Sei sulla pagina 1di 50

VARIABILI CASUALI CONTINUE

Le variabili casuali continue assumono un’infinità non nu-


merabile di valori ed il loro supporto S può essere rap-
presentato in generale come un intervallo dell’asse reale:
se X = durata di una lampadina ⇒ SX = IR+.

Esempi: distanze, durate e, più in generale, qualsiasi


tipo di esperimento legato ad un processo di misurazione.

La trattazione delle v.c. continue e diversa da quella delle


v.c. discrete in quanto, se X è continua
• il supporto è infinito non numerabile: se fissas-
si, pur piccola a piacere, una stessa probabilità per
ciascuna possibile realizzazione Pr(X = x) = ε > 0
tradirei il II assioma in quanto Pr(Ω) = ∞;
• ogni realizzazione puntuale devo assumere che abbia
probabilità nulla: Pr(X = x) = 0 ∀x ∈ IR. Ciò
non significa che tale evento sia impossibile (sicura-
mente X assumerà un certo valore reale al termine
dell’esperimento) ma che non può essere probabiliz-
zato; ha senso probabilizzare esclusivamente eventi
del tipo X < a, a < X < b e X > b, ciascuno dei
quali è riconducibile ad un intervallo di numeri reali
o all’unione di intervalli disgiunti.
• non è più possibile utilizzare la distribuzione di prob-
abilità propria delle v.c. discrete;
Esempio: X durata in ore di una lampadina
X ≤ 100 ⇒ X ∈ (0; 100] e 60 < X ≤ 100 ⇒ X ∈ (60; 100]

1
FUNZIONE DI DENSITA’

Per caratterizzare una v.c. continua X abbiamo bisogno


di introdurre una funzione che fornisca le probabilità con
cui X assume valori sui vari intervalli del’asse reale.

Data una v.c. continua X si definisce funzione di den-


sità f (·) la funzione tale che l’area sottesa da f (·) su di
un qualsiasi intervallo coincide con la probabilità che X
assuma un valore nell’intervallo stesso:
Z x
Pr(X ≤ x) = f (t)dt per ogni x ∈ IR
−∞

Dalla definizione
f(x)

P(X<x)

l’area al di sotto di f (·) da −∞ sino ad un qualsiasi


numero reale x coincide con Pr(X ≤ x) = Pr(X < x),
che però a sua volta coincide con il valore della funzione
di ripartizione F (·) calcolata in quel punto, ossia
Z x
Pr(X ≤ x) = F (x) = f (t)dt
−∞

2
PROPRIETA’ DELLA DENSITA’

Dalla definizione segue direttamente che una qualsiasi


funzione di densità deve soddisfare i seguenti requisiti:
• f (x) ≥ 0 per ogni x ∈ IR
R∞
• −∞ f (x)dx = 1

Inoltre, applicando contemporaneamente anche la definizione


di funzione di ripartizione
Z b
Pr(X ≤ b) = f (x)dx = F (b)
−∞
Z ∞
Pr(X > a) = f (x)dx = 1 − F (a)
a
Z b
Pr(a ≤ X ≤ b) = f (x)dx = F (b) − F (a)
a

da cui segue che per ogni x ∈ IR


x
∂F (x)
Z
f (x) = e F (x) = f (t)dt
∂x −∞

N.B.: Se X e una v.c. discreta allora


F (b) − F (a) = Pr(a < X ≤ b) 6= Pr(a ≤ X ≤ b)
a meno che a non sia un valore esterno al supporto di X.

3
I QUANTILI
Il quantile di livello α, indicato solitamente con xα , è
quel numero reale che lascia alla sua sinistra una massa
di probabilità esattamente pari ad α, ossia tale che
Z xα
f (x)dx = α
−∞
o analogamente, in termini di funzione di ripartizione
F (xα) = Pr(X ≤ xα) = α

f(x)
F(x)

1.0

0.0 0.0
xα x x

In particolare, la mediana M e = x0,5 è il valore tale che


Z Me
f (x)dx = 0, 5
−∞

4
Esercizio 4: si consideri la funzione
(
kx3 0 < x < 10
f (x) =
0 altrove
1. determinare il valore di k in modo tale che f (·) sia
una funzione di densità;
2. calcolare la probabilità che 3 < X < 8;
3. determinare il quantile di livello 95%.
Soluzione
1. f (x) ≥ 0 e quindi k ≥ 0. Inoltre
Z +∞ Z 0 Z 10 Z ∞
f (x)dx = 0dx+ kx3dx+ 0dx = 1
−∞ ∞ 0 10
R 10 R 10
da cui 0kx3dx = k 0 x3dx = 1. Dato che
Z 10
3 x4 10 104
x dx = |0 = = 2500
0 4 4
allora k = 1/2500 e pertanto
( 3
x
2500
0 < x < 10
f (x) =
0 altrove
R 8 x3 x4 8
2. Pr(3 < X < 8) = 3 2500 dx = 2500·4 |3 = 0, 402.
3. Il quantile x0,95 è il valore tale che
Z x0,95 3
x
dx = 0, 95
0 2500
Z x0,95 3
x x4 x0,95 x0,954
dx = |0 = = 0, 95
0 2500 2500 · 4 2500 · 4
1
e quindi x0,95 = (0, 95 · 4 · 2500) 4 = 9, 87

5
VALORE ATTESO E VARIANZA PER
VARIABILI CASUALI CONTINUE
Il valore atteso di una v.c. X continua è
Z +∞
E(X) = xf (x)dx
−∞
In generale, se siamo interessati a calcolare il valore atteso
di una trasformazione g(X) allora si ha che:
Z +∞
E(g(X)) = g(x)f (x)dx
−∞
La varianza di una v.c. X continua è
Var(X) = E(X − E(X))2 = E(X 2) − [E(X)]2 =
Z +∞
= x2f (x)dx − [E(X)]2
−∞
Valgono per media e varianza le stesse proprietà viste
per le variabili casuali discrete. Analogamente,
p lo scarto
quadratico medio è dato da sqm(X) = Var(X).
Inoltre, applicando la trasformazione lineare
X − E(X)
Z= p
Var(X)
si ottiene una variabile Z standardizzata, ossia tale che
E(Z) = 0 e Var(Z) = 1.

Esercizio 4 (pag. 5): calcoliamo E(X) e Var(X).


