.8) = 0.64 = 25 . Allora
P(A|B C) =

P(B C|A)P(A)
=
P(B C|A)P(A) + P(B C|Ac )P(Ac )

1 17
25 20
1 17
16 3
25 20 + 25 20

17
.
65

Soluzione 4. Indichiamo le tre carte rispettivamente con (rossa-rossa), (nera-nera)


e (rossa-nera). Uno spazio campionario per lesperimento = {1, 2, 1, 2, 1, 2},
dove 1 significa che pesco la carta e il lato scoperto il primo (rosso), 2 significa
che pesco la carta e il lato scoperto il secondo (nero), ecc. Come -algebra scegliamo
naturalmente P(), essendo || < . Mostriamo che la probabilit corretta su per
descrivere lesperimento quella uniforme. Introduciamo gli eventi A := pesco la carta
= {1, 2}, B := pesco la carta = {1, 2}, C := pesco la carta = {1, 2}. Dato che
la carta scelta a caso si deve avere P(A) = P(B) = P(C) = 13 . Inoltre, dato che anche il
lato su cui la carta deposta scelto a caso, si deve avere P({1}|A) = P(2|A) = 12 , da
cui si ottiene P({1}) = P({1} A) = P({1}|A)P(A) = 12 13 = 16 . Con analoghi argomenti
si ottiene P({2}) = P({1}) = P({2})P({1}) = P({2}) = 16 , cio P({}) = 16 per ogni
. La probabilit P deve dunque essere quella uniforme.
Introduciamo infine gli eventi Rs := il lato scoperto rosso = {1, 2, 1} e Rc := il
lato coperto rosso = {1, 2, 2}. Per definizione di speranza condizionale
P(Rc |Rs ) =

P(Rc Rs )
|Rc Rs |
2
=
= .
P(Rs )
|Rs |
3

Soluzione 5. Consideriamo lo spazio di probabilit = {M M, M F, F M, F F } munito della


probabilit uniforme. Introduciamo gli eventi A := il primogenito maschio = {M M, M F }
e B := il secondogenito maschio = {M M, F M }. Allora dobbiamo calcolare:
(a) P(A B|A) =

P(AB)
P(A)

|AB|
|A|

= 12 ;

(b) P(A B|B) =

P(AB)
P(B)

|AB|
|B|

= 12 ;

(c) P(A B|A B) =

P((AB)(AB))
P(AB)

P(AB)
P(AB)

|AB|
|AB|

= 13 .

Per la seconda parte dellesercizio occorre ingrandire lo spazio campionario, in modo


da descrivere con quale figlio esce la madre. Scegliamo dunque 0 := {1, 2} =
{M M 1, M M 2, M F 1, M F 2, F M 1, F M 2, F F 1, F F 2}. Si noti che gli eventi prima introdotti A := il primogenito maschio e B := il secondogenito maschio diventano ora A =
{M M 1, M M 2, M F 1, M F 2} e B = {M M 1, M M 2, F M 1, F M 2}. Inoltre naturale richiedere che P({M M 1, M M 2}) = P({M F 1, M F 2}) = P({F M 1, F M 2}) = P({F F 1, F F 2}) = 14
(le probabilit dei sessi dei figli presenti nella famiglia sono le stesse di prima). Queste
richieste non determinano P completamente.
(d) Se il figlio con cui esce la madre scelto a caso, si ha P({M M 1}|{M M 1, M M 2}) = 12 ,
da cui segue che P({M M 1}) = P({M M 1, M M 2})P({M M 1}|{M M 1, M M 2}) =
11
1
1
0
4 2 = 8 ; analogamente si mostra che P({}) = 8 per ogni . In altre parole, P
0
la probabilit uniforme su . Introducendo infine il nuovo evento C := la madre
esce a passeggio con un figlio maschio = {M M 1, M M 2, M F 1, F M 2}, otteniamo
2
1
P(A B|C) = |ABC|
= |AB|
|C|
|C| = 4 = 2 .
(e) In questo caso possiamo la probabilit da considerare non pi quella uniforme.
In effetti si deve avere P({M F 1}|{M F 1, M F 2}) = 1, P({M F 2}|{M F 1, M F 2}) =
0 e analogamente P({F M 1}|{F M 1, F M 2}) = 0, P({F M 2}|{F M 1, F M 2}) = 1
(quando i figli sono un maschio e una femmina, la madre esce sempre con il maschio), mentre quando i figli sono dello stesso sesso la scelta della madre casuale: in altri termini P({M M 1}|{M M 1, M M 2}) = P({M M 2}|{M M 1, M M 2}) = 12 e
P({F F 1}|{F F 1, F F 2}) = P({F F 2}|{F F 1, F F 2}) = 12 . Da ci si ricava la probabilit:
1
P({M M 1}) = P({M M 2}) = P({F F 1}) = P({F F 2}) = ,
8
1
P({M F 1}) = P({F M 2}) = ,
P({F M 1}) = P({M F 2}) = 0 .
4
Introducendo come nel punto precedente levento C := la madre esce a passeggio con
un figlio maschio = {M M 1, M M 2, M F 1, F M 2}, otteniamo infine
P
P(A B C)
P(A B)
AB P({})
P(A B|C) =
=
= P
P(C)
P(C)
C P({})
P({M M 1}) + P({M M 2})
=
P({M M 1}) + P({M M 2}) + P({M F 1}) + P({F M 2})
1/8 + 1/8
1
=
= .
1/8 + 1/8 + 1/4 + 1/4
3
Soluzione 6. Si deve avere P(A1 ) = nk . Inoltre P(A2 |A1 ) =

k1
k
c
n1 mentre P(A2 |A1 ) = n1 ,
2
2
k
k
k k+knk
= nk .
n1 (1 n ) =
n(n1)

k1 k
da cui P(A2 ) = P(A2 |A1 )P(A1 ) + P(A2 |Ac1 )P(Ac1 ) = n1
n +
Dato che P(A2 |A1 ) 6= P(A2 ) gli eventi A1 e A2 non sono indipendenti.

Soluzione 7. La probabilit di ottenere almeno un successo in n prove ripetute e indipendenti con probabilit di singolo successo p pari a pn := 1 (1 p)n , quindi
9
1
log 10
pn >

(1 p)n <

n > n0 :=
1 .
10
10
log 1p
Nel problema in esame p =

1
N,

pertanto
n > n0 :=

log 10
,
log NN1

che per N = 6, 100, 1000 d rispettivamente n0 = 12, 229, 2301. Si noti che
log 10
log 10
n0 =
1 (log 10)N ,
1
log(1 + N 1 )
N 1
ossia il valore di n0 cresce allincirca linearmente con il numero di facce N del dado.
(a) pn,k =

Soluzione 8.
(b) qn,k =

1
n

1
n

Pn

i k
i=1 ( n ) ;

Pn
i k+1
i=1 ( n )
P
n
i k .
i=1 ( n )

1
n

(c) pn,k
Soluzione 9.
relazioni

R1
0

xk dx =

1
k+1 ;

qn,k

R1
0
R

xk+1 dx

1
0

xk dx

k+1
k+2 .

(a) Basta definire la densit discreta p() := P({}). Se devono valere le

P(B) = ,
P(A|B) = 1 ,
si deve avere necessariamente

P(A|B c ) = 2 ,

(0.1)

p(ab) = P({ab}) = P(A B) = P(B) P(A|B) = 1 .


Con analoghi calcoli, si ricavano tutti i valori di p:
p(ab) = 1 ,
p(ab) = 2 (1 ) ,
p(
ab) = (1 1 ) ,

p(
ab) = (1 2 )(1 ) .

Dunque la densit discreta p univocamente determinata dalle richieste del problema


(0.1). Viceversa, immediato verificare che la funzione
p definita come sopra una
P
densit discreta, ossia p() 0 per ogni e p() = 1, e valgono le propriet
richieste (0.1).
(b) Basta definire A = (0, 1 ) [, + 2 ), cos che A B = (0, 1 ) e A B c =
[, + 2 ). Si verifica facilmente che le propriet richieste (0.1) sono soddisfatte.
Soluzione 10. Si considerino gli eventi A = la confezione proviene dal fornitore A, B =
la confezione proviene dal fornitore B = Ac e C = di 20 pezzi testati 2 sono difettosi.
Sappiamo che
 
 
20
20
2
18
P(C|A) =
(0.15) (0.85) ' 0.23,
P(C|B) =
(0.03)2 (0.97)18 ' 0.099,
2
2
mentre P(A) = P(B) = 1/2. Per concludere basta applicare la formula di Bayes:
P(B|C) =

P(C|B)P(B)
' 0.30.
P(C|B)P(B) + P(C|A)P(A)

Calcolo delle Probabilit 2013/14 Foglio di esercizi 4


Misura e integrale.
Esercizio 1. Sia X una
R funzione misurabile da (, A, ) in R, tale che X 0 q.o..
Indichiamo con I(X) := X d lintegrale rispetto a (quando esiste).
(a) Si ha X = 0 q.o. se e solo se I(X) = 0.
(b) Se I(X) < allora X < q.c.
[Sugg.: pu essere utile la disuguaglianza di Markov.]
Esercizio 2. Siano (Xn )nN funzioni
misurabili definite su uno spazio di misura (, A, )
R
a valori in R, e sia e sia I(X) := X d.
(a) Se Xn 0 q.o. per ogni n N, allora
X
 X
I
Xn =
I(Xn )
nN

(?)

nN

(dove entrambi i membri possono valere +).


P
P
(b) Se nN I(|Xn |) < , allora la serie nN Xn converge q.o. e definisce una funzione
integrabile per cui vale la relazione (?), in cui entrambi i membri sono finiti.
PN
[Sugg.: Si ponga S := lim inf N SN dove SN :=
questo modo S una
n=1 Xn . InP
funzione misurabile da a valori in R, che coincide con la serie nN Xn ogniqualvolta
questa sia ben definita.]
Esercizio 3. Sia una misura su (R, B(R)) tale che (A) {0, 1} per ogni A B(R). Si
mostri che esiste c R tale che = c .
Esercizio 4. Sia (E, E) uno spazio misurabile, la cui -algebra contenga i singoletti: {x} E
per ogni x E. Data una probabilit su (E, E), diremo che essa discreta se esiste una
funzione p : E R, tale che
X
(A) =
p(x) ,
A E .
xA

(a) Si mostri che p una densit discreta su E, ossia p(x) 0 x E e

xE

p(x) = 1.

(b) Si mostri che le seguenti affermazioni sono equivalenti:


una probabilit discreta su (E, E);
una probabilit su (E, E) tale che esiste I E, |I| |N| per cui (I) = 1;
P
una probabilit su (E, E) tale che xE ({x}) = 1;
e in tal caso la densit discreta data da p(x) = ({x}) per ogni x E. Quindi una
probabilit discreta se e solo se supportata da un insieme finito o numerabile.
P
(c) Si mostri che una probabilit su (R, B(R)) discreta se e solo se xR (F (x)
F (x)) = 1, dove F (x) := ((, x]) indica la funzione di ripartizione associata.

Ultima modifica: 4 novembre 2013.

Esercizio 5. Sia F : R [0, 1] una funzione crescente e C 1 a tratti (ossia continua in ogni
punto di R e derivabile con derivata continua in ogni punto di R \ N , dove N R un
insieme senza punti di accumulazione).
(a) La funzione f (x) := F 0 (x), definita arbitrariamente per x N , Lebesgue-integrabile
su ogni intervallo limitato [a, b] R e si ha che
Z b
F (b) F (a) =
f (t) dt .
a

Se inoltre F () := limx F (x) = 0, allora


Z x
F (x) =
f (t) dt ,
x R .

(b) Sia una probabilit su (R, B(R)) tale che la funzione di ripartizione F (x) :=
((, x]) associata C 1 a tratti. Allora una probabilit assolutamente continua,
con densit f (x) := F0 (x).

Richiami di teoria della misura.


Esercizio 6. Per a, b Rd poniamo (a, b) := (a1 , b1 ) (ad , bd ) Rd e definiamo
analogamente (a, b] (con la convenzione che (a, b) = se ai bi per qualche i = 1, . . . , d, e
analogamente (a, b] = se ai bi per qualche i = 1, . . . , d). Consideriamo quindi le famiglie
C := {(a, b) : a, b Qd } ,

D := {(a, b] : a, b Qd } ,

E := {(, b] : b Qd }{} .

Si mostri che C, D, E sono basi della -algebra di Borel B(Rd ).


