Sei sulla pagina 1di 8

Esercitazione 4 - 19/03/21

Esercizio 1 Abbiamo 3 urne

b1
U1 U2 b2 U3 b3
n1
n2 n3

Estraggo una pallina dalla prima urna, la guardo e la metto nella seconda.
Estraggo una pallina dalla seconda urna, la guardo e la metto nella terza.

Calcolare la probabilità che:


b "le prime due palline estratte hanno lo stesso colore
c le prime due palline estratte hanno colori diversi
d almeno una delle prime due palline estratte sia bianca
b
L'evento a cui siamo interessati sarà:
E = (B 1 ∩ B 2 ) ∪ (N 1 ∩ N 2 )
condiziono
⏜⏟⏟
⏝⏟⏟

P(E) = P(B 1 ∩ B 2 ) + P(N 1 ∩ N 2 ) = P(B 2 |B 1 )P(B 1 ) + P(N 2 |N 1 )P(N 1 ) =
nella prima
estrazione
ho estratto
una bianca
⏜⏟⏟
⏝⏟⏟

b2 + 1 b1 n2 + 1 n1
= ⋅ + ⋅
b2 + 1 + n2 b1 + n1 b2 + n2 + 1 b1 + n1
c
D = (B 1 ∩ N 2 ) ∪ (N 1 ∩ B 2 )
P(D) = P(B 1 ∩ N 2 ) + P(N 1 ∩ B 2 ) =
= P(N 2 |B 1 )P(B 1 ) + P(B 2 |N 1 )P(N 1 ) =
n2 b1 b2 n1
= ⋅ + ⋅
b2 + 1 + n2 b1 + n1 n2 + 1 + b2 n1 + b1
d
O bianca la prima e nera la seconda o nera la prima e bianca la seconda oppure entrambe
bianche:
Y= B1 ∪ B2
⏠⏣⏣ ⏡⏣⏣ ⏢
non sono disgiunti
danno informazioni
solo su una delle due estrazioni
e non la stessa (B 1 dà informazioni sulla
prima estrazione, B 2 sulla seconda)
NB
[B 1 ∩ (B 2 ∪ N 2 )] ∪ [(B 1 ∪ N 1 ) ∩ B 2 ] = Y
P(Y) = P(B 1 ) + P(B 2 ) - P(B 1 ∩ B 2 ) =
b1
= + P(B 2 ) - P(B 2 |B 1 )P(B 1 ) =
b1 + n1
b1
= - P(B 2 |B 1 )P(B 1 ) + P(B 2 ) =
b1 + n1
b1 b2 + 1 b1
= - ⋅ + P(B 2 ) =
b1 + n1 b2 + 1 + n2 b1 + n1 ⏠⏣⏣ ⏡⏣⏣

probabilià condizionata (1)
qui non si può fare non
so cosa sia successa nella
prima estrazione
NB
P(B 2 ) = P(B 2 ∩ Ω) = P B 2 ∩ (B 1 ∪ N 1 ) = P(B 2 ∩ B 1 ) + P(B 2 ∩ N 1 ) =
⏠⏣⏣⏣ ⏡⏣⏣⏣ ⏢
introduco eventi che
parlino della prima
estrazione
= P(B 2 |B 1 )P(B 1 ) + P(B 2 |N 1 )P(N 1 ) =
b2 + 1 b1 b2 n1
= ⋅ + ⋅ (2)
b2 + 1 + n2 b1 + n1 b2 + n2 + 1 n1 + b1
Inseriamo (2) in (1)
b1 b2 + 1 b1 b2 + 1 b1 b2 n1
P(Y) = - ⋅ + ⋅ + ⋅ =
b1 + n1 b2 + 1 + n2 b1 + n1 b2 + 1 + n2 b1 + n1 b2 + n2 + 1 n1 + b1
b1 b2 n1
= + ⋅
b1 + n1 b2 + n2 + 1 n1 + b1
C'è anche un altro modo per calcolare questo risultato, perciò alternativamente:

P(Y) = P(B 1 ∪ B 2 ) = 1 - P (B 1 ∪ B 2 ) C = 1 - B 1C ∩ B 2C =
⏠⏣⏣
⏡⏣⏣

De Morgan
n2 + 1 n1
= 1 - P(N 1 ∩ N 2 ) = 1 - P(N 2 |N ! )P(N 1 ) = 1 - ⋅
b2 + n2 + 1 b1 + n1
NB Valutiamo:
E C = [(B 1 ∩ B 2 ) ∪ (N 1 ∩ N 2 )] C = (B 1 ∩ B 2 ) C ∩ (N 1 ∩ N 2 ) C =
⏠⏣⏣
⏡⏣⏣