Z +∞ Z 10 4
x x5 10
E(X) = xf (x)dx = dx = |0 = 8
−∞ 0 2500 5 · 2500
Z 10 3
2 2 x x6 10
E(X ) = x dx = |0 = 66, 67
0 2500 6 · 2500
V (X) = 66, 67 − 82 = 2, 67

6
ESEMPI DI VARIABILI CONTINUE:
L’UNIFORME CONTINUA
Una v.c. continua X si distribuisce secondo un’uniforme
continua sull’intervallo [a, b] se ha funzione di densità
(
1
b−a a ≤ x ≤ b
f (x) =
0 altrove
Solitamente si usa la notazione X ∼ U[a,b] .
La funzione di ripartizione di X è

Z x 0

 x<a
F (x) = f (t)dt = x−a
b−a a≤x≤b
−∞ 
1 x>b

f(x)
F(x)
1.0

1/(b−a)

0.0 0.0 a b x
a b x
Valore atteso e Varianza sono date da
Z b
x x2 b b+a
E(X) = dx = |a =
a b−a 2(b − a) 2
(b − a)2
V (X) =
12

7
Esercizio: il tasso di interesse annuo applicato da una
banca varia tra il 4% e il 6% e si distribuisce come una
variabile casuale uniforme. Un cliente scelto a caso ha
depositato 1000 euro nella banca. Si calcoli
1. la probabilità che l’anno successivo disponga di al-
meno 1050 euro.
Affinché egli disponga di almeno 1050 euro, gli deve
essere stato applicato un tasso T almeno pari al 5%.
Dato che T ∼ U[0,04;0,06], si ha
Pr(T ≥ 0, 05) =1 − Pr(T < 0, 05) = 1 − F (0, 05)
(0, 05 − 0, 04) 1
=1 − =
(0, 06 − 0, 04) 2
ossia il 5% rappresenta il tasso mediano.
2. il valore atteso e la varianza del capitale di cui dis-
porrà dopo un anno.
Indicando con C il capitale dopo un anno
C = 1000 + 1000 · T
E(C) = E(1000 + 1000 · T ) = 1000 + 1000 · E(T )
 
0, 04 + 0, 06
= 1000 + 1000 · = 1050
2
V (C) = V (1000 + 1000 · T ) = 10002 · V (T ) =
2
2 (0, 06 − 0, 04) 400
= 1000 · =
12 12

8
VARIABILE CASUALE NORMALE O
GAUSSIANA
Una v.c. continua X si distribuisce come una normale di
parametri µ e σ 2, il che si indica con X ∼ N (µ, σ 2), se
la sua funzione di densità è data da
 
1 1
f (x) = √ exp − 2 (x − µ)2 x ∈ IR
σ 2π 2σ
I parametri µ ∈ IR e σ 2 ∈ IR+ rappresentano rispettiva-
mente il valore atteso e la varianza di X:
Z +∞  
1 1
E(X) = x √ exp − 2 (x − µ)2 dx = µ
−∞ σ 2π 2σ
Z +∞  
1 1
V (X) = (x−µ)2 √ exp − 2 (x − µ)2 dx = σ 2
−∞ σ 2π 2σ
La densità della normale ha una forma “campanulare”, è
simmetrica attorno alla sua media µ, che coincide anche
con la moda e la mediana della distribuzione, e tende a
concentrarsi attorno a µ al diminuire di σ 2.
f(x)

f(x)

−2 0 2

x x

9
LA NORMALE STANDARD

La normale rappresenta una famiglia di distribuzioni (o,


analogamente, di v.c. continue): al variare del valore at-
teso µ e della varianza σ 2 ottengo infinite distribuzioni di
densità.

Un caso di fondamentale importanza e rappresentato dal-


la N (0, 1), ossia dalla normale avente media µ = 0 e vari-
anza σ 2 = 1: essa viene chiamata normale standard-
izzata e generalmente si indica con Z. La sua funzione
di densità è
 2
1 z
f (z) = √ exp − , z ∈ IR
2π 2
dove chiaramente E(Z) = 0 e Var(Z) = 1.
0,399
f(x)

−3 0 3

10
GENESI DELLA NORMALE
Nasce come distribuzione degli errori accidentali:
• Nel 1796, il fisico tedesco Gauss nota che le sue mis-
urazioni relative al movimento dei corpi celesti, verosim-
ilmente affette da errore, mostrano un istogramma
al cui profilo si adatta estremamente bene la densità
della variabile casuale normale.
• Nel 1846, lo scienziato francese Quetelet osserva che
la stessa distribuzione di probabilità si adatta bene
anche alla distribuzione osservata delle circonferen-
ze toraciche di un collettivo molto ampio di soldati
scozzesi. Sostiene di aver scoperto il meccanismo che
“governa” la variabilità umana.

La distribuzione normale è fondamentale in quanto


• è in grado di descrivere con buona approssimazione
il comportamento di un numero sorprendentemente
elevato di fenomeni di natura molto diversa tra loro;
• (vedremo che) la somma di un numero elevato di v.c.
tende a distribuirsi secondo una normale. Per questo
motivo, la normale si adatta alla descrizione di tutti
quei fenomeni che possono essere visti come risultanti
dell’effetto additivo di svariate concause.

11
Se X ∼ N (µ, σ 2), per calcolare probabilità di eventi
ad essa relativi dobbiamo integrare opportunamente la
sua funzione di densità, oppure possiamo lavorare con la
funzione di ripartizione
Z x  
1 1
F (x) = √ exp − 2 (t − µ)2 dt
−∞ σ 2π 2σ
Purtroppo entrambe le strade sono fallimentari, in quan-
to l’integrale della densita di una normale non ammette
una soluzione esplicita e deve obbligatoriamente essere
valutato numericamente.

Tuttavia, possiamo superare questo problema sfruttando


il seguente teorema, che sancisce la proprietà di chiusura
della normale rispetto a trasformazioni lineari:

Teorema: sia X ∼ N (µ, σ 2) e poniamo Y = a + bX.


Allora
E(Y ) = a + bµ V (Y ) = b2σ 2
ed inoltre
Y ∼ N (a + bµ, b2σ 2)
Questo implica
1. se X ∼ N (µ, σ 2), allora
X −µ
Z= ∼ N (0, 1)
σ
2. se Z ∼ N (0, 1)
X = µ + σZ ∼ N (µ, σ 2)

12
Pertanto, se X ∼ N (µ, σ 2) e si è interessati a calcolare
probabilità di eventi del tipo Pr(X ≤ x) (ossia i valori
della sua funzione di ripartizione) allora
 
X −µ x−µ
F (x) = Pr(X ≤ x) = Pr ≤
σ σ
   
x−µ x−µ
= Pr Z ≤ =Φ
σ σ
dove Z ∼ N (0, 1) e
Φ(z) = Pr(Z ≤ z)
è la funzione di ripartizione della normale standardizzata.