Esercizio 7. Sia (, A) uno spazio misurabile e, per ogni n N, sia Xn : R una
funzione misurabile. Si mostri che le seguenti funzioni da in R sono misurabili:

sup Xn ,
inf Xn ,
lim sup Xn ,
lim inf Xn ,
lim Xn 1{ limn Xn R} .
n

Esercizio 8. Si consideri per ogni n N la funzione n : [0, +] [0, +] definita da


n (x) :=

n 1
n2
X

k=0

k
1 k k+1 (x) + n 1[n,) (x) .
2n [ 2n , 2n )

(a) Si mostri che n una funzione semplice, che n+1 (x) n (x) per ogni n N e x 0
e che limn n (x) = x per ogni x 0.
(b) Sia ora (, A) uno spazio misurabile e sia X : [0, ] una funzione misurabile
positiva. Ponendo Xn := n (X) = n X, si mostri che Xn una funzione semplice,
per ogni n N, e che Xn X per n .
(c) Con le stesse notazioni del punto precedente, supponiamo che X sia limitata, ossia
esiste M (0, ) tale che |X()| M per ogni . Si mostri che, per ogni n > M ,
si ha |Xn () X()| 21n per ogni . In particolare la convergenza Xn X
uniforme e non solo puntuale: kXn Xk := sup |Xn () X()| 0 per n .

Soluzione 1.

(a)

(b)
Soluzione 2.
P
Soluzione 3. Il fatto che nZ ([n, n + 1)) = 1 e ([n, n + 1)) {0, 1} per ogni n N
implica che esiste n con ([n, n+1)) = 1. Ma 1 = ([n, n+1)) = ([n, n+ 12 ))+([n+ 12 , n+1)),
quindi uno e uno solo dei due termini vale 1. Per induzione esiste una successione {Ik }kN
1
di intervalli IT
k = [ak , bk ) di lunghezza 2k tali che Ik+1 Ik e (Ik ) = 1 per ogni k N. Per
costruzione,
kN Ik contiene solo un punto
T
T oppure vuoto. Per continuit dallalto allora
( kN Ik ) = lim
(I
)
=
1,
quindi
k
kN Ik non vuoto e deve necessariamente essere
T k
un singoletto: kN Ik = {c} con c R e dunque ({c}) = 1.
Soluzione alternativa. Siano F (t) := ((, t]) e c := inf{t R : F (t) = 1}. Dato che
F (t) 1 per t +, F (t) 0 per t e F (t) {0, 1} per ogni t R, segue che
< c < +. Per monotonia della probabilit e per definizione di sup si ha F (t) = 1 per
ogni t > c, dunque ((, c]) = limn+ ((, t + n1 ]) = 1 per continuit dallalto della
probabilit. Per definizione di c si ha F (t) = 0 per ogni t < c, quindi F (c) = 0 e dunque
({c}) = F (c) F (c) = 1. Di conseguenza (R \ {c}) = 0 e da ci segue che = c .
Soluzione 4.

(a)

(b)
(c)
Soluzione 5.

(a)

(b)
Soluzione 6. Indichiamo con la famiglia dei sottoinsiemi aperti di Rd , cosicch B(Rd ) =
( ). Le famiglie C, D, E sono chiuse per intersezioni finite, quindi sufficiente mostrare
che B(Rd ) = (C), B(Rd ) = (D), B(Rd ) = (E).
Mostriamo che (C) = B(RSd ). Ogni aperto A unione numerabile di rettangoli aperti:
possiamo cio scrivere A = nN Rn con Rn C per ogni n N. Questo mostra che ogni
insieme aperto A in (C), cio (C), da cui segue che ( ) (C). Daltro canto si ha
chiaramente C , quindi (C) ( ). In definitiva (C) = ( ) = B(Rd ).
Mostriamo ora che (D) = B(Rd ). Basta mostrare che C (D) e D (C), da cui segue
che (C) (D) e (D) (C), cio (D) = (C) = B(Rd ). Sia A = (a, b) C e sia (an )nN
una successione strettamente
decrescente in Qd tale che limn an = a; posto An := [an , b),
S
si ha allora A = nN An . Questo mostra che C (D). Viceversa, dato B = [a, b) D
sia (an )nN una successione strettamente
crescente in Qd tale che limn an = a; posto
T
Bn := (an , b), si ha allora B = nN Bn . Questo mostra che D (C).
Mostriamo infine che (E) = B(Rd ). Basta mostrare che E (D) e D (E), da cui
segue che (E) S
(D) e (D) (E), cio (E) = (D) = B(Rd ). Ogni A = (, b] E si
pu scrivere A = nN (b n, b] e dato che (b n, b] D segue che A (D), dunque
E (D). Viceversa, ogni B = (a, b] D si pu scrivere come B = (, b] \ (, a] =
(, b] (, a]c e dunque B (E), da cui segue che D (E).
Soluzione 7.

Soluzione 8.
(b)
(c)

(a)

Calcolo delle Probabilit 2013/14 Foglio di esercizi 5


Variabili aleatorie e distribuzioni.
Esercizi teorici
Esercizio 1 (Conservazione della legge). Siano X, Y due variabili aleatorie (non necessariamente definite sullo stesso spazio di probabilit) a valori nello stesso spazio misurabile (E, E)
e con la stessa legge: X = Y . Sia (F, F) uno spazio misurabile e : E F unapplicazione
misurabile. Si mostri che (X) e (Y ) sono variabili aleatorie con la stessa legge.
Esercizio 2. Siano X, Y due variabili aleatorie definite sullo stesso spazio di probabilit
(, A, P) a valori nello stesso spazio misurabile (E, E). Si mostri che se X e Y sono q.c.
uguali, ossia P(X = Y ) = 1, allora X e Y hanno la stessa legge.
[Sugg. Si mostri che se P(A) = 1 allora P(A C) = P(C) per ogni evento C.]

Esercizi pratici
Esercizio 3. 120 studenti sono suddivisi in 3 gruppi di 30, 40 e 50 studenti rispettivamente.
(a) Scelgo un gruppo a caso e indico con Y il numero di studenti nel gruppo scelto.
Determinare distribuzione e valor medio di Y .
(b) Scelgo uno studente a caso e indico con X il numero di studenti nello stesso gruppo
dello studente scelto. Determinare distribuzione e valor medio di X.
Esercizio 4. Si considerino 3 urne identiche, ognuna contenente una pallina rossa e quattro
palline verdi. Ogni urna viene assegnata ad uno di tre giocatori, e ogni giocatore estrae
una pallina dalla propria urna. Un montepremi di 300 Euro viene diviso tra i giocatori che
estraggono la pallina rossa.
(a) Sia X il numero di Euro vinti da ogni giocatore vincente (X = 0 se nessun giocatore
estrae la pallina rossa). Determinare la densit discreta e il valor medio di X.
(b) Si supponga di considerare uno dei tre giocatori, chiamiamolo Tizio, e sia Y il numero
di Euro vinti da Tizio. Si determinino la densit discreta e il valor medio di Y .
Esercizio 5. Unurna contiene n 1 palline bianche e 2 palline rosse. Si eseguono estrazioni
ripetute senza reimmissione. Introduciamo la variabile aleatoria
X = numero di palline bianche estratte prima di estrarre una pallina rossa.
Si mostri che X() = {0, 1, . . . , n} e che la densit discreta di X data da
pX (k) =

2
(n k + 1) ,
(n + 2)(n + 1)

Si calcoli quindi E(X).


P
[Sugg.: si ricordi che nk=1 k =

n(n+1)
2

Ultima modifica: 7 novembre 2013.

Pn

k=1 k

k X() .

n(n+1)(2n+1)
.]
6

Esercizio 6. Un gioco a premi ha un montepremi di 512 euro. Vengono poste ad un


concorrente 10 domande. Ad ogni risposta errata il montepremi viene dimezzato. Alla prima
risposta esatta il concorrente vince il montepremi rimasto. Se non si d alcuna risposta
esatta non si vince nulla.
Un certo concorrente risponde esattamente ad una domanda con probabilit p (0, 1),
indipendentemente dalle risposte alle altre domande. Indicando con X la vincita di questo
concorrente, si determini la distribuzione di X e se ne calcoli il valor medio E(X).
Esercizio 7. Si consideri la seguente classica strategia per il gioco della roulette. Punto
sempre sul rosso (la probabilit che esca il rosso in una giocata vale 18
37 ; se si vince si riceve
il doppio della posta). Alla prima giocata punto un euro: se vinco, mi ritiro con leuro
guadagnato e il gioco finisce; se perdo, raddoppio la posta alla seconda puntata; e cos via.
Il mio capitale iniziale pari a 1023 euro, quindi se perdo 10 volte di seguito devo smettere.
Sia X la differenza tra il mio capitale alla fine del gioco e allinizio. Si calcolino la
distribuzione e il valor medio di X.
[Sugg.: quali valori pu assumere X?]
Esercizio 8. Sia Xn una variabile casuale con distribuzione uniforme in { n1 , n2 , . . . , n1
n , 1},
dove n N. Data f : [0, 1] R continua, si calcoli il limite di E(f (Xn )) per n .
Esercizio 9. Scegliamo casualmente una permutazione di {1, . . . , n} in modo uniforme e
indichiamone con X il numero di punti fissi. Si determini E(X).
[Sugg.: Non necessario determinare la distribuzione di X.]
Esercizio 10. Una variabile aleatoria reale X detta di Cauchy se assolutamente continua
con densit
1
1
fX (x) :=
,
x R.
1 + x2
(a) Si mostri che fX effettivamente una densit e si calcolino P(X > 1) e P(X < 1).
(b) Si dimostri che la variabile aleatoria Y := 1/X di Cauchy.
(c) Si mostri che X non ammette valor medio.
Esercizio 11. Sia X U (1, 1) e sia Y := X + = max(X, 0).
(a) Si determini la funzione di ripartizione di Y . Si deduca che la distribuzione di Y non
n discreta n assolutamente continua.
(b) Si mostri che Y = + (1 ) 0 , dove (0, 1), una probabilit discreta e 0
una probabilit continua su R. (Equivalentemente: FY = F + (1 )F 0 .)
Esercizio 12. Sia Z := (X, Y ) un vettore aleatorio con distribuzione uniforme nel disco
unitario B1 , dove poniamo Br
:= {(x, y) R2 : x2 +y 2 r2 }. Si determinino le distribuzioni
delle variabili aleatorie R := X 2 + Y 2 , X e Y .

Soluzione 1. Siano (, A, P) e (0 , A0 , P0 ) gli spazi di definizione di X e Y rispettivamente.


(X) e (Y ) sono variabili aleatorie (ossia funzioni misurabili) perch composizione di
funzioni misurabili. Per ogni C F si ha
(X) (C) = P((X) C) = P(X 1 (C)) = X (1 (C)) ,
perch vale luguaglianza di eventi {(X) C} = {X 1 (C)}. Dato che X = Y per
ipotesi, segue che
(X) (C) = Y (1 (C)) = P0 (Y 1 (C)) = P0 ((Y ) C) = (Y ) (C) .
Soluzione 2. Osserviamo innanzitutto che se P(C) = 1 allora P(A C) = P(A) per ogni
A A. (Infatti P(A) = P(A C) + P(A C c ) e P(A C c ) P(C c ) = 1 P(C) = 0.) Per
ipotesi P(X = Y ) = 1, dunque per ogni B E possiamo scrivere
X (B) = P(X B) = P(X B, X = Y ) = P(Y B, X = Y ) ,
dal momento che vale luguaglianza di eventi {X B, X = Y } = {Y B, X = Y }. Di
conseguenza
X (B) = P(Y B, X = Y ) = P(Y B) = Y (B) .
Soluzione 3.

(a) Y () = {30, 40, 50}, pY (30) = pY (40) = pY (50) = 13 , E(Y ) = 40

(b) X() = {30, 40, 50}, pX (x) =

x
120 ,

E(X) =

5000
1200

' 41.7 > 40


Soluzione 4. X() = Y () = {0, 300, 150, 100} = {x0 , x1 , x2 , x3 }, pX (xk ) = k3 ( 15 )k ( 45 )3k ,
 1 k1 4 3k
2
pY (0) = 45 , pY (xk ) = 51 k1
(5) (5)
per k = 1, 2, 3, E(X) = . . ., E(Y ) = . . .
Soluzione 5. Consideriamo gli eventi A = la k + 1-ma pallina estratta rossa, B = le
prime k palline estratte sono tutte bianche. Si ha

n
2
2
k
=
(n k + 1),
P(X = k) = P(A B) = P(A|B)P(B) =
n k + 2 n+2
(n
+
2)(n
+ 1)
k
dove nellultimo passaggio si sono eseguite le dovute semplificazioni. Dunque
E(X) =
=

k=0

k=1

k=1

X
X
2 X
2
2
k(n k + 1) =
k
k2
(n + 2)(n + 1)
n+2
(n + 2)(n + 1)
n(n + 1) n(2n + 1)
n

= .
n+2
3(n + 2)
3

Soluzione 6. X() = { 512


= 29k }0k9 {0}, pX (29k ) = (1 p)k p, pX (0) = (1 p)10 ,
2k
P9
P
1p 10
1+p
k
9
E(X) = k=0 29k (1 p)k p = 29 p 9k=0 ( 1p
2 ) = 2 p(1 ( 2 ) )/( 2 )
38 10
10
'
Soluzione 7. X() = {1023, 1}, pX (1023) = 1 pX (1) = ( 19
37 ) , E(X) = 1 ( 37 )
0.31 < 0

Soluzione 8. E(f (Xn )) =


R1
verso lintegrale 0 f (x)dx.

