Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Variabili Discrete
Supponiamo di avere una variabile x che possa assumere i valori x = x1 , x2 , x3 , ..., xm , e facciamo
un estrazione:
N
1
2
3
4
..
.
x
x1
x1
xm
x5
..
.
x7
dove N rappresenta il numero dellestrazione e x il valore che la variabile ha assunto in quella determinata estrazione. Se andiamo a raccogliere in una tabella il risultato dellestrazione,
vediamo che, ad esempio, la variabile xi si presentata ri volte:
r
r1
r2
r3
r4
..
.
x
x1
x2
x3
x4
..
.
rm
xm
ri
N
che rappresenta il rapporto tra il numero di volte che viene estratta la variabile xi rispetto al
numero totale N delle estrazioni. A questo punto possiamo definire una quantit importante,
il valor medio della variabile x, che rappresenta la media dei valori assunti da da x dopo N
estrazioni, e viene indicata con < x >
< x >=
r1 x1 + r2 x2 + r3 x3 + + rm xm X
fi xi
=
N
i
Sia abbia una variabile y tale che essa sia y = g(x), allora:
X
< g(x) >=
Pi g(xi )
i
e la Varianza
V ar(x) =< (xi < x >)2 >=
X
i
Pi xi 2Pi xi < x > +Pi < x >2 =< x2 > < x >2
Capitolo 2
Variabili Continue
Nel caso di variabili continue, non si pu associare a un punto una probabilit finita.
Bisogna infatti associare la probabilit a a un segmentino dellintervallo i . La probabilit che
la variabile x i sar Pi Di conseguenza Pi = f (xi ) e possiamo svilupparla in serie di
Mclaurin
Pi = f (xi ) = f 0 (0)xi
Pi
=
xi
xi
= dP (x0 x x0 + dx) = p(x0 )dx
dove
(2.1)
(2.2)
(2.3)
dP
p(x0 ) =
dx x=x0
p(x) la funzione densit di probabilit e consiste nella probabilit che la variabile continua x
sia contenuta in dx. Adesso ci possiamo chiedere quale sia la probabilit che la variabile x sia
contenuta in un intervallo compreso tra due valori x1 e x2 . Essa sar
X
P (x1 x x2 ) =
Pk
k
x1
Segue la definizione del valore medio per una variabile aleatoria continua:
Z +
X
X
xp(x)dx
x =
xk Pk =
xk p(xk )xk =
k
Mentre per una funzione della variabile aleatoria, analogamente al caso discreto
Z +
f (x) =
p(x)f (x)dx
2.1
Probabilit Condizionata
Y
y1
y2
y3
..
.
xm
yn
y1
y2
y1
y2
r11
r12
r21
r22
r12 + r22
r12 r22
=
+
= P (x1 , y2 ) + P (x2 , y2 )
N
N
N
r21
r21
=
N1
r11 + r21
dP
dP (y) = dy p(x, y)dx
= p(y) =
dy
Fissato y la probabilit condizionata di avere x sar:
P (x|y)dx =
Z
p(x, y)dx
dP (x, y)
P (x, y)dxdy
=
dP (y)
p(y)dy
(2.4)
(2.5)
(2.6)
Quindi
P (x, y)dx =
P (x, y)dx
p(x, y) = p(y)p(x|y)
P (y)
x 6= x0
Se poniamo
y = f (x) x = f 1 (y) e dx =
allora:
(y)
f 0 [f 1 (y)]
dy =
dy
f 0 [f 1 (y)]
1
f 0 (x
0)
(x x0 )
|f 0 (x0 |
(x x0 (y))
|f 0 (x0 (y))|
con f (x0 ) = 0
p(x, y) =
1
(x x0 (y))p(x)
|f 0 (x0 (y))|
La stessa relazione si sarebbe potuta trovare in modo differente. Supponendo y = f (x) con f (x)
strettamente crescente, sappiamo che
dP (x0 x x0 + dx) = p(x0 )dx
Avendo imposto f (x) strettamente crescente
f (x0 ) y f (x0 + dx)
x1
x2
I1
x3
I2
I3 I4
x4
I5
I6
Siccome la funzione se suddivisa in tratti tra i punti di massimo e minimo relativo invertibile:
Z +
XZ
[f (x)]dx =
[f (x)]dx
Ik
XZ
Ik
[x xk ]
dx
|f 0 (xk )|
Quindi se ho y = h(x)
Z
p(y) =
Z
p(x, y)dx =
p(y|x)p(x)dx
Z
(y h(x))p(x)dx
Z X
[x xk (y)]
=
dx
|f 0 (xk (y))|
Capitolo 3
Processi Stocastici
Un processo stocastico X(t) una famiglia di variabili casuali indicizzate da un parametro t,
solitamente rappresentante il tempo, ma che pu rappresentare anche la posizione, unidimensionale e non, della variabile X nello spazio. In questo caso parliamo di processo stocastico spaziale.