Pertanto, conoscendo i valori della funzione di ripartizione


della normale standard Φ(·) per qualsiasi numero reale z
(valori che sono tabulati nelle cosiddette Tavole del-
la normale standard), è possibile ricavare le proba-
bilità corrispondenti ad una v.c. normale qualsiasi (ossia
con una generica media µ ed una generica varianza σ 2)
tramite la precendente equazione.

N.B.: Analogamente, se X ∼ N (µ, σ 2)


   
b−µ a−µ
Pr(a ≤ X ≤ b) = F (b)−F (a) = Φ −Φ
σ σ

13
TAVOLE DELLA NORMALE STANDARD

Nelle tavole della normale standard si trovano i valori di


Φ(z) calcolati numericamente per diversi numeri reali z:
Φ(0) = 0, 5 Φ(0, 05) = 0, 5199
Φ(1, 57) = 0, 9418 Φ(3, 48) = 0, 9997
Si noti che nelle tavole non è riportato, ad esempio, il val-
ore di Φ(5). Questo perché Φ(3, 49) = 0, 9998 e, sapendo
che limz→∞ Φ(z) = 1, possiamo concludere che Φ(5) ≃ 1.
Inoltre, nelle tavole non sono precisati i valori di Φ(z)
per z < 0, ma poiche la normale standard e simmetrica
attorno a 0 si ha che
Φ(−1, 2) = 1 − Φ(1, 2) = 1 − 0, 8849
e, più in generale,
Φ(−z) = 1 − Φ(z)

f(z)

−z 0 z

14
Analogamente, se indichiamo con zα il quantile di livello
α della normale standard Z allora
Φ(zα ) = α
ed a causa della simmetria attorno allo 0 della funzione
di densità della normale standardizzata Z si ha che
z1−α = −zα
Questa equazione è utile per trovare i quantili negativi di
Z (ossia i quantili zα di livello α < 0, 5) che non sono
direttamente riportati nelle tavole. Ad esempio,

z0,2 = −z0,8 = −0, 84

f(z)

α α
zα 0 z1−α

15
Esempi.
1. Sia X ∼ N (5, 100)
 
X −5 6−5
Pr(X ≤ 6) = Pr ≤
10 10
= Pr(Z ≤ 0, 1) = Φ(0, 1) = 0, 5398
 
X −5 3−5
Pr(X ≤ 3) = Pr ≤ = Pr(Z ≤ −0, 2)
10 10
=Φ(−0, 2) = 1 − Φ(0, 2) = 1 − 0, 5793
2. Data X ∼ N (4, 9)
   
7, 9 − 4 4−4
Pr(4 ≤ X ≤ 7, 9) =Φ −Φ
3 3
=Φ(1, 3) − Φ(0) = 0, 9032 − 0, 5
   
7, 9 − 4 0−4
Pr(0 ≤ X ≤ 7, 9) =Φ −Φ
3 3
=Φ(1, 3) − Φ(−1, 33)
=0, 9032 − [1 − Φ(1, 33)]
=0, 9032 − 1 + 0, 9082
 
8, 4 − 4
Pr(X ≥ 8, 4) = 1−Pr(X ≤ 8, 4) = 1−Φ
3
= 1 − Φ(1, 47) = 1 − 0, 9292
3. Sapendo che Pr(X ≤ 4, 5) = 0, 85, dove X ∼ N (µ, 16),
calcolare il valore atteso µ.
 
4, 5 − µ
0, 85 = Pr(X ≤ 4, 5) = Φ
4
16
Questo implica che (4, 5−µ)/4 è il quantile 0,85 della
normale standardizzata, ossia
4, 5 − µ
= z0,85
4
Dalle tavole della normale, si deduce che z0,85 = 1, 04
e quindi
4, 5 − µ
= 1, 04
4
Risolvendo l’equazione rispetto a µ si ottiene,
µ = 4, 5 − 4 · 1, 04 = 0, 34

4. Se X ∼ N (µ, σ 2), calcolare µ e σ affinchè


Pr(X ≤ 10) = 0, 9772 e Pr(X ≤ 5) = 0, 5478
Dai due vincoli imposti, abbiamo che
 
10 − µ
Pr(X ≤ 10) = Φ = 0, 9772
σ
ossia
10 − µ
= z0,9772 = 2, 00
σ
e  
5−µ
Pr(X ≤ 5) = Φ = 0, 5478
σ
ossia
5−µ
= z0,5478 = 0, 12
σ
A questo punto abbiamo il sistema di equazioni
(
10−µ
σ
=2
5−µ
σ
= 0, 12
e risolvendolo si ottiene µ = 4, 68 e σ = 2, 66.

17
Esempio.
Il peso delle scatole di pelati di una azienda si distribuisce
secondo una normale di media 1 kg e deviazione standard
0,009 kg.
1. Calcolare la probabilità che una scatola scelta a caso
pesi meno di 980 gr.

Indicando con X la v.c. che descrive il peso in kg di


una scatola estratta a caso, allora X ∼ N (1; 0, 0092)
e quindi
 
0, 98 − 1
Pr(X ≤ 0, 98) = Φ = Φ(−2, 22)
0, 009
= 1 − Φ(2, 22) = 1 − 0, 9868 = 0, 0132
2. calcolare la probabilità che fra 10 scatole scelte a caso
ve ne siano almeno 2 che pesano meno di 980 gr.

Dalla popolazione di tutte le scatole ne estraiamo


10, verificando se ciascuna di esse pesa meno di 980
gr (“successo”) oppure no (“insuccesso”). Le es-
trazioni sono senza reinserimento, ma la popolazione
da cui facciamo l’estrazioni è di fatto infinita, co-
munque molto più ampia del numero di estrazioni,
per cui è come se facessimo estrazioni con reinseri-
mento, ossia tra loro indipendenti. Abbiamo quindi
10 prove di tipo Bernoulliano tra loro indipenden-
ti ed a probabilità di successo costante: la v.c. N
che conta quante tra le 10 scatole estratte pesano
meno di 180 gr si distribuisce come una Binomiale di

18
parametri n = 10 e π = Pr(X ≤ 0, 98) = 0, 0132
ossia N ∼ Bin(10; 0, 0132).
Pertanto la probabilità cercata è data da
Pr(N ≥ 2) =1 − Pr(N < 2)
=1 − Pr(N = 0) − Pr(N = 1)
dove
 
10
Pr(N = 0) = 0, 01320(1 − 0, 0132)10
0
=0, 986810 = 0, 8756
e
 
10
Pr(N = 1) = 0, 01321(1 − 0, 0132)9
1
=10 · 0, 0132 · 0, 98689 = 0, 1171
e quindi

Pr(N ≥ 2) = 1 − 0, 8756 − 0, 1171 = 0, 0073

19
Esempio.
Le spese per prodotti alimentari sostenute ogni mese dalla
famiglia Rossi possono essere rappresentate da una vari-
abile casuale normale di media 500 euro e scarto quadrati-
co medio 100 euro. All’inizio del mese i Rossi accanto-
nano 650 euro per coprire le spese alimentari.
(a) Quale è la probabilità che la somma accantonata dai
Rossi non sia sufficiente a coprire le spese alimentari?
(b) Calcolare la probabilità che i Rossi riescano a risparmi-
are almeno 200 euro sulla somma accantonata.
(c) Se i Rossi volessero una probabilità del 95% di
non superare la somma accantonata per l’acquisto
di alimenti, quale ammontare dovrebbero mettere da
parte all’inizio del mese?