1
n

Pn

k
k=1 f ( n )

una somma di Riemann che converge per n

Soluzione 9. Sia Xi = 1P
dellevento Ai := i un
Ai la variabile aleatoria indicatrice
Pn
n
punto fisso. Allora X = i=1 Xi e pertanto E(X) = i=1 E(Xi ). (Tutti i valori medi
esistono finiti, perch le variabili aleatorie coinvolte sono limitate.) Le permutazioni in cui i
un punto fisso possono essere identificate con le permutazioni di {1, . . . , n} \ {i} e sono
pertanto (n 1)!. Dato che la scelta della permutazione viene fatta in modo uniforme,
P(Ai ) = (n1)!
= n1 e dunque E(X) = n n1 = 1, per ogni n N.
n!
Soluzione 10. (a) La funzione fX una densit perch una funzione positiva e misurabile ( continua) con integrale uno. La funzione di ripartizione di X vale
Z x
1 1
1
1
FX (x) = P (X x) =
dt =
arctan(x) + ,
2

2
1 + t
da cui P (X < 1) = FX (1) =

1
4

e analogamente P (X > 1) = 1 FX (1) = 14 .

(b) Si ha che
FY (y) = P (Y y) = P (1/X y) = P (1/X y, X > 0) + P (1/X y, X < 0)
= P (yX 1, X > 0) + P (yX 1, X < 0) .
Se y > 0 si ottiene dunque
FY (y) = P (X 1/y, X > 0) + P (X 1/y, X < 0) = P (X 1/y) + P (X < 0)
1
arctan(1/y) ,
= 1 FX (1/y) + FX (0) = 1

mentre per y < 0


FY (y) = P (X 1/y, X > 0) + P (X 1/y, X < 0) = P (X [1/y, 0))
1
= FX (0) FX (1/y) = arctan(1/y) .

Derivando FY (y) si ottiene dunque


fY (y) = FY0 (y) =

1
1
1
1 1
=
,
y 2 1 + (1/y)2
1 + y2

cio Y di Cauchy.
(c) X non ammette valor medio perch la funzione g(x) := xfX (x) =

x
(1+x2 )

ammette integrale rispetto alla misura di Lebesgue su R. Infatti, essendo |g(x)|


per |x| , si ottiene
Z
Z
x
+
g (x) dx =
dx = + ,
(1 + x2 )
R
0
Z
Z 0
Z
x
x

g (x) dx =
dx =
dx = + .
2)
(1
+
x
(1
+
x2 )
R

0
Soluzione 11.

(a) Si osservi che


FX (x) =

1+x
2

se x < 1
se x [1, 1] .
se x > 1

non
1
|x|

Dato che Y [0, 1], si ha FY (y) = 0 per y < 0 e FY (y) = 1 per y > 1, mentre per
y [0, 1]
1+y
FY (y) = P(Y y) = P(X + y) = P(X y) = FX (y) =
.
2
In definitiva

se y < 0
0
1+y
FY (y) =
se y [0, 1] .
2

1
se y > 1
Notiamo che
(
1
se y = 0
.
FY (y) FY (y) = 2
0 se y 6= 0
Questo mostra che Y non assolutamente continua (altrimenti si dovrebbe avere
FY (y) FP
ogni y R) e nemmeno
Y (y) = 0 perP
 discreta (altrimenti si dovrebbe
avere 1 = yR pY (y) = yR FY (y) FY (y) , mentre tale somma vale 21 ).
(b) Introducendo le distribuzioni := 1 e 0 := U (0, 1), si verifica facilmente che
2

FY = 12 F + 21 F 0 , ossia Y = 12 + 12 0 .
Soluzione 12. Chiaramente R [0, 1] dunque FR (r) = 0 se r < 0 e FR (r) = 1 se r > 1,
mentre per r [0, 1]
FR (r) = P(R r) = P(Z Br ) =

Leb(Br )
= r2 .
Leb(B1 )

Quindi FR C 1 a tratti e dunque R assolutamente continua, con densit


fR (r) = FR0 (r) = 2r1[0,1] (r) .
Le variabili aleatorie X e Y sono assolutamente continue, perch componenti di un vettore
aleatorio assolutamente continuo (teorema visto a lezione). Chiaramente fX (t) = fY (t) = 0
se t 6 [1, 1] (perch?). Per t [1, 1] si ottiene facilmente
Z
Z
Z 1t2
p
fX (t) =
fX,Y (t, y) dy =
1D1 (t, y) dy =
dy
=
2
1 t2 ,

e analogamente fY (t) = fX (t).

1t2

Calcolo delle Probabilit 2013/14 Foglio di esercizi 6


Variabili aleatorie: distribuzioni congiunte e marginali; indipendenza; massimo e minimo.
Esercizi teorici
Esercizio 1. Sia X una variabile aleatoria definita su (, A, P) a valori in [0, +].
(a) Si mostri che la funzione : [0, ] R definita da (t, ) := 1{X()t}
misurabile (rispetto alla -algebra prodotto B([0, ]) A).
(b) Applicando opportunamente il teorema di Fubini-Tonelli alla funzione , si mostri che
Z
E(X) =
P(X t) dt .
0

(c) Nel caso in cui X assuma valori in N0 = {0, 1, . . .} {+}, si deduca che

X
E(X) =
P(X n) .
n=1

Esercizio 2. Si dimostri che degli eventi (An )nN sono indipendenti se e solo se sono
indipendenti le rispettive funzioni indicatrici (1An )nN .
Esercizio 3. Sia U una variabile aleatoria reale con distribuzione U ((0, 1)). Data :
(0, 1) R misurabile, si ponga X := (U ).
(a) Si determini in modo che X Be(p).
P
(b) Pi in generale, data una probabilit discreta = kN pk xk su R, si determini in
modo che X , ossia (perch?) in modo che P(X = xk ) = pk per ogni k N.
Esercizi pratici
Esercizio 4. Sia Z := (X, Y ) un vettore aleatorio bidimensionale con distribuzione uniforme
nel sottoinsieme C := ([0, 12 ] [0, 21 ]) ([ 12 , 1] [ 12 , 1]). Si determinino le distribuzioni delle
variabili aleatorie reali X e Y . Esse sono indipendenti?
Esercizio 5. Sia (X, Y ) un vettore aleatorio bidimensionale con densit f data da
f (x, y) = c y exy 1[0,)[0,2] (x, y) .
(a) Si determini il valore di c R affinch f sia effettivamente una densit.
(b) Si determinino le densit marginali di X e Y e si riconosca la legge di Y .
(c) X e Y sono indipendenti?
(d) Si determini una densit g : R2 [0, +] diversa da f ma con le stesse marginali.
(e) (*) Si mostri che V := max(X, Y ) una variabile aleatoria reale assolutamente continua
e se ne determini la densit.
(f) (*) Posto U := X + Y , si dica se U e V sono indipendenti.
[Sugg.: non necessario calcolare la densit congiunta di (U, V ).]

Ultima modifica: 15 novembre 2013.

Esercizio 6. Un segnale viene trasmesso in un istante aleatorio X. Il ricevitore viene acceso


in un istante aleatorio Y e resta acceso per un intervallo di tempo aleatorio Z. Supponendo
che X, Y, Z siano variabili aleatorie indipendenti con X U [0, 2] e Y, Z U [0, 1], qual la
probabilit che il segnale venga ricevuto?
Esercizio 7. (*) Consideriamo n prove ripetute e indipendenti con probabilit di successo
p. Si determini la distribuzione congiunta delle variabili aleatorie S := numero di successi
nelle n prove e Y := prova in cui si ha il primo successo.
Esercizio 8. Siano X1 , X2 variabili indipendenti con distribuzione uniforme discreta
sullinsieme {1, . . . , n}, dove n N. Definiamo la variabile Y := min{X1 , X2 }.
(a) Si calcolino P(Y > k), P(Y k) e P(Y = k) per ogni k N.
(b) Si mostri che limn P(Y tn) = 2t t2 per ogni t (0, 1).
Esercizio 9. Sia X1 , X2 , . . . una successione di variabili aleatorie reali i.i.d. con distribuzione
uniforme nellintervallo (0, 1), definite su uno spazio di probabilit (, A, P). Introduciamo
la variabile aleatoria T : N {+} e, per k N, levento Ak definiti da




1
1
,
Ak = Xk
.
T () := inf k 1 : Xk ()
3
3
e definiamo Y := XT 1{T <} , cio Y () := XT () () se T () < e Y () := 0 altrimenti.
(a) Per ogni fissato n N, si esprima levento {T = n} in termini degli eventi {Ak }kN .
(b) Si determini la legge di T .
(c) Si determini la legge di Y . (Sugg.: si calcoli innanzitutto P(Y x, T = n) per n N.)

Soluzione 1. (a) La funzione misurabile perch composizione della funzione (t, ) 7


(t, X()) che misurabile da [0, +] a valori in R2 (entrambe le componenti
lo sono) con la funzione (t, x) 7 1C (t, x), dove C := {(a, b) R2 : a b}, che
misurabile perch C un insieme chiuso.
R
dunque
(b) Si noti che (t, ) = 1{Xt} (),
(t, )dP = P(X t). Analogamente
R
(t, ) = 1[0,X()] (t), dunque R (t, )dt = X(). Applicando il teorema di FubiniTonelli si ottiene

Z
Z Z
Z
(t, )dt dP() =
X()dP() = E(X) ,
(t, )d(Leb P)(t, ) =
[0,]

e analogamente

Z
Z Z
Z
(t, )d(Leb P)(t, ) =
(t, )dP() dt =
P(X t)dt .
[0,]

(c) Se X assume valori in N0 {+}, la funzione P(X t) = P(X dte) costante


sugli intervalli della forma (n, n + 1] per n N0 , pertanto si ottiene la formula cercata.
In alternativa,
E(X) =

k P(X = k) =

X
k
X
k=1 n=1

k=1

P(X = k) =

P(X = k) =

n=1 k=n

P(X n)

n=1

Soluzione 2.
Soluzione 3.
Soluzione 4. Le variabili aleatorie X e Y sono assolutamente continue (perch?) e
Z
Z
fX (x) =
fX,Y (x, y) dy ,
fY (y) =
fX,Y (x, y) dx .
R

Dal fatto che fX,Y (x, y) = 2 1C (x, y) segue facilmente che X Y U (0, 1). Dato che
fX,Y (x, y) = 0 per (x, y) (0, 12 ) ( 12 , 1) mentre fX (x)fY (y) = 1 per tali valori di (x, y),
segue che fX,Y (x, y) non uguale a fX (x)fY (y) per q.o. (x, y) e dunque X e Y non sono
indipendenti. Equivalentemente, basta notare che
1
0 = P(X (0, 12 ), Y ( 21 , 1)) 6= P(X (0, 12 ))P(Y ( 12 , 1)) = .
4
Soluzione 5. (a) Per y > 0 Rfissato, h(x) := y exy 1[0,) (x) la densit di una variabile
aleatoria Exp(y), quindi R h(x) dx = 1. Di conseguenza


Z
Z 2Z
Z 2Z
Z 2
xy
ye
dx dy = c
h(x) dx dy = c
1 dy = 2c ,
f (x, y) dx dy = c
R2

da cui c =

1
2.

