Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
FUNZIONE DI DENSITA’
Dalla definizione
f(x)
P(X<x)
2
PROPRIETA’ DELLA DENSITA’
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
xα
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.
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
−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.
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.
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.
13
TAVOLE DELLA NORMALE STANDARD
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,
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
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.
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
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.
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.
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.
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)
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.
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).
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.
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.
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”.
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.
32
TEOREMA DI DE MOIVRE-LAPLACE
33
prob. prob.
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
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.
r=3
0.20
0.15
r=6
f(x)
0.10
r=10
0.05
0.00
0 5 10 15 20
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
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
42
Esercizio
43
Esercizio
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
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:
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
ed inoltre
2
σD = V ar[RB − RA ] = V ar[RB ] + V ar[RA ] = 16 + 4 = 20 .
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
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 .
da cui si ha
ln 0, 5
x> = 8, 3
ln 0, 92
ossia x ≥ 9.
50