Soluzione.
Sia X la v.c. che descrive le spese alimentari mensili, dal
testo che X ∼ N (500, 1002).
(a) La somma accantonata ad inizio mese non sarà suffi-
ciente a coprire le spese alimentari se queste superano
650 euro. Pertanto, la probabilità cercata è
 
650 − 500
Pr(X > 650) =1 − Φ
100
=1 − Φ(1, 5) = 0, 0668.

(b) Affinché i Rossi riescano a risparmiare almeno 200


euro sui 650 euro accantonati ad inizio mese, le loro

20
spese alimentari non devono superare 450 euro. Per-
tanto, la probabilità cercata è
 
450 − 500
Pr(X < 450) = Φ = Φ(−0, 5)
100
= 1 − Φ(0, 5) = 0, 3085.
(c) Indichiamo con s la somma che i Rossi dovrebbero
accantonare se volessero una probabilità del 95% che
le spese alimentari mensili non la superino, ossia
Pr(X < s) = 0, 95.
Dalla precedente equazione si deriva:
 
s − 500
Pr(X < s) = Φ = 0, 95
100
e quindi s−500
100 deve essere pari al quantile 0,95 della
normale standardizzata, z0,95 = 1, 645. Pertanto,
s − 500
= 1, 645
100
e, risolvendo la precendente equazione rispetto a s,
si ottiene s = 664, 5 euro.

21
PIU’ DI UNA VARIABILE CASUALE
Supponiamo ora di considerare contemporaneamente n
variabili casuali X1, X2, X3, . . . , Xn.

Le v.c. X1, . . . , Xn si dicono indipendenti se e solo se


Pr(X1 ≤ x1, . . . , Xn ≤ xn) = Pr(X1 ≤ x1)·. . .·Pr(Xn ≤ xn)
per qualunque x1, . . . , xn.

N.B.: se le n variabili sono riferite a n esperimenti o


prove indipendenti, allora le n variabili saranno esse stesse
indipendenti e vale la precedente fattorizzazione.

Le variabili casuali X1, . . . , Xn si dicono identicamente


distribuite se hanno tutte la stessa distribuzione di
probabilità. Inoltre, se oltre ad essere identicamente dis-
tribuite sono anche indipendenti solitamente si usa la no-
tazione abbreviata X1, . . . , Xn iid .

Esempio: sia X ∼ Bin(n, π) allora come abbiamo


visto X = X1 + . . . + Xn dove ciascuna Xi è una v.c. di
Bernoulli che descrive l’esito della i-esima prova
Xi ∼ Be(π) per ogni i = 1 . . . , n.
Dato che π non varia al variare delle prove X1, . . . , Xn
sono identicamente distribuite; inoltre essendo le prove
indipendenti, anche le Xi sono tra loro indipendenti, ossia
le variabili casuali X1, . . . , Xn sono iid

22
VALORE ATTESO E VARIANZA DI
COMBINAZIONI LINEARI DI VARIABILI
Siano X1, X2, . . . , Xn variabili casuali, una loro combi-
nazione lineare Y è una nuova variabile cosı̀ definita:
Y = a1 X 1 + a2 X 2 + . . . + an X n
dove a1, a2, . . . , an sono costanti reali fissate.

Esempio: l’incasso settimanale Y di un ristorante, sup-


ponendo 6 giorni di apertura, deriva dalla somma degli
incassi Xi di ognuno dei 6 giorni della settimana.

Esempio: un portafoglio è composto da 50 azioni di un


titolo A, 30 di un titolo B e 20 azioni di C.

Per prima cosa andiamo a valutare le proprietà del valore


atteso e della varianza di combinazioni linerari di vari-
abili (per esempio siamo interessati all’incasso atteso di
una settimana, o alla variabilità dell’incasso settimanale).

Teorema.
Indipendentemente dalla natura di X1, X2, . . . , Xn
E(Y ) = a1E(X1) + a2E(X2) + . . . anE(Xn)
Inoltre, se X1, X2, . . . , Xn sono indipendenti allora
V (Y ) = a21V (X1) + a22V (X2) + . . . + a2nV (Xn)

In particolare, se X1 ed X2 sono indipendenti:


V (X1 ± X2) = V (X1) + V (X2)

23
Come caso particolare del teorema precedente, andiamo
ora a considerare il caso in cui X1, . . . , Xn sono vari-
abili casuali iid. Chiaramente, essendo identicamente dis-
tribuite X1, . . . , Xn avranno tutte lo stesso valore atteso
e la stessa varianza, ossia
E(Xi) = m e V (Xi) = v 2 i = 1, . . . , n
Posto n
X
Y = X1 + X2 + . . . + Xn = Xi
i=1
allora
E(Y ) = n · m e V (Y ) = nv 2

Invece se poniamo
n
1 1X
Ȳ = (X1 + X2 + . . . + Xn) = Xi
n n i=1

allora
1
E(Ȳ ) = (n · m) = m
n
e  2
1 2 v2
Var(Ȳ ) = nv =
n n

24
Esempio: gli incassi in migliaia di euro di un ristorante
in un giorno lavorativo seguono una distribuzione uni-
forme sull’intervallo [0,5 ; 3]. Calcolare valore atteso e
varianza dell’incasso settimanale sapendo che i giorni di
apertura del ristorante in una settimana sono 6 e che gli
incassi dei vari giorni possono considerarsi indipendenti.

