Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Magoga Francesco
12 febbraio 2019
Versione 1.6
Indice
1 Urne e palline 2
1.1 Testo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Soluzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
4 Resistenze 10
4.1 Testo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.2 Soluzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6 Leggi normali 16
6.1 Testo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
6.2 Soluzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
6.2.1 Calcolare Φ e Φ−1 . . . . . . . . . . . . . . . . . . . . 18
7 Popolazioni e stime 19
7.1 Testo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.2 Soluzioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.2.1 Richiami: la v.c. media campionaria . . . . . . . . . . 19
7.2.2 Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.2.3 Esponenziale . . . . . . . . . . . . . . . . . . . . . . . 20
7.2.4 Normale con µ noto . . . . . . . . . . . . . . . . . . . 20
7.2.5 Normale con σ 2 noto . . . . . . . . . . . . . . . . . . . 20
7.2.6 Normale con µ e σ 2 ignoti . . . . . . . . . . . . . . . . 21
7.2.7 Binomiale . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3 Verificare le proprietà . . . . . . . . . . . . . . . . . . . . . . 21
7.3.1 Distorsione . . . . . . . . . . . . . . . . . . . . . . . . 21
7.3.2 Distorsione asintotica . . . . . . . . . . . . . . . . . . 22
7.3.3 Consistenza . . . . . . . . . . . . . . . . . . . . . . . . 22
7.3.4 Normalità asintotica . . . . . . . . . . . . . . . . . . . 22
INDICE
Introduzione
Le soluzioni contenute in questo testo si basano sugli esami dell’A.A.
2016/2017, sull’A.A. 2017/2018 e sull’inizio dell’A.A. 2018/2019 del corso
di Calcolo delle Probabilità e Statistica tenuto dal prof. Luigi Pace all’uni-
versità degli studi di Udine.
1 Urne e palline
1.1 Testo
Un’urna contiene N1 palline nere e B1 bianche. Una seconda urna con-
tiene N2 palline nere e B2 bianche. Una terza urna contiene N3 palline nere
e B3 bianche. (Una quarta urna contiene N4 palline nere e B4 bianche.)
Uno sperimentatore sceglie a caso un’urna fra le n con equiprobabilità, poi
estrae a caso, con reinserimento, nE palline dall’urna scelta. Si determini
la probabilità che l’urna scelta sia stata quella con Nj nere, se le palline
estratte risultano, senza tener conto dell’ordine di estrazione, una NE e BE
bianche.
1.2 Soluzione
Abbiamo n urne Ai con i = 1, . . . , n tali che l’urna Ai contiene Ni palline
nere e Bi palline bianche per un totale di ni = Ni + Bi palline. Sappiamo
che è stata scelta un’urna Aj con 1 ≤ j ≤ n e l’evento E ci dice che so-
no state estratte NE palline nere e BE palline bianche, per un totale di
nE = N E + BE .
Adesso dobbiamo applicare Bayes per trovare la probabilità che sia ve-
rificato l’evento avendo scelto l’urna Aj .
1
P (Aj )P (E | Aj ) n P (E | Aj ) P (E | Aj )
P (Aj | E) = Pn = 1 n = Pn
i=1 P (Ai )P (E | Ai ) i=1 P (E | Ai )
P
n i=1 P (E | Ai )
2.2 Soluzione
Abbiamo una v.c. continua definita su un intervallo [a, b] con legge di
probabilità contenente una costante c. Per calcolare tale costante basta
integrare secondo la formula seguente:
Z b
pX (x)dx = 1
a
Z b
cf (x)dx = 1
a
Z b
c f (x)dx = 1
a
1
c = Rb
a f (x)dx
Varianza è una misura della variabilità dei valori assunti dalla variabile
stessa; nello specifico, la misura di quanto essi si discostino quadraticamen-
te rispettivamente dalla media aritmetica o dal valore atteso E(X) (fonte:
Wikipedia). Si calcola facilmente tramite la formula
V ar(X) = E(X 2 ) − E(X)2
dove E(X 2 ) è il valore atteso di X dove tutte le occorrenze di x sono elevate
al quadrato e E(X)2 è valore atteso elevato al quadrato di X. In formule
sarebbe: Zb Z b 2
V ar(X) = c x2 f (x2 )dx − c xf (x)dx
"aZ a
2 #
b Z b
2 2
=c x f (x )dx − c xf (x)dx
a a
Per ultima cosa abbiamo una v.c. trasformata T , che deriva da X tramite
una funzione g (i.e. T = g(X) e g(x) = −x oppure g(x) = x2 o ancora
g(x) = |x|, . . . ). Il supporto di T equivale a:
3.2 Soluzione
Abbiamo le v.c. X = Bi(nX , pX ) e Y = Bi(nY , pY ) entrambe con legge
binomiale e Y dipendente da X.
La funzione pY |X=x sarà determinata dalla legge Bi(nY |X=x , pY |X=x ) che
si ottiene sostituendo la variabile x con un preciso valore in SX nella legge
Bi(nY , pY ).
