Sei sulla pagina 1di 19

30063 Matematica Applicata Esercizi di probabilit`a

Francesca Beccacece, Marzia De Donno, Fabrizio Iozzi

Universita' Bocconi

1 Funzioni B-misurabili

Ex. 1 — Si consideri lo spazio di probabilit`a Ω = { ω 1 2 3 4 5 } munito dell’algebra

A = {∅ , { ω 1 2 } , { ω 3 4 } , { ω 5 } , { ω 1 2 3 4 } , { ω 1 2 5 } , { ω 3 4 5 } ,}

Dire quali delle seguenti funzioni definite su Ω sono numeri aleatori:

1.

2. Y (ω 1 ) = Y (ω 2 ) = 1

3. Z(ω 1 ) = Z(ω 2 ) = 100

4. U (ω 1 ) = U(ω 2 ) = 12

5. V (ω 1 ) = V (ω 2 ) = V (ω 3 ) = V (ω 4 ) = V (ω 5 ) = 1

X(ω 1 ) = 1

X(ω 2 ) = 0

X(ω 3 ) = 1

X(ω 4 ) = 2

Y (ω 3 ) = 0

Y (ω 4 ) = Y (ω 5 ) = 2

Z(ω 5 ) = 0

Z(ω 3 ) = Z(ω 4 ) = 1

U (ω 3 )

= U(ω 4 ) = U(ω 5 ) = 0

X(ω 5 ) = 2

2 Numeri aleatori discreti

Ex. 2 — Si vuole dare una previsione del prezzo Y di un titolo a fine mese, relativamente all’andamento del (tasso di) rendimento dei BOT sullo stesso orizzonte temporale. Per il rendimento dei BOT si prevedono tre possibili scenari (risultati elementari):

ω 1 = { Il tasso aumenta}

ω 2 = { Il tasso rimane costante}

ω 3 = { Il tasso diminuisce } .

1. Detto Ω lo spazio degli eventi elementari, si costruisca la massima algebra A (la famiglia di tutti i possibili sottoinsiemi di Ω, ovvero l’insieme delle parti);

2. Si supponga, d’ora in poi, che le probabilit`a assegnate ai tre risultati elementari siano p 1 = 0, 4; p 2 = 0, 2; p 3 = 0, 4, e che il prezzo del titolo Y assuma rispettivamente i valori 100, 120, 140. Si costruisca la pi`u piccola algebra rispetto a cui Y risulta misurabile;

1

3.

Si provi che Y non `e misurabile rispetto all’algebra A 1 = {,, { ω 1 3 } 2 } .

4. Si calcoli e rappresenti graficamente la funzione di probabilit`a e la funzione di ripar- tizione di Y .

Ex. 3 — Il sig. Rossi ha acquistato un contratto secondo il quale alla scadenza egli ricever`a una somma pari a 100 euro se il prezzo di un certo titolo finanziario supera una soglia pre- fissata e niente altrimenti. La probabilit`a che il titolo in questione superi la soglia prefissata `e pari a 0.6.

1. Quali determinazioni pu`o assumere il numero aleatorio X che rappresenta la somma ricevuta dal sig. Rossi allo scadere del contratto?

2. Qual `e la funzione di probabilit`a di X?

3. Calcolare la probabilit`a che il sig. Rossi non riceva niente.

4. Calcolare il valore atteso di X.

5. Calcolare la varianza e lo scarto quadratico medio di X.

Ex. 4 — Si consideri l’esperimento che consiste nel lanciare per 2 volte una moneta equi- librata. Sia X il numero aleatorio che esprime il numero di teste che sono uscite.

1. Quali sono le determinazioni di X?

2. Si determini la funzione di probabilit`a di X.

3. Si calcoli la probabilit`a che X 1.

4. Si calcoli il valore atteso di X.

5. Si calcolino la varianza e lo scarto quadratico medio di X.

6. Si consideri la scommessa che consiste nel vincere 5 euro per ogni lancio in cui esce testa (0 se esce croce) e sia Y il numero aleatorio che denota la vincita. Si calcolino valore atteso, varianza e scarto quadratico medio di Y .