Indicando con Xi la v.c. che descrive gli incassi nell’i-


esimo giorno di apertura, dal testo si ha che X1, . . . , X6
sono iid con Xi ∼ U[0,5 ; 3]. Pertanto
3, 5 (3 − 0, 5)2
E(Xi) = = 1, 75 e V (Xi) = = 0, 52
2 12
Indicando con Y la v.c. che descrive l’incasso settimanale,
allora Y = X1 + . . . + X6 e
E(Y ) = 6 · 1, 75 = 10, 5
V (Y ) = 6 · 0, 52 = 3, 12

Esempio: abbiamo visto che se X ∼ Bin(n, π) allora


X è esprimibile come X = X1 +. . .+Xn, dove le Xi sono
iid distribuite secondo Be(π). Pertanto il valore atteso e
la varianza della binomiale sono dati da
E(X) = nE(Xi) = nπ e V (X) = nV (Xi) = nπ(1−π)

25
Data una combinazione lineare
Y = a1 X 1 + . . . an X n
attraverso i risultati precedenti siamo in grado di deter-
minare il valore atteso E(Y ) (sempre) e la varianza
Var(Y ) (solo in caso di indipendenza delle Xi).

Tuttavia, non conoscendo la forma distributiva di Y non


possiamo calcolare probabilità di eventi legati ad essa.

In un caso molto particolare siamo già riusciti a ricavare


la distribuzione di Y :
• se X1, . . . , Xn sono iid ∼ B(π) e se Y è semplice-
mente la somma delle Xi (ossia se a1 = . . . = an = 1)
allora Y ∼ Bin(n, π).

Come mostra il prossimo teorema, se le Xi sono normali


tra loro indipendenti (non necessariamente identicamente
distribuite), non solo possiamo determinare il valore at-
teso e la varianza di una loro combinazione lineare, ma
anche l’esatta distribuzione.

Teorema.
Siano X1, . . . , Xn v.c. normali indipendenti tali che
Xi ∼ N (µi , σi2), i = 1, . . . , n
Posto
Y = a1 X 1 + . . . an X n
allora
Y ∼ N (a1µ1 + . . . + anµn ; a21σ12 + . . . + a2nσn2 )

26
Il teorema precedente sancisce la proprietà di chiusura
della normale rispetto a combinazioni lineari di variabili
tra loro indipendenti.

Come caso particolare di questo risultato, supponiamo


ora che X1, . . . , Xn siano variabili casuali iid ∼ N (µ, σ 2).
Posto n
X
Y = X1 + X2 + . . . + Xn = Xi
i=1
allora
Y ∼ N (nµ, nσ 2)
Invece se poniamo
n
1 1X
Ȳ = (X1 + X2 + . . . + Xn) = Xi
n n i=1

allora
σ2
 
Ȳ ∼ N µ,
n

27
Esempio.
Una ditta produttrice di birra per riempire le bottiglie dal
contenuto nominale di 330 gr utilizza un certo macchi-
nario di cui è noto che il contenuto versato in ciascuna
bottiglia è una variabile casuale con distribuzione nor-
male di media 330 gr e varianza 9 gr2. Sapendo che il
peso di una bottiglia vuota è di 180 gr, calcolare la prob-
abilità che il peso di una confezione di 10 bottiglie piene
sia superiore a 5,13 kg.

Indicando con Xi e Wi rispettivamente il peso ed il con-


tenuto di birra (entrambi in gr) della i-esima bottiglia
della confezione, allora
Xi = Wi + 180 i = 1, . . . , 10
Sappiamo che Wi ∼ N (330, 9) e dalla proprietà di chiusura
della variabile casuale normale a trasformazione lineari
abbiamo che
Xi ∼ N (330 + 180 = 510, 9) i = 1, . . . , 10.
Sia T = X1 + . . . + X10 la v.c. che descrive il peso (in gr)
complessivo delle 10 bottiglie della confezione, si vuole
determinare Pr(T > 5130).
Se la quantità versata in ciascuna bottiglia non dipende
dalle quantità versate nelle altre bottiglie, allora le Xi
oltre ad essere identicamente distribuite sono anche in-
dipendenti e T ∼ N (10 · 510, 10 · 9). Pertanto,
 
5130 − 5100
Pr(T > 5130) = 1−Pr(T ≤ 5130) = 1−Φ √
90
= 1 − Φ(3, 16) = 0, 0008

28
TEOREMA CENTRALE DEL LIMITE
Siano X1, . . . , Xn iid con valore atteso E(Xi ) = m e
varianza Var(Xi) = v 2 finite. Posto
Sn = X1 + . . . + Xn
se n è sufficientemente grande
Sn − nm .
√ ∼ N (0, 1)
nv 2
.
dove ∼ indica “si distribuisce approssimativamente come”.

N.B.: dai risultati precedenti sapevamo già che


E(Sn ) = nm e V (Sn) = nv 2
e quindi la v.c.
Sn − nm

nv 2
rappresenta la versione standardizzata di Sn .

Il CLT sancisce che la somma di un numero elevato di


variabili casuali iid tende a distribuirsi come una normale
.
Sn ∼ N (nm, nv 2)
indipendentemente dalla distribuzione delle Xi (anche se
sono discrete, continue, sconosciute, ...).

Quanto deve essere grande n affiché l’approssimazione


normale data dal CLT sia valida?
In generale dipende dalla forma della distribuzione delle
v.c. Xi (dalla presenza/assenza di simmetria).
29
Esempio: Somma di v.c. U(0,5) indipendenti

1
0.20

2
0.15
f(x)

0.10

5
0.05
0.00

0 5 10 15 20 25

30
Esempio: Somma di v.c. esponenziali indipendenti
0.7

1
0.6
0.5
0.4
f(x)

2
0.3

3
0.2

5
8
10
0.1
0.0

0 5 10 15 20

31
Esempio.
Si supponga che le telefonate che arrivano ad un cen-
tralino abbiano una distribuzione uniforme sull’intervallo
(1,5) minuti. Si calcoli la probabilità che la durata com-
plessiva di 60 telefonate sia superiore a 3 ore e un quarto.

Sia Xi la variabile casuale che descrive la durata in minuti


della i-esima telefonata. Allora, Xi ∼ U[1,5] e le Xi sono
iid (è ragionevole assumere indipendenti le durate delle
chiamate). Sia
T = X1 + X2 + . . . + X60
la variabile casuale che descrive la durata complessiva
delle 60 telefonate. Vogliamo calcolare Pr(T > 195).
Dato che
6
E(T ) = 60 · E(Xi) = 60 · = 180 min
2
e
(5 − 1)2
V (T ) = 60 · V (Xi) = 60 · = 80 min2
12
per il teorema centrale del limite
.
T ∼ N (180 ; 80)
e quindi
 
195 − 180
Pr(T > 195) = 1 − Pr(T ≤ 195) ≈ 1 − Φ √
80
= 1 − 0, 9535 = 0, 0465

32
TEOREMA DI DE MOIVRE-LAPLACE

Un’importante applicazione del CLT è rappresentata dal-


la convergenza della distribuzione binomiale alla normale.

