Corso di

Matematica
Applicata

Simone Elia
Ingegneria Informatica
Università degli Studi di Bologna
 1 - Definizioni di probabilità
@September 16, 2022

Definizione classica di probabilità

Dato un esperimento con un numero finito di possibili esiti equiprobabili, un evento A associato a questo
esperimento ha probabilità:

n° esiti favorevoli ad A
P (A) =
n° esiti possibili

L’insieme di tutti gli esiti è definito spazio campione.

Nonostante la sua semplicità, la definizione classica è comunque molto limitata:

Gli esiti devono essere equiprobabili.

Gli esiti devono essere in numero finito.

A volte non è possibile “contare” gli esiti.

Definizione frequentista di probabilità

Si ripete N volte un esperimento in maniera identica e indipendente, la probabilità dell’evento A si definisce

come:

n° esperimenti con esito A

P (A) =
N
Anche questa definizione, nonostante sia migliore, ha i suoi limiti:

Pro Contro

La definizione vale anche per eventi non equiprobabili. Esiti dell’esperimento devono essere in numero finito.

Non è richiesto di “contare” gli eventi. A volte non è possibile ripetere l’esperimento molte volte →
risultato impreciso.

1 - Definizioni di probabilità 1
 2 - Calcolo combinatorio
Principio fondamentale del calcolo combinatorio - Principio di enumerazione

Si supponga di realizzare 2 esperimenti e si supponga che il primo esperimento presenti n possibili esiti,
mentre il secondo esperimento presenti m possibili esiti.
Le coppie ordinate che contengono gli esiti del primo e del secondo esperimento saranno n × m.

Esempio 1

✔ Esempio

Scatola con 6 palline rosse e 5 palline verdi. Estrazione con reimmissione 3 palline. Quale è la
probabilità di ottenere 2R + 1V (senza badare all’ordine di estrazione)?

A = 2R + 1V senza ordine.
n° esiti possibili = 11 × 11 × 11 = 113
n° esiti favorevoli = 6 × 6 × 5 + 6 × 5 × 6 + 5 × 6 × 6 = 3 × 5 × 62
RRV RVR VRR
n° esiti favorevoli 15×62
P (A) = n° esiti possibili
= 113
DEF. CLASS.

Esempio 2

✔ Esempio

Scatola con 6 palline rosse e 5 palline verdi. Estrazione senza reimmissione 3 palline. Quale è la
probabilità di ottenere 2R + 1V (senza badare all’ordine di estrazione)?

A = 2R + 1V senza ordine.
n° esiti possibili = 11 × 10 × 9
n° esiti favorevoli = 6 × 5 × 5 + 6 × 5 × 5 + 5 × 6 × 5 = 3 × 52 × 6
RRV RVR VRR
n° esiti favorevoli 18×52
P (A) = n° esiti possibili = 9×10×11
DEF. CLASS.

Disposizione semplice

Disposizioni semplici di n elementi di classe k (k ≤ n)

Dati n oggetti distinti, si dicono disposizioni semplici di n elementi di classe k (k ≤ n) tutti gli allineamenti
che si possono costruire prendendo k elementi tra gli n a disposizione senza ripetizioni.

n!
Dn,k = n × (n − 1) × ⋯ × (n − k + 1) =
(n − k)!

N.B. Le disposizioni semplici sono associate alle estrazioni senza reimmissione.

Disposizione con ripetizione

Disposizioni con ripetizione di n elementi di classe k

Dati n oggetti distinti, si dicono disposizioni con ripetizione di n elementi di classe k , tutti gli allineamenti di
k (anche ripetuti) presi dall’insieme degli n elementi dati.

2 - Calcolo combinatorio 1
 R
Dn,k = nk

N.B. Le disposizioni con reimmissione sono associate alle estrazioni con reimmissione.

Permutazione semplice

Permutazioni semplici di n elementi

Dati n elementi distinti, si dicono permutazioni semplici degli n elementi, tutti gli allineamenti degli n
elementi.

Pn = Dn,n = n!

N.B. Le disposizioni semplici sono associate alle estrazioni senza reimmissione.

Permutazione con ripetizione

Permutazioni con ripetizione di n elementi

Dati n elementi non necessariamente distinti, si dicono permutazioni con ripetizione degli elementi, tutti gli
allineamenti di questi n elementi.

n!
PnR =
K1 !K2 ! … KJ !
Esempio

✔ Anagrammi della parola “matematica”

n = 10
A:3
M :2
T :2
E:1
I:1
C :1

10! 10!
PnR = =
3!2!2!1!1!1! 24

Combinazione semplice

Combinazioni semplici di n elementi di classe k (k ≤ n)

Dati n elementi distinti, si dicono combinazioni semplici di n elementi di classe k (k ≤ n), tutti i gruppi di k
elementi che si possono formare senza ripetizioni a partire dagli n dati.

=( )
n! Dn,k n
Cn,k = =
(n − k)!k! Pk k

@September 20, 2022

Paradosso dei compleanni

n persone nate in un anno non bisestile si trovano in un a stanza (n ≤ 365). Qual è la probabilità che abbiano tutte date di compleanno
diverse?

Ipotesi: tutte le date dell’anno sono equiprobabili

C = “Tutte le n persone hanno date di compleanno diverse”

° iif ili

2 - Calcolo combinatorio 2
 n° esiti favorevili
P (C) = n° esiti totali

D365,n 365 × 364 × ⋯ × (365 − n + 1)

P (C) = =
R
D365,n 365n

Per trovare la probabilità che almeno due persone abbiano lo stesso compleanno considero l’evento complementare C C

365 × 364 × ⋯ × (365 − n + 1)

P (C C ) = 1 − P (C) = 1 −
365n
Questo viene “paradosso” perchè P (C C ) aumenta molto in fretta con l’aumentare di n (n = 20 ⇒ P (C C ) ≈ 41%, n = 40 ⇒
P (C C ) ≈ 89%, n = 60 ⇒ P (C C ) ≈ 99.4%)

2 - Calcolo combinatorio 3
 3 - Notazione e definizioni preliminari
Unione di eventi

Unione di eventi

Dati A, B ⊂ S , chiamiamo unione di eventi (A ∪ B ) l’evento di S che contiene tutti gli esiti contenuti in
A e/o in B .

Intersezione di eventi
Intersezione di eventi

Dati A, B ⊂ S , chiamiamo intersezione di eventi (A ∩ B ) l’evento di S che contiene tutti gli esiti
contenuti sia in A che in B .

Insieme vuoto
Insieme vuoto
Chiamiamo insieme vuoto ( ∅ ) l’evento che non contiene esiti.

Eventi mutuamente esclusivi

Eventi mutuamente esclusivi

Dati A, B ⊂ S , i due eventi si dicono mutuamente esclusivi se:

A∩B = ∅

Evento complementare

Evento complementare
Dato A ⊂ S , definiamo evento complementare l’evento AC tale che:

AC ≡ S − A

Proprietà
Dati A, B ⊂ S

AC ∩ BC = (A ∪ B)C
AC ∪ BC = (A ∩ B)C

Notazioni
Dati A1 , A2 , … , Am ⊂S
n
⋃ Ak = A1 ∪ A2 ∪ ⋯ ∪ Am
k=1

n
⋂ Ak = A1 ∩ A2 ∩ ⋯ ∩ Am
k=1

3 - Notazione e definizioni preliminari 1

 4 - Assiomi di Kolmogorov e proprietà
Assiomi di Kolmogorov

Dato un esperimento che prevede più esiti possibili e a cui è associato uno spazio campione S , e dato un
evento E ⊂ S , si definisce probabilità di E , P (E) ∈ R , il numero tale che:
A1. 0 ≤ P (E) ≤ 1
A2. P (S) =1
A3. Dati E1 , E2 , … , En ⊂ S mutuamente esclusivi, allora
m m
P ( ⋃ Ek ) = ∑ P (Ek )
k=1 k=1

Proprietà 1
Dato E ⊂ S
P (E c ) = 1 − P (E)

📎 Dimostrazione

1 = P (S) = P (E ∪ E c ) = P (E) + P (E c )
A2 ∗ A3
P (E) + P (E c ) = 1
P (E c ) = 1 − P (E)

∗ → E ∪ Ec = S

Proprietà 1bis
P (∅) = 0

📎 Dimostrazione
Sc = ∅

P (∅) = P (S c ) = 1 − P (S) = 1 − 1 = 0
P1 A2

Proprietà 2
Dati A, B ⊂ S con A ⊂ B
P (A) ≤ P (B)
B ∩ Ac = B − A

📎 Dimostrazione

→B = A ∪ (B ∩ Ac )
→ A ∩ (B ∩ Ac ) =∅
≥0

P (B) = P (A ∪ (B ∩ A )) = P (A) + P (B ∩ Ac ) ≥ P (A)

c

A3 A1
P (B) ≥ P (A) ⇒ P (A) ≤ P (B)

Proprietà 3

4 - Assiomi di Kolmogorov e proprietà 1

 Dati A, B ⊂ S
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

📎 Dimostrazione

→ E1 = A\B →A = E1 ∪ E2
→ E2 = A∩B →B = E2 ∪ E3
→ E3 = B\A →A∪B = E1 ∪ E2 ∪ E3

P (A ∪ B) = P (E1 ∪ E2 ∪ E3 ) =
A3
P (A)

= P (E1 ) + P (E2 ) + P (E3 ) =

P (B )

= P (A) + P (E3 ) + P (E2 ) − P (E2 ) =

= P (A) + P (B) − P (A ∩ B)

N.B. Se A e B sono mutualmente esclusivi:

A ∪ B = ∅ ⇒ P (A ∩ B) = 0
P (A ∪ B) = P (A) + P (B)

Proprietà 4
Dati A, B, C ⊂ S
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) −
−P (A ∩ B) − P (B ∩ C) − P (A ∩ C) +
+P (A ∩ B ∩ C)

Definizione classica di probabilità come conseguenza degli assiomi

Dato un esperimento che presenta un numero finito, N , di esiti equiprobabili:

S = {e1 , e2 , … , eN } ek = k-esimo elemento di S

N ∈ N con N < +∞

P (e1 ) = P (e2 ) = ⋯ = P (eN ) = p

Quanto vale p?

e1 , e2 , … , eN sono mutualmente esclusivi in quanto esiti

S =⋃ N e
k=1 k N N N
1 = P (S) = P ( ⋃ ek ) = ∑ p(Ek ) = ∑ p = Np
A2 k=1 A3 k=1 k=1

1
1 = Np ⇒ p =
N
Sia A ⊂ S che contiene m esiti 1 ≤ m ≤ N

A = {e1 , e2 , … , em }
m
A = ⋃ ek
k=1

m m m
1 m
P (A) = P ( ⋃ ek ) = ∑ P (eK ) = ∑ =
N N
k=1 A3 k=1 k=1
m n° esiti contenuti in A
P (A) = =
N n° esiti totali

4 - Assiomi di Kolmogorov e proprietà 2

 5 - Probabilità condizionata e eventi indipendenti
@September 23, 2022

Probabilità condizionata

Dati 2 eventi A, B ⊂ S con P (B) =

 0, si definisce probabilità di A condizionata da B :
P (A ∩ B)
P (A∣B) =
P (B)

Eventi indipendenti

Dati 2 eventi A, B ⊂ S , essi si dicono indipendenti se:

P (A ∩ B) = P (A)P (B)

Dati 3 eventi A, B, C ⊂ S , essi si dicono indipendenti se:

P (A ∩ B ∩ C) = P (A)P (B)P (C)

P (A ∩ B) = P (A)P (B)
P (A ∩ C) = P (A)P (C)
P (B ∩ C) = P (B)P (C)

In generale N eventi sono indipendenti se tutte le loro intersezioni tra N, N − 1, N − 2, … , 2 soddisfano

condizioni simili a quelle scritte sopra.

N.B. Dati A, B ⊂ S indipendenti con P (B) =

 0:
P (A ∩ B) P (A)P (B)
P (A∣B) = = = P (A)
P (B) P (B)

Teorema

Dati 2 eventi A, B ⊂ S , indipendenti, allora anche A e B c sono indipendenti tra loro. (lo stesso vale per Ac
c c
e B e per A e B )

Dimostrazione

→A = (A ∩ B) ∪ (A ∩ Bc )

A3
P (A) = P ((A ∩ B) ∪ (A ∩ Bc )) = P (A ∩ B) + P (A ∩ Bc )

P (A ∩ Bc ) = P (A) − P (A ∩ B) = P (A) − P (A)P (B) =

= P (A)(1 − P (B)) = P (A)P (Bc )
P1

In maniera simile si dimostra che Ac e B oppure Ac e Bc sono indipendenti.

