Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Giorgio Alleva
Dati k eventi necessari e incompatibili si definisce variabile casuale (v.c.) una funzione che associa a
ogni evento dello spazio campionario a uno ed un solo numero reale.
Se tale corrispondenza è tra ciascun evento ed un attributo è definita una mutabile casuale (m.c.)
1
15/02/2024
p(x )
x
F(xi) = p(X xi) = j F(x) = p(X x)= l f ( x) dx
j 1
La v.c. semplice X deriva dall’associazione ad ogni evento di un numero reale e di una probabilità.
La v.c. doppia X, Y deriva dall’associazione ad ogni evento di una coppia di numeri reali e di una probabilità.
Due v.c. discrete si dicono indipendenti se: Due v.c. continue si dicono indipendenti se:
p(x,y) = p(x) p(y), x, y f(x,y) = f(x) f(y), x, y
2
15/02/2024
V.C. MULTIPLE
Una variabile n-pla ha n v.c. componenti, X1, X2, X3, ……, Xi, ……., Xn
Le condizioni sono:
p(x1, x2,..., xn) 0 S1 S 2... S n p(x1, x2,.., xn) = 1
Le condizioni sono:
f(x1, x2,..., xn) 0 e 1 2... n f(x1, x2,.., xn) dx1 dx2…dxn = 1
X-m X-m
E(Y) = E =0 e Var(Y) = Var =1 6
s s
3
15/02/2024
m1 = m m1 = m1 = m 2 = s 2m2m12
m 3 = 1 m 4 = 2
m r s = E(X-mX)r(Y-mY)s
4
15/02/2024
Data una v.c. X, una variabile reale t, si chiama funzione generatrice dei momenti di X il valore atteso (se
esiste) di etX:
v.c. discrete v.c. continue
tX tX
MX(t) = E(e ) = Sx e p(x) MX(t) = E(etX) = etX f(x) dx Tale funzione dipende da t.
t2 t3
La f.g.m. genera tutti i momenti dall'origine. Infatti, dallo sviluppo in serie di etX = 1 + tX + 2! X2 + 3! X3 + …..
t2
M(t) = E(etX) = 1 + tm1 + 2! m2 + t3
m3 + ……..
3!
Derivando r volte M(t) nel punto t=0 si ottengono i momenti dall'origine di ordine r. Infatti:
La funzione generatrice dei momenti, se esiste, è unica e identifica univocamente una v.c.
La funzione caratteristica (f.c.) di X è un altro valore atteso, che genera anch'esso tutti i momenti della
v.c. ma che, rispetto alla f.g.m., esiste sempre.
E’ unica e individua univocamente la distribuzione.
Data una v.c. X e una variabile reale t, si chiama f.c. di X il valore atteso di eitX,
dove i è l'unità immaginaria i = 1 :
10
5
15/02/2024
Proprietà 3
Se la v.c. X ha f.c. CX(t), la v.c. Y= aX+b, dove a e b sono costanti, ha f.c. CY(t)=eitb CX(at).
Infatti: CY(t) = CaX+b(t) = E(eit(aX+b)) = E(eitb eitaX) = eitb E(eitaX) = eitb CX(at)
Proprietà 4
Se esiste il momento r-esimo mr, allora C(t) può essere sviluppata in un intorno di t=0:
(it ) 2 (it ) r
C(t) = 1 + (it) m1 + 2! m2 + …….. + r! e quindi, derivando r volte rispetto a t nel punto t=0
r C(t)
si può ricavare il momento di ordine r della v.c. mr = i-r t r
t=0
11
Eg(X,Y) = SxSy g(x,y) p(x,y) (v.c discreta) e g(x,y) p(x,y) dx dy (v.c continua)
Per g(X,Y) = (X - mX) (Y -mY) (prodotto delle v.c. scarto dalla media)
Il rapporto tra la covarianza e il prodotto degli scarti quadratici medi delle due v.c. è detto
coefficiente di correlazione:
s XY
= s s , compreso tra -1 e 1.
X Y
12
6
15/02/2024
Teorema.
Se X e Y sono due v.c. indipendenti e g1(X) e g1(Y) due funzioni qualsiasi, allora:
Il valore atteso del prodotto delle due funzioni è uguale al prodotto dei valori attesi.