Ex. 5 — Un numero aleatorio X pu`o assumere le determinazioni 1, 0, 1 con probabilit`a rispettivamente 8 , p ,

1

1

8 .

1. Determinare p.

2. Calcolare la probabilit`a che il numero aleatorio assuma valori non negativi.

3. Determinare la funzione di ripartizione di X.

4. Calcolare valore atteso, varianza e scarto quadratico medio di X.

5. Sia Y = 2X + 2. Calcolare valore atteso, varianza e scarto quadratico medio di Y .

6. Calcolare la funzione di probabilit`a e la funzione di ripartizione di Y .

Ex. 6 — Sia X un numero aleatorio discreto avente come insieme delle determinazioni

2

{-2, 0 ,2} e con le seguenti propabilit`a:

P (X = 2) = p

P (X = 0) = 3p

P (X = 2) = p.

1. Determinare p.

2. Determinare il valore atteso di X.

3. Sia Y = |X | − 1. Si trovi la funzione di probabilit`a di Y .

4. Calcolare P (X 0|Y 0).

Ex. 7 — Si consideri la funzione

con q (0, 1).

p(k) = 1

4 q k 1

per k 1

1.

Si

determini q in modo che p(k) sia la funzione di probabilit`a di un numero aleatorio

 

discreto.

2.

Sia X un numero aleatorio con funzione di probabilit`a p(k). Si calcoli P (X > k).

3.

Calcolare P (X > 6|X > 2).

Ex. 8 — Il numero di persone che ogni giorno acquistano una certa rivista ad una data edicola `e un numero aleatorio di Poisson con parametro λ = 5.

1. media quante persone acquisteranno la rivista domani in quell’edicola?

In

Si

2. calcoli la probabilit`a che almeno 3 persone acquisteranno la rivista nella giornata

di

Si

domani in quell’edicola.

3. calcoli la probabilit`a che al pi´u 5 persone acquisteranno la rivista in quell’edicola

nella giornata di domani, sapendo che almeno 3 persone lo compreranno sicuramente.

3 Numeri aleatori continui

Ex. 9 — Sia α un numero reale positivo. Si consideri un numero aleatorio X con densit`a di probabilit`a:

f(x) = αx 0

per 1 x 3 altrimenti

1. Determinare α.

2. Calcolare la probabilit`a che X sia minore o uguale a 2.

3. Calcolare il valore atteso di X.

4. Calcolare il valore atteso di X 2 .

5. Calcolare la varianza di X.

3

6.

Calcolare valore atteso e varianza del numero aleatorio Y = 3X 2.

Ex. 10 — Sia α un numero reale positivo. Si consideri un numero aleatorio X con densit`a di probabilit`a:

f(x) = αx 0 3

per 0 x 1 altrimenti

1. Determinare α.

2. Calcolare la probabilit`a che X sia maggiore di

3. Calcolare la probabilit`a che X assuma un valore compreso tra

4. Calcolare la funzione di ripartizione di X.

5. Ricalcolare le probabilit`a dei punti 2 e 3 usando la funzione di ripartizione.

6. Calcolare il valore atteso di X.

1

2 .

1

4 e

1

2 .

Ex. 11 — Sia X un numero aleatorio continuo con funzione di ripartizione F :

con a,b R.

F(x) =

0

per x < 1

a(x + x 3 ) + b

per 1 x

< 2

1

per x 2

1. Determinare a,b.

2. Calcolare la probabilit`a che X sia compreso tra 0 e 1.

3. Calcolare P (X 1|X 0).

4. Determinare la densit`a di X.

5. Calcolare valore atteso, varianza e scarto quadratico medio di X.

6. Calcolare il momento del terzo ordine (rispetto all’origine) di X.

Ex. 12 — Sia X un numero aleatorio con densit`a esponenziale di parametro α = 2.

1. Calcolare il valore atteso di X.

2. Calcolare P (X 3), P (X > 3), P (3 < X 3.5).

3. Calcolare x in modo che P (X x) = 1

2 .