5 - Probabilità condizionata e eventi indipendenti 1

 6 - Partizione di uno spazio campione
Partizione di uno spazio campione

Dato uno spazio campione S , si dice partizione di S una suddivisione in eventi

{H1 , H2 , … , Hm } (m ∈ N ∖ {0, 1}) tali che Hi ∩ Hk = ∅ se i = m
 k e ⋃k=1 Hk = S .

Gli elementi della partizione H1 , H2 , … , Hm sono detti ipotesi.

Formula delle probabilità totali

Formula delle probabilità totali

Dato uno spazio campione S e una sua partizione{H1 , H2 , … , Hm }e dato un evento A ⊂ S:
m
P (A) = ∑ P (A∣Hk )P (Hk )
k=1

📎 Dimostrazione

m
A = (A ∩ H1 ) ∪ (A ∩ H2 ) ∪ ⋯ ∪ (A ∩ Hm ) = ⋃ (A ∩ Hk )
k=1

→ Gli Hk sono mutualmente esclusivi.

m m
P (A) = P ( ⋃ (A ∩ Hk ) = ∑ P (A ∩ Hk ) =
k=1 A3 k=1
m
= ∑ P (A∣Hk )P (Hk )
k=1

Teorema di Bayes (o probabilità a posteriori)

Teorema di Bayes (o probabilità a posteriori)

Dato uno spazio campione S e una sua partizione {H1 , H2 , … , Hm } e considerato un evento E ⊂S
con P (E) =
 0, allora:
P (E∣Hj )P (Hj )
P (Hj ∣E) =
∑m
k=1 P (E∣Hk )P (Hk )

6 - Partizione di uno spazio campione 1

 📎 Dimostrazione

→ P (E ∩ Hj ) = P (E∣Hj )P (Hj )
→ P (E ∩ Hj ) = P (Hj ∣E)P (E)

P (Hj ∣E)P (E) P (E∣Hj )P (Hj )

=
P (E) P (E)

(con P (E) =
 0)
P (E∣Hj )P (Hj )
P (Hj ∣E) = =
P (E)
formula prob. tot.
P (E∣Hj )P (Hj )
= m
∑k=1 P (E∣Hk )P (Hk )

@September 27, 2022

Problema della rovina del giocatore

A e B giocano lanciando una moneta. se esce testa (T ) B dà una moneta da 1€ ad A, se esce croce (C ) A
dà una moneta da 1€ a B. Il gioco continua fino a quando uno dei due giocatori rimane senza monete.
Sia k (con 0 < k < n) il numero di monete possedute inizialmente da A ed (n − k) il numero di monete
possedute da B . Qual è la possibilità che A vinca?

A = “A vince” P (T ) = p
P (A) = pk P (C) = 1 − P (T ) = 1 − p = q
ps = “Prob. di vincere possedendo s monete”

Se 1 ≤ k < n si dovrà sempre lanciare almeno una volta la moneta.

P (A) = P (A∣T )P (T ) + P (A∣C)P (C)

prob. totali

pk = pk+1 p + pk−1 q

N.B.:

p0 = 0, pn = 1
p + q = p + (1 − p) = 1

(p + q)pk = (pk+1 )p + (pk−1 )q

q(pk − pk−1 ) = p(pk+1 − pk )
q
pk+1 − pk = (pk − pk−1 )
p

Si arriva alla seguente conclusione:

q q
k=1 p2 − p1 = (p1 − p0 ) = p1
p p
0
q q
k=2 p3 − p2 = (p2 − p1 ) = p1 ( )2
p p
p1 pq
q q
k=3 p4 − p3 = (p3 − p2 ) = p1 ( )3
p p
q
p1 ( p )2

…
q q
k = n−1 pn − pn−1 = (pn−1 − pn−2 ) = p1 ( )n−1
p p

Sommo tutte le equazioni (si comportano come una serie telescopica):

6 - Partizione di uno spazio campione 2

 n−1
+ ⋯ + p1 ( )
q q
pn − p1 = p1
p p

Osservo che pn = 1 e raggruppo p1 :

p1 (1 + + ( )2 + ⋯ + ( )n−1 ) = 1
q q q
p p p

E quindi:

1
p1 = q
1+ p
+ ( pq )2 + ⋯ + ( pq )n−1

Da qui è possibile considerare prima il caso specifico della moneta equilibrata, poi il caso generico in cui p =
 q:
Moneta equilibrata
1 q
Se la moneta è equilibrata p =q= 2
da ciò consegue che p = 1 e quindi

1 1 1
p1 = q = =
1+ p
+ ( pq )2 + ⋯ + ( pq )n−1 1+1+⋯+1 N

Da qui è facile ottenere la formula più generale:

pk+1 − pk = pk − pk−1
p2 − p1 = p1 − 0 → p2 = 2p1
p3 − p2 = p2 − p1 → p3 = 3p1
p4 − p3 = p3 − p2 → p4 = 4p1

Ovvero:

j
pj = jp1 =
N
Caso generale
q
Nel caso generale p =
 1 è quindi possibile fare:
q
1 1− p
p1 = q × =
1+ p
+ ( pq )2 + ⋯ + ( pq )n−1 1− q
p
1 − pq
= n
1 − ( pq )

E si verifica quindi che

j
1 − ( pq )
pj = n
1 − ( pq )

Dispositivi in serie e parallelo

n dispositivi D1 , D2 , … , Dn indipendenti tra di loro hanno probabilità di funzionare Pk con k = 1, 2, … , n.

Dispositivi in serie
Se i dispositivi formano un sistema in serie qual è la probabilità che il sistema funzioni?

F = “sistema funziona”
Dk = “ il k-esimo dispositivo funziona”
P (Dk ) = Pk

F = D1 ∩ D2 ∩ ⋯ ∩ Dn

P (F ) = P (D1 ∩ D2 ∩ ⋯ ∩ Dn ) = P (D1 ) ∩ P (D2 ) … P (Dn ) =

n
= ∏ Pk
k=1

Dispositivi in parallelo
Se i dispositivi formano un sistema in parallelo qual è la probabilità che il sistema funzioni?

6 - Partizione di uno spazio campione 3

 F = “sistema funziona”
Dk = “ il k-esimo dispositivo funziona”
P (Dk ) = Pk

E = D1 ∪ D2 ∪ ⋯ ∪ Dn

P (E) = 1 − P (E C )
= 1 − P (E C ) =
= 1 − P ((D1 ∪ D2 ∪ ⋯ ∪ Dn )C ) =
= 1 − P (D1C ∩ D2C ∩ ⋯ ∩ DnC ) =
= 1 − P (D1C )P (D2C ) … P (DnC ) =
= 1 − (1 − P1 )(1 − P2 ) … (1 − Pn ) =
n
= 1 − ∏(1 − Pk )
k=1

6 - Partizione di uno spazio campione 4

 7 - Variabili casuali discrete
@September 30, 2022

Variabili casuali discrete

Una variabile casuale discreta X è una corrispondenza tra gli eventi di Ω ed un insieme discreto (finito o
numerabile) di numeri reali.

X ∈ {a1 , a2 , … , an }
con ak ∈ R k = 1, 2, … , n
e n finito o numerabile.

Funzione di massa di probabilità

Funzione di massa di probabilità

La funzione di massa di probabilità è una funzione di tipo p : R → [0, 1] definita nel seguente modo:

p(b) = p(X = b) = {
P (X = ak ) se b = ak k = 1, … , n
0 se b 
= ak k = 1, … , n

Proprietà:
Proprietà 1

0 ≤ p(b) ≤ 1 ∀b ∈ R

Proprietà 2

n
∑ p(ak ) = P (S) = 1
k=1

Funzione di ripartizione o distribuzione di probabilità

Funzione di ripartizione o distribuzione di probabilità

La funzione di ripartizione è una funzione di tipo F : R → [0, 1] definita come:

F (b) = P (X ≤ b) ∀b ∈ R

Proprietà
Proprietà 1

0 ≤ F (b) ≤ 1

Proprietà 2

lim F (b) = P (X ≤ +∞) = 1

b→+∞

Proprietà 3

lim F (b) = P (X ≤ −∞) = 0

b→−∞

Proprietà 4

b, c ∈ R tali che b <c

7 - Variabili casuali discrete 1

 F (b) = P (X ≤ b) ≤ P (X ≤ c) = F (c)
F (b) ≤ F (c) con b < c

N.B. F è una funzione non decrescente.

Proprietà 5

Se X è una variabile casuale discreta F è una funzione ‘a grumi’

7 - Variabili casuali discrete 2

 8 - Variabili casuali continue
Variabili casuali continue

Una variabile casuale si dice continua se ad essa è associata una funzione, detta densità di probabilità.

f : R → R+ ∪ {0} tale che ∀B ⊆ R

P (X ∈ B) = ∫ f (s)ds
B

Proprietà funzione di densità di probabilità

Proprietà 1

f(x) ≥ 0 ∀x ∈ R

Proprietà 2

+∞
P (X ∈ R) = P (X ≤ +∞) = 1 ⇒ ∫ f(s)ds = 1
−∞

Funzione di ripartizione o distribuzione di probabilità

Funzione di ripartizione o distribuzione di probabilità

La funzione di ripartizione è una funzione di tipo F : R → [0, 1] definita come:

F (b) = P (X ≤ b) ∀b ∈ R

Proprietà
Proprietà 1

0 ≤ F (b) ≤ 1

Proprietà 2

lim F (b) = P (X ≤ +∞) = 1

b→+∞

Proprietà 3

lim F (b) = P (X ≤ −∞) = 0

b→−∞

Proprietà 4

b, c ∈ R tali che b <c

F (b) = P (X ≤ b) ≤ P (X ≤ c) = F (c)
F (b) ≤ F (c) con b < c

N.B. F è una funzione non decrescente.

Proprietà 5

b
F (b) = P (X ≤ b) = ∫ f(s)ds
−∞

dF (b)
f(b) =
db
N.B. f(b) ≥ 0 perchè F (b) è non decrescente.

Considerazioni:

8 - Variabili casuali continue 1

 Le variabili casuali discrete hanno una funzione di ripartizione discontinua e quindi non derivabile → non è possibile associare una
funzione di densità.

Per una variabile casuale continua non è significativo associare una funzione di massa:

b
p(b) = P (X = B) = ∫ f(s)ds = ∫ f(s)ds = 0
X =b b
∀b ∈ R

La funzione di ripartizione F è comoda per calcolare la probabilità di n intervalli:

P (a < X ≤ b) = F (b) − F (a)

8 - Variabili casuali continue 2

 9 - Coppie di variabili casuali
Coppie di variabili casuali discrete

Funzione di massa di probabilità congiunta

La funzione di massa di probabilità congiunta è una funzione di tipo

p : R2 → [0, 1] definita come:

p(a, b) = P (X = a ∩ Y = b) = P (X = a, Y = b)

Proprietà
Proprietà 1

p(a, b) ∈ [0, 1]

Proprietà 2

n m
∑ ∑ p(xk , yj ) = 1
k=1 j=1

Funzioni di massa marginali

pX (a) = P (X = a) = P (X = a, Y = qualsiasi) =
m
= ∑ P (X = a, Y = yj )
j=1

pY (b) = P (Y = b) = P (X = qualsiasi, Y = b) =
n
= ∑ P (X = xk , Y = b)
k=1

Coppie di variabili casuali congiuntamente continue

@October 11, 2022

Coppie di variabili casuali congiuntamente continue

(X, Y ), variabili casuali, si dicono congiuntamente continue se ad esse è assoaciata una funzione di
tipo f : R2 → R+ ∪ {0} tale che ∀H ⊂ R2 :

P ((X, Y ) ∈ H) = ∬ f (s, t)dsdt

f è detta funzione di densità di probabilità conginuta.