Si ricorda che
nX
pX (x) = (pX )x (1 − pX )(nX −x)
x
e
nY |x
pY |X=x (y) = (pY |x )y (1 − pY |x )(nY |x −y)
y
che sono le solite probabilità binomiali.
Quindi è l’insieme di tutti i secondi elementi delle coppie nel supporto con-
giunto.
4 Resistenze
4.1 Testo
Una apparecchiatura ha solo n componenti che si possono guastare. La
vita operativa Xi (i = 1, ..., n) di ciascuna di esse ha distribuzione esponen-
ziale con valore atteso pari a E(Xj ) anni/Xi con calore atteso pari a E(Xi )
anni, indipendentemente dalla durata di corretto funzionamento dell’altra.
Quando almeno una/tutte delle n è guasta, l’apparecchiatura non è più
operativa. Sia T il tempo di corretto funzionamento dell’apparecchiatura. Si
esprima T come funzione di X1 , X2 . Si dica qual è il supporto di T . Si otten-
gano poi la funzione di ripartizione e la funzione di densità di probabilità di
T , esplicitandole in tutti i loro tratti. Si calcolino l’n-esimo quartile di T (è
il quantile-p con p = n/100) e la probabilità condizionale P (T > b | T > a).
4.2 Soluzione
Bisogna trovare il tempo T di corretto funzionamento dell’apparecchio
con n resistenze (solitamente n = 2 oppure n = 3, supponiamo n abbia
quest’ultimo valore) con vita operativa Xi con i = 1, . . . , n e con un certo
valore atteso E(Xi ).
Per il compito: Dire per quale motivo si è scelta la funzione max o min
(vedi testo sopra la formula).
FT (t) = P (T ≤ t) = 1 − P (T > t)
= 1 − P (X1 > t, . . . , Xn > t)
Yn
=1− P (Xi > t)
i=1
n
Y
=1− e−λi t
i=1
−t n
P
=1−e i=1 λi
i=1
5.2 Soluzione
Abbiamo la variabile Y con funzione generatrice dei momenti MY (t) =
eg(t) e Y1 , . . . , Yn copie indipendenti di Y , che vuol dire che Y ∼ Y1 ∼ · · · ∼
Yn . Abbiamo poi W definito come funzione P delle Yi per i = 1, . . . , n, ma a
noi conviene definire W anche come W = ni=1 ci Yi = c1 Y1 + · · · + cn Yn . In
questo modo possiamo vedere W = −Y1 − Y2 come W = c1 Y1 + c2 Y2 con
c1 (x) = c2 (x) = −1.
00 (t). Si avrà
Per la varianza conviene calcolare la derivata seconda MW
che:
00
E(X 2 ) = MW (0)
e poi procedere con la solita formula
6 Leggi normali
6.1 Testo
La variabile casuale multivariata (Y1 , . . . , Yn ) ha componenti indipen-
denti e identicamente distribuite con legge marginale normale, P in partico-
n Yi
lare Y1 ∼ N (µ, σ 2 ). Si mostri che la variabile casuale Y n = i=1 n ha
2
legge normale, Y n ∼ N (µ, σ /n). Sia n = n0 . Si calcolino P (Y n0 > a) e
P (Y n0 < b). Si ottenga infine l’i-esimo percentile di Y n0 (il quantile-p con
p = 0.i).
6.2 Soluzione
Pn 2
Yi
Dobbiamo dimostrare che la v.c. Y n = i=1 n ∼ N µ, σn sapendo
che Y1 ∼ N (µ, σ 2 ) e che Y1 ∼ · · · ∼ Yn .
Si ricorda che se Y ∼ N (µ, σ 2 ) allora avrà funzione generatrice dei mo-
1 2 2
menti MY (t) = E(etµ+ 2 t σ ).
1 2 σ2
= etµ+ 2 t n
P n Yi σ2
da cui si conclude che Y n = i=1 n ∼ N µ, n poiché una funzione
generatrice dei momenti (in questo caso MY n (t)) caratterizza la legge di
probabilità della v.c. associata (in questo caso Y n ).
Q Q t
n t n
Y
Per il compito: Indicare assolutamente che E i=1 e n i = i=1 E e n Yi
per l’indipendenza delle Yi .
6 LEGGI NORMALI 17
Qn t t n
Per il compito: Indicare assolutamente che i=1 E e n Yi = E e n Y1
per l’identica distribuzione delle Yi .
si ottiene che
q
σ2
t−µ µ+ n zp −µ
FY n (t) = Φ q = Φ q = Φ(zp ) = p
σ2 σ2
n n
Per calcolare Φ−1 (p) basta trovare l’elemento mi,j = p, in caso appros-
simando p al valore più vicino presente nella tabella e guardare gli elementi
nelle intestazioni mi,1 e m1,j . Anche qui avremo che t = tc + tr con tc = mi,1
e tr = m1,j .
