Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
3 Catene di Markov 6
3.1 Ex. 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Ex. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 Ex. 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Ex. 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1
5.6.1 novembre 2016 - A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.7 Funzioni generatrici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.7.1 novembre 2016 - B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8 Catene di Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.1 22 febbraio 2011 - A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.2 29 aprile 2011 - A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.3 29 aprile 2011 - C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.4 16 marzo 2012 - C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.5 20 giugno 2011 - C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.6 04 giugno 2012 - A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.7 04 giugno 2012 - E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.8 maggio 2016 - E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.9 maggio 2016 - H . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.10 novembre 2016 - D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.11 novembre 2016 - B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.12 novembre 2016 - F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.13 settembre 2016 - F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.8.14 settembre 2016 - G . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.9 Processo Branching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.9.1 29 aprile 2011 - B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.9.2 20 giugno 2011 - B . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.9.3 04 giugno 2012 - C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.10 Processo di Poisson e Distribuzione Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.10.1 16 marzo 2012 - D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.10.2 settembre 2016 - E . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.10.3 luglio 2016 - C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.10.4 maggio 2016 - F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.11 Moto brawniano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5.11.1 maggio 2016 - G . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2
1 Cap. 2 - Variabili aleatorie discrete
1.1 Ex. 1
Un ufficio deve scegliere il migliore fra 3 candidati ad un posto di lavoro, i quali si presentano in ordine
casuale per essere esaminati. Ogni candidato, pero, deve essere accettato o rifiutato subito dopo lesame.
Calcolate la probabilita di scegliere il migliore con tre diverse strategie:
P(scegliere il migliore)=1/3
2. Sorteggiare in anticipo il candidato da accettare indipendentemente dallesame
P(scegliere il migliore)=1/3
3. Esaminare il primo senza accettarlo, poi accettare il secondo se risulta miglior e del primo,
altrimenti scegliere il terzo
Una ditta produce pezzi meccanici, il 97% dei quali ha dimensioni a norma mentre il restante 3% e
composto da pezzi difettosi (fuori norma). Non e evidenziabile alcun schema temporale nella produzione
dei pezzi difettosi, cosicche possiamo assumere che gli eventi per cui i singoli pezzi risultino a norma o meno
siano mutuamente indipendenti.
1. Qual e la probabilita che, in una scatola di 5 pezzi, non ci sia alcun pezzo difettoso?
2. Qual e la probabilita che, in una scatola di 5 pezzi, ve ne siano esattamente due difettosi?
3. Qual e la probabilita che, in una scatola di 5 pezzi, ve ne siano almeno due difettosi?
4. Utilizzare la distribuzione di Poisson per approssimare la probabilita che vi siano almeno 4 pezzi difettosi
in una scatola di 40
5. Utilizzare la distribuzione normale per approssimare la probabilita che vi siano almeno 20 pezzi difettosi
in una scatola di 400
1.3 Ex. 3
1. Calcolare il valore atteso del punteggio che si ottiene sommando i S valori delle palline estratte
2. Qual e la probabilita di ottenere 8 come numero piu alto?
3. Qual e la probabilita di ottenere 8 come secondo numero piu alto?
1.4 Ex. 4
I pesi di alcune confezioni prodotte da una certa ditta sono distribuiti normalmente con media 6 kg
e varianza 4 kg 2 . Per questo motivo e ragionevole supporre che i pesi di n confezioni scelte a caso dalla
popolazione siano considerate n v.a. (x1 , ..., xn ) indipendenti e identicamente distribuite con legge N (6, 4).
Fissiamo n=4
1. Qual e la probabilita che il peso totale della somma delle 4 confezioni superi i 28 kg?
2. Qual e la probaiblita che il peso medio delle quattro confezioni non differisca dal peso mesio della popo-
lazione per piu di 2 kg?
3. Consideriamo ora n=100 invece che n=4. La nuova probabilita e maggiore o minore della precedente?
3
1.5 Ex. 5
1.6 Ex. 6
2
Una v.a. X definita su (0 X < ), per X = x funzione di ripartizione 1 e1/2x
1.7 Ex. 7
1.8 Ex. 8
1.
4
2 Cap. - Vettori aleatori
2.1 Ex. 1
Sia > 0 e p ]0, 1[. Sia N la v.a. uguale a no di clienti che un fruttivendolo ha in un giorno. Si
supponga che N segua una legge di Poisson di parametro e che ogni cliente compri frutta con probabilita
p e verdura con probabilita (1 p), ma che non compri sia frutta che verdura. Si supponga, inoltre, che le
compere siano indipendenti. Sia
X= n di clienti che comprano frutta
Y= n di clienti che comprano verdura
2.2 Ex. 2
Sia n un intero n N e p ]0, 1[. Una segretaria effettua n chiamate telefoniche verso n numeri distinti.
Ogni chiamata e una v.a. di Bernulli di parametro p. X e la variabile aleatoria uguale di a n di risposte
ottenute.
2.3 Ex. 3
Determinare le leggi di X, Y e X 2 + Y 2
2.4 Ex. 4
2.5 Ex. 5
5
Siano un numero reale e k, l 1 due numeri interi
6
3 Catene di Markov
3.1 Ex. 1
Per molti anni, Harvard, Darmouth e Yale ammetterono sono studenti maschi. Supponiamo che, a quei
tempo, l80% dei figli di chi era andato ad Harvard andava ad Harvard e il resto andasse a Yale, il 40% dei
figli di chi era andato a Yale andasse a Yale e il resto si dividesse parimenti tra Dormunth e Harvard e che
i figli di chi era andato a Dormunth, il 70% andasse a Dormuth, il 20 % ad Harvard e il 10 % a Yale
3.2 Ex. 2
Modificare le assunzioni di prima, supponendo che i figli di un uomo andato ad Harvard vadano sempre
ad Harvard e calcolare sempre la probabilita che li nipote di un uomo andato ad Harvard vada ad Harvard
3.3 Ex. 2
3.4 Ex. 3
Sono date due urne e 2d biglie di cui d nere e d bianche. Inizialmente d biglie scelte a caso sono collocate
nellurna 1 e le restanti d biglie sono collocate nellurna due.
Ad ogni istante una biglia e scelta a caso da ciascuna delle due urne ed e spostata nellaltra urna. Sia:
4.2 Ex. 2
Sia
1 0 0 0 0 0
1/4 1/2 1/4 0 0 0
0 1/5 2/5 1/5 0 1/5
P =
0
(1)
0 01/6 1/3 1/2
0 0 0 1/2 0 1/2
0 0 0 1/4 0 3/4
matrice di transizione su S = {1, 2, 3, ..., 6}
Dimostrare che, muovendosi dallo stato 4 con la dinamica descritta da P, la probabilita di raggiungere lo
stato 6 in un tempo finito e almeno 3/4
7
Calcolare la probabilita di raggiungere lo stato 1 partendo dallo stato 2 in un tempo finito p12 e dare
uninterpretazione probabilistica a 1 p12
Calcolare eventuali misure invarianti della catena
8
5 Esercizi esami passati
5.1 Probabilita
5.1.1 29 aprile 2011 - E
5.1.2 16 marzo 2012 - A
5.1.3 16 marzo 2012 - B
5.1.4 04 giugno 2012 - B
5.1.5 novembre 2016 - C
5.1.6 novembre 2016 - E
5.1.7 novembre 2016 - G
5.1.8 novembre 2016 - H
5.1.9 maggio 2016 - A
5.1.10 maggio 2016 - B
5.1.11 settembre 2016 - C
5.1.12 luglio 2016 - B
5.1.13 luglio 2016 - C