Proprietà
Proprietà 1

f(s, t) ≥ 0

Proprietà 2

∬ f(s, t)dsdt = 1
R2

Funzione di ripartizione di probabilità

Si definisce anche in questo caso una funzione F : R2 → [0, 1]:

9 - Coppie di variabili casuali 1

 F (a, b) = P (X ≤ a, Y ≤ b)

Proprietà
Le prime 4 proprietà sono le stesse del caso discreto

Proprietà 5

a b
F (a, b) = ∫ (∫ f(s, t)dt)ds
−∞ −∞

∂2 F
f(a, b) =
∂a∂b

Funzioni di ripartizione di probabilità marginali

FX (a) = P (X ≤ a) = P (X ≤ a, Y ≤ +∞) =
a +∞
= F (a, +∞) = ∫ (∫ f (s, t)dt)ds
−∞ −∞

FY (b) = P (Y ≤ b) = P (X ≤ +∞, Y ≤ b) =
b +∞
= F (+∞, b) = ∫ (∫ f (s, t)ds)dt
−∞ −∞

Funzioni di densità di probabilità marginali

a +∞
dFX (a) d
fX (a) = = ∫ (∫ f (s, t)dt)ds =
da da −∞ −∞
+∞
=∫ f (a, t)dt
−∞

+∞
dFY (b) d b
fY (b) = = ∫ (∫ f (s, t)ds)dt =
db db −∞ −∞
+∞
=∫ f (s, b)ds
−∞

Coppie variabili casuali indipendenti

Variabili casuali indipendenti

Due variabili casuali X e Y si dicono indipendenti se ∀A, B ⊂ R:

P (X ∈ A, Y ∈ B) = P (X ∈ A)P (Y ∈ B)

N.B. La definizione è semplice ma non operativa, non è sempre possibile verificarla ∀A, B ⊂ R. Quindi si ricorre ai tre teoremi seguenti:
Teorema 1:
Condizione necessaria e sufficiente affinché due variabili casuali siano indipendenti è che:

F (a, b) = FX (a)FY (b) ∀a, b ∈ R

Teorema 2

Condizione necessaria e sufficiente affinché due variabili casuali discrete siano indipendenti è che:

p(a, b) = pX (a)pY (b) ∀a, b ∈ R

Teorema 3

Condizione necessaria e sufficiente affinché due variabili casuali congiuntamente continue siano indipendenti è che:

f(a, b) = fX (a)fY (b) ∀a, b ∈ R

9 - Coppie di variabili casuali 2

 10 - Valor medio o valore atteso o media teorica o
speranza matematica
Valor medio

Data una variabile casuale X si definisce, se esiste, il suo valore medio o valore atteso o media teorica o
speranza matematica la seguente quantità:

E[X] = { +∞
∑nk=1 xk p(xk ) se X v.c. discreta
∫−∞ xf (x)dx se X v.c. continua

Proprietà
Proprietà 1

Se Y = h(X) con X variabile casuale nota:

E[Y ] = E[h(X)] =

= { +∞
n
∑k=1 h(xk )p(xk ) se X v.c. discreta
∫−∞ h(x)f(x)dx se X v.c. continua

se esistono.

Proprietà 2

Caso particolare: Y = αX + β con α ∈ R, β ∈ R:

E[Y ] = αE[X] + β

📎 Dimostrazione - caso discreto

→ X v.c. discreta con X ∈ {x1 , x2 , … , xm }

m
E[Y ] = ∑ h(xk )p(xk ) =
k=1
m
= ∑(αxk + β)p(xk ) =
k=1
m m
= α ∑ xk p(xk ) + β ∑ p(xk ) =
k=1 k=1
= αE[X] + β

In maniera analoga è dimostrabile il caso continuo

Proprietà 3

se Z = g(X, Y ) con X e Y v.c. note:

E[Z] = E[g(X, Y )] =

= { +∞ +∞
m n
∑k=1 ∑j=1 g(xk , yj )p(xk , yj ) se X, Y v.c. discrete
∫−∞ ∫−∞ g(x, y)f(x, y) se X, Y v.c. continue

se esistono.

Proprietà 4

Date X, Y v.c. e Z = X +Y:

E[Z] = E[X] + E[Y ]

10 - Valor medio o valore atteso o media teorica o speranza matematica 1

 @October 18, 2022

📎 Dimostrazione - caso continuo

E[Z] = E[X + Y ] =
+∞ +∞
=∫ ∫ (x + y)f(x, y)dxdy =
−∞ −∞
+∞ +∞ +∞ +∞
=∫ ∫ xf(x, y)dxdy + ∫ ∫ yf(x, y)dxdy =
−∞ −∞ −∞ −∞
+∞ +∞ +∞ +∞
=∫ x(∫ f(x, y)dy)dx + ∫ y(∫ f(x, y)dx)dy =
−∞ −∞ −∞ −∞
+∞ +∞
=∫ xfx (x)dx + ∫ yfy (y)dy =
−∞ −∞
= E[X] + E[Y ]

In maniera analoga si dimostra il caso discreto.

Proprietà 4-bis

La proprietà 4 può essere estesa:

Dati X1 , X2 , … , XN v.c. con valor medio definito:

E[X1 , X2 , … , XN ] = E[X1 ] + E[X2 ] + ⋯ + E[XN ]

Momento n-esimo di una variabile casuale

Il momento n-esimo, se esiste della v.c. X è:

E[X] = { +∞
∑nk=1 xnk p(xk ) se X v.c. discreta
∫−∞ xn f (x)dx se X v.c. continua

con n ∈N

Teorema

Se X e Y sono variabili casuali con E[X] = μX , E[Y ] = μY e sono indipendenti, allora:

E[XY ] = E[X]E[Y ]

N.B. Dal teorema si ricava che se X e Y sono indipendenti

Cov(X, Y ) = E[XY ] − E[X]E[Y ] = 0

Attenzione! La covarianza nulla non implica che i due eventi siano indipendenti, ma se gli eventi sono indipendenti hanno covarianza nulla

10 - Valor medio o valore atteso o media teorica o speranza matematica 2

 📎 Dimostrazione - caso continuo

+∞ +∞
E[XY ] = ∫ ∫ xyf(x, y)dxdy =
−∞ −∞
Th 3 sulle var. indip.
+∞ +∞
=∫ ∫ xyfX (x)fY (y)dxdy =
−∞ −∞
+∞ +∞
=∫ yfY (y)(∫ xfX (x)dx)dy =
−∞ −∞

E[X ]
+∞
=∫ yfY (y)E[X]dy =
−∞
+∞
= E[X]∫ yfY (y)dy
−∞

E[Y ]
= E[X]E[Y ]

10 - Valor medio o valore atteso o media teorica o speranza matematica 3

 11 - Varianza di una variabile casuale
Varianza di una variabile casuale

Data una variabile casuale X con valor medio E[X] = μ definito, si dice, se esiste, varianza di X :

Var(X) = { +∞
∑i (xi − μ)2 P (xi ) caso discreto
∫−∞ (x − μ)2 f (x)dx caso continuo

Var(X) = E[(X − E[X])2 ]

N.B. la varianza è sempre positiva.

Proprietà
Proprietà 1

La varianza è il quadrato del momento di ordine 1 sottratto al quadrato del momento di ordine 1.

Var(X) = E[X 2 ] − E[X]2

📎 Dimostrazione

Var(X) = E[(X − E[X])2 ] =

= E[X 2 + E[X]2 − 2E[X]X] =
= E[X 2 ] + E[E[X]2 ] + E[−2E[X]X] =
= E[X 2 ] + E[X]2 + (−2E[X]E[X]) =
= E[X 2 ] − E[X]2

Proprietà 2

Caso particolare:

Var(αX + β) = α2 Var(X)

📎 Dimostrazione

→Y = αX + β
→ E[Y ] = E[αX + β] = αE[X] + β

Var(Y ) = E[(Y − E[Y ])2 ] =

= E[(αX + β − (αE[X] + β))2 ] =
= E[(αX − αE[X])2 ] =
= E[α2 (X − E[X])2 ] =
= α2 E[(X − E[X])2 ] =
= α2 Var(X)

Proprietà 3

Date X e Y variabili casuali con valore atteso e varianza definiti:

Var(X, Y ) = Var(X) + Var(Y ) + 2Cov(X, Y )

11 - Varianza di una variabile casuale 1

 📎 Dimostrazione

La dimostrazione è la medesima della proprietà 6 della covarianza.

Proprietà 3-bis

Date N variabili casuali X1 , X2 … , XN

N
Var(∑ Xk ) =
k=1
N N N
= ∑ Var(Xk ) + ∑ ∑ Cov(Xk , Xj ) con k 
=j
k=1 k=1 j=1

11 - Varianza di una variabile casuale 2

 12 - Covarianza
Covarianza

Date X e Y , variabili casuali con E[X] = μX ed E[Y ] = μY si definisce covarianza:

Cov(X, Y ) = E[(X − μX )(Y − μY )]

Caso discreto:

m n
Cov(X, Y ) = ∑ ∑(xk − μX )(yj − μY )p(xk , yj )
k=1 j=1

Caso continuo:

+∞ +∞
Cov(X, Y ) = ∫ ∫ (x − μX )(y − μY )f (x, y)dxdy
−∞ ∞

Proprietà
Proprietà 1

Cov(X, Y ) = Cov(Y , X)

Proprietà 2

Cov(X, X) = Var(X)

📎 Dimostrazione

Cov(X, X) = E[(X − μX )(X − μX )] =

= E[(X − μX )2 ] =
= E[(X − E[X])2 ] =
= Var(X)

Proprietà 3

Cov(X, Y ) = E[XY ] − E[X]E[Y ]

N.B. Se due variabili casuali sono indipendenti E[XY ] = E[X]E[Y ] quindi la covarianza è nulla.
Proprietà 4

Cov(αX, Y ) = Cov(X, αY ) = αCov(X, Y )

Proprietà 5
Siano X1 , X2 , … , XN e Y1 , Y2 , … , YM variabili casuali, allora

N M N M
Cov(∑ Xk , ∑ Yj ) = ∑ ∑ Cov(Xk , Yj )
k=1 j=1 k=1 j=1

Proprietà 6

Var(X + Y ) = Var(X) + Var(Y ) + 2Cov(X, Y )

12 - Covarianza 1
 📎 Dimostrazione

→Z =X +Y
→ E[X] = μX ; E[Y ] = μY
→ E[Z] = E[X + Z] = E[X] + E[Y ] = μX + μY

Var(Z) = E[(Z − E[Z])2 ] =

= E[(X + Y − (μX + μY ))2 ] =
= E[{(X − μX ) + (Y − μY )}2 ] =
= E[(X − μX )2 + (Y − μY )2 + 2(X − μX )(Y − μY )] =
= E[(X − μX )2 ] + E[(Y − μY )2 ] + 2E[(X − μX )(Y − μY )] =
= Var(x) + Var(Y ) + 2Cov(X, Y )

Coefficiente di correlazione

Cov(X, Y )
Corr(X, Y ) = ∈ [−1, 1]
Var(X)Var(Y )

12 - Covarianza 2
 13 - Funzioni generatrici dei momenti
@October 25, 2022

Variabili casuali identicamente distribuite

Due o più variabili sono identicamente distribuite se hanno la stessa funzione di ripartizione (distribuzione)
di probabilità:

Variabili casuali discrete hanno la stessa funzione di massa di probabilità

Variabili casuali continue hanno la stessa funzione di densità di probabilità

Funzione generatrice dei momenti

Data una variabile casuale X , si definisce funzione generatrice dei momenti di X (se esiste):

ϕ(t) = E[etX ] ϕ:R→R

Proprietà funzione generatrice dei momenti

Proprietà 0

ϕ(0) = E[1] = 1 ∀X

Proprietà 1

dϕ(t) ∣ d ∣ ∣
= E[etX ] = E[XetX ] = E[X]
dt ∣t=0 dt ∣t=0 ∣t=0

Proprietà 2

dk ϕ(t) ∣
= E[X k ] per K ≥ 1
dtk ∣t=0

Proprietà 3
Se X e Y variabili casuali indipendenti

ϕX +Y (t) = ϕX (t)ϕY (t)

📎 Dimostrazione - caso continuo

ϕX +Y (t) = E[et(X +Y ) ] =
+∞ +∞
=∫ ∫ et(x+y) f(x, y)dxdy =
−∞ −∞
+∞ +∞
=∫ ∫ et(x+y) fX (x)fY (y)dxdy =
−∞ −∞
+∞ +∞
= (∫ tx
e fX (x)dx)(∫ ety fY (y)dy) =
−∞ −∞
= E[e ]E[etY ] =
tX

= ϕX (t)ϕY (t)

Analogamente si dimostra il caso discreto

Proprietà 4

Se due o più variabili casuali hanno la stessa funzione generatrice dei momenti allora sono identicamente distribuite.