Ex. 13 — Si consideri un numero aleatorio continuo X con densit`a di probabilit`a

f(x) =

4x

8

0

per 0 x 4 altrimenti

1. Calcolare P (1 X 3) e P (X 1|X 3).

2. Trovare il valore atteso e la varianza di X.

4

3.

Sia Y = 4 X. Trovare valore atteso e varianza di Y .

4. Calcolare P (Y 3|X 3).

5. Determinare la densit`a di probabilit`a di Y .

Ex. 14 — Si consideri la seguente funzione:

F(x) =

1 k 2

0

x

per x 1 altrimenti

1. Per quale valore di k la funzione F `e la funzione di ripartizione di un numero aleatorio continuo?

2. Fissato il valore di k determinato al punto precedente, sia X un numero aleatorio continuo con funzione di ripartizione F . Si determini la densit`a di probabilit`a di X.

3. Il numero aleatorio X ha valore atteso finito? in caso affermativo lo si calcoli. Si mostri inoltre che X non ha varianza finita.

4. Trovare x R tale che P (X x) = 0.2.

5. Sia Y = ln X. Si trovi P (Y y) per ogni y R.

6. Si calcoli P (X 2|Y 2).

5

Answer (ex. 1) —

1. X non `e un numero aleatorio. Infatti l’insieme {ω |X(ω)

0} = {ω 2 3 5 } non `e un evento

2. Y non `e un numero aleatorio. Infatti l’insieme {ω |Y (ω) 1} = {ω 1 2 3 } non `e un evento

3. Z `e un numero aleatorio. Si consideri l’insieme A x = {ω |Z(ω) x } al variare

di

x. Se x `e minore di 0, A x = ; se 0 x < 1, allora A x = {ω 5 } che `e un evento;

se

1 x < 100, allora A x = {ω 5 3 4 } che `e un evento; infine, se x 100, allora

A x = Ω che `e un evento. Poich´e A x `e un evento per ogni x, Z `e un numero aleatorio.

4. U `e un numero aleatorio. Si consideri l’insieme A x = {ω |U (ω) x } al variare

di x. Se x `e minore di 0, A x = ; se 0 x < 12, allora A x = {ω 5 3 4 } che `e un

evento; infine, se x 12, allora A x = Ω che `e un evento. Poich´e A x `e un evento per ogni x, U `e un numero aleatorio.

5. V `e un numero aleatorio. Si consideri l’insieme A x = {ω |U (ω) x } al variare di

Poich´e A x `e

x. Se x `e minore di 1, A x = ; se x 1, allora A x = Ω che `e un evento. un evento per ogni x, V `e un numero aleatorio.

Answer (ex. 2) —

P =

1. Poich´e Ω ha 3 elementi, l’insieme delle parti di Ω ha 2 3 :

{∅, {ω 1 }, {ω 2 }, {ω 3 }, {ω 1 2 }, {ω 1 3 }, {ω 2 ω 3 }, {}}

2. Perch´e un numero aleatorio Y sia misurabile occorre che comunque si fissi x i sottoin- siemi formati dagli ω tali che Y (ω) x appartengano all’algebra. I dati del problema forniscono Y (ω 1 ) = 100, Y (ω 2 ) = 120, Y (ω 3 ) = 140, quindi se x `e maggiore o uguale a 140, il sottoinsieme `e tutto Ω, se 120 x < 140 il sottoinsieme `e {ω 1 2 }, se 100 x < 120 il sottoinsieme `e {ω 1 }, se infine x < 100 il sottoinsieme `e vuoto. La pi piccola algebra deve quindi contenere, oltre ad Ω e a , i sottoinsiemi {ω 1 } e {ω 1 2 }. Per le condizioni sull’algebra, oltre a questi sottoinsiemi ci devono essere anche i loro complementari e quindi rispettivamente {ω 2 3 } e {ω 3 }; inoltre, sempre per le con- dizioni sull’algebra, essa deve contenere anche le unioni di sottoinsiemi dell’algebra e quindi anche {ω 1 3 } (unione di ω 1 e ω 3 ) e il suo complementare che `e ω 2 : pertanto, l’algebra richiesta coincide con A .