Dimostrazione
Poiché se X e Y sono indipendenti p(x,y) = p(x) p(y):
E g1(X) g2(Y) = SxSy g1(X) g2(Y) p(x) p(y) =
= SX g1(X) p(x) Sy g2(Y) p(y) =
= Eg1(X) Eg2(Y)
13
V.c. n-pla
Date n v.c. discrete Eg(X1, X2, …., Xn) = Sx1Sx2Sxn g(x1, x2, .., xn) p(x1, x2, .., xn).
Date n v.c. continue Eg(X1, X2, …., Xn) = . g(x1, x2, .., xn) f(x1, x2, .., xn) dx1, dx2, …, dxn.
Il valore atteso di una combinazione lineare di funzioni di v.c. è la combinazione lineare dei valori attesi
delle funzioni
14
7
15/02/2024
Somma di v.c.
Date n v.c. X1, X2, …., Xn e n costanti reali c1, c2, ….., cn
Il valore atteso di una combinazione lineare di v.c. è la combinazione lineare dei valori attesi delle v.c.
La varianza di una combinazione lineare di v.c. NON è la combinazione lineare delle varianze.
Caso particolare: Se le n. v.c. sono a due a due incorrelate e dunque Cov(Xi, Xj) = 0 per ogni ij allora la
varianza di una combinazione lineare è:
15
Data una successione di n v.c X1, X2, …., Xn , indicata con {Xn}, definite su un medesimo
spazio campionario S, e data una v.c. X, definita sullo stesso spazio S, vi sono diversi
modi di definire la convergenza della successione {Xn} alla variabile X.
In alternativa si può affermare che {Xn} converge in modo forte a X se, quasi ovunque:
lim n Xn = X
Si dice che la successione {Xn} converge in modo debole a X se, per ogni >0:
8
15/02/2024
Sia Fn(x) la funzione di ripartizione della generica n-esima v.c. Xn della successione di
v.c. {Xn}.
Si dice che la successione {Xn} converge in distribuzione a X se, in ogni punto di
continuità x di F(x):
17
s2
Da Tchebicheff: P(X-m ) 2 e dunque
E( X n X )2
P(Xn-X ) 2
da cui si vede che per n, se E(Xn - X)2 tende a 0, anche P(Xn-X ) tende a 0.
18
9
15/02/2024
x
i 1
i
m i
Sia {Xn} una successione di v.c. a due a due incorrelate Cov(X i, Xj)=0, ij ,
sia E(Xn)= mn e Var(X n)=s2n.
n
1
Allora se lim n n 2 s i
2
0
i 1
n
xi n
mi
la successione ( X n m n ) converge in probabilità a 0, dove X n n
i 1
e mn n
i 1
Dimostrazione
n
m 1 n
s
i
2
Si noti che E ( X n ) i1n m n ; inoltre, per l'incorrelazione, Var ( X n ) 2 i .
n i 1
Da Tchebycheff:
lim n p( X n - m n ) lim n
Var( X n )
2
= 0.
10
15/02/2024
Formulazione di Khintchin
X i
n
è convergente in probabilità a m.
Formulazione di Bernoulli
21
Premessa
Sia X la cosiddetta v.c. di Bernoulli (v.c. elementare) che può assumere i valori 1
(successo) e 0 (insuccesso) con probabilità p e 1-p = q. Si ha allora:
E(X) = 1 p + 0 q = p e Var(X) = E(X2) - E(X)2 = (12 p + 02 q) - p2 = p - p2 = p(1-p) = p q.
Si consideri la v.c. Sn = X1 + X2 + … + Xn , numero di successi in n estrazioni
indipendenti, ovvero di tipo bernoulliano. Essendo queste n v.c. IID::
E(Sn) = np e Var(Sn) = npq.
Sn
Sia Rn = n frequenza relativa di successi in n prove indipendenti.
np npq pq
E(Rn) = n = p e Var (Rn) = n 2 = n
Dimostrazione
s2
Da Tchebycheff: p(X-m ) 2 e dunque
pq
p(Rn -p ) n 2
pq
lim n p(Rn -p ) lim n n 2 = 0
22
11
15/02/2024
(n v.c IID)
23
12