De Morgan
= B 1C ∪ B 2C ∩ N 1C ∪ N 2C = (N 1 ∪ N 2 ) ∩ (B 1 ∩ B 2 ) =
⏠⏣⏣⏡⏣⏣

proprietà
distributiva
= (N 1 ∩ B 1 ) ∪ (N 1 ∩ B 2 ) ∪ (N 2 ∩ B 1 ) ∪ (N 2 ∩ B 2 ) =
⏠⏣⏣⏣ ⏡⏣⏣⏣
=� ⏢ ⏠⏣⏣⏣ ⏡⏣⏣⏣
=� ⏢
= (N 1 ∩ B 2 ) ∪ (N 2 ∩ B 1 ) = D
P(E) + P(D) = 1
Esercizio 2 Per quali valori della costante c le seguenti funzioni definiscono una densità
discreta di probabilità?
a f 1 (x) = c 1 ⋅ 2 -x , x ∈ N *
2 -x
b f 2 ( x) = c 2 ⋅ , x ∈ N*
x
c f 3 (x) = c 3 ⋅ x -2 , x ∈ N *
2x
d f 4 ( x) = c 4 ⋅ , x ∈ N *
x!
Soluzione
Devo essere certo che tutte le costanti siano positive
C 1 > 0 , ∀i = 1, 2, 3, 4
Per definizione di densità discreta è che essa rappresenta il modo in cui la massa totale di
probabilità è distribuita sui vari punti del supporto.
Perchò la somma delle probabilità della densità discreta deve fare 1.
Determino le costanti tali che:

∑ f i ( x) = 1
n∈N *

a
progressione
geometrica
∞ ∞
1
1 = ∑ c1 ⋅ ∑ 2 -x - 1
⏜⏟⏟
⏝⏟⏟
-x ⏞
2 = c1 = c1 - 1 = c 1 ( 1) = c 1
1
x=1 ⏦
porto x=0 1- 2
fuori
⟹ c 1 = 1 e f 1 (x) = 2 -x , x ∈ N *
b
x
1
∞ -x ∞
2 2
1 = ∑ c2 ⋅ = c2 ∑ =
x=1 x x=1 x
NB
per le espansioni di Taylor

yn
log(1 - y) = - ∑
n=1 n
1 1
= c 2 -log 1 - = - c 2 log = c 2 log2
2 2
1 1 2 -x
⟹ c2 = e f 2 ( x) = ⋅ , x ∈ N*
log2 log2 x
c
∞ ∞
1
1 = ∑ c3 x -2
= c3 ∑ = c 3 �(x)
x=1 x=1 x2 ⏠⏣⏣
⏡⏣⏣⏢
che è un
⏠⏣⏣
⏡⏣⏣

zeta di Riemann
numero
valutata in 2
1 1
⟹ c3 = e f 3 ( x) = ⋅ x -2 , x ∈ N *
�(x) �(x)
d


2x x
1= ∑ c4 = c4 ∑2 - 0! = c 4 e 2 - 1
x=1 x! x=0 x!
⏠⏣⏣ ⏡⏣⏣ ⏢
devo completare
la serie
1 1 2x
⟹ c4 = 2
e f 4 ( x) =
2
⋅ , x ∈ N*
e -1 e - 1 x!
Ci siamo esercitati sulla costante di normalizzazione di una densità discreta.
Esercizio 3 Siano X,Y due variabili aleatorie discrete indipendenti con densità discrete:
1
p k = P(X = k) = , k = 1, … , n
n
1
, k=0
r k = P(Y = k) = 2
1
, k=n
n
Definiamo la V.A. X + Y = Z.
Far vedere che Z è uniformemente distribuita sull'insieme { 1, 2, … , 2n }.

Soluzione
Una V.A. è uniformemente distribuita se assegna le stesse probabilità ad ogni punti del suo
supporto.
Ad esempio la Y ha un supporto formato da due punti: 0 ed n ai quali assegna la stessa
1
probabilità .
n
Y ∼ UNIF({ 0, n })
La questione è simile anche per X, il suo supporto è fatto da n punti: a ciascuno di essi è
1
associata la stessa probabilità
2
X ∼ UNIF({ 1, … , n })
Risolviamo ora per Z
P(Z = k) = P[{ Z = k } ∩ ({ Y = 0 } ∪ { Y = n })] =
= P(Z = k , Y = 0) + P(Z = k, Y = N) =
= P(Z = k|Y = 0)P(Y = 0) + P(Z = k|Y = n)P(Y = n) =
1
= [P(X + Y = k|Y = 0) + P(X + Y = k|Y = n)] =
2
1
= [P(X = k) + P(X = k - n)]
2
K assume valori fino a 2n quindi sopra n quindi fuori dal supporto di x
1
NB se k = 1, 2, 3, … , n , P(X = k) =
n
P X = k-n =0
⏠⏣⏣
⏡⏣⏣