3. Per mostrare che Y non `e misurabile rispetto all’algebra A 1 , dobbiamo mostrare che per almeno un valore x il sottoinsieme degli ω per cui Y (ω) x non appartiene all’algebra. Si prenda x = 130; il sottoinsieme di Ω per cui Y (ω) 130 `e costituito da ω 1 e ω 2 ma tale sottoinsieme non appartiene all’algebra considerata e quindi, rispetto ad essa il numero aleatorio Y non `e misurabile.

4. La distribuzione di probabilit`a `e una funzione p(x) costantemente uguale a 0 escluso per i valori p(100) = 0.4, p(120) = 0.2 e p(140) = 0.4. La funzione di ripartizione `e data da

F(x) = P(ω |Y (ω) x) =

6

0

0.4

0.6

1

per x < 100 per 100 x < 120 per 120 x < 140 per x 140

ed `e rappresentata in figura 1

ed `e rappresentata in figura 1 Answer (ex. 3) — 100. Figure 1: Funzione di ripartizione

Answer (ex. 3) —

100.

Figure 1: Funzione di ripartizione

1. Il numero aleatorio X assume le determinazioni x 1 = 0 e x 2 =

2. La funzione di probabilit`a di X prende i valori p 2 = P (X = 100) = 0.6, p 1 = 1 p 2 =

0.4.

3. La probabilit`a che il sig. Rossi non riceva niente `e P (X = 0) = p 1 = 0.4

4. Il valore atteso di X `e

5. Il valore atteso di X 2 `e

E[X] = 0 · 0.4 + 100 · 0.6 = 60.

E[X 2 ] = 0 2 · 0.4 + 100 2 · 0.6 = 6000,

quindi la varianza `e

σ 2 (X) = E[X 2 ] E[X] 2 = 6000 60 2 = 6000 3600 = 2400,

mentre lo scarto quadratico medio `e

σ(X) = 2400 = 48.99.

Answer (ex. 4) —

1. Le determinazioni di X sono x 0 = 0,x 1 = 1,x 2 = 2

2.

X prende la determinazione 0 se entrambi i lanci danno croce: si tratta di un unico risultato favorevole ( (C,C)) sui quattro possibili ((T,T), (T,C), (C, T), (T,T)) quindi p 0 = P (X = 0) = 1 4 . In modo analogo, si verifica che X prende la determinazione 2

solo nel caso del risultato (T,T), quindi p 2 = P (X = 2) = 1 4 . Infine, dalla relazione

p 0 + p 1 + p 2 = 1, si ricava p 1 = 1

1

4 1 4 = 2 1

7

3. P (X 1) = p 0 + p 1 =

1

3

4 + 2 = 4

1

1

1

1

1

2 = 1.

4. E[X] = 0 · p 0 + 1 · p 1 + 2 · p 2 = 2 + 2 ·

5. Per calcolare la varianza, calcoliamo prima il valore atteso di X 2 . Si ha:

4 = 2 +

E[X 2 ] = 0 2 · p 0 + 1 2 · p 1 + 2 2 · p 2 = 1 2 + 4 · 1 4 = 1 2 + 1 = 3

2

quindi

σ 2 (X) = E[X 2 ] E[X] 2 = 3 1 2 = 3 1 = 1

2

2

2

Lo scarto quadratico medio `e σ(X) =

1 1

2 =

2

6. La vincita `e data da Y = 5X. Per le propriet`a di valore atteso e varianza, si ottiene:

E[Y ] = E[5X] = 5E[X] = 5

σ 2 [Y ] = σ 2 [5X] = 5 2 σ 2 [X] = 25 · 1 2 = 25

2

σ[Y ] = σ[5X] = |5|σ 2 [X] = 5 ·

1

2

=

5

2

Answer (ex. 5) —

1. Poich´e la somma delle probabilit`a deve essere 1, si ha 1/8 +

p + 1/8 = 1 da cui p = 3/4

2. Si vuole calcolare P (X 0). Si ha P (X 0) = P (X = 0)+P (X = 1) = 3/4+1/8 =

7/8.