(b) Per x < 0 chiaramente fX (x) = 0. Per x > 0 si ha




Z
Z
Z
1 2 xy
1
exy y=2 1 2 exy
fX (x) =
f (x, y) dy =
ye
dy =
y
+
dy
2 0
2
x
2 0 x
R
y=0
=

e2x 1 1
1 e2x 2x e2x
2x
+
(1

e
)
=
.
x
2 x2
2x2

(Il valore fX (0) non rilevante.) Si noti che fX continua in (0, ) e fX (x) 1/(2x2 )
per x +, mentre per x 0 sviluppando il numeratore si ha


(2x)2
2x
2x
3
1e
2x e
= 1 1 2x +
+ O(x ) 2x(1 2x + O(x2 ))
2
= 2x 2x2 + O(x3 ) 2x + 4x2 + O(x3 ) = 2x2 + O(x3 ) ,
da cui fX (x) 1 per x 0.
Passando a Y , si ha fY (y) = 0 per y 6 [0, 2], mentre per y (0, 2]
Z
Z
1
1 xy
ye
dx = ,
f (x, y) dx =
fY (y) =
2
2
0
R
dunque fY (y) = 21 1[0,2] (y) per q.o. y R, cio Y U [0, 2].
(c) X e Y non sono indipendenti perch f (x, y) non coincide con g(x, y) := fX (x) fY (y)
per q.o. (x, y) R2 . Per mostrarlo precisamente, si noti che le funzioni f (x, y) e g(x, y)
sono entrambe continue nellaperto (0, ) (0, 2), dunque basta mostrare che esiste un
punto in tale aperto in cui differiscono (infatti in tale caso differiscono necessariamente
in un intorno del punto). Si ha f (x, 1) = 12 ex e g(x, 1) = fX (x) fY (1) = 12 fX (x) 4x12
per x +, dunque limx+ f (x, 1)/g(x, 1) = 0 e dunque f (x, 1)/g(x, 1) < 12 per
x sufficientemente grande; in particolare, per tali x si ha f (x, 1) 6= g(x, 1).
(d) Si pu scegliere la funzione g(x, y) := fX (x) fY (y) introdotta al punto precedente.
(e) La funzione di ripartizione di V data da FV (v) = 0 se v 0, mentre per v > 0
Z
FV (v) = P(V v) = P(X v, Y v) =
1{xv, yv} f (x, y) dx dy
R2

=
=

1
2

1
2

min(2,v)  Z


Z
v
1 min(2,v)
xy
ye
dx dy =
P(Exp(y) v)dy
2 0
0

min(2,v)

(1 evy )dy =

min(2, v) 1 evmin(2,v)

.
2
2v

In definitiva

0
se v 0

v 1 ev2

se 0 < v < 2 .
FV (v) =
2
2v2v

1 1 e
se v 2
2v
Si verifica facilmente che FV C 1 a tratti, dunque V assolutamente continua con
densit data q.o. da fV (v) = FV0 (v), ossia

0
se v 0

1 1 (2v 2 + 1) ev2
+
se 0 < v < 2 .
fV (v) =
2
2
2v2v

1 (1 + 2v) e
se v 2
2v 2
Si noti che per v > 2 si ha fV (v) = fX (v), come deve essere poich FV (v) = P(X
v, Y v) = P(X v) = FX (v) se v > 2, dato che Y 2 q.c..
(f) Dato che la densit fX (x) di X strettamente positiva per x > 0, si ha P(X > t) > 0
per ogni t > 0. Di conseguenza, essendo Y 0, si ha anche P(U > t) P(X > t) > 0
per ogni t > 0.

Per il punto precedente P(V 1) > 0. Dato che {V 1} {U 2} si ha


P(V 1, U > 2) = 0 6= P(V 1)P(U > 2) > 0. Quindi gli eventi {V 1} e {U 2}
non sono indipendenti. A maggior ragione non lo sono le variabili aleatorie U e V .
Soluzione 6. Il ricevitore resta acceso durante lintervallo di tempo (aleatorio) [Y, Y + Z],
dunque occorre calcolare P(X [Y, Y + Z]) = P(X Y, X Y + Z) = P((X, Y, Z) C)
dove C := {(x, y, z) R3 : x y, x y + z} = {(x, y, z) R3 : x [y, y + z]}. La densit
del vettore aleatorio (X, Y, Z)
fX,Y,Z (x, y, z) = fX (x) fY (y) fZ (z) =

1
1 (x) 1[0,1] (y) 1[0,1] (z) ,
2 [0,2]

quindi
Z
P(X [Y, Y + Z]) =

1C (x, y, z) fX,Y,Z (x, y, z) dx dy dz


 
Z Z 1Z 2
1 1
=
1{x[y,y+z]} dx dy dz
2 0
0
0

Z Z 1
Z
1 1
1 1
1
=
z dy dz =
z dz = .
2 0
2 0
4
0
R3

Soluzione 7. Calcoliamo pS,Y (k, `) = P(S = k, Y = `) per x S() = {0, . . . , n} e


y Y () = {1, . . . , n} {+}. Osserviamo innanzitutto che {S = k, Y = +} = se
k 6= 0, per definizione di S e Y (si ricordi che Y = + significa che non si verificato
nessun successo nelle n prove). Daltro canto {S = 0, Y = +} = {S = 0}, pertanto
pS,Y (k, +) = pS (0) 1{0} (k) = (1 p)n 1{0} (k) .
Per ` {1, . . . , n}, levento {S = k, Y = `} corrisponde a le prime ` 1 prove non hanno
avuto successo, la `-esima prova ha avuto successo, nelle restanti n ` prove si sono avuti
k 1 successi. Essendo le prove indipendenti, possiamo dunque scrivere, per ` {1, . . . , n},


n ` k1
`1
pS,Y (k, `) = (1 p)
p
p (1 p)n`(k1) 1{1,...,n`+1} (k) .
k
Soluzione 8. (a) Chiaramente P(Y = k) = 0 per k > n. Conviene innanzitutto calcolare,
per k {1, . . . , n}, la probabilit P(Y k) che data da




nk+1 2
k1 2
= 1
.
P(Y k) = P(X1 k, X2 k) = P(X1 k) P(X2 k) =
n
n
Si ha dunque

P(Y = k) = P(Y k)P(Y k+1) =

nk+1
n

2

nk
n

2
=

1
2
+
n2 n


1

(b) Dalla formula per P(Y k) calcolata al punto a) si ottiene




btnc 1 2
P(Y tn) = 1 P(Y > tn) = 1 P(Y > btnc) = 1 1
,
n
e dato che (btnc 1)/n t per n , per ogni t (0, 1), si ha che
lim P(Y tn) = 1 (1 t)2 = 2t t2 .

k
n


.

Si noti che il limite ottenuto coincide con la funzione di ripartizione del minimo L di
due variabili aleatorie U (0, 1) indipendenti: infatti, ricordando lesercizio precedente,
Rt
Rt
per t (0, 1) si ha FL (t) = 0 fL (x) dx = 0 2(1 x) dx = 2t t2 .
Soluzione 9.

(a) {T = n} = Ac1 . . . Acn1 An

(b) P(T = n) = P(Ac1 )n1 P(A1 ) =

1
3

( 23 )n1 , cio T Ge( 13 ).

(c) Si ha
P(Y x, T = n) = P(Ac1 . . . Acn1 An {Xn x}) .
Dato che An {Xn x} = {Xn min(x, 31 )}, si ha



 n1
1
2
P X1 min x,
,
P(Y x, T = n) =
3
3
da cui, sommando su n N, si ottiene




x0
0
X
1
= 3x 0 x
P(Y x) =
P(Y x, T = n) = 3 P X1 min x,

nN
1
x1
Dunque Y distribuita uniformemente nellintervallo (0, 13 ).

1
3

Calcolo delle Probabilit 2013/14 Foglio di esercizi 7


Variabili aleatorie notevoli e riepilogo.
Esercizi teorici
Esercizio 1. Sia X una variabile aleatoria reale tale che la funzione generatrice dei momenti
MX (t) = E(etX ) finita in un intorno (t0 , +t0 ) di t = 0. Si mostri che
MX (t) =

E(X k )

k=0

tk
,
k!

t (t0 , t0 ) .

Di conseguenza, la funzione MX C (anzi analitica) in (t0 , t0 ) e per ogni k N si ha


dk MX
(0) = E(X k ) .
dtk
[Sugg.: Si applichi il criterio visto per la convergenza degli integrali di serie di funzioni.]
Esercizi pratici
Esercizio 2. Siano X1 , X2 , . . . , Xn variabili aleatorie indipendenti con leggi U(0, 1).
(a) Si determini la legge di L := min{X1 , X2 } e M := max{X1 , X2 }, mostrando che si
tratta di variabili assolutamente continue.
(b) Si determini la legge di Ln := min{X1 , X2 , . . . , Xn }.
(c) Posto Zn := nLn , si mostri che per ogni r 0 fissato si ha
lim FZn (r) = 1 er .

Esercizio 3. Siano X Pois(), Y Pois() variabili casuali indipendenti, ossia


k
k
1N0 (k) ,
P(Y = n) = e 1N0 (k) .
k!
k!
Per n 0 fissato, si determini la distribuzione della variabile aleatoria X rispetto alla
probabilit condizionata P( |X + Y = n).
P(X = n) = e

Esercizio 4. Siano X, Z e W variabili casuali indipendenti con X Be(p) e Z, W


P ois(). Definiamo Y := XZ + W .
(a) Determinare le densit discrete di (X, Y ) e di Y .
(b) Utilizzando la densit pY calcolata al punto precedente, calcolare E(Y ) e V ar(Y ).
(c) Calcolare E(Y ) e Var(Y ) senza utilizzare pY .
Esercizio 5. Un insetto depone un numero aleatorio N P ois() di uova. Ciascun uovo
deposto si schiude con probabilit p (0, 1), indipendentemente dal numero di uova deposte
e dal fatto che le altre si schiudano. Sia X il numero di uova che si schiudono.
(a) Qual il valore di P(X = k|N = n), per n N0 e k R?

Ultima modifica: 6 dicembre 2013.

(b) Si mostri che la densit congiunta di X e N data da


( 
n k
nk e n
se 0 k n
k p (1 p)
n!
pX,N (k, n) =
.
0
altrimenti
(c) Si determini la legge di X, riconoscendola come notevole.
(d) Si calcoli Cov(X, N ).
Esercizio 6. Siano X, Y variabili aleatorie i.i.d. con distribuzione marginale Geo(p).
Determinare la legge delle variabili aleatorie
Z := max{X, Y } ,

W = min{X, Y } ,

riconoscendo la distribuzione di Y come notevole.


Esercizio 7. Siano X1 , X2 , . . . , Xn variabili aleatorie indipendenti con leggi Xi Exp(i ).
Si determini la distribuzione della variabile aleatoria
W := min{X1 , . . . , Xn } .
Esercizio 8. Sia X una variabile casuale reale assolutamente continua con densit
fX (x) = log(xc )1(0,1) (x).
(a) Si determini il valore di c R affinch fX sia effettivamente una densit, e si determini
la funzione di ripartizione di X.
(b) Sia Y = log X. Si mostri che Y una variabile Gamma e se ne determinino i
parametri.
Esercizio 9. Sia (X, Y ) un vettore aleatorio bidimensionale con distribuzione uniforme
sul cerchio di raggio unitario. Si determinino, possibilmente senza fare calcoli, le seguenti
probabilit condizionali:






1 2
1
1
2

P max(|X|, |Y |)
,
P max(|X|, |Y |) |X| + |Y | 1 .
X +Y
4
2
2 2
[Sugg.: fare qualche disegno.]
Esercizio 10. Sia (X, Y ) un vettore aleatorio a valori in R2 , con densit
(
c ex se 0 < x < y < x + 1
fX,Y (x, y) :=
,
0
altrimenti
dove c R una opportuna costante.
(a) Si calcoli il valore della costante c e si mostri che X una variabile aleatoria con
distribuzione Exp(1).
(b) Si mostri che Z := log(X) una variabile aleatoria assolutamente continua e se ne
determini la densit. Per quali valori di p si ha Z Lp ?
(c) Si ponga W := Y X e si mostri che il vettore (X, W ) assolutamente continuo, con
densit congiunta data da
fX,W (x, w) = ex 1(0,)(0,1) (x, w) .
Qual la distribuzione di W ?

(d) Le variabili aleatorie X e W sono indipendenti? X e Y sono indipendenti?


(e) Si determini la densit di Y . Si calcoli E(eXY ).
Esercizio 11. Fissati p (0, 1) e n N con n 2, siano 1 , . . . , n variabili aleatorie i.i.d.
ciascuna a valori in {1, 1} con P(1 = 1) = p. Definiamo
n
Y
X :=
i = 1 2 n .
i=1

(a) Si determini E(X). Si deduca quindi la legge di X.


(b) X indipendente dal vettore aleatorio (1 , . . . , n )?
(c) (*) X indipendente dal vettore aleatorio (2 , . . . , n )?
Esercizio 12. Siano {Xn }nN variabili aleatorie i.i.d. con X1 U(0, 1).
(a) Poniamo Yn := log(Xn ) per n N. Si determini la legge di Yn e si dica se variabili
aleatorie {Xn }nN sono indipendenti.
(b) Si determini la legge di Sn := Y1 + . . . + Yn .
(c) Si deduca infine la densit di Zn := X1 X2 Xn .
Esercizio 13. Siano (Xn )nN variabili aleatorie i.i.d. U( 21 , 12 ).
(a) Si mostri che le variabili aleatorie (Yn := Xn + 12 )nN sono i.i.d. U(0, 1).
(b) Applicando lEsercizio 2, si deduca che per ogni r > 0

lim P min{X1 , . . . , Xn } 12 + nr = 1 er .
n

Si deduca che esistono r > 0 e n0 < tale che per ogni n > n0


P min{X1 , . . . , Xn } 21 + nr 0.99 .
(c) Introduciamo per n N e > 0 il sottoinsieme Cn () Rn definito da
n
n
Cn () := 12 , 12 \ 21 + , 12 ,
ossia la buccia interna di spessore del cubo n-dimensionale ( 12 , 12 )n . Si mostri che
per n > n0

P (X1 , . . . , Xn ) Cn nr
0.99 .
(d) Si mostri che, per ogni n N, il vettore aleatorio (X1 , . . . , Xn ) ha distribuzione
uniforme continua nellinsieme ( 21 , 12 )n Rn . Indicando con la misura di Lebesgue
n-dimensionale, si osservi che (( 21 , 12 )n ) = 1 e si deduca che per n > n0

Cn nr
99% .
In altre parole, per n grande, quasi tutto il volume di un cubo n-dimensionale
contenuto in una buccia sottile, il cui spessore r/n tende a zero per n !