7 POPOLAZIONI E STIME 19
7 Popolazioni e stime
7.1 Testo
Dato un campione y1 , . . . , yn , realizzazione di variabili casuali Y1 , . . . , Yn ,
n > 1, indipendenti con legge esponenziale con tasso di guasto λ > 0 igno-
to/di Poisson con valore atteso λ > 0 ignoto/normale di media nota pari
a µ e varianza σ 2 > 0 ignota/normale di media µ ∈ R ignota e varianza
nota pari a σ 2 /Bi(n, p) di media p ∈ (a, b) ignota, si reperisca una sti-
ma di λ/λ/σ 2 /µ/p e si indaghino le proprietà campionarie dello stimatore
corrispondente.
calcolandone anche lo standard error (solo nel caso della legge Bi(n, p)).
7.2 Soluzioni
7.2.1 Richiami: la v.c. media campionaria
Sia Y = (Y1 , . . . , YnP), E(Yi ) = µ e V ar(Yi ) = σ 2 per ogni i = 1, . . . , n.
Si ricorda che Y n = n1 ni=1 Yi ha valore atteso
n n n
!
1X 1X 1X 1
E(Y n ) = E Yi = E(Yi ) = µ = nµ = µ
n n n n
i=1 i=1 i=1
e varianza
n n n
!
1X 1 X 1 X 2 1 2 σ2
V ar(Y n ) = V ar Yi = V ar(Yi ) = σ = nσ =
n n2 n2 n2 n
i=1 i=1 i=1
7.2.2 Poisson
Sia Y = (Y1 , . . . , Yn ) una variabile di c.c.s. con numerosità n e legge
Y ∼ P (λ) (Poisson), allora una stima λ̂n per λ è:
λ̂n (y) = y n
7.2.3 Esponenziale
Sia Y = (Y1 , . . . , Yn ) una variabile di c.c.s. con numerosità n e legge
Y ∼ Esp(λ), allora una stima λ̂n per λ è:
1
λ̂n (y) =
yn
1
Stima λ̂n (y) = yn
1
Stimatore λ̂n = Yn
1
Valore atteso E(λ̂n ) = λ
1
λ2 1
Varianza V ar(λ̂n ) = n = nλ2
1 Pn
Stima µ̂2 = n i=1 (yi − µ)2
1 Pn
Stimatore µ̂2 = n i=1 (Yi − µ)2
Valore atteso E(µ̂2 ) = σ 2
2σ 4
Varianza V ar(µ̂2 ) =
q n
2 √
2µ̂ µ̂2 2
Standard error se(
ˆ µ̂2 ) = √ 2 = √
n n
1 Pn
Stima ŝ2n = n−1 i=1 (yi − µ)2
1 Pn
Stimatore Sn2 = n−1 i=1 (Yi − Y )2
Valore atteso E(ŝ2n ) = σ 2
2σ 4
Varianza V ar(σ̂n ) = n−1
√ 4 √
2ŝ ŝ2 2
Standard error ˆ 2n ) = √n−1n =
se(ŝ √n
n−1
7.2.7 Binomiale
Sia Y = (Y1 , . . . , Yn ) una variabile di c.c.s. con numerosità n e legge
Y ∼ Bi(n, p) con p ∈ ]a, b[ e n noto, allora una stima p̂n per p è:
p̂n (y) = y n
7.3.1 Distorsione
Uno stimatore θ̂n è detto non distorto per θ se
E(θ̂n ) = θ
lim E(θ̂n ) = θ
n→+∞
7.3.3 Consistenza
Uno stimatore θ̂n è detto consistente per θ se
p
θ̂n →
− θ
8.2 Soluzione
Vogliamo valutare la porzione p sapendo che n sono i pezzi totali consi-
derati e d sono i pezzi difettosi. Il modello statistico è quindi
dato che y ∈ Y = {0, 1}n (poiché Yi ∼ Bi(1, n) quindi SYi = {0, 1}) e che
yi = 0 se il pezzo i NON è difettoso, yi = 1 se il pezzo i è difettoso.
La stima invece è
n
1X
p̂n (y) = y n = yi
n
i=1
dove y = (y1 , . . . ,P
yn ) è la realizzazione di Y .
Sapendo che ni=1 yi = d abbiamo che il valore della stima p̂n (y) è
1 d
p̂n (y) = y n = ·d=
n n
d
Questo vuol dire che la porzione di oggetti difettosi p ' n, come ci si
può aspettare logicamente.
8 POPOLAZIONI E STIME (ALTERNATIVO) 24
con Sn = ni=1 Yi .
P
(Necessario?) La varianza di Y n è
Sn 1 1 p(1 − p)
V ar(Y n ) = V ar = 2 V ar(Sn ) = 2 np(1 − p) =
n n n n
1 1
). Si ha sempre Sn = ni=1 Yi .
P
ed è maggiorata da 4n (i.e. V ar(Y n ) ≤ 4n
= pd (1 − p)n−d