3. Distinguiamo i 4 casi: (i) x < 1; (ii) 1 x < 0; (iii) 0 x < 1; (iv) x 1. Si ha allora (i) per x < 1, (X x) = quindi banalmente F (x) = 0; (ii) per 1 x < 0,

F (x) = P (X = 1) =

1

8 ;

(iii)

per 0 x < 1,

 

1

 

F (x) = P (X = 1) + P (X = 0) =

8

+

(iv)

per x 1, (X x) = Ω quindi banalmente F (x) = 1.

4. Si ha

3 7

4 = 8 ;

E(X) = 1 · 1 8 + 0 · 3 4 + 1 · 8 = 0

1

σ 2 (X) =

E(X 2 ) [E(X)] 2 = 1 · 8 + 0 · 4 + 1 · 1 8 0 2 = 1

4

1

3

σ(X) = σ 2 (X) = 1

2

( X )] 2 = 1 · 8 + 0 · 4 + 1 · 1

8

5.

Dalle propriet`a di valore atteso e varianza ricaviamo:

E(Y ) = E(2X + 2) = 2E(X) + 2 = 2

1

σ 2 (Y ) = σ 2 (2X + 2) = 2 2 σ 2 (X) = 4 · 4 = 1

σ(Y ) = σ 2 (Y ) = 1.

6. Il numero aleatorio Y prende le determinazioni 0, 2, 4. In particolare, si avr`a:

P (Y = 0) = P (2X + 2 = 0) = P (X = 1) = 1

8

P (Y = 2) = P (2X + 2 = 2) = P (X = 0) = 3

4

P (Y = 4) = P (2X + 2 = 4) = P (X = 1) = 1

8 .

La sua funzione di ripartizione G(y) `e quindi definita a tratti sugli intervalli (i) y < 0;

(ii) 0 y < 2; (iii) 2 y < 4; (iv) y 4 e si ha:

(i) per y < 0, G(y) = 0

(ii) per 0 y < 2, G(y) = P (Y = 0) = 1

8

(iii) per 2 y < 4, G(y) = P (Y = 0) + P (Y = 2) = 7

(iv)

8

per y 4, G(y) = P (Y = 0) + P (Y = 2) + P (Y = 4) = 1.

Answer (ex. 6) —

1. La probabilit`a p deve soddisfare la condizione

da cui ricaviamo p = 1

5 .

p + 3p + p = 0

2. Dalla formula per il calcolo del valore atteso, abbiamo

E(X) = 2 · P (X = 2) + 0 · P (X = 0) + 2 · P (X = 2) = 2p + 2p = 0.

3. Poich´e le determinazioni di X sono -2,0,2, Y potr`a assumere solo i valori -1,1. (Se

In

X = 0, allora Y particolare

= 0 1 = 1, mentre se X = ±2, allora Y

= 2 1 = 1.)

P (Y = 1) = P (|X | − 1 = 1) = P (|X | = 0) = P (X = 0) = 3

5

P (Y = 1)

=

= P ((X = 2) (X = 2)) =

=

P (|X | − 1 = 1) = P (|X | = 2) =

P (X = 2) + P (X = 2) = 2

5 .

9

4.

Si pu`o subito osservare che (Y 0) = (Y = 1) = (X = 0) e quindi

P (X 0|Y 0) = P (X 0|X = 0) = 1.

In maniera alternativa, sfruttando la definizione di probabilit`a condizionata, si trova:

P (X 0|Y 0) = P (X P (Y 0,Y 0) 0)

Calcoliamo P (Y 0) = P (Y = 1) = 3 . Inoltre, poich´e

5

(X 0) = (X = 0) (X = 2)

e

(Y 0) = (Y = 1) = (X = 0)

.

l’intersezione (X 0,Y 0) concide con (X = 0) e quindi

Ne segue che:

P (X 0,Y 0) = P (X = 0) = 1

5 .

P (X 0|Y 0) =

1

5

1

5

= 1.