negativo
fuori dal
supporto

Ciò che è fuori dal supporto non è che non sia


definito, semplicemente sono sicuro che la sua
probabilità sia 0.
E quindi:
1
P(Z = k) = , k ∈ { 1, 2, … , n }
2n
Ma manca ancora una parte del supporto di Z.
Se k = n + 1, n + 2, … 2n.
P(X = k) = 0
1
P(X = k - n) =
n
Quindi:
1
P(Z = k) = , k ∈ { n + 1, n + 2, … , 2n }
2n
Concludendo:
1
P(Z = k) = , k ∈ { 1, 2, … , 2n }
2n
Perciò:
Z ∼ UNIF({ 1, 2, 3, … , 2n }) QED ⊠
Esercizio 4 Siano X,Y due Variabili Aleatorie indipendenti tali che:
X ∈ N * quasi certamente
Y ∈ N * quasi certamente
Cioè hanno entrambe N * come supporto.
E tali che siano identicamente distribuite con funzione di densità discreta:
f(x) = 2 -x , x ∈ N *
a determinare:
P(MIN(X, Y) ⩽ x) , x ∈ R
b determinare:
P(X = Y)
c determinare:
P(Y > X)
a
Cosa abbiamo nel punto a ?
Abbiamo una distribuizione di una variabile aleatoria.
Dobbiamo immaginare una funzione del vettore aleatorio:
MIN(X, Y) = g(X, Y)
Come fosse la somma e quindi ha una sua distribuzione di probabilità.
Ci conviene passare alla probabilità complementare:
1 - (P(MIN(X, Y) > x) (3)
Questo perché questo evento:
{ MIN(X, Y) > x } = { X > x } ∩ { Y > x }
Quindi procediamo da (3):
1 - (P(MIN(X, Y) > x) =
= 1 - P(X > x, Y > x) = 1 - P(X > x)P(Y > x) =
= 1 - [(1 - F X (x))(1 - F Y (x))] =
Ma esse sono identicamente distribuite:
= 1 - [1 - F X (x)] 2 (4)
NB Devo allora calcolare F X (x):
perte intera
di x
⏜⏟⏟⏟
[x⏝⏟⏟⏟
] ⏞

F X (x) = P(X ⩽ x) = ∑ 2 -k =
k=1
[x]+1
1
[x] 1- [x]
2 1
= ∑2 -k
-1 = -1 = 2- -1 =
k=0
⏠⏣⏣
⏡⏣⏣

completo 1-
1 2
la soma
2

1 - 2 -[x] , x ∈ R +
= (5)
0 , x⩽0
Sostituiamo (5) in (4).
2
1 - 1 - 1 - 2 -[x] = 1 - 2 -2[x] , x ∈ R +
Perciò in conclusione:

1 - 4 -[x] , x ∈ R +
P(MIN(X, Y) ⩽ x) =
0 , x⩽0
b
�-additività
⏜⏟⏟
⏝⏟⏟

P(X = Y) = P(X - Y = 0) =
∞ ∞
= ∑ P X = Y, X=x = ∑ P(X = Y|X = x)P(X = x) =
x=1 ⏠⏣⏣ ⏡⏣⏣ ⏢
ho intersecato con x=1
X∈Ω
poi l'ho separato nei
tanti X=x

= ∑ P(Y = x)P(X = x)
x=1
X e Y sono identicamente distribuite:
∞ ∞ ∞ ∞ ∞
∑ [P(Y = x)] 2 = ∑ 2 -x 2
= ∑ 4 -x = ∑ 4 -x - 4 -0 = ∑ 4 -x - 1
x=1 x=1 x=1 x=0 x=0
1 4 1
= -1 = -1 =
1- 4
1 3 3

c
Le variabili sono identicamente distribuite:
• P(Y > X) = P(X > Y)
• P(Y > X) + P(X > Y) + P(X = Y) = 1
⏠⏣⏣⏣⏣⏣⏣⏣
eventi disgiunti⏡⏣⏣⏣⏣⏣⏣⏣
partizione di Ω ⏢
Quindi:
1
1 = 2P(Y > X) +
3
Cioé:
1
P(Y > X) =
3

Potrebbero piacerti anche