Proprietà di riproducibilità delle v.c. binomiali

13 - Funzioni generatrici dei momenti 1

 Date X, T , variabili casuali indipendenti binomiali:

X ∼ B(n, p)
T ∼ B(m, p)

Allora:

X + T ∼ B(n + m, p)

📎 Dimostrazione

ϕX (t) = (et p + q)n

ϕT (t) = (et p + q)m
ϕX +T (t) = ϕX (t)ϕT (t) = (et p + q)n+m

13 - Funzioni generatrici dei momenti 2

 14 - Disuguaglianze di Markov e Čebyčev
Disuguaglianza di Markov

Data una variabile casuale X ≥ 0 a valori non negativi, dato a ∈ R+ :

E[X]
P (X ≥ a) ≤
a
N.B. Si riesce a stimare P (X ≥ a) usando solo E[X], affinchè la disuguaglianza dia una stima utile si deve
E[X]
avere a <1

📎 Dimostrazione - caso continuo

+∞
E[X] = ∫ xf(x)dx =
−∞
x≥0
+∞
=∫ xf(x)dx =
0
a +∞
=∫ xf(x)dx + ∫ xf(x)dx ≥
0 a
+∞
≥∫ xf(x)dx ≥
a
x≥a
+∞
≥∫ af(x)dx =
a
+∞
= a∫ f(x)dx =
a
= aP (X ≥ a)

E[X] ≥ aP (X ≥ a)
E[X]
P (X ≥ a) ≤
a
La dimostrazione è analoga per il caso discreto.

Deviazione standard

Definiamo scarto quadratico medio o deviazione standard:

σ= Var(Xk )

Disuguaglianza di Čebyčev

Data una variabile casuale X (con media E[X] = μ e varianza Var(X) = σ 2 ) e dato r ∈ R+ :

σ2
P (∣X − μ∣ ≥ r) ≤
r2
2
N.B. La disuguaglianza è utile se σr2 <1

14 - Disuguaglianze di Markov e Čebyčev 1

 📎 Dimostrazione

→ P (∣X − μ∣ ≥ r) = P ((X − μ)2 ≥ r 2 )

→Y = (X − μ)2 ⇒ Y ≥ 0
→ E[Y ] = E[(X − μ)2 ] = Var(X)

P (∣X − μ∣ ≥ r) = P ((X − μ)2 ≥ r 2 ) = P (Y ≥ r 2 )

E[Y ] Var(X)
P (Y ≥ r 2 ) ≤ 2 =
r r2
σ2
P (∣X − μ∣ ≥ r) ≤
r2

14 - Disuguaglianze di Markov e Čebyčev 2

 15 - Legge dei grandi numeri
Media campionaria
Immaginiamo di associare ad ogni esperimento una variabile casuale che rappresenti l’esito dell’esperimento.
Se l’esperimento viene ripetuto in maniera identica e indipendente N volte → N variabili casuali indipendenti e identicamente distribuite
X1 , X2 , … , XN :
Chiamiamo media campionaria:

ˉ = X1 , X2 , … , XN
X
N
X1 , X2 , … , XN sono identicamente distribuite: hanno tutte E[Xk ] = μ e Var(Xk ) = σ 2
N
1
ˉ ] = E[
E[X ∑ Xk ] =
N
k=1
N
1
= E[∑ Xk ] =
N
k=1
N
1
= ∑ E[Xk ] =
N
k=1
N
1
= ∑μ =
N
k=1
N
= μ=
N
=μ

N
1
ˉ ) = Var(
Var(X ∑ Xk ) =
N
k=1
N
1
= 2 Var(∑ Xk ) =
N
k=1
N
1
= ∑ Var(Xk ) =
N2
k=1
N
1
= 2 ∑ σ2 =
N
k=1
Nσ 2
= =
N2
2
σ
=
N
⇓
ˉ σ
Var(X ) =
N

Legge dei grandi numeri

Data una successione di variabili casuali indipendenti identicamente distribuite X1 , X2 , … , XN (con

E[Xk ] = μ e Var(Xk ) = σ 2 con k = 1, 2, … , N ) allora ∀ϵ > 0 (piccolo a piacere)

ˉ − μ∣ ≥ ϵ) ⟶ 0
P (∣X
N →+∞

ovvero la media campionaria converge in probabilità alla media teorica.

15 - Legge dei grandi numeri 1

 📎 Dimostrazione
ˉ]
→ E[X =μ
ˉ) =
→ Var(X
σ2
N

ˉ − μ∣ ≥ ϵ) = P (∣X
P (∣X ˉ − E[X
ˉ ]∣ ≥ ϵ) ≤
Dis. di Čeb.
Var(X ˉ) σ2
≤ 2
=
ϵ Nϵ2

ˉ − μ∣ ≥ ϵ) ≤ σ2
P (∣X
Nϵ2
ˉ − μ∣ ≥ ϵ) ≤ 0
lim P (∣X
N →+∞

Per l’assioma 1 di Kologorov:

ˉ − μ∣ ≥ ϵ) ≥ 0
lim P (∣X
N →+∞

ˉ − μ∣ ≥ ϵ) = 0
lim P (∣X
N →+∞

Corollario di Bernoulli

Corollario di Bernoulli

Data una successione di variabili casuali di Bernoulli indipendenti identicamente distribuite

X1 , X2 , … , XN (con Xk ∼ Be(p) con k = 1, 2, … , N ) e ∀ϵ > 0 (piccolo a piacere)
N
1
P (∣ ∑ Xk − p∣ ≥ ϵ) ⟶ 0
N N →+∞
k=1

📎 Dimostrazione

→ E[Xk ] =p (Xk ∼ Be(p))

→ Var(Xk ) = pq

Per la legge dei grandi numeri:

N
1
lim P (∣ ∑ Xk − E[Xj ]∣ ≥ ϵ) = 0
N →+∞ N
k=1

N.B. Esiste un enunciato alternativo per il corollario:

Al crescere indefinito del numero di prove la frequenza relativa di un evento A converge in probabilità alla probabilità teorica di A

15 - Legge dei grandi numeri 2

 16 - Modelli di variabili casuali discrete
Variabile casuale di Bernoulli

Variabile casuale di Bernoulli

In un esperimento l’evento A (successo) si verifica conP (A) =p

X={
X ∼ Be(p) 1 se A si verifica
0 altrimenti

p(a) = p; p(0) = 1 − p = q

Valor medio

E[X] = p

📎 Dimostrazione

E[X] = ∑ xk p(xk ) =
= 0⋅q+1⋅p =
=p

Varianza

Var(X) = pq

Funzione generatrice dei momenti

ϕ(t) = pet + q

Variabile casuale binomiale

Variabile casuale binomiale

Si ripete un esperimento in maniera identica e indipendente n volte. L’evento A si verifica in una prova con
probabilità P (A) =p
X = ’numero di esperimenti in cui si verifica A’
X ∈ {0, 1, 2, … , n}

X ∼ B(n, p)

0≤k≤n con (k ∈ N)

p(k) = ( )pk (1 − p)n−k = ( )pk q n−k

n n
k k

Dati n esperimenti indipendenti:

Y1 , Y2 , … , Yn ∼ Be(p)

Allora X è la somma di n variabili casuali indipendenti identicamente distribuite:

16 - Modelli di variabili casuali discrete 1

 n
X = ∑ Yj
j=1

Valor medio

E[X] = np

Varianza

Var(X) = npq

Funzione generatrice dei momenti

ϕ(t) = (pet + q)n

N.B. La binomiale ha la seguente proprietà, detto principio di riproducibilità:

Dati X ∼ B(n, p) e Z ∼ B(m, p), indipendenti

X + Z ∼ B(n + m, p)

Variabile casuale di Poisson

Variabile casuale di Poisson (degli eventi rari)

Una v. c. si Poisson rappresenta in genere un numero di eventi che si osservano in un certo intervallo
temporale/spaziale a patto che il singolo evento abbia una probabilità bassa di verificarsi (evento raro)

X ∼ P o(λ) con λ ∈ R+
X ∈N
λk −λ
p(k) = P (X = k) = e
k!
Funzione generatrice dei momenti:
t
ϕ(t) = eλ(e −1)

📎 Dimostrazione
+∞ i
→ ∑i=0 αi! = eα per α > 0

ϕ(t) = E[etX ]
+∞
λi −λ
= ∑(eti e )=
i=0
i!
+∞
(et λ)i
= e−λ ∑ =
i! t
i=0 e λ=α
+∞
αi
= e−λ ∑ =
i!
i=0
= e−λ eα =
t
= eλ(e −1)

Valor medio

E[X] = λ

16 - Modelli di variabili casuali discrete 2

 📎 Dimostrazione

dϕ(t) ∣
E[X] = =
dt ∣t=0
d t ∣
= [eλ(e −1) ] =
dt ∣t=0
t ∣
= eλ(e −1) λet =
∣t=0
=λ

Varianza

Var(X) = λ

📎 Dimostrazione

Var(X) = E[X 2 ] − E[X]2

d2 ϕ(t) ∣
E[X 2 ] = =
dt2 ∣t=0
d t ∣
= [eλ(e −1) λet ] =
dt ∣t=0
t t ∣
= [λet eλ(e −1) + λet eλ(e −1) λet ] =
∣t=0
= λ + λ2

Var(X) = λ + λ2 − (λ)2 = λ

N.B. Una variabile casuale di Poisson si comporta come il limite di una binomiale X ∼ B(n, p) con n ≫ 1 e p ≪ 1. Sostituendo λ =
np.
Rimane valido il principio di riproducibilità:

X ∼ P o(λ) Y ∼ P o(μ)
X + Y ∼ P o(λ + μ)

Esempi
Esempio 1

Una compagnia di assicurazioni riceve in media 5 richieste di rimborso al giorno.

1. Che probabilità c’è che in un giorno arrivino meno di 3 chiamate?

2. Con che probabilità in 5 giorni arriveranno 20 richieste?

Primo punto:

X = “n° di richieste in un giorno”

X ∼ P o(λ) con E[X] = 5 = λ

P (X < 3) = P (X = 0) + P (X = 1) + P (X = 2) =
50 51 52
= e−5 + e−5 + e−5 =
0! 1! 2!
−5 25
= e [1 + 5 + ] =
4
49 −5
= e
4

Secondo punto:

16 - Modelli di variabili casuali discrete 3

 Xk = “n° di richieste il k-esimo giorno”
Xk ∼ P o(5) le Xk sono indipendenti
Y = “n° di richieste in 5 giorni”
Y = ∑5k=1 ∼ P o(λ + λ + λ + λ + λ) = P o(5λ) = P o(25)

2520 −25
P (Y = 20) = e
20!

Variabile casuale geometrica

Variabile casuale geometrica

Si ripete l’esperimento in maniera identica e indipendente fino ad osservare un successo (l’evento A con
P (A) = p)
X = ’numero di prove per osservare un successo’

X ∼ G(p)

X ∈ N ∖ {0}
k = 1, 2, … , +∞

p(k) = (1 − p)k−1 p = q k−1 p

La probabilità di massa può essere anche interpretata come “probabilità che non succeda A nei primi k − 1 eventi moltiplicata per la
probabilità che succeda A nel k -esimo”

Valor medio
1
E[X] =
p

📎 Dimostrazione

→
+∞
∑i=0 αi = 1
1−α

+∞
E[X] = ∑ kp(k) =
k=1
+∞
= ∑ kqk−1 p =
k=1
+∞
= p ∑ kqk−1 =
k=1
+∞
= p ∑ kqk−1 =
k=0
+∞
d
=p ∑ qk =
dq
k=0 ∗
d 1
=p ( )=
dq 1 − q
p
= =
(1 − q)2
1
=
p

Varianza
q

16 - Modelli di variabili casuali discrete 4

 q
Var(X) =
p2

📎 Dimostrazione

Var(X) = E[X 2 ] − E[X]2

+∞
E[X 2 ] = ∑ k2 qk−1 p =
k=1
+∞
= p ∑(k2 − k + k)qk−1 =
k=1
+∞ +∞
= p[∑(k2 − k)qk−1 + ∑ kqk−1 ] =
k=1 k=1
+∞
1
= p( 2 ) + p ∑ k(k − 1)qk−1 =
p
k=0
+∞
1
= + qp ∑ k(k + 1)qk−2 =
p
k=0
+∞
1 d2
= + pq 2 ∑ qk =
p dq
k=0
1 2
= + pq =
p (1 − (1 − p))3
1 q
= +2 2 =
p p
p + 2(1 − p)
= =
p2
2−p
=
p2

2−p 1 2−p−1
Var(X) = − ( )2 = =
p2 p p2
1−p q
= = 2
p2 p

@November 4, 2022

Variabile casuale binomiale negativa

Variabile casuale binomiale negativa

Si ripete un esperimento in maniera identica e indipendente fino ad osservare l’evento A (successo) r volte
(con r ∈ N ∖ {0})
X = ‘numero di esperimenti necessari per osservare A r volte’
p = P (A) → probabilità del verificarsi di A in un singolo esperimento

X ∼ NB(r, p)

