Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Martino Papa
September 2022
Indice
2 Distribuzioni 6
2.1 Distribuzioni discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Distribuzioni continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Calcolo combinatorio 7
3.1 Disposizioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1
Capitolo 1
1.1 Introduzione
Sigma algebra una famiglia non vuota Σ ⊂ P(Ω) è detta σ-algebra in Ω se
i Ω, ∅ ∈ Σ
ii E ∈ Σ ⇒ E C ∈ Σ (C-chiusa)
iii {Ej }num ⊂ Σ ⇒ j Ej ∈ Σ
S
Misura di probabilità sia X un insieme, A σ-algebra in X. Una misura di probabilità su A è una funzione
P : A → [0, 1] t.c.
• P(∅) = 0
• P(Ω) = 1 (normalizzazione)
• se {Ej } è una famiglia numerabile di insiemi di A a due a due disgiunti, allora
[ X
P Ej = P(Ej ) (1.2)
j j
• ∀A, B ∈ A vale
µ(A ∪ B) = µ(A) + µ(B) − µ(A ∩ B) (1.4)
Variabile aleatoria sia (Ω, A, P) uno spazio di probabilità, una variabile aleatoria è una funzione
tale che:
• X −1 (I) ∈ A, ∀I ∈ B(R)
• X −1 ((−∞, t]) ∈ A, ∀t ∈ R
Memo: B(R) è la famiglia dei Boreliani di R, si tratta della più piccola σ-algebra contenenti tutti gli aperti di
(R, τe )
2
Esempio Sia X : Ω → R variabile aleatoria che descrive il lancio di una moneta, Ω = {T, C}
(
. 0 se x = C
x 7→ X(x) = (1.6)
1 se x = T
1.2 Distribuzione
Sia (Ω, A, P) uno spazio di probabilità, X una variabile aleatoria. Definiamo distribuzione di X
1.2.2 Densità
sia X una variabile aleatoria, definiamo densità di X
. P(A ∩ B)
PB (A) = (1.11)
P(B)
in particolare:
P(A) = P(B)PB (A) + P(B C )PB C (A) (1.14)
Formula di Bayes Sia (Ω, A, P) spazio di probabilità, A, B ∈ Ω, P(A), P(B) > 0 allora:
PB (A) · P(B)
PA (B) = (1.15)
P(A)
Dimostrazione:
PA (B)P(A) = P(A ∩ B) = PB (A)P(B)
3
1.3.1 Eventi indipendenti
siano {Ai }i∈I ⊂ Ω, I ⊂ N eventi, essi si dicono indipendenti se ∀J ⊂ I vale:
\ Y
P Aj = P(Aj ) (1.17)
j∈J j∈J
• se X è continua Z +∞
.
µm,k = (x − m)k pX (x)dx (1.19)
−∞
• se X continua Z +∞
.
E[X] = xpX (x) dx (1.21)
−∞
dove pX è la densità.
• se X continua allora Z +∞
E[X a ] = xa pX (x) dx, ∀a ∈ R (1.23)
−∞
• se X variabile continua Z +∞
Var(X) = (x − E[X])2 pX (x) dx (1.27)
−∞
4
Scarto quadratico medio sia X una variabile aleatoria
. p
σX = Var(X) (1.28)
• Var(X) = Cov(X, X)
• Var(aX) = a2 Var(X) e Cov(aX, Y ) = a Cov(X, Y )
• Cov(X, Y ) = Cov(Y, X)
• Var(a) = 0
• Var(X + Y ) = Var(X) + 2 Cov(X, Y ) + Var(Y )
• Cov(X, Y ) ⇒ X ⊥
⊥ Y , ovvero X,Y indipendenti
Funzione generatrice dei momenti sia X variabile aleatoria definiamo funzione generatrice dei momenti:
.
MX : R ∋ t 7→ MX (t) = E[etX ] ∈ R (1.30)
• se X variabile continua Z +∞
MX (t) = etx pX (x) dx (1.32)
−∞
e vale:
dn MX (t)
= E[X n etX ] = E[X n ] (1.33)
dtn t=0
t=0
1.5 Disuguaglianze
Disuguaglianza di Chebychev
5
Capitolo 2
Distribuzioni
6
Capitolo 3
Calcolo combinatorio
3.1 Disposizioni
Sia A un insieme, |A| = n < ∞. Una disposizione è un raggruppamento ordinato di k ≤ n elementi estratto da
un insieme A. Le disposizioni possono essere:
• Con ripetizione, se ogni elemento di A può essere estratto più di una volta. In questo caso il numero di
disposizioni possibili corrisponde a ′
Dn,k = nk (3.1)
• Senza ripetizione, se ogni elemento di A può essere estratto una sola volta. In questo caso
n!
Dn,k = (3.2)
(n − k)!