Sappiamo infatti che se X ∼ Bin(n, π) allora


X = X1 + . . . + Xn
dove le Xi sono v.c. iid ∼ Be(π). Dato che
E(Xi) = π e V (Xi) = π(1 − π) i = 1, . . . , n
per il teorema centrale del limite se n è elevato
X − nπ .
p ∼ N (0, 1)
nπ(1 − π)

Se il numero n di prove è sufficientemente grande pos-


siamo approssimare la distribuzione binomiale con una
normale avente valore atteso nπ e varianza nπ(1 − π):
.
X∼ N (nπ, nπ(1 − π))
Agli effetti pratici, tale approssimazione è adeguata a pat-
to che nπ e n(1−π) siano entrambi maggiori di 5, nel qual
caso è possibile calcolare le probabilità di una binomiale
tramite la funzione di ripartizione della normale.

33
prob. prob.

0.00 0.05 0.10 0.15 0.0 0.1 0.2 0.3 0.4

0
1
5

n=20,p=0.3

n=4,p=0.3
2
x

x
10

3
15

4
prob. prob.
34

0.00 0.02 0.04 0.06 0.08 0.00 0.05 0.10 0.15 0.20 0.25
0

0
10

2
n=100,p=0.3
20

n=10,p=0.3
4
30
x

x
40

6
50

8
60
Esempio.
Sia X ∼ Bin(100; 0, 3) e supponiamo di voler calcolare
Pr(X ≤ 40)
La soluzione esatta (ossia non approssimata) è
Pr(X ≤ 40) = Pr(X = 0)+Pr(X = 1)+. . .+Pr(X = 40)
   
100 100
= 0, 30(1 − 0, 3)100 + 0, 31(1 − 0, 3)99 + . . .
0 1
 
100
... + 0, 340(1 − 0, 3)60
40
dove inoltre i coefficienti binomiali coinvolti sono quasi
impossibili da calcolare. Ad esempio,
 
100
= 17310309456440
10
Tuttavia, essendo nπ = 30 e n(1 − π) = 70 entrambi
maggiori di 5, possiamo usare l’approssimazione del CLT:
.
X∼ N (30, 21)
e pertanto
 
40 − 30
Pr(X ≤ 40) ≈ Φ √ = Φ(2, 18) = 0, 9854
21

35
LEGGE DEI GRANDI NUMERI

Se X1, . . . , Xn sono iid con E(Xi ) = m e V (Xi) = v 2


allora, applicando il CLT, per n sufficientemente grande
.
Sn = X1 + . . . + Xn ∼ N (nm, nv 2)
Per la chiusura della normale rispetto a trasformazioni
lineari, anche la media di v.c. iid tende alla normale
v2
 
Sn X1 + . . . + Xn .
X̄n = = ∼ N m,
n n n
Al crescere di n, mentre il valore atteso E(X̄n) = m è
costante e coincide con il valore atteso di ogni Xi, si ha
v2
Var(X̄n) = →0
n
ossia all’aumentare del numero n di v.c. addende la dis-
tribuzione della media X̄n si concentra sempre più at-
torno al suo valore atteso m, e al limite Pr(X̄n = m) = 1
densita’

36
Supponiamo che le v.c. X1, . . . , Xn si riferiscano a n
repliche tra loro indipendenti dello stesso esperimento.
La legge dei grandi numeri ci permette di interpretare il
valore atteso m di una variabile casuale come la media (in
senso statistico) dei valori che si otterrebbero replicando
infinite volte lo stesso esperimento casuale.

Un’importante applicazione si ha nel caso binomiale. In-


fatti, applicando il Teorema di De Moivre-Laplace, se
X ∼ Bin(n, π), per n sufficientemente elevato
.
X∼ N (nπ, nπ(1 − π))
da cui  
X . π(1 − π)
p= ∼ N π,
n n
da cui si vede che per n → ∞, p = π con probabilità 1.
Ma se X è il numero di successi in n prove indipendenti,
p rappresenta semplicemente la percentuale di successi
nelle n prove. Pertanto, all’aumentare del numero n di
prove la frequenza di successi converge alla probabilità di
successo (definizione frequentista di probabilità).

Lanciando una moneta bilanciata la probabilità che esca


testa è 1/2. Se la lanciamo 10 volte la frequenza relativa
del numero di teste può essere diversa da 1/2, ma la legge
dei grandi numeri mi assicura che aumentando infinita-
mente il numero di lanci, la frequenza relativa delle teste
tendera a stabilizzarsi sul valore 1/2

N.B.: al limite il numero di teste ed il numero di croci


tenderanno entrambi a infinito!
37
VARIABILE CHI-QUADRATO
Siano Z1, . . . , Zr variabili casuali iid ∼ N (0, 1). Se
X = Z12 + Z22 + . . . + Zr2
allora X ha una distribuzione Chi-Quadrato con r gra-
di di libertà (numero di v.c. addende) e si scrive X ∼ χ2r .

La v.c. Chi-Quadrato è continua, assume solo valori


positivi ed inoltre
E(X) = r e V (X) = 2r
Per r → ∞, in virtù del CLT χ2r ∼
.
N (r, 2r).
0.25

r=3
0.20
0.15

r=6
f(x)

0.10

r=10
0.05
0.00

0 5 10 15 20

Come per la normale, anche per il Chi-Quadrato la fun-


zione di ripartizione non è esplicitabile. Tuttavia il Chi-
Quadrato è usato soprattutto in Statistica Inferenziale,
dove l’interesse è legato al calcolo dei suoi quantili (pi-
uttosto che alle probabilità dei suoi eventi) che vengono
tabulati nelle Tavole del Chi-Quadrato.

38
Indicando con χ2α;r il quantile di livello α di un Chi-
Quadrato con r gradi di libertà, dalle tavole dei quantili
del Chi-Quadrato si vede, ad esempio, che
χ20,9;12 = 18, 5 e χ20,05;5 = 1, 15
Per valori elevati di r possiamo approssimare il quantile
χ2α;r tramite il quantile dello stesso livello α di una nor-
male N (r, 2r), ossia prendiamo il quantile zα di N (0, 1)
e poniamo √
.
χ2α;r = zα 2r + r

39
VARIABILE t DI STUDENT
Siano X1 e X2 due v.c. indipendenti e tali che
X1 ∼ N (0, 1) e X2 ∼ χ2r
Allora la v.c.
X1
T =p
X2/r
si distribuisce secondo una t di Student con r gradi di
libertà e si scrive T ∼ tr .
La densità della t di Student con r gradi di libertà ha
una forma simile a quella di una normale standardizzata
(campanulare e simmetrica attorno a 0, che ne rappre-
senta la media), ma è caratterizzata da code più lunghe.
Inoltre, per r → ∞ converge ad una N (0, 1).
0.4
0.3
f(x)

0.2
0.1

r=2
r=10
0.0

r=100

−6 −4 −2 0 2 4 6

Anche per la t non è esplicitabile la funzione di ripar-


tizione. Tuttavia, il suo uso principale si ha in Inferenza,
dove l’interesse è legato al calcolo dei suoi quantili che
vengono tabulati nelle Tavole della t di Student.