X ∈ {r, r + 1, r + 2, … , +∞}
k = r, r + 1, …

k−1 r
p(k) = ( )p (1 − p)k−r
r−1

16 - Modelli di variabili casuali discrete 5

 📎 Dimostrazione

p(k) = p(X = k) =
= P (esce A (r − 1) volte in (k − 1) prove)⋅
⋅ P (esce A nella k-esima prova) =
k − 1 r−1
=( )p (1 − p)k−1−(r−1) ⋅ p =
r−1
k−1 r
=( )p (1 − p)k−r
r−1

N.B. X ∼ NB(r, p) è descrivibile come:

r
X = ∑ Yj
j=1

con Yj ∼ G(p) e Y1 , Y2 , … , Yr

Valor medio
r
E[X] =
p

📎 Dimostrazione

→ E[Yj ] = 1
p

r
E[X] = E[∑ Yj ] =
j=1
r
= ∑ E[Yj ] =
j=1
r
1
=∑ =
p
j=1
r
=
p

Varianza
rq
Var(X) =
p2

📎 Dimostrazione

→ Var(Yj ) = q
p2

r
Var(X) = Var(∑ Yj ) =
j=1
r
= ∑ Var(Yj ) =
j=1
r
q
=∑ =
j=1
p2
rq
=
p2

16 - Modelli di variabili casuali discrete 6

 17 - Modelli di variabili casuali continue
Variabile casuale uniforme

Una variabile casuale continua si dice uniforme se:

X ∼ U(α, β) α, β ∈ R α<β

tale che:

f (x) = {
k se x ∈ [α, β]
0 altrimenti

Il valore di k è calcolabile nel seguente modo:

+∞ β
1=∫ f(x)dx = ∫ kdx = k[x]βα = k(β − α)
−∞ α
⇓
1
k=
β−α

quindi:

1
f(x) = { β−α
se x ∈ [α, β]
0 altrimenti

Funzione di distribuzione di probabilità

⎧0 se a < α
F (a) = ⎨ β−α
1−α
se α ≤ a ≤ β
⎩
1 se a > β

📎 Dimostrazione

F (a) = P (X ≤ a) =
a
=∫ f(x)dx =
−∞
⎧ ∫−∞
a
0dx se a < α
⎨ ∫−∞
α a 1
= 0dx + ∫α se α ≤ a ≤ β =
⎩ α
β−α
dx
β 1 a
∫−∞ 0dx + ∫α β−α dx + ∫β 0dx se a > β
⎧0 se a < α
= ⎨ β−α
1−α
se α ≤ a ≤ β
⎩
1 se a > β

Valor medio
β+α
E[X] =
2

17 - Modelli di variabili casuali continue 1

 📎 Dimostrazione

+∞
E[X] = ∫ xf(x)dx =
−∞
α β +∞
x
=∫ x ⋅ 0dx + ∫ dx + ∫ x ⋅ 0dx =
−inf ty α β−α β
β
x
=∫ dx =
α β−α
1 x2 β
= [ ] =
β−α 2 α
β 2 − α2
= =
2(β − α)
β−α
=
2

Varianza

α2 + β 2 + αβ β+α 2
Var(X) = −( )
3 2

📎 Dimostrazione

Var(X) = E[X 2 ] − E[X]2

+∞
E[X 2 ] = ∫ x2 f(x)dx =
−∞
+∞
α β
x2
=∫ x2 ⋅ 0dx + ∫ dx + ∫ x2 ⋅ 0dx =
−inf ty α β−α β
β 2
x
=∫ dx =
α β−α
1 x3 β
= [ ] =
β−α 3 α
β 3 − α3
= =
3(β − α)
β 2 + α2 + αβ
=
2

α2 + β 2 + αβ β+α 2
Var(X) = −( )
3 2

Coppie di variabili casuali uniformi indipendenti

Date due variabili casuali uniformi e indipendenti:

X ∼ U(α, β) α, β ∈ R α < β
Y ∼ U(γ, δ) γ, δ ∈ R γ < δ

f(x, y) = fX (x)fY (y) =

1 1
={ β−α
⋅ δ−γ
se x ∈ [α, β], y ∈ [γ, δ]
0 altrove

N.B. (β − α) ⋅ (δ − γ) può essere interpretata come l’area di un rettangolo (R) .

Dato B ⊂ R2 , la probabilità che la coppia di variabili casuali X, Y ∈ B è pari a:

Area(B ∩ R)
P ((X, Y ) ∈ B) =
Area(R)

17 - Modelli di variabili casuali continue 2

 📎 Dimostrazione

P ((X, Y ) ∈ B) = P ((X, Y ) ∈ B ∩ R) =

=∬ f(x, y)dxdy =
B∩R
1
=∬ dxdy =
B∩R Area(R)
1
= ∬ 1dxdy =
Area(R) B∩R
Area(B ∩ R)
=
Area(R)

Metodi di Monte Carlo

Si definiscono metodi di Monte Carlo i metodi che sfruttano la casualità e la probabilità per calcolare
una quantità deterministica

Esempi

Misura della superficie di un lago attraverso il lancio di palle di cannone

Si lanciano delle palle di cannone casualmente all’interno del rettangolo di lati l1 e l2 che contiene il
lago

→X ∼ U(0, l1 )
→Y ∼ U(0, l2 )
→ (X, Y ) = “Punto di arrivo della palla di cannone”

Area(L)
P (palla di cannone nel lago) = P ((X, Y ) ∈ L) =
Area(R)

Se su n lanci nL finiscono nel lago, per il corollario di Bernoulli, se n ≫ 1:

nL Area(L)
≈ P (palla di cannone finisce nel lago) =
n Area(R)
⇓
nL
Area(R) ≈ Area(R)
n
@November 8, 2022

Problema degli spilli di Buffon

Correlato ai metodi di Monte Carlo vi è il problema del 1777 detto “problema degli spilli” proposto da Buffon. In esso si propone di
stimare il π lanciando degli spilli di lunghezza 2a su un piano diviso da rette parallele a distanza 2b l’una dall’altra (con 2a < 2b).
Si inizia considerando due variabili casuali uniformi, chiamando M il punto medio dello spillo si ha:

X = “Distanza di M dalla retta più vicina” θ = “Angolo tra la retta di direzione comune passante per M e lo
spillo”
X ∼ U(0, b)
θ ∼ U(0, π)

Si ha intersezione tra la retta e lo spillo se:

X ≤ a sin(θ)

dunque:

P (spillo interseca la retta r) = P (X ≤ a sin(θ))

Ipotizzando X e θ variabili casuali continue e indipendenti:

f(x, y) = fX (x)fθ (y)

17 - Modelli di variabili casuali continue 3

 fX (x) = fθ (y) =

={ ={
1 1
b se x ∈ [0, b] πse y ∈ [0, π]
0 altrove 0 altrove

π a sin(y)
P (X ≤ a sin(θ)) = ∫ ∫ f(x, y)dxdy =
0 0
π a sin(y)
1
=∫ ∫ dxdy =
0 0 bπ
π
1 a sin(y)
=∫ [x] dy =
0 bπ 0
π
1
= ∫ a sin(y)dy =
bπ 0
a
= [− cos(y)]π0 dy =
bπ
2a
=
bπ

Ripetendo n volte il lancio dello spillo (n ≫ 1) per il corollario di Bernoulli:

nA
fA =
n
⇓
2a nA 2an
≈ ⇒π≈
bπ n bnA

Variabile casuale esponenziale

Una variabile casuale si dice esponenziale se

X ∼ E(λ) λ ∈ R+

tale che:

f (x) = {
λe−λx se x ≥ 0
0 altrove

Funzione di distribuzione di probabilità

F (a) = {
0 se a < 0
1 − e−λa se a ≥ 0

📎 Dimostrazione

F (a) = P (X ≤ a) =
a
=∫ f(x)dx =
−∞

{ −∞
a
∫ 0dx se a < 0
= 0 a =
∫−∞ 0dx + ∫0 λe−λx dx se a ≥ 0

={
0 se a < 0
1 − e−λa se a ≥ 0

Funzione generatrice dei momenti

ϕ(t) = { λ
diverge se λ − t ≤ 0
λ−t
se λ − t > 0

17 - Modelli di variabili casuali continue 4

 📎 Dimostrazione

ϕ(t) = E[etX ] =
+∞
=∫ etx f(x)dx =
−∞
0 +∞
=∫ etx dx + ∫ etx λe−λx dx =
−∞ 0
+∞
= λ∫ e−(λ−t)x dx =
0

={
diverge se λ − t ≤ 0
−(λ−t)x =
λ[− e λ−t ]+∞0 se λ − t > 0

={ λ
diverge se λ − t ≤ 0
λ−t se λ − t > 0

Valor medio
1
E[X] =
λ

📎 Dimostrazione

dϕ(t) ∣
E[X] = =
dt ∣t=0
λ ∣
= =
(λ − t)2 ∣t=0
1
=
λ

Varianza
1
Var(X) =
λ2

📎 Dimostrazione

Var(X) = E[X 2 ] − E[X]2

d2 ϕ(t) ∣
E[X 2 ] = =
dt2 ∣t=0
2λ ∣
= =
(λ − t)3 ∣t=0
2λ
= 3 =
λ
2
= 2
λ

2 1 1
Var(X) = − 2 = 2
λ2 λ λ

N.B. Le variabili casuali esponenziali non sono riproducili

Proprietà
Proprietà 1

Data una variabile casuale X ∼ E(λ) e una costante c ∈ R+

λ
Y = cX ∼ E( )
c

17 - Modelli di variabili casuali continue 5

 📎 Dimostrazione

ϕY (t) = E[etY ] =
= E[etcX ] =
= ϕX (tc) =
λ
= =
λ − tc
λ
c
= λ
c −t

Proprietà 2

Dati n dispositivi in serie D1 , D2 , … , Dn ciascuno con un funzionamento di tipo esponenziale.

Dk ha tempo di funzionamento Xk ∼ E(λk ) con λk ∈ R+ e k = 1, … , n, e X1 , X2 , … , Xn sono indipendenti.
Allora il tempo di funzionamento del sistema T è rappresentabile come:

T ∼ E(λ1 + λ2 + ⋯ + λn )

📎 Dimostrazione

FT (t) = P (T ≤ t) =
= P (min(X1 , X2 , … , Xn ) ≤ t) =
= 1 − P (min(X1 , X2 , … , Xn ) > t) =
= 1 − P (X1 > t, X2 > t, … , Xn > t) =
= 1 − P (X1 > t)P (X2 > t) … P (Xn > t) =

= 1 − { −λ t … { −λ t
1 se t < 0 1 se t < 0
=
e 1 se t ≥ 0 e n se t ≥ 0

={
0 se t < 0
1 − e−(λ1 +λ2 +⋯+λn )t se t ≥ 0
⇓
T ∼ E(λ1 + λ2 + ⋯ + λn )

Proprietà 3

Dati n dispositivi in parallelo, ognuno si comporta come una variabile casuale Xk ∼ E(λk ) con k = 1, 2, … , n. Chiamando
S il tempo di funzionamento del sistema, allora la funzione di distribuzione di probabilità di S sarà:

FS (a) = { n
0 se a < 0
∏k=1 (1 − e−λk a ) se a ≥ 0

📎 Dimostrazione

FS (a) = P (max(X1 , X2 , … , Xn ) ≤ a) =
= P (X1 ≤ a, X2 ≤ a, … , Xn ≤ a) =
= P (X1 ≤ a)P (X2 ≤ a) … P (Xn ≤ a) =
= FX 1 (a)FX 2 (a) … FX n (a) =

={ …{
0 se a < 0 0 se a < 0
=
1 − e−λ1 a se a ≥ 0 1 − e−λn a se a ≥ 0

={ n
0 se a < 0
∏k=1 (1 − e−λ1 a ) se a ≥ 0

17 - Modelli di variabili casuali continue 6

 Proprietà 4

Assenza di memoria
Data una variabile esponenziale X ∼ E(λ) con X = “tempo di funzionamento di un dispositivo”

P (X > s + t∣X > t) = P (X > s) ∀s, t ∈ R

📎 Dimostrazione

P (X > s + t ∩ X > t)
P (X > s + t∣X > t) = =
P (X > t)
P (X > s + t)
= =
P (X > t)
e−λ(s+t)
= =
e−λt
−λs
=e =
= P (X > s)

@November 11, 2022

Variabile casuale gaussiana (o normale)

Una variabile si dice gaussiana o normale se

X ∼ N(μ, σ 2 ) μ ∈ R, σ 2 ∈ R+

Tale che:

1 (x−μ)2
f (x) = e− 2σ2
σ 2π
Funzione di distribuzione di probabilità
a a
1 (x−μ)2
F (a) = ∫ f(x)dx = ∫ e− 2σ 2 dx
−∞ −∞ σ sπ