X
Soluzione 1. Poniamo Zk := t k!
. Per il teorema sulla convergenza
P
Pdelle serie di integrali

visto a lezione,
se
mostriamo
che
E(|Z
|)
<
,
segue
che
k
k=0
k=0 Zk converge q.c. e
P
P
P
tX , otteniamo
inoltre E(
Z
)
=
E(Z
).
Dato
che
Z
=
e
k
k=0 k
k=0
k=0 k

MX (t) = E(etX ) =

E(Zk ) =

k=0

k
X
t
k=0

k!

E(X k ) ,

che proprio quanto dobbiamo


dimostrare.
P
Resta da mostrare che
E(|Z
variabili aleatorie positive,
k |) < . Dato
k=0
P che |Zk | sono P

sempre dal teorema visto a lezione segue che


E(|Z
|)
=
E(
k
k=0
k=0 |Zk |). Ma

|Zk | =

k=0

X
|tX|k
k=0

k!

= e|tX| ,

E(e|tX| )

quindi resta da mostrare che


< . Dato che e|z| ez + ez per ogni z R (basta
considerare separatamente i casi z 0 e z < 0) segue che
E(e|tX| ) E(etX ) + E(etX ) <
purch |t| < t0 .
Soluzione 2. (a) Per x [0, 1] si ha P(L > x) = P(X1 > x)P(X2 > x) = (1 x)2 , quindi
FL (x) = 1 (1 x)2 = 2x x2 se x [0, 1], mentre chiaramente FL (x) = 0 se x 0 e
FL (x) = 1 se x 1. La funzione FL C 1 a tratti e dunque L assolutamente continua
con densit
fL (x) = FL0 (x) = 2(1 x)1[0,1] (x) .
Analogamente si trova FM (x) = x2 per x [0, 1] e dunque fM (x) = 2x1[0,1] (x).
(b) Per x [0, 1] si ha P(Ln > x) = P(X1 > x)n = (1 x)n , quindi FLn (x) = 1 (1 x)n
se x [0, 1], mentre chiaramente FLn (x) = 0 se x 0 e FLn (x) = 1 se x 1.
(c) Per ogni t 0 fissato, t/n [0, 1] per n grande e dunque FZn (t) = P(Zn t) =
P(Ln t/n) = 1 (1 nt )n 1 et per n .
Soluzione 3. Poniamo per k R
q(k) := P (X = k | X + Y = n) .

n
n k
nk , con p =
P (X + Y = n) = e(+) (+)
n! , da cui q(k) = k p (1 p)

+ .
n

Soluzione 4. (a) pX,Y (0, n) = P (X = 0, Y = n) = P (X = 0, W = n) = (1 p)e n! ,


n
pX,Y (1, n) = P (X = 1, Y = n) = P (X = 1, Z + W = n) = pe2 (2)
n! , da cui
n
n .
pY (n) = pX,Y (0, n) + pX,Y (1, n) = pe2 (2)
n! + (1 p)e
n!
(b) E(Y ) = p 2 + (1 p) = (p + 1), E(Y 2 ) = p [(2)2 + (2)] + (1 p) (2 + ),
da cui Var(Y ) = 2 (p p2 ) (1 + p).
(c) E(Y ) = E(X)E(Z) + E(W ) = p + , E(Y 2 ) = . . ., ecc.
Soluzione 5.

(a) P(X = k|N = n) =

n
k

pk (1 p)nk per k {0, . . . , n}.

(b) Segue facilmente da pX,N (k, n) = P(X = k, N = n) = P(X = k|N = n)P(N = n).

P
(c) Per ogni k N0 si ha P(X = k) =
nN0 P(X = k|N = n)P(N = n) =
k P
k
k
P n k
n
(p)
[(1p)]nk

nk e = e
(1p) = ep (p)
= e (p)
n=k k p (1p)
n=k
n!
k!
k! e
k!
(nk)!
cio X P o(p).

P
P
n P
n e n! nk=0 k nk pk (1 p)nk
(d) E(XY ) = n,kN0 nk pX,Y (n, k) =
n=0
P
Pn
P
Binom (k) =
2
2
=
n=0 n pX (n)
k=0 kpn,p
n=0 n pX (n) (pn) = pE(X ) = p( + ), da
cui Cov(X, Y ) = p.
Soluzione 6. La legge caratterizzata da P(Z k) e P(W k) per k N. Si ha
P(Z k) = [1 (1 p)k ]n ,

P(W k) = 1 [(1 p)k ]n = 1 [(1 p)n ]k .

Ponendo q := 1 (1 p)n , si ha P(W k) = 1 (1 q)k , da cui segue facilmente che


P(W = k) = P(W k) P(W k 1) = q(1 q)k1 1N (k), cio W Ge(1 (1 p)n ).
Soluzione 7. Si ha per t 0
P(W > t) = P(X1 > t, . . . , Xn > t) =

n
Y

ei t = e(1 +...+n )t ,

i=1

mentre P(W > t) = 1 per t < 0. Questo mostra che W Exp(1 + . . . + n ).


Soluzione 8.

(a) Si deve avere


Z
Z
1=
fX (x) dx = c

log x dx = c[x log x x]10 = c ,

da cui c = 1. FX (x) = 0 per x 0, FX (x) = 1 per x > 1, e, per 0 < x 1:


Z x
FX (x) =
log(t)dt = x x log(x).
0

(b) Si noti che log X assume valori positivi. Allora, per t 0:


P (Y t) = P (X et ) = 1 FX (et ) = 1 et tet .
Derivando rispetto a t si ottiene
fY (x) = xex 1(0,+) (x),
da cui Y (2, 1).
Soluzione 9. Sia D il disco unitario e 2 la misura di Lebesgue bidimensionale. Dato che
(X, Y ) ha distribuzione uniforme su D, si ha P((X, Y ) A) = 2 (A D)/2 (D) per ogni
A B(R2 ). Segue che la prima probabilit il rapporto tra la superficie di un quadrato e
quella del cerchio in cui esso inscritto, per cui vale 2 . Analogamente, la seconda probabilit
il rapporto tra la superficie di due quadrati, il primo dei quali ha come vertici i punti medi
dei lati del secondo; la risposta dunque 21 .
(a) Si ha fX (x) = 0 per x < 0, mentre per x 0
Z
Z x+1
Z x+1
x
x
fX (x) =
fX,Y (x, y) dy =
c e dy = c e
1 dy = c ex ,

Soluzione 10.

da cui segue che c = 1 e X Exp(1).

(b) Ricordando che FX (x) = ex per x 0, si ottiene


t

FZ (t) = P(log(X) t) = P(X et ) = FX (et ) = 1 ee .


Dato che FX una funzione C 1 a tratti, la variabile aleatoria Z assolutamente
continua con densit
z
fZ (z) = FZ0 (z) = eze .
Si ha
E(|Z|p ) =

|z|p fZ (z) dz < ,

per ogni p > 0: lintegrale converge a perch fZ (z) ez , mentre la convergenza a


+ assicurata dal fatto che per z grande e positivo ez z > z, dunque fZ (z) ez .
(c) Si noti che (X, W ) = (X, Y ) 
una
1
(z) = Ax con matrice A =
1
assolutamente continuo con densit

trasformazione
lineare del vettore (X, Y ), dove

0
. Per un teorema visto a lezione, (X, W )
1

fX,W (x, w) = | det(A)|1 fX,Y (1 (x, w)) = fX,Y (x, x + w)


(
ex se 0 < x < x + w < x + 1
=
= ex 1(0,)(0,1) (x, w) .
0
altrimenti
R
Segue immediatamente che fW (w) = R fX,W (x, w)dx = 1(0,1) (w), ossia W U(0, 1).
(d) Le variabili aleatorie X e W sono indipendenti, perch fX,W (x, w) = fX (x)fW (w),
mentre X e Y non lo sono, perch ad esempio P(X < 1, Y > 2) = 0 mentre P(X <
1) > 0 e P(Y > 2) > 0.
(e) Per y > 1 si ha
Z
Z
fY (y) =
fX,Y (x, y) dx =

fX,Y (x, y) dx = e(y1) ey = (e 1)ey .

y1

Per 0 < y 1 si ha
Z
fY (y) =

Z
fX,Y (x, y) dx =

fX,Y (x, y) dx = 1 ey .

Infine, per y 0 si ha fY (y) = 0. Inoltre



Z
Z +  Z x+1
XY
xy
y
E(e
) =
e
fX,Y (x, y) dxdy =
e dy dx
R2
0
x
Z +
=
(ex ex1 )dx = 1 e1 .
0

Q
Soluzione 11. (a) Per lindipendenza delle i si ha E(X) = ni=1 E(i ) = E(1 )n =
(p 1 + (1 p) (1))n = (2p 1)n . Dato che X {1, 1}, la legge di X data da
X = q1 + (1 q)1 , quindi E(X) = q (1 q) = 2q 1 da cui q = 12 (1 + (2p 1)n ).
(b) X funzione di (1 , . . . , n ), quindi non pu essere indipendente da (1 , . . . , n ) (a
parte il caso banale in cui X = (cost.) q.c.). Pi formalmente
0 = P(X = 1, (1 , . . . , n ) = (1, . . . , 1)) 6= P(X = 1) P(1 , . . . , n ) = (1, . . . , 1)) > 0 .

(c) C indipendenza se e solo se p = 12 . Infatti, se p =

1
2

si ha

P(X = 1|2 = t2 , . . . , n1 = tn1 ) = P(1 = sign(t2 t3 tn1 )) =

1
= P(X = 1) ,
2

quindi X e (2 , . . . , n ) sono indipendenti. Se invece p 6= 12


1
P(X = 1|2 = 1, . . . , n = 1) = P(1 = 1) = p 6= (1 + (2p 1)n ) = P(X = 1) .
2
Soluzione 12. (a) Essendo P(Yn y) = P( log(Xn ) y) = P(Xn ey ) = 1
FXn (ey ), segue che Yn assolutamente continua con densit fYn (y) = fXn (ey )ey =
ey 1[0,) (y), ossia Yn Exp(1) = (1, 1).
(b) Per le propriet viste a lezione Sn (n, 1).
(c) FZn (z) = P(X1 Xn z) = P(eSn z) = P(Sn log z) = 1 FSn ( log z) da
1
cui fZn (z) = z1 fSn ( log z) = (n1)!
( log z)n1 1[0,) (z).
Soluzione 13. (a) Le variabili aleatorie (Yn )nN sono i.i.d. perch sono ottenute a partire
da variabili aleatorie indipendenti applicando la stessa funzione x 7 x + 12 . La verifica
che siano U(0, 1) facile: chiaramente Yn assume valori in (0, 1), visto che Xn assume
valori in ( 12 , 12 ), e per y (0, 1) si ha
FYn (y) = P(Yn y) = P(Xn y 21 ) = FXn (y 12 ) = (y 12 ) ( 12 ) = y .
(b) Basta notare che

c

c


min{X1 , . . . , Xn } < 21 + nr
= min{Y1 , . . . , Yn } < nr
= Y1 nr , . . . , Yn nr ,
da cui segue che
P min{X1 , . . . , Xn } < 21 +

r
n

= 1 1


r n
n

1 er

per n .

Scelto r tale che er < 0.01, si ha 1 er > 0.99 e, per definizione di limite, esiste
n0 < con la propriet richiesta.
(c) Basta osservare che vale linclusione di eventi
n
o

min{X1 , . . . , Xn } < 21 + nr (X1 , . . . , Xn ) Cn

r
n

perch un vettore x = (x1 , . . . , xn ) con componenti in ( 12 , 21 ) tale che min{x1 , . . . , xn }


1
1
1
2 + se e solo se esiste xi ( 2 , 2 + ), e in questo caso chiaramente x Cn (). La
conclusione segue dalla monotonia della probabilit.
(d) La densit di ciascuna variabile aleatoria Xi vale fXi (x) = 1( 1 , 1 ) (x), e per lindipen2 2
denza si ottiene che il vettore aleatorio X = (X1 , . . . , Xn ) ha densit
fX (x1 , . . . , xn ) = fX1 (x1 ) fXn (xn ) = 1( 1 , 1 ) (x1 ) 1( 1 , 1 ) (xn )
2 2

2 2

= 1( 1 , 1 )n (x1 , . . . , xn ) ,
2 2

quindi, per definizione, X U(( 12 , 21 )n ). Segue che per ogni A Rn misurabile


P(X A) =

(A ( 12 , 12 )n )
= (A ( 21 , 12 )n )) .
(( 12 , 12 )n )

Scegliendo A = Cn ( nr ) si ottiene la conclusione.