Answer (ex. 7) —

1. Affinch´e p(k) sia una funzione di probabilit`a deve soddisfare la

condizione di normalizzazione

+

p(k) = 1.

k=1

Si ha

+

k=1

p(k)

=

=

+

k=1

1

4 q k 1 = 1

4

+

k=1

q k 1

1

4

+

h=0

q h =

1

4 ·

1

1 q

da cui ricaviamo 1 q = 1 4 e quindi q = 3

4 .

2. Si ha

P(X > k) =

+

h=k+1

P(X = h) =

h=k+1 1 4

+

4 h 1 = 1

3

4

h=k+1 3

+

4 h 1

.

Ponendo m = h k 1 (quindi h = m + k + 1) riscriviamo la serie nella forma:

h=k+1 3

+

4 h 1

=

m=0 3

+

4 m+k =

3

4 k

10

m=0 3

+

4 m =

3 1 3 4 k 1 − 3 4 = 4 4 k
3
1
3
4 k 1 − 3 4 = 4 4 k

.

Otteniamo quindi:

P(X

> k) = 1 4 4

3

4 k = 4 k

3

.

Alternativamente P (X > k) = 1 P (X k) dove

3. Si ha

P(X k)

=

k

h=1

P(X = h) =

k

h=1

1 4

4 h 1 = 1

4

3

k

h=1

3 4 h 1

.

k − 1 1 3 4 j = 1 1 − 3 4 k =
k − 1
1
3 4 j = 1 1 − 3 4 k
=
=
1 − 3 4 k .
4
4
1
− 3
j=0
4
6
3 4 4
3
P
(X > 6)
4
P (X > 6|X > 2) = P (X P > (X 6,X > 2) > 2)
=
=
=
2
P
(X > 2)
3
4

.

Answer (ex. 8) —

1. Il numero aleatorio X = numero di persone che acquistano la

rivista domani ha distribuzione di Poisson di parametro λ = 5. Il numero medio di

persone che acquisteranno la rivista domani ´e pari a E[X] = λ = 5.

2. Dobbiamo calcolare P (X 3):

P (X 3) = 1 P (X 2) = 1 P (X = 0) P (X = 1) P (X = 2)

e poich´e P (X = k) = e 55 k otteniamo

k!

P (X 3)

=

1

e 5 5 0 e 5 5 1 e 5 5 2

=

0!

1!

2!

1 e 5 5e 5 e 5 25 = 0.8753.

2

3. Dobbiamo calcolare P (X 5|X 3):

P (X 5|X 3)

=

=

=

P (X 5,X 3)

P (X 3)

= P (3 X 5)

P (X 3)

P (X = 3) + P (X = 4) + P (X = 5)

P (X 3)

0.4913 0.8753 = 0.5613.

=

e

55 3

3!

+ e 5 5 4! 4

e 55 5

5!

0.8753

11

Answer (ex. 9) — la relazione

1. Perch´e f sia una densit`a di probabilit`a `e necessario che valga

+

−∞

f (x)dx = 1

L’integrale improprio `e semplice poich´e f (x) = 0 esclusi i valori compresi tra 1 e 3. Si ha quindi

+

−∞

f (x)dx =

3

1

αxdx = α · x 2

2

3

1

=

α 9 2

1

2 = 4α

e perch´e esso sia uguale a 1 deve essere α = 1/4. La funzione densit`a `e quindi