Funzione generatrice dei momenti

t2
ϕ(t) = etμ+ 2 σ

Corollario per la dimostrazione

+∞
I=∫
x2
e− 2 dx
−∞

I=?
Considero I 2

+∞ +∞
y2
I2 = ∫ e− 2 dx ⋅ ∫
x2
e− 2 dy =
−∞ −∞
+∞ +∞
(x 2 +y 2 )
=∫ ∫ e− 2 dxdy
−∞ −∞

Passo a coordinate polari:

x = r cos(θ)
y = r sin(θ)
dxdy = rdrdθ

17 - Modelli di variabili casuali continue 7

 x2 + y2 = r 2

2π +∞
I2 = ∫ (∫
r2
e− 2 rdr)dθ =
0 0
2π +∞
=∫ [ − e− 2 ]
r2
dθ =
0 0
2π
=∫ 1dθ =
0
= 2π
⇓
I= 2π

📎 Dimostrazione

ϕ(t) = E[etX ] =
(x−μ)2
+∞
etx e− 2σ 2
=∫ dx
−∞ σ 2π
x−μ dx
Applico un cambio di variabile y = σ e dy = σ

+∞
1 y2
= ∫ et(σy+μ) e− 2 dy =
2π −∞
+∞
etμ y2
∫
t2 σ 2 t2 σ 2
= etσy− 2 +(− 2 + 2 ) dy =
2π −∞
t2 σ 2
+∞
etμ+ 2 (y−tσ)2
= ∫ e− 2 dy
2π −∞

Applico un altro cambio di variabile z = y − tσ e dz = dy

+∞ t2 σ 2
etμ+ 2
∫
z2
= e− 2 dz =
2π −∞
t2 σ 2
etμ+ 2
= 2π =
2π
t2 σ 2
= etμ+ 2

Valor medio

E[X] = μ

📎 Dimostrazione

dϕ(t) ∣
E[X] = =
dt ∣t=0
t2 2 ∣
= [etμ+ 2 σ (μ + tσ 2 )] =
∣t=0
=μ

Varianza

Var(X) = σ 2

17 - Modelli di variabili casuali continue 8

 📎 Dimostrazione

Var(X) = E[X 2 ] − E[X]2

d2 ϕ ∣
E[X 2 ] = =
dt2 ∣t=0
t2 2 t2 2 ∣
= [etμ+ 2 σ (μ + tσ 2 )2 + etμ+ 2 σ σ 2 ] =
∣t=0
= μ2 + σ 2

Var(X) = μ2 + σ 2 − μ2 = σ 2

Proprietà
Proprietà 1

Data una variabile casuale normale X ∼ N(μ, σ 2 ) e Y = αX + β (con α ∈ R ∖ {0} e β ∈ R)

Y ∼ N(αμ + β, α2 σ 2 )

📎 Dimostrazione

ϕY (t) = E[etY ] =
= E[et(αX +β) ] =
= E[etαX etβ ] =
= etβ E[e(tα)X ] =
= etβ ϕX (tα) =
(tα)2
σ2
= etβ (e(tα)μ+ 2 )=
t 2 α2 σ 2
= et(αμ+β)+ 2

⇓
Y ∼ (αμ + β, α2 σ 2 )

Proprietà 2

Date due variabili casuali normali e indipendenti X ∼ N(μ1 , σ12 ) e Y ∼ N(μ2 , σ22 ) allora:

T = X + Y ∼ N(μ1 + μ2 , σ12 + σ22 )

📎 Dimostrazione

t2 2
ϕX (t) = etμ1 + 2 σ1
2
tμ2 + t2 σ22
ϕY (t) = e
t2 2 2
ϕX +Y (t) = ϕX (t)ϕY (t) = et(μ1 +μ2 )+ 2 (σ1 σ2 )
⇓
T ∼ N(μ1 + μ2 , σ12 + σ22 )

Variabile casuale lognormale

N.B. Per affrontare questa sezione è necessario aver compreso la parte sulle funzioni di variabili casuali.

17 - Modelli di variabili casuali continue 9

 Data una variabile casuale normale X ∼ N(μ, σ 2 ) con μ ∈ R e σ 2 ∈ R+ , definiamo una variabile
casuale continua Y lognormale:

Y = eX ∼ Lognormale(μ, σ 2 )

quindi:

Y = g(x) = eX ≥ 0
a = eX ⇒ X = g−1 (a) = ln(a) con a > 0

con:

∣ dg−1 (a) ∣
fY (a) = fX (g−1 (a))
∣ −1da ∣
dg (a) 1
=
da a
(ln(a)−μ)2

{ aσ 2π
1
e− 2σ 2 se a > 0
fY (a) =
0 se a ≤ 0

Funzione di distribuzione di probabilità

P ( Xσ−μ ≤ ln(a)−μ
FY (a) = { σ
) se a > 0
0 se a ≤ 0

📎 Dimostrazione

FY (a) = P (Y ≤ a) =
= P (eX ≤ a) =

={
P (X ≤ ln(a)) se a > 0
=
0 se a ≤ 0
P ( Xσ−μ ≤ ln(a)−μ
={ σ
) se a > 0
0 se a ≤ 0

X −μ
Chiamando Z = σ ∼ N(0, 1)

FZ ( ln(a)−μ
FY (a) = { σ
) se a > 0
0 se a ≤ 0

Valor medio
σ2
E[Y ] = eμ+ 2

📎 Dimostrazione

E[Y ] = E[eX ] =
= ϕX (1) =
t2 2 ∣
= etμ+ 2 σ =
∣t=1
σ2
= eμ+ 2

Varianza
2 2
Var(Y ) = e2μ+σ (eσ − 1)

17 - Modelli di variabili casuali continue 10

 📎 Dimostrazione

Var(Y ) = E[Y 2 ] − E[Y ]2

E[Y 2 ] = E[e2X ] =
= ϕX (2) =
t2 2 ∣
= etμ+ 2 σ =
∣t=2
2
= e2μ+2σ

2 2 2 2
Var(Y ) = e2μ+2σ − e2μ+σ = e2μ+σ (eσ − 1)

Proprietà
Proprietà 1

Date due variabili casuali lognormali, il loro prodotto è lognormale.

Y1 ∼ Lognormal(μ1 , σ12 ) Y2 ∼ Lognormal(μ2 , σ22 )

T ∼ Lognormal(μ1 + μ2 , σ12 + σ22 )

📎 Dimostrazione

Y1 ∼ Lognormal(μ1 , σ12 ) Y2 ∼ Lognormal(μ2 , σ22 )

⁍ Y2 = eX 2

con X1 ∼ N(μ1 , σ12 ) con X1 ∼ N(μ2 , σ22 )

T = Y1 Y2 = eX 1 eX 2 = eX 1 +X 2 = eW

con W = X1 + X2 ∼ N(μ1 + μ2 , σ12 + σ22 ), per la proprietà di riproducibilità della gaussiana.

T ∼ Lognormal(μ1 + μ2 , σ12 + σ22 )

17 - Modelli di variabili casuali continue 11

 18 - Processo stocastico di Poisson
Processo stocastico

Un processo stocastico è una famiglia di variabili casuali che dipendono da un parametro reale (spesso il
tempo)

Processo stocastico di Poisson

Un processo stocastico si dice di Poisson se rappresenta una famiglia di variabili casuali

N(t) = “n° eventi che si verificano in ]0, t] (dove t è il tempo)”
N(t) variabili casuali discrete.
con le ipotesi:

1. N(0) = 0
2. Il numero di eventi che si verificano in un certo intervallo di tempo dipende dalla lunghezza dell’intervallo,
ma non dipende dalla posizione sull’asse reale (gli intervalli ]0, t] e ]s, s + t] si comportano nello stesso
modo)

3. Il numero di eventi che si verificano in un dato intervallo è indipendente dal numero di eventi che si
verificano in un intervallo disgiunto dal primo
P (N (h)=1)
4. limh→0 h
=λ con λ ∈ R+
P (N (h)≥2)
5. limh→0 h =0
N.B. P (N(t) = k) si comporta come una binomiale B(m, λt
m
), ma per m → +∞:

λt λt
B(m, ) ⟶ P o(m )
m m
⇓
N(t) ∼ P o(λt)

@November 15, 2022

Ora definiamo gli intertempi X1 , X2 , … come:

X1 = “Tempo che intercorre tra l’istante iniziale e il verificarsi del primo evento”
X1 variabile casuale continua
Se s ≥ 0:

P (X1 > s) = P (N(s) = 0) =

il numero di eventi ˋe nullo N (s)∼P o(λs)
(λs)0 −λs
= e = e−λs
0!

FX 1 (s) = P (X1 ≤ s) = 1 − P (X1 > s) = {

1 − e−λs se s ≥ 0
0 se s < 0

Considero dunque un nuovo intertempo:

X2 = “tempo che intercorre tra il primo e il secondo evento”

X2 variabile casuale continua
Considero w ≥ 0:

P (X2 > w) = P (ci siano 0 eventi in ]s1 , s1 + w]) =

= P (ci siano 0 eventi in ]0, w]) =
= P (N(w) = 0) =
(λw)0 −λw
= e =
0!
−λw
=e

18 - Processo stocastico di Poisson 1

 FX 2 (w) = P (X2 ≤ w) = 1 − P (X2 > w) = {
1 − e−λw se s ≥ 0
0 se s < 0
⇓
X2 ∼ E(λ)

N.B. In modo simile si dimostra che, per k > 1:

Xk = “tempo tra il (k − 1)-esimo e il k-esimo evento”

Xk ∼ E(λ)

18 - Processo stocastico di Poisson 2

 19 - Funzione di una variabile casuale nota
Funzione di una variabile casuale nota

Data una variabile casuale nota X , definiamo una sua funzione

Y = g(X)

con valor medio

E[Y ] = E[g(X)] = { +∞
∑nj=1 g(xj )p(xj ) X v.c. discreta
∫−∞ g(x)f (x)dx X v.c. continua

E[Y ] = E[g (X)] = { +∞ 2

2 2∑nj=1 g2 (xj )p(xj ) X v.c. discreta
∫−∞ g (x)f (x)dx X v.c. continua

Funzione di ripartizione di Y per le variabili continue

Nel caso continuo è possibile determinare la funzione di densità di una funzione di una variabile casuale:

Funzione monotona crescente

Data una variabile casuale continua X nota, con funzione di densità di probabilità fX (x):

FY (a) = P (Y ≤ a) =
= P (g(X) ≤ a) =
= P (X ≤ x∗ ) =
x∗
=∫ fX (x)dx =
−∞
g −1 (a)
=∫ fX (x)dx
−∞

Dove g(x∗ ) = a e quindi x∗ = g−1 (a)

d
fY (a) = FY (a) =
da
g −1 (a)
d
= ∫ fX (x)dx =
da −∞
d
= fX (g−1 (a)) g−1 (a)
da

Funzione monotona decrescente

FY (a) = P (Y ≤ a) =
= P (g(X) ≤ a) =
= P (X ≥ x∗ ) =
+∞
=∫ fX (x)dx =
x∗
+∞
=∫ fX (x)dx
g −1 (a)

Dove g(x∗ ) = a e quindi x∗ = g−1 (a)

19 - Funzione di una variabile casuale nota 1

 d
fY (a) = FY (a) =
da
+∞
d
= ∫ fX (x)dx =
da g −1 (a)
d
= −fX (g−1 (a)) g−1 (a)
da

@November 17, 2022

Funzione non monotona

Se la funzione g(X) non è monotona, è necessario individuare tutti i punti in cui si ha g(xk ) = a e considerare gli intervalli contenuti
in questi punti.

FY (a) = P (Y ≤ a) =
= P (g(X) ≤ a) =
= P (X ≤ x∗1 ∪ X ∈ [x∗2 , x∗3 ] ∪ X ∈ [x∗4 , x∗5 ] ∪ … ) =
x∗1
=∫ fX (x)dx + ∫ x∗x
2 fX (x)dx + ∫ x4 fX (x)dx + …
∗ ∗
3 ∗x5
−∞

E di conseguenza

d
fY (a) = FY (a) = …
da
Si noti che non è possibile scrivere una formula generale.

19 - Funzione di una variabile casuale nota 2

 20 - Funzione di due variabili casuali continue
Date due variabili casuali continue X, Y , considero la funzione nota f(x, y) e la variabile casuale Z = h(X, Y ). Allora:

FZ = P (z ≤ a)
= P (h(X, Y ) ≤ a)

= ∬ f(x, y)dxdy
D

Dove D è l’area della proiezione del grafico con z ≤ a.