(0.1)

Calcolo delle Probabilit 2013/14 Foglio di esercizi 8


Legge dei grandi numeri e convergenza di variabili aleatorie.
Esercizi teorici
Esercizio 1. Siano (Xn )nN , X, X 0 variabili aleatorie reali, definite sullo stesso spazio di
probabilit.
(a) Supponiamo che Xn X q.c. e Xn X 0 q.c.. Si mostri che X = X 0 q.c..
(b) Supponiamo che Xn X in probabilit e Xn X 0 in probabilit. Si mostri che
X = X 0 q.c..
[Sugg. Si mostri che esiste una sottosuccessione (nk )kN di (n)nN tale che Xnk X q.c. e
Xnk X 0 q.c..]

(c) Supponiamo che Xn X in Lp e Xn X 0 in Lp . Si mostri che X = X 0 q.c..


Esercizio 2. Sia : [0, ) R una funzione crescente, limitata e continua (da destra) in
zero, tale che (x) = 0 se e solo se x = 0 (per esempio, (x) = x/(1 + x)). Si mostri che
Zn Z in probabilit se e solo se E((|Zn Z|)) 0.
[Sugg.: per il se usare unopportuna disuguaglianza, per il solo se considerare gli eventi
{|Zn Z| > } e {|Zn Z| }.]
Esercizio 3. (a) Sia {xn }nN una successione in uno spazio topologico E. Supponiamo
che esista x E tale che, per ogni sottosuccessione {xnk }kN di {xn }nN , possibile
estrarre unulteriore sotto-sottosuccessione {xn0k }kN che converge a x. Si dimostri che
lintera successione {xn }nN converge a x.
[Sugg. Si mostri che, per ogni aperto contenente x, i termini xn che non appartengono allaperto
sono necessariamente in numero finito.]

(b) Siano X, {Xn }nN variabili aleatorie reali. Supponiamo che, per ogni sottosuccessione
di {Xn }nN , sia possible estrarre una sotto-sottosuccessione che converge a X in Lp
(risp. in probabilit). Si mostri che allora la successione completa {Xn }nN converge a
X in Lp (risp. in probabilit).
[Sugg. Si applichi opportunamente il punto precedente.]

(c) Si mostri che il punto precedente non vale per la convergenza q.c.. Si deduca che non
esiste nessuna topologia che induce la convergenza q.c..
Esercizi pratici
Esercizio 4. Siano {Xn }nN i.i.d. Exp().
Si mostri che lim supn

Xn
log n

q.c..

Si mostri che la successione Zn := Xn / log n converge a zero in probabilit e in Lp per


ogni p, ma non ha limite q.c..
Esercizio 5. Siano {Xn }nN variabili aleatorie indipendenti con Xn Be(pn ) dove {pn }nN
una successione
Pfissata a valori in [0, 1]. Si diano condizioni sui pn per la convergenza q.c.
della serie S := nN Xn .

Ultima modifica: 19 dicembre 2013.

Esercizio 6. Siano {Xn }nN variabili aleatorie indipendenti assolutamente continue, tutte
definite sullo stesso spazio di probabilit, con densit date da
2n
fXn (x) =
1
(x) .
(1 + nx)3 {[0,)}
(a) Si mostri che Xn 0 q.c. e in probabilit.
(b) Si mostri che la convergenza ha luogo in Lp solo per alcuni valori di p 1 (quali?).
Esercizio 7. Siano {Xn }nN variabili aleatorie i.i.d. con X1 L1 e m := E(X1 ) > 0. Si
ponga S0 := 0, Sn := X1 + . . . + Xn .
Si mostri che Sn + q.c..
P
Si mostri che nN eSn < q.c. per ogni > 0.
Esercizio 8. Siano {Xn }nN variabili aleatorie scorrelate, in L2 , con la stessa media
m = E(Xn ) e tali che supnN Var(Xn ) =: C < . Si mostri che, per ogni successione
{n }nN tale che n  1n , o pi precisamente n / 1n + per n +, si ha
P(|X n m| n ) 0 .
Esercizio 9. Siano {Xn }nN variabili aleatorie i.i.d. con X1 L1 e siano {Yn }nN variabili
aleatorie i.i.d. con Y1 L1 e E(Y1 ) > 0. Allora
Zn :=

X1 + . . . + Xn
E(X1 )

Y1 + . . . + Yn
E(Y1 )

q.c. .

Esercizio 10. Siano {Xn }nN variabili aleatorie i.i.d. con X1 L1 e siano {Tn }nN variabili
aleatorie i.i.d. a valori in N0 con T1 L1 e E(T1 ) > 0. Ponendo Sn := X1 + . . . + Xn e
n := T1 + . . . + Tn , si mostri che
1
S E(T1 )E(X1 )
q.c. .
k k

Soluzione 1.
Soluzione 2. Dimostriamo il se: per la disuguaglianza di Markov
P(|Zn Z| > ) = P((|Zn Z|) > ())

E((|Zn Z|))
0,
()

per ogni > 0. Viceversa, se Zn Z in probabilit, per ogni > 0 fissato possiamo scrivere
E((|Zn Z|)) = E((|Zn Z|)1{|Zn Z|} ) + E((|Zn Z|)1{|Zn Z|>} )
() + kk P(|Zn Z| > ) ,
da cui lim supn E((|Zn Z|)) (). Per ipotesi lim0 () = 0, da cui la tesi.
Soluzione 3. (a) Fissato un aperto A 3 x, i termini della successione {xn }nN che non
appartengono ad A sono necessariamente in numero finito (in caso contrario esisterebbe
una sottosuccessione composta da tali termini, da cui evidentemente non si pu estrarre
alcuna sotto-sottosuccessione convergente a x, il che contraddice lipotesi). Tra i termini
della successione che non appartengono ad A, indichiamo con xnA lultimo in ordine
di apparizione (cio quello con lindice pi grande). Abbiamo dunque mostrato che,
per ogni aperto A 3 x, esiste nA N tale che per n > nA si ha xn A: ci significa
proprio che la successione {xn }nN converge verso x.
(b) Poniamo xn := E(|Xn X|p )1/p = kXn Xkp . Possiamo riformulare lipotesi nel
modo seguente: per ogni sottosuccessione di {xn }nN , si pu estrarre una sottosottosuccessione che converge a zero. Dal punto (a) segue dunque che lintera successione
{xn }nN tende a zero, e ci significa che Xn X in Lp . Per la convergenza in
probabilit il discorso analogo: basta porre xn := P(kXn Xk > ), per > 0 fissato.
(c) Siano {Xn }nN , X v.a. tali che Xn X in probabilit ma non q.c. (sappiamo che
possibile costruire tali v.a. per esempio su = (0, 1)). Per ogni sottosuccessione
{Xnk }kN si ha naturalmente Xnk X in probabilit. Dato che ogni successione
convergente in probabilit ammette una sottosuccessione che converge q.c. (allo stesso
limite), segue che esiste una sottosuccessione {Xn0k }kN di {Xnk }kN tale che Xn0k X
q.c.. Abbiamo dunque mostrato che ogni sottosuccessione di {Xn }nN ammette una
sotto-sottosuccessione che converge q.c. a X. Tuttavia per costruzione Xn non converge
q.c. a X. Da ci segue che la convergenza q.c. non indotta da nessuna topologia (in
caso contrario, varrebbe il primo punto).
Soluzione 4. Per a R sia P
Aan := {Xn > a log n}. Gli eventi {Aan }nN sono indipen1
denti e P(Aan ) = na . Quindi nN P(Aan ) < se e solo se a > 1 , e per Borel-Cantelli,
P(lim supn Aan ) = 1 se a 1 , P(lim supn Aan ) = 0 se a > 1 . Ponendo
L := lim sup
n

osserviamo che

1
L


lim sup
n

Xn
,
log n

Xn
1
>
log n

= lim sup A1/


n ,
n

mentre


1
L>

[
Q,>0


lim sup
n

Xn
1
> +
log n


=

[
Q,>0

lim sup An1/+ .


n

da cui P(L 1 ) = 1 e P(L > 1 ) = 0, da cui P(L = 1 ) = 1.


Si ha Zn 0 in probabilit, perch P(|Zn | > ) = P(Xn > log n) = n1 0. Analogamente Zn 0 in Lp per ogni p, perch E(|Zn |p ) = (log1n)p E(|Xn |p ) = (log1n)p E(|X1 |p ) =
(cost.)
(log n)p

0. Per unicit del limite, se Zn avesse limite q.c. dovrebbe convergere a zero, ma
Zn 6 0 q.c., perch lim supn Zn = 1 q.c..
Soluzione 5. Osserviamo innanzitutto che le Xn possono essere interpretate come una
successione di prove ripetute e indipendenti con probabilit di successo diversa di prova in
prova, dove successo
alln-esima prova corrisponde allevento An := {Xn = 1}. Notiamo
P
allora che S = nN 1An il numero totale di successi. Dato che le {Xn }nN sono indipendenti, gli eventi
P {An }nN sono indipendenti e per il lemma di Borel-Cantelli P(S = ) = 1
se e solo se nN pn = .
Soluzione 6.
Soluzione 7. Per la LFGN X n = Snn m q.c.; in particolare, per q.o. esiste
n0 = n0 () < tale che per n n0 si ha Snn() m
. Pertanto Sn () + e anzi
P
P
P 2 Sn ()
m
n
S
()
n
2
< .

nn0 () e
< , quindi nN e
nn0 () e
Soluzione 8. Chebyschev.
Soluzione 9. Zn = X n /Y n E(X1 )/E(Y1 ) q.c. per la LFGN. Si noti che per q.o.
si ha Y1 () + . . . + Yn () > 0 per n grande, per lesercizio precedente, dunque Zn () ben
definita.
Soluzione 10. Si ha

1
k Sk
S =
= T k X k ,
k k
k k
con le notazione della LFGN. Per k + si ha T k E(T1 ) q.c., quindi k + q.c..
Dato che X n E(X1 ) q.c. per n , anche X k E(X1 ) q.c. per k .

Calcolo delle Probabilit 2013/14 Foglio di esercizi 9


Convergenza di variabili aleatorie e Teorema Limite Centrale
Esercizio 1. Siano (Xn )nN variabili aleatorie con Xn Ge( n1 ).
(a) Definendo Yn := n1 Xn per n N, si mostri che Yn converge in legge e se ne determini
il limite.
(b) (*) Supponiamo ora che le variabili (Xn )nN siano indipendenti (dunque sono definite
tutte sullo stesso spazio di probabilit). Applicando opportunamente la legge 0-1 di
Kolmogorov, si mostri che Yn non converge q.c. e nemmeno in probabilit.
Esercizio 2. Siano (Xn )nN i.i.d. U (0, 1) e sia Yn := min{Y1 , . . . , Yn }.
(a) Si mostri che Yn 0 in legge, in probabilit, in Lp , q.c..
(b) (*) Ricordiamo che Zn := nYn converge in legge verso una v.a. Z con distribuzione
Exp(1), come segue da un esercizio precedente. Applicando opportunamente la legge
0-1 di Kolmogorov, si mostri che Zn non converge q.c. e nemmeno in probabilit.
Esercizio 3. Siano (Xn )nN i.i.d. U (0, 2) e sia Yn := min{Y1 , . . . , Yn } per n N; definiamo
inoltre Y0 := 0. Siano ora (Mn )nN variabili aleatorie indipendenti, definite sullo stesso spazio
delle (Xn )nN e da esse indipendenti, con Mn P o(n ), dove (n )nN una successione
fissata tale che n +. Si ponga quindi
Zn := YMn ,

cio

Zn () := YMn () () .

(a) Si mostri che la funzione di ripartizione di Zn

0
FZn (t) = 1 en t/2 + en

data da
se t 0
se 0 t 2 .
se t > 2

Zn una variabile aleatoria assolutamente continua?


(b) Si mostri che Zn 0 in legge, in probabilit, in Lp .
(c) Sia ora n = log n. Si mostri che P(lim supn {Mn = 1}) = 1. La convergenza Zn 0
vale anche q.c.?
Esercizio 4. Siano (Xn )nN0 variabili aleatorie i.i.d. Exp(1). Definiamo per n N
X0
Un :=
.
X1 + . . . + Xn
(a) Si mostri che la funzione di ripartizione di Un data da
1
FUn (t) = 1
.
(1 + t)n
[Sugg.: si osservi che Yn := X1 + . . . + Xn ha legge . . . ed indipendente da . . . ]
La variabile aleatoria Un assolutamente continua?
(b) Si mostri che Un 0 in legge, in probabilit, q.c..

Ultima modifica: 7 gennaio 2014.

(c) Per ogni n fissato, si determini per quali valori di p si ha Un Lp .