40
Indicando con tα;r il quantile di livello α di una t di
Student con r gradi di libertà, dalle tavole si ricava che
t0,975;5 = 2, 5706 e t0,95;7 = 1, 8946
Inoltre, a causa della simmetria attorno a 0 della densità
della t di Student, si ha che
tα;r = −t1−α;r
e pertanto, se vogliamo calcolare t0,05;7 (non riportato
nelle tavole), possiamo usare
t0,05;7 = −t0,95;7 = −1, 8946
Per r grande, possiamo approssimare tα;r con zα .

41
Esercizio

Una banca decide di offrire azioni della propria società


ad un gruppo di 1400 clienti selezionati. Il prezzo di cias-
cuna azione è di 5 euro. Per ciascuno dei 1400 clienti il
numero X di azioni richieste è una variabile casuale cosı̀
distribuita:



 0 p = 1/2

1 p = 1/3
X=


 2 p = 1/6

3 o più p = 0

Supponendo che le richieste dei diversi clienti siano tra


loro indipendenti, calcolare
1. il ricavo atteso dalla vendita delle azioni e la varianza
del ricavo;
2. la probabilità che il numero di azioni richieste dai
1400 clienti sia compreso tra 900 e 950.

42
Esercizio

Supponiamo che la probabilità che una bottiglia di vino si


rompa durante il trasporto dal produttore al rivenditore
sia 0, 02. Il danno per una bottiglia rotta, a carico del
rivenditore, è pari a 4 euro.
1. Calcolare la probabilità che il danno subito dal riven-
ditore per una partita di 10 bottiglie sia almeno pari
ad 8 euro.
2. Qual è la probabilità che, in una partita di 400 bot-
tiglie, il danno subito dal rivenditore sia inferiore a
40 euro?

43
Esercizio

Il bancomat di una banca viene caricato 1 volta al giorno


all’arrivo dei dipendenti, fino a raggiungere il massimale
di 20000 euro. Da indagini precedenti è noto che il to-
tale prelevato quotidianamente da quel bancomat può
essere descritto attraverso una variabile casuale X con
distribuzione di densità data da:
(
0, 05 0 ≤ x < 20
f (x) =
0 altrove
(i dati sono espressi in migliaia di euro).

(a) Calcolare la probabilità che il prelievo giornaliero


sia inferiore a 15000 euro.
(b) Costruire la funzione di ripartizione di X.
(c) Calcolare il prelievo atteso quotidiano E(X) ed
inoltre E(X 2).
(d) Se ad un certo punto della giornata sono già stati
prelevati più di 10000 euro, qual è la probabilità che
il prelievo complessivo di quel giorno sia inferiore a
18000 euro?

44
ALTRI ESERCIZI

Esercizio 1
Un’azienda viti-vinicola possiede 2 diversi vigneti, ciascuno dei
quali concorre alla produzione totale di vino. Il primo vigneto,
costituito al 70% da Cabernet-Sauvignon ed al 30% da Barbera,
è collocato in una posizione collinare molto favorevole dal pun-
to di vista enologico che garantisce un elevato livello di qualità.
Il secondo vigneto si trova invece in pianura, è votato alla pro-
duzione di vini da tavola, ed è composto al 55% da Pignoletto, al
25% da Barbera, ed il restante uvaggio è Albana. Dai dati rela-
tivi alla vendemmia 2007 è stato riscontrato che il primo vigneto
ha fornito il 35% della produzione totale di uva dell’azienda.
(a) Se un vostro amico decide di regalarvi una bottiglia scelta a
caso tra quelle prodotte dalla ditta nel 2007, è più probabile
che vi regali un Pignoletto oppure una Barbera?
(b) E’ piu probabile che vi regali una bottiglia di vino bianco
(Pignoletto o Albana) oppure rosso (Barbera o Cabernet-
Sauvignon)?
(c) Se all’interno della confezione regalata trovate una bottiglia
di Barbera, qual è la probabilità che essa sia stata prodotta
dal vigneto collinare?

Soluzione

Indicando con V1 e V2 i due vigneti, Cab =Cabernet-Sauvignon,


Bar =Barbera, P ign =Pignoletto ed Alb =Albana, dal testo
sappiamo che:

Pr(Cab | V1 ) = 0, 7 Pr(Bar | V1) = 0, 3

Pr(P ign | V2 ) = 0, 55 Pr(Bar | V2 ) = 0, 25


Pertanto, Pr(Alb | V2 ) = 1 − 0, 55 − 0, 25 = 0, 2; inoltre Pr(V1 ) =
0, 35 da cui Pr(V2 ) = 1 − 0, 35 = 0, 65.

45
(a) Dobbiamo calcolare Pr(P ign) e Pr(Bar):
Pr(P ign) = Pr(P ign | V1 ) · Pr(V1 ) + Pr(P ign | V2 ) · Pr(V2)
= 0 · 0, 35 + 0, 55 · 0, 65 = 0, 3575 ;
analogamente,
Pr(Bar) = Pr(Bar | V1 ) · Pr(V1) + Pr(Bar | V2) · Pr(V2 )
= 0, 3 · 0, 35 + 0, 25 · 0, 65 = 0, 2675
e pertanto è più probabile che la bottiglia regalata sia di
Pignoletto.
(b) Dei vini prodotti dall’azienda, due sono bianchi (Pignolet-
to ed Albana) e due sono rossi (Cabernet-Sauvignon e Bar-
bera). La probabilità di scegliere casualmente una bottiglia
di vino bianco è data da:

Pr(Bianco) = Pr(P ign ∪ Alb) = Pr(P ign) + Pr(Alb)


dove abbiamo che
Pr(Alb) = Pr(Alb | V1 ) · Pr(V1) + Pr(Alb | V2 ) · Pr(V2 )
= 0 · 0, 35 + 0, 2 · 0, 65 = 0, 13 ;
pertanto
Pr(Bianco) = 0, 3575 + 0, 13 = 0, 4875 .