f(x) =

x

4

0

per 1 x 3 altrimenti

2. Per definizione di densit`a di probabilit`a, la probabilit`a che X sia minore o uguale a 2 `e uguale a

2

2

x

4

dx = x 2

8

2

1

= 3

8

f (x)dx =

−∞

1

3. Il valore atteso di X, E(X) `e, per definizione,

+

−∞

xf (x)dx =

3

1

x x dx = x 3

12

4

3

1

= 27 12 12 = 13

1

6

4. Il valore atteso di X 2 , E(X 2 ) `e, per definizione,

+

−∞

x 2 f (x)dx =

3

1

x 2 x dx = x 4

16

4

3

1

= 81

1

16 16 = 5

5. La varianza di X `e

σ 2 (X) = E(X 2 ) E 2 (X) = 5 169

36

= 11

36

6. Il legame tra i numeri aleatori Y e X `e lineare. Pertanto si ha

e

E(Y ) = 3E(X) 2 = 3 · 13 2 = 9

2

6

σ 2 (Y ) = 3 2 σ 2 (X) = 9 · 11

36 = 11

4

12

Answer (ex. 10) — la relazione

1. Perch´e f sia una densit`a di probabilit`a `e necessario che valga

+

−∞

f (x)dx = 1

L’integrale improprio `e semplice poich´e f (x) = 0 esclusi i valori compresi tra 0 e 1. Si ha quindi

+

−∞

f (x)dx =

1

0

αx 3 dx = α · x 4

4

0 = α 1 4 0 = α

4

1

e perch´e esso sia uguale a 1 deve essere α = 4. La funzione densit`a `e quindi

f(x) = 4x 0 3

per 0 x 1 altrimenti

2. La probabilit`a che X sia maggiore di 1 2 `e P (X > 1/2) = 1 P (X 1/2) e il secondo addendo `e uguale per definizione a

1 1

2 2

−∞

f (x)dx =

0

4x 3 dx = x 4

1

2

0

=

1

16 0

e quindi la probabilit`a richiesta `e P (X > 1/2) = 1 1/16 = 15/16

3. Analogamente al caso precedente, la probabilit`a che X assuma valori compresi tra

1

e 2 `e data da

1

2

1

4

f

(x)dx = x 4

1

2

1

4

=

1

1

16 256 =

15

256

1

4

4. La funzione di ripartizione di X `e la funzione integrale

F(x) =

x

−∞

f (t)dt =

x

−∞

4t 3 dt

e ha una semplice espressione analitica:

F(x) =

0

per x < 0 per 0 x < 1


x 4

1 per x 1

5. Poich´e F (x) = P (X x) si ha

e

P (X > 1/2) = 1 P (X 1/2) = 1 F 1 2 = 1

1

16 = 15

16

P 4 < X < 1 2 = F 1 2 F

1

1

4 = 16 256 =

1

1

15

256

13

6.

Il valore atteso di X `e per definizione

Answer (ex. 11) —

+

−∞

xf (x)dx =

1

0

x x 4 dx = 4x 5

4

5

1

0

= 4

5

1. Affinch´e X sia un numero aleatorio continuo, la sua funzione

di ripartizione deve essere continua. In particolare, dobbiamo richiedere che

2.

3.

4.

x 1 F (x) = F (1)

lim

e

Ricaviamo allora le due condizioni:

lim F (x) = F (2).

x

2

ossia

Si ottiene dunque

F(x) =

0 = 2a + b

10a + b = 1

a =

1

12

1 .

b = 6


0 per x < 1

x+x 3

12

+

1

6

per 1 x < 2

1 per x 2

P (0 X 1) = F (1) F (0) = 1 + 1

12

+ 6 6 = 6 1 .

1

1

P (X 1|X 0) = P ((X 1) (X 0)) = P (0 X 1) = F (1) F (0)

P (X 0)

P (X 0)

1 F (0)

=

1

6

5

6

= 1

5 .

Poich´e F `e derivabile in ogni x R tale che x

= 1,x = 2, la funzione densit`a f di

X in quei punti coincide con la derivata di X, dunque

5.

f(x) =

1+3x 2

12

0

per 1 < x < 2 altrimenti

(ricordiamo che il valore di f nei soli punti x = 1 e x = 2 non `e rilevante ai fini del calcolo della funzione di ripartizione).

Il valore atteso di X `e dato da

E(X)

=

=

−∞

+

2

xf (x)dx =

1

x + 3x 3

12

1

12

x 2

2

+

3 x 4

4

2

1 = 51

48 = 17

16

14

dx

= 1.0625.

Il momento del secondo ordine `e dato da

E(X 2 )

=

=

−∞

+

2

x 2 f (x)dx =

1

x