(d) Si mostri che Un+1 Un per ogni n N e, sfruttando il punto precedente, si deduca
che Un 0 in Lp per ogni p 1.
(e) Per quali valori di > 0 la successione (Wn := n Un )nN converge in legge?
Esercizio 5. Si lancia n volte un dado equilibrato. Si eseguano i seguenti calcoli usando
lapprossimazione normale, ossia applicando opportunamente il teorema limite centrale.
[Sugg.: Si esprimano le probabilit richieste in termini della media campionaria standardizzata

N
N
ZN := X
= SN
e si usi la tavola della funzione di ripartizione della distribuzione
/ N
N
N (0, 1) a pagina seguente.]
(a) Se n = 1000, qual la probabilit che il punteggio totale sia minore o uguale di 3400?
(b) Quanto grande deve essere n affinch con probabilit maggiore o uguale a 0.99 il
punteggio totale sia almeno 3.3n?
(c) Quanto grande deve essere n affinch con probabilit maggiore o uguale a 0.99 il
punteggio totale sia almeno 500?
Esercizio 6. Calcolare approssimativamente la probabilit che una variabile casuale X con
distribuzione di Poisson di parametro 100 assuma un valore minore di 95.
Esercizio 7. Usando opportunamente il Teorema Limite Centrale, si mostri che

Z 1 y2 /2
n+ n k
X n
e
n

lim e
= (1) =
dy .
n+
k!
2

k=0

Esercizio 8. Indicando con (Xn )nN una successione i.i.d. con leggi Xn U [1, 1], si
determini per ogni t R il limite


(X1 + . . . + Xn )2
lim P
>t .
n
n
Segue tavola della funzione .

La tavola seguente riporta i valori della funzione di ripartizione (z) della distribuzione
normale standard N (0, 1), per 0 z 3.5. Ricordiamo che
Z z 1 x2
e 2

(z) :=
dx .
2

I valori di (z) per z < 0 possono essere ricavati grazie alla formula
(z) = 1 (z) .

(0.1)

1 ()

[ 12 , 1],

Dato un valore
il valore di z :=
pu essere ricavato dalla tabella,
1
cercando il valore di z per cui (z) = . Se [0, 2 ], si osservi che
1 () = 1 (1 ) ,
come segue da (0.1).
z

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4

0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
0.9990
0.9993
0.9995
0.9997

0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8665
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.9987
0.9991
0.9993
0.9995
0.9997

0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.9987
0.9991
0.9994
0.9995
0.9997

0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.9988
0.9991
0.9994
0.9996
0.9997

0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.9988
0.9992
0.9994
0.9996
0.9997

0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.9989
0.9992
0.9994
0.9996
0.9997

0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997

0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997

0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997

0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998

Soluzione 1. (a) La funzione di ripartizione di Yn data da FYn (t) = 1 P(Xn > nt).
Ricordando che P(Xn > k) = (1 n1 )k per una variabile geometrica di parametro pn e
per k N0 , segue che per t > 0
FYn (t) = 1 P(Xn > nt) = 1 P(Xn > bntc) = 1 (1 n1 )bntc 1 et .
Questo mostra che Yn Y in legge, con Y Exp(1).
(b) Per assurdo, supponiamo che esista una variabile aleatoria Y tale che Yn Y in
probabilit. Dato che la convergenza in probabilit implica quella in legge, si deve
avere Y Exp(1). Inoltre esiste una sottosuccessione (Ynk )kN che converge q.c., in
particolare posto W := lim supkN Ynk si ha W Exp(1). Per ogni ` N si ha
1
W := lim sup Ynk = lim sup Xnk ,
n
k
k`
k`
quindi W funzione misurabile delle variabili aleatorie (Xnk )k` , dunque W misuran`
bile rispetto alla -algebra B n` , dove B m := ((Xn )Tnm ). Ci significa che (W
T ) B m.
n
Dato che ci vero per ogni ` N, si ha (W ) `N B ` T , dove T := mN B
la -algebra terminale della successione (Xn )nN . Quindi W misurabile rispetto
alla -algebra T e di conseguenza deve essere q.c. costante, il che in contraddizione
col fatto che W Exp(1).
Soluzione 2.
P
Soluzione 3. (a) Si ha FZn (t) = P(Zn t) = kN0 P(Zn t|Mn = k)P(Mn = k).
Restringiamoci al caso interessante t [0, 2]. Si noti che P(Zn t|Mn = k) = P(Yk
t) = 1 (1 2t )k per k 1, mentre per k = 0 si ha P(Zn t|Mn = 0) = P(Y0 t) = 1.
In definitiva, ricordando che Mn P o(n ),

 
X
X
t k n kn
FZn (t) =
P(Zn t|Mn = k)P(Mn = k) = P(Mn = 0) +
1 1
e
2
k!
kN0
k1
 k
X 1 

t
t
n
n
n
1
n = 1 en e(1 2 )n 1 ,
=e
+ (1 e
)e
k!
2
k1

e dunque

0
FZn (t) = 1 en t/2 + en

se t 0
se 0 t 2 .
se t > 2

Si noti che FZn (t) discontinua in t = 0: FZn (0) FZn (0) = en = P(Zn = 0) e
dunque Zn non assolutamente continua.
(b) Si ha FZn (t) 1[0,) (t) per ogni t 6= 0. Dato che 1[0,) (t) la funzione di ripartizione
della v.a. identicamente nulla, o equivalentemente della probabilit 0 , segue che
Zn 0 in legge. Dato che il limite costante q.c., segue che Zn 0 in probabilit.
Dato che |Zn | 2 per ogni n N e 2 Lp per ogni p, segue che Zn 0 in Lp .
P
(c) Dato che P(Mn = 1) = en n = logn n , si ha nN P(Mn = 1) = e dunque, essendo
gli eventi {Mn = 1} indipendenti, P(lim supn {Mn = 1}) = 1. Quindi per q.o. esiste
una sottosuccessione (nk = nk ())kN tale che Mnk () = 1 per ogni k e dunque
Znk () = Y1 () = X1 (). Questo mostra che q.c. lim supn Zn X1 > 0 (si noti che
X1 > 1 q.c.).

(a) Chiaramente FUn (t) = 0 per t 0. Per t > 0 si ha


 Z ty

Z
Z

n1 ey
y n1 ey
x y
x
dy 1{xty} e
dx
FUn (t) =
dy
dx e
=
(n 1)!
(n 1)!
0
0
0
0
Z
Z
n1 ey
n1 e(1+t)y
1
ty y
n y
dy e
dy
(1
+
t)
=1
=1
(n 1)!
(1 + t)n 0
(n 1)!
0
1
=1
,
(1 + t)n

Soluzione 4.

(avendo fatto apparire nellultimo integrale la densit di una (n, 1 + t)). Essendo FUn
C 1 a tratti, segue che Un assolutamente continua.
(b) Per ogni t 6= 0 si ha FUn (t) 1[0,) (t) che la funzione di ripartizione della variabile
aleatoria identicamente nulla. Quindi Un 0 in legge ed essendo
P il limite costante
anche in probabilit. Per la convergenza q.c. basta notare che nN P(|Un | > ) =
P
1
nN (1+)n < per ogni > 0 e applicare il criterio visto a lezione.
(c) La densit di Un data da fUn (t) = (1+t)1 n+1 1[0,) (t), quindi
Z
tp
p
dt <

p < n.
E(|Un | ) =
(1 + t)n+1
0
(d) Dato che le variabili Xi sono positive, si ha X1 + . . . + Xn X1 + . . . + Xn1 e dunque
Un Un1 per ogni n. Di conseguenza per ogni n0 N fissato si ha |Un | Y per ogni
n n0 , dove Y := Un0 . Sia ora p 1 fissato. Scegliamo n0 N con n0 > 1/p (per
esempio n0 := d1/pe), cos che Y Lp per il punto precedente. La sottosuccessione
(Un )nn0 converge in probabilit ed dominata da una variabile in Lp , pertanto
converge in Lp . Dato che abbiamo escluso solo un numero finito di termini, anche
lintera successione (Un )nN converge in Lp .
(e) Per ogni t > 0 si ha che


n



+ se < 1
t
t
lim 1 +
= lim exp n log 1 +
= et
se = 1 .
n
n

n
n

1
se > 1
Essendo FWn (t) = P(Wn t) = P(Un t/n ) = FUn (t/n ), segue che per ogni t > 0



se < 1
1
1
t
lim FWn (t) = lim 1
= 1e
se = 1 .
n
n

(1 + nt )n

0
se > 1
Quindi per ogni < 1 si ha Wn 0 in legge, mentre per = 1 si ha Wn W in
legge con W Exp(1). Infine, per > 1 la successione Wn non converge in legge,
perch in caso contrario si dovrebbe avere limn FWn (t) = F (t), dove F una
funzione di ripartizione, per ogni t R tranne al pi un insieme numerabile (i punti
di discontinuit di F ), quindi per quanto mostrato si dovrebbe avere F (t) = 0 per
tali t, il che non possibile per nessuna funzione di ripartizione (perch F (t) 1 per
t +).
Soluzione 5.

(a) Vogliamo calcolare


P (X1 + + X1000 3400)

o, equivalentemente,

P X 1000 3.4 .
(0.2)
Si noti anzitutto che le variabili casuali Xi assumono i valori 1, 2, 3, 4, 5, 6 ognuno con
probabilit 1/6. Da ci si trova facilmente che
E(Xi ) = = 3.5
e
V ar(Xi ) = 2 ' 2.917.
La probabilit in (0.2) si pu riscrivere nella forma, con n = 1000,


3.4
P Zn
n ' P (Zn 1.85).

Se n sufficientemente grande, la probabilit precedente approssimativamente


uguale a
P (Z 1.85) = (1.85),
dove con denotiamo la funzione di ripartizione di una normale standard. I valori di
si possono trovale in apposite tavole, che tipicamente forniscono i valori di (x) per
x > 0. I rimanenti valori di si ottengono osservando che, essendo la densit di Z
una funzione pari,
(x) = P (Z x) = P (Z x) = 1 (x).
Concludiamo allora che
P (X1 + + X1000 3400) ' 1 (1.85) ' 0.032.
(b) Procediamo come sopra, ma lasciando incognito il valore di n. Vogliamo che sia
P (X1 + + Xn 3.3n) 0.99
o, equivalentemente,



3.3
n ' P Zn 0.117 n
0.99 P (X n 3.3) = P Zn

' P Z 0.117 n = (0.117 n).


In altre parole vogliamo trovare per quali valori di n

(0.117 n) 0.99.
Dalle tavole per si vede che
1 (0.99) ' 2.326.
Essendo strettamente crescente, si ha

0.117 n 2.326 n 395, 23 n 396.


(c) Vogliamo che sia
P (X1 + + Xn 500) 0.99 P

Zn

500
n

!
0.99.

Come prima, approssimiamo la precedente probabilit con quella corrispondente


rimpiazzando Zn con Z, ottenendo
!
500

n

n 0.99,

che equivale a

500
n


n 2.326,

che riscriviamo nella forma

3.5n 3.973 n 500 0.

Risolvendo la precedente come disequazione di secondo grado in

n 12.53 n 158.

n, si trova

Soluzione 6. Bisogna ricordare che se X1 , . . . , X100 P o(1) sono indipendenti, allora


X1 + . . . + Xn P o(100). Ricordando che
E(Xi ) = V ar(Xi ) = 1, applicando la correzione
di continuit e ponendo Z := (X 100 1) 100 N (0, 1), si ottiene
P (X1 + . . . + X100 < 95) = P (X1 + . . . + X100 < 94.5)

= P X 100 0.945 = P (Z 0.055 10) ' (0.55) = 1 (0.55) 0.291 .
(Il valore esatto di tale probabilit pari a 0.295.)
Soluzione 7. Sia (Xn ) una successione di variabili casuali i.i.d. con distribuzione di Poisson
di parametro 1. Notare che Sn := X1 + + Xn P o(n). Ma allora





n+ n k
X n

1
Xn 1
n
=P
e
= P (Sn n + n) = P X n 1 +
n1 .
k!
1
n
k=0

Per il Teorema Limite Centrale si ha dunque

n+ n

lim en

n+

X nk
= (1) 0.84 .
k!
k=0

Soluzione 8. Le variabili hanno media zero e varianza (1 (1))2 /12 = 1/3, per cui la
deviazione standard vale ' 0.58 e si ha




 
t
t
(X1 + . . . + Xn )2
X1 + . . . + Xn

lim P
> t = lim P
>
=1
.
n
n
n

Calcolo delle Probabilit 2013/14 Foglio di esercizi 10


Teorema limite centrale, tightness, catene di Markov
Esercizio 1. Il gruppo promotore di un referendum ritiene che il 60% della popolazione
sia disposta a firmare per la relativa raccolta di firme. Si assuma che le persone a cui viene
richiesto di firmare siano scelte a caso. Dovendo raccogliere 30.000 firme, quante persone
necessario interpellare affinch la soglia delle 30.000 firme sia raggiunta con probabilit di
almeno 0, 95?
Esercizio 2. Siano (an )nN , (bn )nN successioni reali tali che an < bn per ogni n N. Siano
(Xn )nN variabili aleatorie con Xn U ((an , bn )).
(a) Sotto quali condizioni su (an )nN , (bn )nN la successione (Xn )nN tight?
(b) Sotto quali condizioni su (an )nN , (bn )nN la successione (Xn )nN converge in legge?
Esercizio 3. Sia X una variabile aleatoria reale fissata e sia (an )nN una successione di
numeri reali strettamente positivi, tali che limn an = 0. Facciamo lipotesi che
c := P(X 6= 0) > 0 .
e definiamo la successione di variabili aleatorie (Yn )nN ponendo
X
.
an
(a) Fissiamo arbitrariamente , M (0, ). Si mostri che per n N sufficientemente
grande vale linclusione di eventi
Yn :=

{Yn 6 [M, M ]} {|X| > } .