Un esempio pu essere laltitudine rappresentata da h(x) di un volo tra Bari e Milano. Esso
un processo stocastico con varie realizzazioni hi (x), infatti per ogni viaggio la posizione a una
determinata x non sar fissata, ma sar diversa per ogni realizzazione, con una certa variabilit.
Passiamo ora a caratterizzare il processo stocastico.Ad esempio immediato che il valore medio
Bari
Trani
Milano
della quota < h(x) > non costante rispetto a x, ma funzione di x. Se ci riferiamo invece alle
densit di probabilit anche esse varieranno in funzione della x. Ad esempio, per x = 0, ovvero
laereo a Bari, la funzione densit di probabilit sar una delta di Dirac:
p(h(0)) = 1
Mentre ad esempio se per la coordinata x1 che rappresenta la posizione di Trani sar, ad esempio,
una gaussiana. Per questo il processo si dice non stazionario Chiameremo un processo stazionario
in senso stretto quando, la p(h) sar indipendente da x. Stazionario in senso largo quando < h >
sar indipendente da x. Si pu usare unaltra quantit lautocorrelazione. Per un processo
stazionario in cui h(x1 ) = h1 e h(x2 ) = h2 chiameremo autocorrelazione:
Z
< h1 h2 >= p(h1 , h2 )h1 h2 dh1 dh2
Sappiamo dal Teorema di Bayes che
p(h1 , h2 ) = p(h1 |h2 )p(h2 )
7
3.1
Z +
1
0
=<
dxdx0 h(x)h(x0 )eiqx eiq x
2
(2)
0
Siccome la media un applicazione lineare la posso portare sotto il segno dellintegrale, lespressione precedente diventa:
Z +
1
0
dxdx0 < h(x)h(x0 ) > eiqx eiq x
2
(2)
Riconosciamo in < h(x)h(x0 ) > lautocorrelazione R(x x0 ). Se ora effettuiamo un cambio di
variabili
(
x=s+t
x0 = t
(x, x0 )
dsdt
dxdx =
(s, t)
0
Dove
1 1
(x, x0 )
=1
= |J| =
0 1
(s, t)
dsR(s)eiqs
la trasformata di R(s). Da questa espressione notiamo come le due variabili sono incorrelate
tranne che per q = q 0 . Quindi
< h(q)h(q 0 ) >=< h(q)h(q) >=< |h2 (q)| >= (0)C(q)
dove
(0) =
L
1
=
2
q0
3.2
Se prendo una quota z e voglio conoscere il numero di intersezioni per unit di lunghezza so che:
XZ
X
N=
(x xk )dk =
(x xk )dx
k
Z X
(x xk (z))dx
10
X x xk (z)
|h0 (xk (z))|
k
quindi sostituendo:
N (z)
1
=
L
L
Se supponiamo che il processo sia ergodico, lintegrale sar uguale alla media statistica:
Z
|h0 |[z h]p(h, h0 )dhdh0
se integro prima su h:
Z
Z
Z
N (z)
0
0
0
0
0
0
|h |[z h]p(h, h )dhdh = |h |p(z, h )dh = |z 0 Zp(z, z 0 )dz 0 =
L
p(z, z 0 ) una distribuzione multivariata, ad esempio normale. Una distribuzione bivariata
normale, come pu essere ad esempio p(z, z 0 avr la seguente forma
p(z, z 0 ) =
con
1
T 1
expx x
2
< z 2 > < zz 0 >
=
< z 0 z > < z 02 >