Dato che l’azienda produce solo vini bianchi oppure rossi


(e non altre tipologie come rosati ecc...), allora

Pr(Rosso) = 1 − Pr(Bianco) = 1 − 0, 4875 = 0, 5125

ed è quindi più probabile che venga regalata una bottiglia


di vino rosso.
(c) Dobbiamo calcolare Pr(V1 | Bar). Applicando il Teorema
di Bayes si ha che:
Pr(Bar | V1 ) · Pr(V1) 0, 3 · 0, 35
Pr(V1 | Bar) = = = 0, 3925 .
Pr(Bar) 0, 2675

46
Esercizio 2
Un investitore è indeciso tra 2 diverse proposte finanziarie A
e B, il cui rendimento percentuale è incerto. Sulla base delle
informazioni a disposizione è possibile assumere che i rendimenti
di entrambi gli investimenti si distribuiscano in modo normale,
con valori attesi rispettivamente dati da µA = 8% e µB = 10%,
deviazioni standard σA = 2% e σB = 4%.
(a) Calcolare la probabilità che il rendimento dell’investimento
A sia superiore al 10%.
(b) Calcolare la probabilità che il rendimento di B sia compreso
tra 8% e 15%.
(c) Supponendo che i due investimenti siano tra loro indipen-
denti, calcolare la probabilità che il rendimento di B sia
superiore a quello di A.
(d) L’investitore non è propenso a rischiare e decide di scegliere
l’alternativa che con maggiore probabilità gli garantirà un
rendimento superiore al 5%. Quale dovrà scegliere?

Soluzione
Indichiamo con RA e RB le variabili casuali che descrivono i
rendimenti percentuali dei due investimenti, dove dal testo sap-
piamo che RA ∼ N (8 ; 22) e RB ∼ N (10 ; 42).
(a) Dobbiamo calcolare Pr(RA > 10). Allora
 
10 − 8
Pr(RA > 10) =1 − Pr(RA ≤ 10) = 1 − Φ
2
=1 − Φ(1) = 1 − 0, 8413 = 0, 1587
(b) Dobbiamo calcolare Pr(8 < RB < 15)
   
15 − 10 8 − 10
Pr(8 < RB < 15) =Φ −Φ
4 4
=Φ(1, 25) − Φ(−0, 5)
=0, 8944 − (1 − 0, 6915) = 0, 5859

47
(c) Dobbiamo ora calcolare Pr(RB > RA ). Se indichiamo con
D = RB − RA la differenza tra i due rendimenti, allora
Pr(RB > RA ) = Pr(D > 0).
Dall’indipendenza dei rendimenti e dalla normalità distribu-
2
tiva di RA e RB segue che D ∼ N (µD ; σD ) dove

µD = E[RB − RA ] = E[RB ] − E[RA ] = 10 − 8 = 2

ed inoltre
2
σD = V ar[RB − RA ] = V ar[RB ] + V ar[RA ] = 16 + 4 = 20 .

Pertanto D ∼ N (2 ; 20) da cui segue che


 
0−2
Pr(D > 0) =1 − Pr(D ≤ 0) = 1 − Φ √
20
=1 − Φ(−0, 45) = Φ(0, 45) = 0, 6736
il che porterebbe a preferire l’investimento B.
(d) Confrontando tra loro Pr(RA > 5) e Pr(RB > 5) si ha che
 
5−8
Pr(RA > 5) =1 − Φ = 1 − Φ(−1, 5)
2
=Φ(1, 5) = 0, 9332
 
5 − 10
Pr(RB > 5) =1 − Φ = 1 − Φ(−1, 25)
4
=Φ(1, 25) = 0, 8944
e pertanto l’investitore sarà portato a scegliere A.

48
Esercizio 3
Una compagnia aerea ha deciso di lanciare una nuova campagna
promozionale per i propri clienti: ad ogni acquisto effettuato nel
prossimo trimestre viene rilasciato un buono che dà diritto o
ad un gadget griffato oppure ad un viaggio gratuito A/R verso
una qualsiasi delle destinazioni servite. Per il lancio di ques-
ta promozione, la compagni aerea decide di emettere 8 buoni
contenenti il viaggio gratuito ogni 100 stampati.
(a) Se nel trimestre in questione decido di effettuare 5 acquisti
presso tale compagnia, qual è la probabilità che io non vinca
nemmeno un viaggio?
(b) Calcolare la probabilità che io vinca 3 oppure 4 viaggi?
(c) Se un cliente effettua 65 acquisti, qual è la probabilità che
costui vinca almeno 9 viaggi?
(d) Quanti acquisti sono necessari affinchè la probabilità di
vincere almeno un viaggio sia superiore al 50%?

Soluzione
Ad ogni acquisto effettuato corrisponde un buono e la proba-
bilità che esso dia diritto al viaggio gratuito è pari all’8%.
(a) Indicando con N la v.a. che conta il numero di viaggi
gratuiti che posso vincere con 5 buoni, N ∼ Bin(5 ; 0, 08),
da cui
 
5
Pr(N = 0) = · (0, 08) · (1 − 0, 08)5 = (0, 92)5 = 0, 659 .
0

(b) Dobbiamo ora calcolare


Pr(N =3 ∪ N = 4) = Pr(N = 3) + Pr(N = 4)
   
5 5
= · (0, 08)3 · (0, 92)2 + · (0, 08)4 · (0, 92)
3 4
= 0, 0043 + 0, 0002 = 0, 0045 .

49
(c) Indicando con Y la v.a. che conta quanti dei 65 bonus
contengono viaggi in regalo, allora Y ∼ Bin(65 ; 0, 08) e
dobbiamo calcolare Pr(Y ≥ 9). Dato che

n · π = 65 · 0, 08 = 5, 2 > 5

e
n · (1 − π) = 65 · 0, 92 = 59, 8 > 5
possiamo applicare il teorema centrale del limite:
 
9 − 65 · 0, 08
Pr(Y ≥ 9) =1 − Pr(Y < 9) ≃ 1 − Φ √
65 · 0, 08 · 0, 92
=1 − Φ(1, 74) = 1 − 0, 9591 = 0, 0409 .

(d) Indicando con x un generico numero (intero e positivo) di


acquisti - e quindi di bonus - la v.c. T che conta il numero
di viaggi gratuiti che posso vincere con essi si distribuisce
come una Bin(x ; 0, 08) e pertanto

Pr(T ≥ 1) = 1 − Pr(T = 0) = 1 − (0, 92)x

Pertanto dobbiamo risolvere la disequazione

1 − (0, 92)x > 0, 5

da cui si ha
ln 0, 5
x> = 8, 3
ln 0, 92
ossia x ≥ 9.

50