(b) Si deduca che la successione (Yn )nN non tight. Essa ha limite in legge?
Esercizio 4 (Norris, Exercise 1.2.1). Si consideri la seguente matrice di transizione per una
catena di Markov con spazio degli stati E = {1, 2, 3, 4, 5}:
1

1
0
0
0
2
2

0 12 0 12 0

.
p=
0
0
1
0
0

0 14 14 41 14
1
1
2 0 0 0 2
Si determino le classi di irriducibilit, gli stati ricorrenti e transitori, le probabilit invarianti.
Si mostri che gli stati 1 e 5 sono aperiodici.
Esercizio 5 (Baldi, Esempio 5.21). Si consideri la passeggiata aleatoria X = {Xn }nN0 sul
seguente grafo:

Ultima modifica: 26 gennaio 2014.

2
1
5

Si mostri che la catena di Markov irriducibile, aperiodica, ricorrente positiva. Si determini


la probabilit invariante. Si calcoli quindi limn P2 (Xn = 2)/P2 (Xn = 3).
Esercizio 6 (Norris, Esempio 1.3.1). Si consideri la passeggiata aleatoria X = {Xn }nN0
sul seguente grafo:

1
2

1
2

1
2

1
2

Si determino le classi di irriducibilit, gli stati ricorrenti e transitori, le probabilit invarianti.


Si calcoli quindi la probabilit di raggiungere lo stato 4 partendo dallo stato 2, il tempo
medio per raggiungere lo stato 4 partendo dallo stato 2, il tempo medio per raggiungere
linsieme {1, 4} partendo dallo stato 2.
Esercizio 7 (Esame del 24/02/2011). Si consideri la passeggiata aleatoria corrispondente
al seguente diagramma:
3
10
1

2
1
5
1
10

1
10

1
5

Si scriva la matrice di transizione. Si determino le classi di irriducibilit, gli stati ricorrenti e


transitori, le probabilit invarianti. Si determini quindi, quando la catena parte dallo stato
1, la probabilit di raggiungere lo stato 3, la probabilit di raggiungere lo stato 4, il tempo
medio per entrare nellinsieme {3, 4}.

Esercizio 8 (Baldi, esempio 5.25). Si consideri la passeggiata aleatoria su E = {1, 2, 3, 4}


con matrice di transizione
1

1
2 0 2 0
1 1 0 1

p = 3 3 1 33 .
0 0 4 4
0 0 21 12
Si determino le classi di irriducibilit, gli stati ricorrenti e transitori, le probabilit invarianti.
Si determinino quindi, quando la catena parte dallo stato 1, oppure dallo stato 2, le probabilit
di raggiungere lo stato 3 e il tempo medio per entrare nellinsieme {3, 4}.

Rz
1 x2
La tabella seguente riporta i valori di (z) := e22 dx, la funzione di ripartizione
della distribuzione normale standard N (0, 1), per 0 z 3.5. Ricordiamo che I valori di
(z) per z < 0 possono essere ricavati grazie alla formula
(z) = 1 (z) .
z

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4

0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.9987
0.9990
0.9993
0.9995
0.9997

0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8665
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.9987
0.9991
0.9993
0.9995
0.9997

0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.9987
0.9991
0.9994
0.9995
0.9997

0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.9988
0.9991
0.9994
0.9996
0.9997

0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.9988
0.9992
0.9994
0.9996
0.9997

0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.9989
0.9992
0.9994
0.9996
0.9997

0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8770
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.9989
0.9992
0.9994
0.9996
0.9997

0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.9989
0.9992
0.9995
0.9996
0.9997

0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.9990
0.9993
0.9995
0.9996
0.9997

0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
0.9990
0.9993
0.9995
0.9997
0.9998

Soluzione 1. Sia Xi la variabile che vale 1 se li-esima persona interpellata accetta di


firmare, e 0 altrimenti. Per ipotesi Xi Be(0.6), e le Xi si possono ritenere indipendenti. La
probabilit in esame , allora, usando lapprossimazione normale e la correzione di continuit,
!
!
n
29999.5
X
0.6
X n 0.6
n
P
Xi 29999.5 = P
n
n
0.6

0.4
0.6

0.4
i=1
'1

29999.5
n

0.6

0.6 0.4

!
n

0.6 29999.5
n

n .
0.6 0.4

Richiedendo che tale probabilit sia maggiore o uguale a 0.95, si ottiene:

0.6 29999.5
n

n 1 (0.95) ' 1.64


0.6 0.4
che equivale a

0.6 n 0.8 n 29999.5 0

da cui
n 50299.
Soluzione 2. (a) Se (an )nN e (bn )nN sono entrambe successioni limitate, ossia esiste
M (0, ) tale che |an | M e |bn | M per ogni n N, la successione (Xn )nN
chiaramente tight, dal momento che essendo Xn U ((an , bn ))
P(|Xn | > M ) P(Xn 6 (an , bn )) = 0 .
Viceversa, mostriamo ora che se almeno una delle due successioni (an )nN e (bn )nN
non limitata, la successione (Xn )nN non tight, ossia esiste > 0 tale che per ogni
M (0, ) fissato si ha
P(|Xn | > M )

per infiniti n N .

(0.1)

Ricordiamo che se x (an , bn ) allora


FXn (x) =

x an
.
bn an

(0.2)

Supponiamo che (bn )nN non sia limitata (il caso in cui (an )nN non limitata
analogo, per simmetria). Se esiste una sottosuccessione bnk , allora per ogni
M (0, ) fissato si ha bnk < M per k sufficientemente grande, quindi
P(|Xnk | > M ) P(Xnk < M ) P(Xnk < bnk ) = 1
e la relazione (0.1) dimostrata con = 1. Resta da considerare il caso in cui esiste
una sottosuccessione bnk +. Distinguiamo alcuni casi per la successione (ank )kN .
Illimitata dallalto: se esiste una sottosuccessione an0k +, allora per ogni
M (0, ) fissato si ha an0k > M per k sufficientemente grande, quindi
P(|Xn0k | > M ) P(Xn0k > M ) P(Xn0k > an0k ) = 1
e la relazione (0.1) dimostrata con = 1.

Illimitata dal basso: se esiste una sottosuccessione an0k , allora per ogni
M (0, ) fissato si ha (M, M ) (an0k , bn0k ) per k sufficientemente grande,
quindi applicando (0.2)
P(|Xn0k | > M ) = P(Xn0k < M ) + P(Xn0k > M ) = FXn0 (M ) + 1 FXn0 (M )
k

M an0k
bn0k an0k

+1

M an0k
bn0k an0k

2M
=1
.
bn0k an0k

Dato che bn0k an0k +, il membro destro tende a zero e dunque (0.1)
dimostrata con = 12 .
Limitata: se (ank )kN una successione limitata, fissiamo M (0, ) sufficientemente grande, cos che ank < M per ogni k N. Dato che bnk > M per k
sufficientemente grande (perch per ipotesi bnk +), applicando (0.2)
P(|Xnk | > M ) P(Xnk > M ) = 1 FXnk (M ) = 1

M ank
,
bnk ank

che tende a 1 per k , dato che bnk + e ank limitata. Quindi (0.1)
dimostrata con = 12 , per M (0, ) sufficientemente grande; a maggior
ragione, lo per ogni M (0, ), dato che P(|Xnk | > M ) decrescente in M .
(b) Se le successioni (an )nN e (bn )nN non sono entrambe limitate, (Xn )nN non tight e
pertanto non pu convergere in legge. Assumiamo dunque che (an )nN e (bn )nN siano
entrambe limitate. La funzione caratteristica di Xn si calcola facilmente, ottenendo
Xn () =

sin(bn ) sin(an )
cos(bn ) cos(an )
eibn eian
i
=
,
(bn an )
(bn an )
i(bn an )

con la convenzione che questa espressione vale 1 per = 0.


Mostriamo che, se le successioni (limitate) (an )nN e (bn )nN hanno limite, ossia
an a e bn b con < a b < +, allora Xn converge in distribuzione verso la
probabilit U ((a, b)), idendendo a nel caso a = b. Infatti, nel caso a < b si ha
Xn ()
n

sin(b) sin(a)
cos(b) cos(a)
i
= U ((a,b)) () ,
(b a)
(b a)

quindi Xn converge in distribuzione verso U ((a, b)). Se a = b, allora bn an 0 e


Xn () =

eibn eian
ei(bn an ) 1
= eian
eia .
i(bn an )
i(bn an ) n

Ma eia la funzione caratteristica della costante a, dunque Xn a in distribuzione.


Mostriamo viceversa che, se Xn ha limite in distribuzione, allora necessariamente le
successioni (an )nN e (bn )nN hanno limite. Essendo (an )nN e (bn )nN limitate, basta
mostrare che date due qualunque sottosuccessioni convergenti (ank , bnk ) (a, b) e
(an0k , bn0k ) (a0 , b0 ) (in cui, necessariamente, < a b < e < a0 b0 < )
allora (a, b) = (a0 , b0 ). Per quanto mostrato sopra, la convergenza (ank , bnk ) (a, b)
implica che Xnk converge in distribuzione verso U ((a, b)), e analogamente Xn0k converge
in distribuzione verso U ((a0 , b0 )), con la convenzione che U ((c, c)) = c . Ma per ipotesi
lintera successione Xn ha limite in distribuzione, quindi per unicit del limite le due
probabilit U ((a, b)) e U ((a0 , b0 )) devono coincidere. A questo punto un facile esercizio
mostrare che se (a, b) 6= (a0 , b0 ) allora U ((a, b)) 6= U ((a0 , b0 )).

Soluzione 3.

(a) Si noti che


{Yn 6 [M, M ]} = {|Yn | > M } = {|X| > M an } ,

Dato che M < , > 0 e an 0, chiaramente si ha M an per n sufficientemente


grande, e in tal caso vale linclusione di eventi
{|X| > M an } {|X| > } .
(b) Se (Yn )nN fosse tight, per ogni > 0 dovrebbe esistere M (0, ) tale che
P(Yn 6 [M, M ]) < ,

n N .

(0.3)

Ma ci non accade. Infatti, per continuit dal basso si ha


lim P(|X| > ) = P(X 6= 0) = c > 0 ,
0

quindi esiste > 0 tale che P(|X| > ) > 2c . Per il punto precedente, per ogni M > 0
fissato, si ha per n N sufficientemente grande
c.
P(Yn 6 [M, M ]) P(|X| > )
2
Questo mostra che la relazione (0.3) non pu valere per < 2c .
Non essendo tight, la successione (Yn )nN non pu convergere in legge.
Soluzione 4. Le classi di irriducibilit sono T1 = {2, 4} (transitoria) e R1 = {1, 5}, R2 = {3}
(ricorrenti). Le probabilit invarianti sono i = iR1 + (1 )iR2 al variare di [0, 1],
(1)
(1)
dove iR1 := 12 (i,1 + i,5 ) e iR2 := i,3 . Dato che p11 = p11 > 0 e p55 = p55 > 0 i periodi
degli stati 1 e 5 valgono 1.
Soluzione 5. La probabilit invariante (reversibile) data da 1 =
i = 2, 3, 4, 5. Si ha limn P2 (Xn = 2)/P2 (Xn = 1) = 32 = 1.

1
4

e i =

3
16

per

Soluzione 6. Le classi ricorrenti sono R1 = {1}, R2 = {4}, quella transitoria T1 = {2, 3}.
{4}
{4}
Le probabilit invarianti i = i,1 + (1 )i,4 per 0 1. h2 = 13 , k2 = ,
{1,4}

k2

= 2.

Soluzione 7. Le classi ricorrenti sono R1 = {3}, R2 = {4}, quella transitoria T1 = {1, 2}.
{3}
5
Le probabilit invarianti sono i = i,3 + (1 )i,4 per 0 1. Si ha h1 = 14
,
{4}

h1

{3}

= 1 h1

9
14 ,

{3,4}

k1

= 5.

Soluzione 8. Le classi transitorie sono T1 = {1}, T2 = {2}, quella ricorrente R1 = {3, 4}.
{3}
{3}
Lunica probabilit invariante i = 25 i,3 + 35 i,4 . Si ha h1 = h2 = 1 perch 1 e 2 sono
{3,4}

stati transitori, dunque q.c. la catena visita {3, 4}. Infine k1

{3,4}

= k2

= 5.