Caso particolare: Z =X+Y

Considero una variabile casuale continua come la somma di due variabili casuali continue:

Z =X +Y

Funzione di distribuzione di probabilità

+∞ −x+a +∞ −y+a
FZ (a) = ∫ (∫ f(x, y)dy)dx = ∫ (∫ f(x, y)dx)dy
−∞ −∞ −∞ −∞

📎 Dimostrazione

FZ (a) = P (Z ≤ a) =
= P (Y ≤ −X + a) =
+∞ −x+a
=∫ (∫ f(x, y)dy)dx
−∞ −∞

Analogamente si dimostra la seconda uguaglianza

Funzione di densità di probabilità

+∞ +∞
fZ (a) = ∫ f(x, −x + a)dx = ∫ f(−y + a, y)dy
−∞ −∞

📎 Dimostrazione

dFZ (a)
fZ (a) = =
da
+∞ −x+a
d
= ∫ (∫ f(x, y)dy)dx =
da −∞ −∞
+∞ −x+a
d
=∫ ( ∫ f(x, y)dy)dx =
−∞ da −∞
+∞
=∫ f(x, −x + a)dx
−∞

Analogamente si dimostra la formula in dy.

Caso particolare: v.c. indipendenti

Se due variabili casuali sono indipendenti posso considerare la funzione:

f(x, y) = fX (x)fY (x)

di conseguenza:

20 - Funzione di due variabili casuali continue 1

 ⎧∫−∞ fX (−y + a)fY (y)dy
+∞

fz (a) = ⎨ oppure
⎩ +∞
∫−∞ fX (x)fY (−x + a)dx

20 - Funzione di due variabili casuali continue 2

 21 - Teorema del limite centrale
@November 22, 2022

Teorema del limite centrale

Data una successione di v.c. indipendenti e identicamente distribuite X1 , X2 , … , Xn con E[Xk ] =μ e

Var(Xk ) = σ con μ ∈ R, σ ∈ R
2 2 +
∀k = 1, … , n. Definita la v.c. Y nel seguente modo:

∑nk=1 Xk − nμ
Yn =
nσ 2

allora ∀a ∈ R:

lim P (Yn ≤ a) = FZ (a)

n→+∞

dove Z ∼ N(0, 1)
Ovvero:
Yn converge in distribuzione ad una v.c. normale standard per n → +∞

Dimostrazione

📎 Dimostrazione
n
Sn = ∑k=1 Xk → variabile casuale
n n
E[Sn ] = E[∑ Xk ] = ∑ E[Xk ] = nμ
k=1 k=1

n n
Var(Sn ) = Var(∑ Xk ) = ∑ Var(Xk ) = nσ 2
k=1 k=1

Sn − nμ
Yn =
nσ 2
⇓
Sn nμ
E[Yn ] = E[ − ]=
σ n σ n
1 nμ
= E[Sn ] − =
σ n σ n
nμ nμ
= − =
σ n σ n
=0

Sn nμ
Var(Yn ) = Var( − )=
σ n σ n
1
= Var(Sn ) =
(σ n)2
1
= 2 nσ 2 =
σ n
=1

Ipotesi aggiuntive
Supponiamo che μ = 0 e σ 2 = 1.

21 - Teorema del limite centrale 1

 X k −μ
(N.B. se tale condizione non è verificata per Ek è sempre possibile definire nuove variabili Tk = σ
in modo tale che E[Tk ] = 0 e
Var(Tk ) = 1)
Allora:

n
∑k=1 Xk
Yn =
n

Lo scopo della seguente dimostrazione è quello di verificare:

lim P (Yn ≤ a) = lim FYn (a) = FZ (a)

n→+∞ n→+∞

Con Z ∼ N(0, 1), ∀a ∈ R. Ovvero:

t2
lim ϕYn (t) = ϕZ (t) = e 2
n→+∞

Ovvero:

t2
lim ln(ϕYn (t)) =
n→+∞ 2
Assegno a L(t) il logaritmo precedente

L(t) = ln(ϕX k (t)) ⇒ ϕX k = eL(t)

∀k le variabili casuali sono identicamente distribuite.

L(0) = ln(ϕX k (0)) = ln(1) = 0

dL ∣
L′ (0) = =
dt ∣t=0
d ∣
= ln(ϕX k (t)) =
dt ∣t=0
1 ∣
=[
d
ϕX k (t)] =
ϕX k (t) dt ∣t=0
1
= E[Xk ] = 0
1
=0

d2 L ∣
L′′ (0) = =
dt2 ∣t=0
1 dϕX k (t) ∣
= ( )
d
=
dt ϕX k (t) dt ∣t=0
1 dϕX k (t) 1 d2 ϕX k (t) ∣
=( ( )
d
) + =
dt ϕX k (t) dt ϕX k (t) dt2 ∣t=0
1 dϕX k (t) dϕX k (t) ∣ 1
= (( − ) ) + E[X 2 ]
ϕX k (t)2 dt dt ∣t=0 1
= −E[Xk ]2 + E[X 2 ] =
= σ2 =
=1

Riassumendo:

→ ϕX k (t) = eL(t) ∀k = 1, 2, … , n
→ L(0) = 0; L′ (0) = 0; L′′ (0) = 1

ϕYn (t) = ϕ∑ Xk (t) =

k n

= ϕ X1 (t)ϕ X2 (t)ϕ X3 (t) … ϕ Xn (t) =

n n n n
n
= (ϕ X1 (t))
n

t
X1
( t
X1 ) t
ϕ X1 (t) = E[e n
] = E[e n
] = ϕX 1 ( )
n n

21 - Teorema del limite centrale 2

 n
ln(ϕYn (t)) = ln [(ϕX 1 ( )) ] =
t
n
= n ln (ϕX 1 (
t
)) =
n
t
= nL( )
n
t
lim ln(ϕYn (t)) = lim nL( )=
n→+∞ n→+∞ n
L( tn )
= lim =
n→+∞ n−1
3
L ( n )(− 12 tn− 2 )
′ t
= lim =
n→+∞ −n−2
′ t 1
L ( n )2 t
= lim 1 =
n→+∞ n− 2
3
1
2
tL′′ ( tn )(− 2t n− 2 )
= lim 3 =
n→+∞ − 12 n− 2
1 t
= lim t2 L′′ ( )=
n→+∞ 2 n
1 1
= t2 L′′ (0) = t1
2 2

Da cui si ricava:

t2
lim ϕYn (t) = e 2 = ϕZ (t)
n→+∞

Applicazioni
Applicazione 1
X ∼ B(n, p)
n
X = ∑ Vk
k=1

con Vk ∼ Be(p) indipendenti e identicamente distribuite.

Se n ≥ 30 (valore considerato di solito) allora:

X∼
˙ N(np, npq)

Regole di approssimazione
1
→ P (X = k) = P (k − 2 ≤ X ≤ k + 12 )
→ P (X ≤ k) = P (X ≤ k + 12 )
→ P (X < k) = P (X ≤ k − 12 )
→ P (X ≥ k) = P (X ≥ k − 12 )
→ P (X > k) = P (X ≥ k + 12 )

Applicazione 2
Date X1 , X2 , … , Xn variabili casuali indipendenti e identicamente distribuite con μ = E[Xk ] e σ 2 = Var(Xk ):
n 2
ˉ ) ∑ Xk ∼
X
σ
˙ N(μ, )
n n
k=1

21 - Teorema del limite centrale 3

 22 - Inferenza statistica
@November 25, 2022

Statistica descrittiva

La statistica descrittiva è la disciplina che si occupa di studiare e presentare dati che si riferiscono a tutti gli
individui di una popolazione relativamente ad una o più caratteristiche misurabili

Inferenza statistica
L’inferenza statistica è la disciplina che parte dallo studio di un sottoinsieme della popolazione (detto
campione) ed analizzando le caratteristiche degli individui del campione cerca di inferire qualcosa sulla
popolazione.

N.B. Il campione deve essere scelto in maniera del tutto casuale e deve essere sufficientemente numeroso

Popolazione
Definiamo popolazione un insieme di individui molto numeroso (o infinito)

Considerando la seguente ipotesi fondamentale:

“Le caratteristiche degli individui di una stessa popolazione si suppongono variabili casuali indipendenti e identicamente distribuite”
Di conseguenza il campione è:

“Insieme di variabili casuali indipendenti e identicamente distribuite X1 , X2 , … , XN , dove N è la numerosità del campione”
e definiamo la statistica:

“Qualsiasi funzione degli elementi del campione g(X1 , X2 , … , XN )”

L’inferenza statistica, a partire dal campione, cerca di determinare le caratteristiche incognite della funzione di distribuzione di probabilità
della popolazione. Essa è definita inferenza non parametrica se la forma della funzione di distribuzione è incognita, inferenza parametrica
se è nota la funzione di distribuzione a meno di una o più parametri.
Nel caso di inferenza parametrica chiamiamo Fθ la funzione e θ il parametro incognito.

Definiamo:

Stimatore

Lo stimatore θ^ una statistica, ovvero una funzione delle variabili casuali del campione che viene impiegata per
stimare θ.

Stima di θ

La stima di θ è il valore dello stimatore per un campione fissato.

Proprietà di un buono stimatore

Stimatore corretto

E[θ^] = θ

Stimatore efficiente

Tra tutti gli stimatori viene scelto quello con varianza minima

Stimatore consistente

lim E[(θ^ − θ)2 ] = 0

n→∞

N.B. Se lo stimatore è corretto:

lim Var(θ^) = 0
N →∞

Stimatori per una popolazione gaussiana

22 - Inferenza statistica 1
 Si dimostra che per una popolazione gaussiana:
ˉ (media campionaria) è lo stimatore corretto, efficiente e consistente per μ.
X
N
ˉ = ∑ Xk
X
N
k=1

S (varianza campionaria) è lo stimatore corretto, efficiente e consistente per σ 2 .

2

N
1
S2 = ∑(Xk − X
ˉ )2
N −1
k=1

Media campionaria
Per la legge dei grandi numeri abbiamo già dimostrato che la media campionaria è uno stimatore corretto e consistente:

ˉ] = μ ˉ) = σ2
E[X Var(X
N
Caso 1 - X1 , … , XN gaussiane

N 2
ˉ = ∑ Xk ∼ N(μ, σ )
X
N N
k=1

Caso 2- X1 , … , XN non gaussiane

N
ˉ = ∑ Xk
X
N
k=1

Se N ˉ dipende dalla popolazione di partenza.

< 30 la distribuzione di X
Se N ≥ 30, per il Teorema del Limite Centrale:
2
ˉ∼ σ
X ˙ N(μ, )
N

Varianza campionaria
N
1
S2 = ∑(Xk − X
ˉ )2
N −1
k=1

Caso 1 - Un solo individuo

ˉ
Se compare un solo individuo X = X1 e N − 1 = 0, si ottiene quindi una forma indeterminata 0
0
Caso 2 - Più individui

→ E[Xk ] =μ ˉ]
→ E[X =μ
→ Var(Xk ) =σ 2 ˉ) =
→ Var(X σ2
N
→ E[Xk2 ] = σ 2 + μ2 ∗ ˉ 2]
→ E[X = σ2
+ μ2 ∗
N

∗ E[X 2 ] = Var(X) + E[X]2

N
1
E[S 2 ] = E[ ∑(Xk − X
ˉ )2 ] =
N −1
k=1
N N N
1
= ( ∑ E[Xk2 ] + ∑ E[X
ˉ 2 ] − 2E[∑ X
ˉ Xk ]) =
N −1
k=1 k=1 k=1
1 σ2
= (N(σ 2 + μ2 ) + N( + μ2 ) − 2NE[X
ˉ 2 ]) =
N −1 N
1
= (N − 1)σ 2 =
N −1
= σ2

S 2 è uno stimatore corretto per σ 2

22 - Inferenza statistica 2
 23 - Distribuzione χ quadro a n gradi di libertà
Date Z1 , Z2 , … , Zn ∼ N(0, 1) indipendenti:
→ E[Zk ] =0
→ Var(Zk ) =1
→ E[Zk2 ] = Var(Zk ) + E 2 [Zk ] = 1
n
Cn = ∑ ∼ χ2n
k=1

n n
E[Cn ] = E[∑ Zk2 ] = ∑ E[Zk2 ] = n ⋅ 1
k=1 k=1

Definiamo il valore critico χ2β,n come:

P (Cn ≥ χ2β,n ) = β

Se la popolazione è Gaussiana N è la numerosità del campione si dimostra che:

(N − 1)S 2
∼ χ2N −1
σ2
N.B. Se Cn ∼ χ2n e n ≫ 1, per il teorema del limite centrale:

Cn ∼
˙ N(n, ?)

