Statistica.

Schede di studio e quiz

Lezione 9Macroargomento 2 · Variabili aleatorie

Lezione 9. Esercitazione sulle variabili aleatorie discrete

In questa lezione

  1. Quando una funzione è la densità di una variabile aleatoria discreta?
  2. Come si ricava la densità da una funzione di ripartizione a gradini?
  3. Chi vince al gioco del primo che fa testa?
  4. Che cos'è l'urna di Pólya?
  5. Che cos'è la legge multinomiale?
  6. Quali sono le trappole tipiche per i concetti di questa lezione?
  7. Quiz della lezione (10 domande)

1. Quando una funzione è la densità di una variabile aleatoria discreta?

Servono due condizioni: p(x)≥0p(x)\ge0 per ogni xx e ∑xp(x)=1\sum_x p(x)=1.

Esercizio svolto. p(0)=c1p(0)=c_1, p(n)=c1λnn!−c22n3p(n)=\dfrac{c_1\lambda^n}{n!}-\dfrac{c_2^2}{n^3} per n≥1n\ge1, con λ>0\lambda>0.

  1. Positività: n3c1λnn!≥c22n^3\dfrac{c_1\lambda^n}{n!}\ge c_2^2 per ogni nn. Il lato sinistro tende a 0, quindi serve c2=0c_2=0 e c1≥0c_1\ge0.
  2. Somma 1: c1∑nλnn!=c1eλ=1⇒c1=e−λc_1\sum_n\dfrac{\lambda^n}{n!}=c_1e^\lambda=1\Rightarrow c_1=e^{-\lambda}. È la densità di Poisson(λ)(\lambda).
  3. Valore più probabile: p(n+1)p(n)=λn+1\dfrac{p(n+1)}{p(n)}=\dfrac{\lambda}{n+1}. La densità cresce finché n+1<λn+1<\lambda. Il massimo è in n=⌊λ⌋n=\lfloor\lambda\rfloor; se λ∈N\lambda\in\mathbb N, sia λ\lambda sia λ−1\lambda-1 sono massimi.

2. Come si ricava la densità da una funzione di ripartizione a gradini?

Esercizio svolto. F(x)=0F(x)=0 per x<0x<0; 12\frac12 su [0,1)[0,1); 23\frac23 su [1,2)[1,2); 1112\frac{11}{12} su [2,3)[2,3); 1 per x≥3x\ge3.

FF è crescente, continua da destra, con limiti 0 e 1: è una ripartizione. È costante a tratti, quindi XX è discreta e i salti sono le probabilità.

00,20,40,60123P(X = k)
Densità discreta ricavata dai salti di F
kk0123
P(X=k)P(X=k)1/21/21/61/61/41/41/121/12
ProbabilitàCalcoloValore
P(X>12)P(X>\frac12)1−F(12)1-F(\frac12)1/21/2
P(2<X≤4)P(2<X\le4)F(4)−F(2)F(4)-F(2)1/121/12
P(X<3)P(X<3)lim⁡y→3−F(y)\lim_{y\to3^-}F(y)11/1211/12

3. Chi vince al gioco del primo che fa testa?

Gioco 1. A e B lanciano a turno una moneta con P(testa)=pP(\text{testa})=p; comincia A; vince chi fa testa per primo.

  1. Istante della prima testa: P(T=k)=(1−p)k−1pP(T=k)=(1-p)^{k-1}p, legge geometrica di parametro pp.
  2. A vince se TT è dispari: p0=P(T dispari)=∑k≥0(1−p)2kp=p1−(1−p)2=12−p.p_0=P(T\text{ dispari})=\sum_{k\ge0}(1-p)^{2k}p=\frac{p}{1-(1-p)^2}=\frac1{2-p}.
  3. 12−p>12\frac1{2-p}>\frac12 per ogni p∈(0,1]p\in(0,1]: chi comincia è sempre avvantaggiato.

Gioco 2. Una moneta preliminare (testa con probabilità p1p_1) decide chi comincia. Per le probabilità totali P(A vince)=p1p0+(1−p1)(1−p0).P(\text{A vince})=p_1p_0+(1-p_1)(1-p_0). Il gioco è equo (=12=\frac12) se e solo se p1=12p_1=\frac12.

Anche nel gioco equo, «croce alla moneta preliminare» e «vince A» non sono indipendenti: P(croce, vince A)=1−p02≠14P(\text{croce, vince A})=\frac{1-p_0}2\neq\frac14, perché p0>12p_0>\frac12.

4. Che cos'è l'urna di Pólya?

Si parte con 1 bianca e 1 nera. A ogni turno si estrae una pallina e la si rimette con un'altra dello stesso colore. XnX_n = numero di bianche dopo nn estrazioni, con valori in {1,…,n+1}\{1,\dots,n+1\}.

  1. Si condiziona al passo precedente: P(Xn=k)=n−k+1n+1P(Xn−1=k)+k−1n+1P(Xn−1=k−1).P(X_n=k)=\frac{n-k+1}{n+1}P(X_{n-1}=k)+\frac{k-1}{n+1}P(X_{n-1}=k-1).
  2. X1X_1 è uniforme su {1,2}\{1,2\}; X2X_2 su {1,2,3}\{1,2,3\}; X3X_3 su {1,2,3,4}\{1,2,3,4\}.
  3. Per induzione: se Xn−1X_{n-1} è uniforme su {1,…,n}\{1,\dots,n\}, P(Xn=k)=1n⋅(n−k+1)+(k−1)n+1=1n+1.P(X_n=k)=\frac1n\cdot\frac{(n-k+1)+(k-1)}{n+1}=\frac1{n+1}.

Risultato sorprendente: XnX_n è uniforme su {1,…,n+1}\{1,\dots,n+1\} per ogni nn.

5. Che cos'è la legge multinomiale?

nn prove indipendenti, ognuna con rr esiti possibili di probabilità p1,…,prp_1,\dots,p_r (∑jpj=1\sum_jp_j=1). NjN_j = numero di prove con esito jj.

DomandaRisposta
Legge di ogni NjN_jBin(n,pj)\mathrm{Bin}(n,p_j): conta i «successi» dell'esito jj
Le NjN_j sono indipendenti?No: N1+⋯+Nr=nN_1+\dots+N_r=n sempre
Legge di N1+⋯+NjN_1+\dots+N_jBin(n, p1+⋯+pj)\mathrm{Bin}\big(n,\,p_1+\dots+p_j\big)
Legge del vettoreMultinomiale (sotto)

Densità multinomiale di parametri (n,p1,…,pr)(n,p_1,\dots,p_r), per kj≥0k_j\ge0 con ∑jkj=n\sum_jk_j=n:

P(N1=k1,…,Nr=kr)=n!k1!⋯kr! p1k1⋯prkr.P(N_1=k_1,\dots,N_r=k_r)=\frac{n!}{k_1!\cdots k_r!}\,p_1^{k_1}\cdots p_r^{k_r}.

Il coefficiente nasce da scelte successive: (nk1)(n−k1k2)⋯=n!k1!⋯kr!\binom n{k_1}\binom{n-k_1}{k_2}\cdots=\dfrac{n!}{k_1!\cdots k_r!}.

6. Quali sono le trappole tipiche per i concetti di questa lezione?

7. Quiz della lezione (10 domande)

Domande di ripasso create per questa scheda a partire dalla dispensa (non sono il test ufficiale della piattaforma). Scegli una risposta: ricevi subito esito e spiegazione.