Varianza
Var(Cn ) = 2n

23 - Distribuzione χ quadro a n gradi di libertà 1

 📎 Dimostrazione

→ Zk ∼ N(0, 1)
→ E[Z12 ] = Var(Z1 ) + E[Z1 ]2 = 1 + 02 = 1
n n
Var(Cn ) = Var(∑ Zk2 ) = ∑ Var(Zk2 )
k=1 k=1

Var(Z12 ) = E[Z14 ] − E[Z12 ]2

Ricordiamo la funzione generatrice dei momenti di una normale:

t2
ϕZ 1 (t) = e 2

d4 ∣
E[Z14 ] = ϕZ (t) =
dt4 1 ∣t=0
d3 2t t2 ∣
= 3 e2 =
dt 2 ∣t=0
d2 t2 t2 ∣
= 2 (e 2 + t2 e 2 ) =
dt ∣t=0
d t2 t2 t2 ∣
= (te 2 + 2te 2 + t3 e 2 ) =
dt ∣t=0
∣
= [e 2 + t2 e 2 + 2e 2 + 2t2 e 2 + 3t2 e 2 + t4 e 2 ]
t2 t2 t2 t2 t2 t2
=
∣t=0
=3

Var(Z12 ) = 3 − 1 = 2
n
Var(Cn ) = ∑ Var(Zk2 ) = 2n
k=1

23 - Distribuzione χ quadro a n gradi di libertà 2

 24 - Intervalli di confidenza
t di Student con n gradi di libertà

→Z ∼ N(0, 1)
→ Cn ∼ χ2n

Tn ∼ tn

Z
Tn = ∈R
Cn
n

tβ,n è il valore critico della χ2n

P (Tn ≥ tβ,n ) = β
P (Tn ≤ −tβ,n ) = β

N.B. Il grafico fTn è simmetrico rispetto all’asse y.

La stima puntuale di θ è il valore di θ^ per un certo insieme di misurazioni (per un certo campione), ma questa
stima è troppo sensibile al variare dei risultati sperimentali. Si preferisce dunque utilizzare un intervallo di
valori in cui si ha confidenza che possa cadere il reale valore di θ. Questo intervallo è detto Intervallo di
confidenza.

Seguono esempi di costruzione di intervalli di confidenza, tutti accomunati dall’ipotesi: Popolazione Gaussiana con almeno un parametro
incognito.

Intervallo di confidenza per μ incognito e σ 2 noto

X1 , X2 , … , Xn ∼ N(μ, σ 2 )

utilizziamo

n
ˉ = ∑ Xk
X
N
k=1

come stimatore di μ.

2 ˉ
ˉ ∼ N(μ, σ ) ⇒ X − μ ∼ N(0, 1)
X
N σ2
N

chimando zβ il valore critico di N(0, 1):

P (Z ≥ zβ ) = β

P (Z ≤ −zβ ) = β ⇒ P (−zβ ≤ Z ≤ zβ ) = 1 − 2β
ˉ −μ
X
P (−zβ ≤ ≤ zβ ) = 1 − 2β
σ2
N
σ ˉ − μ ≤ zβ σ ) = 1 − 2β
P (−zβ ≤X
N N
P (−X ˉ − zβ σ ≤ −μ ≤ −X ˉ + zβ σ ) = 1 − 2β
N N
P (Xˉ + zβ σ ≥ μ ≥ Xˉ − zβ σ ) = 1 − 2β
N N
P (Xˉ − zβ σ ≤ μ ≤ Xˉ + zβ σ ) = 1 − 2β
N N

1 − 2β è detto confidenza dell’intervallo.

σ σ

24 - Intervalli di confidenza 1
 ˉ − zβ σ , X
μ ∈ [X ˉ + zβ σ ]
N N

l’intervallo ha ampiezza 2zβ σ , per aumentare l’ampiezza è possibile ridurre zβ (tuttavia questo porterebbe all’aumento di β e quindi
N
alla riduzione della confidenza) oppure aumentare, se possibile, N .

ˉ assume un valore numerico ed

N.B. SI parla di confidenza e non di probabilità perchè una volta che sono stati condotti gli esperimenti X
è possibile determinare un intervallo numerico, μ non è una variabile casuale ma una quantità deterministica.

Intervallo di confidenza per μ con σ 2 incognito

Considero N variabili X1 , X2 , … , XN ∼ N(μ, σ 2 ) con media campionaria:
N 2
ˉ = ∑ ∼ N(μ, σ )
X
N
k=1

considero poi:

ˉ −μ
X
Z= ∼ N(0, 1)
σ2
N

(N − 1)S 2
CN −1 = ∼ χ2N −1
σ2
tali che:

Z ˉ −μ
X
TN −1 = = ∼ tN −1
CN −1 S2
N −1 N

Allora:

P (−tβ,N −1 ≤ TN −1 ≤ tβ,N −1 ) = 1 − 2β
Xˉ −μ
P (−tβ,N −1 ≤ ≤ tβ,N −1 ) = 1 − 2β
S2
N
ˉ − tβ,N −1 S ˉ + tβ,N −1 S ) = 1 − 2β
P (X ≤μ≤X
N N

L’intervallo di confidenza è quindi:

ˉ − tβ,N −1 S , X
μ ∈ [X ˉ + tβ,N −1 S ]
N N

N.B. Come nel caso precedente per ridurre l’ampiezza è possibile ridurre tβ,N −1 (ovvero la confidenza) oppure aumentare N .

Intervallo di confidenza per σ 2

Considero:

(N − 1)S 2
CN −1 = ∼ χ2N −1
σ2
con popolazione gaussiana.
ˉ )2
(X i − X
S 2 è lo stimatore di σ 2 con S 2 = ∑i N −1 .

24 - Intervalli di confidenza 2
 P (χ21−β,N −1 ≤ CN −1 ≤ χβ,N −1 ) = 1 − 2β
(N − 1)S 2
P (χ21−β,N −1 ≤ ≤ χβ,N −1 ) = 1 − 2β
σ2
χ21−β,N −1 1
P( ) = 1 − 2β
χβ,N −1
≤ 2 ≤
(N − 1)S 2 σ (N − 1)S
2
(N − 1)S (N − 1)S
P( 2 ≥ σ2 ≥ ) = 1 − 2β
χ1−β,N −1 χβ,N −1
(N − 1)S 2 (N − 1)S
P( 2 ≤ σ2 ≤ ) = 1 − 2β
χβ,N −1 χ1−β,N −1

(N − 1)S (N − 1)S
σ2 ∈ [ , ]
χβ,N −1 χ1−β,N −1

24 - Intervalli di confidenza 3
 25 - Regressione
Avendo X (1) , X (2) , … , X (n) dati in entrata e un uscita Y , associati da una funzione

Regressione: determinare f oppure i coefficienti in essa contenuti.

Regressione lineare: si ha per f funzione lineare delle variabili d’ingresso.

Regressione lineare semplice: una sola variabile in ingresso ed f lineare.

Caso regressione lineare semplice:

è ora necessario stimare α e β .

Ciò che viene osservato in uscita è:

Y = βX + α + errore casuale

siano A e B gli stimatori di α e β :

M
SS 2 = ∑(Yk − (BXk + A))2
k=1

2
essi devono essere scelti in modo da minimizzare SS (si usa il metodo dei minimi quadrati)

∂S S 2
{ ∂S∂AS 2 ⇒{ k
=0 ∑ 2(Yk − (BXk + A)) ⋅ (−1) = 0
∂B =0 ∑k 2(Yk − (BXk + A)) ⋅ (−Xk ) = 0

Si ottiene quindi:

1.

M M M
∑ Yk − B ∑ Xk − ∑ A = 0
k=1 k=1 k=1

ˉ e Yˉ le rispettive medie aritmetiche è possibile scrivere l’equazione nel seguente modo:

chiamando X

M Yˉ − BM Yˉ − MA = 0
Yˉ − BX ˉ −A=0
A = Yˉ − BX
ˉ

2.

M
∑(Yk Xk − BXk2 − AXk ) = 0
k=1
M M M
∑ Yk Xk − ∑ BXk2 − ∑ AXk = 0
k=1 k=1 k=1

Sostituisco con i valori di 1.

M M M
∑ Yk Xk − ∑ BXk2 − ∑ AXk = 0
k=1 k=1 k=1
M M M M
∑ Yk Xk − ∑ BXk2 − Yˉ ∑ Xk + BX
ˉ ∑ Xk = 0
k=1 k=1 k=1 k=1
M M
∑ Yk Xk − ∑ BXk2 − Yˉ M X
ˉ + BM X
ˉ2 = 0
k=1 k=1
M M
B(∑ Xk − M X
2 ˉ 2 ) = ∑ Xk Yk + MX ˉ Yˉ
k=1 k=1
∑
M
Yk Xk − M X ˉ Yˉ ∑
M
Yk (Xk − X ˉ)
B = k=1M = k=1
2
∑k=1 Xk − M X ˉ M 2
∑k=1 Xk − M X ˉ

25 - Regressione 1
 RIASSUMENDO:

M ˉ)
∑k=1 Yk (Xk − X
B=
∑ M 2
X − MX ˉ
k=1 k

A = Yˉ − BX
ˉ

Ipotesi aggiuntive
1 - Le quantità X1 , X2 , … , XM sono quantità deterministiche prive di errore:

M
xk
ˉ=∑
ˉ =x
Xk = xk ⇒ X
M
k=1

(non si può parlare di media campionaria dato che Xk non sono variabili casuali appartenenti allo stesso campione)

2 - Yk ∼ N(βxk + α, σ 2 ) con k = 1, 2, … , M e le Yk sono indipendenti:

Yk = βXk + α + errore

˙ N(0, σ 2 ).
Per il teorema del limite centrale ∼

Yˉ = M k è una media aritmetica di variabili casuali ma non è una media campionaria dato che le Yk presentano E[Yk ] diverse (Yk
∑Y

non sono identicamente distribuite), non appartengono allo stesso campione.

Assunte queste due ipotesi verifico che gli stimatori siano corretti.

Stimatore B

∑k Yk (xk − x
ˉk )
E[B] = E[ ]
∑k x2k − M xˉ2

Per l’ipotesi 1 Yk sono le uniche variabili casuali

∑k (xk − x
ˉ)E[Yk ]
= =
∑k x2k − M x
ˉ2

Per l’ipotesi 2:

∑k (xk − x
ˉ)(βxk + α)
= =
∑k x2k − M x
ˉ2
=0

∑(xk − x ˉ)
∑k xk (xk − x
ˉ) k
=β +α =
∑k x2k − M x
ˉ2 ∑k x2k − M x
ˉ2
2 2
∑ x − Mx ˉ
= β k k2 =
∑k xk − M xˉ2
=β

Stimatore A

25 - Regressione 2
 E[A] = E[Yˉ − BXˉ] =
ˉ
= E[Y ] − E[B]x
ˉ=
M
Yk
= E[∑ ] − βx
ˉ=
M
k=1
M
1
= ∑ E[Yk ] − β x
ˉ=
M
k=1
M
1
= ∑(βxk + α) − β x
ˉ=
M
k=1
M
xk M
=β∑ +α − βx
ˉ=
M M
k=1
= βx
ˉ + α − βx
ˉ=
=α

Calcolo la varianza di B

M
(xk − xˉ)Yk
Var(B) = Var( ∑ )=
∑k x2k − M xˉ
k=1
M
(xk − xˉ)2
=∑ 2 Var(Yk ) =
(∑k xk − M xˉ2 )2
k=1
=σ 2
∑k (xk − x ˉ)2
= σ2 2
=
(∑k xk − M x ˉ2 )2
2
∑k (xk − x ˉ)
= σ2 =
(∑k (xk − x ˉ)2 )2
σ2
=
∑k (xk − x ˉ)2

Immaginando che σ 2 sia assegnato, per minimizzare la varianza si può intervenire solo sul denominatore, considerando dei valori “molto
grandi” e distanti tra loro.

25 - Regressione 3
 Note dell’autore
Gennaio 2023
Carissimi compagni di corso, presenti o futuri. Ho creato questa piccola-grande dispensa per permettere di facilitare tutti
con lo studio e la comprensione degli argomenti. Ovviamente pubblico tutto in maniera gratuita e incondizionata, ma
qualora qualcuno trovasse veramente utile questo libretto, lascio la possibilità di regalarmi qualche spicciolo per un caffè
:).
Auguro a tutti voi buona fortuna e un buon proseguimento degli studi,
vi ringrazio,

Simone Elia

Pay Simone Elia using PayPal.Me

Go to paypal.me/simoneeelia and type in the amount. Since it's PayPal, it's easy and secure. Don't
have a PayPal account? No worries.

http://paypal.me/simoneeelia

Note dell’autore 1