SOLUZIONI DEL TEST DI PREPARAZIONE ALLA 2a PROVA
Transcript
SOLUZIONI DEL TEST DI PREPARAZIONE ALLA 2a PROVA
1 SOLUZIONI DEL TEST DI PREPARAZIONE ALLA 2a PROVA INTERMEDIA Esercizio 0.1 Le v.c. X e Y possono assumere solo i valori 0 e 1 (ad es. ingresso ed uscita di un canale di comunicazione binario). Sapendo che • X è una v.c. di Bernoulli con p = 1/2; • P (Y = 1|X = 0) = ε e P (Y = 0|X = 1) = 2ε, con (0 < ε < 1/2), si chiede: a) Ricavare in funzione di ε, la distribuzione di probabilità congiunta pik = P (X = i, Y = k), (i, k = 0, 1), la distribuzione marginale di Y , le medie E(X) ed E(Y ) e la covarianza Cov(X, Y ); b) Esaminare se esistono valori di ε per i quali X e Y risultino non correlate. Soluzione I dati del problema sono µ ¶ 1 2 cioè X è una v.c. di Bernoulli che ha probabilità 1/2. Quindi X ∼ Be P (X = 0) = P (X = 1) = 1 da cui 1 1 1 ⇒ E(X) = 0 · + 1 · = 2 2 2 2 Inoltre, dai dati del problema, abbiamo che P (Y z ε }| { = 1|X = 0) = ε ⇒ P (Y = 0|X = 0)+ P (Y = 1|X = 0)= 1 ⇒ P (Y = 0|X = 0) = 1 − ε ove il secondo passaggio si spiega tenendo conto che la v.c. Y può assumere solo i valori 0 e 1. Allo stesso modo P (Y = 0|X = 1) = 2ε ⇒ P (Y = 1|X = 1) = 1 − 2ε 2 CASO a) Con questo materiale ”preliminare” possiamo rispondere alla prima domanda. Ricordiamo, dapprima, che def. pi,k = P (X = i, Y = k) = P (Y = k|X = i) · P (X = i) i, k = 0, 1 In base a questa si ha, allora, 1−ε 2 ε = P (Y = 1|X = 0) · P (X = 0) = 2 p00 = P (Y = 0|X = 0) · P (X = 0) = p01 ε =ε 2 1 − 2ε p11 = P (Y = 1|X = 1) · P (X = 1) = 2 Per quanto riguarda la distribuzione marginale di Y ricordiamo che essa è data da p10 = P (Y = 0|X = 1) · P (X = 1) = 2 · 1+ε 2 che si ottiene, cioè, tenendo fissato il valore Y = 0 e sommando le probabilità al variare di x (cioè per X = 0 e X = 1). Analogamente P (Y = 0) = p00 + p10 = 1−ε 2 Per le medie ragioniamo cosı̀. E(X) la conosciamo già e vale P (Y = 1) = p01 + p11 = 1 2 E(X) = Invece E(Y ) è data da X 1−ε 2 ossia la somma dei prodotti dei valori che assume la Y per le probabilità marginali di Y . La covarianza σ XY si calcola usando la ben nota 1 − 2ε 1 − ε 1 − 3ε σ XY = E(XY ) − E(X)E(Y ) = − = (1) 2 4 4 essendo 1 1 − 2ε E(XY ) = α11 = x0 y0 p00 + x0 y1 p01 + x1 y0 p10 + x1 y1 p11 = 1 · 1 · p11 = 2 E(Y ) = 1 Si ricordi che yi pY (yi ) = 0 · P (Y = 0) + 1 · P (Y = 1) = αk,s = E(X k Y s ) = XX i j xki yis pij 3 CASO b) Le v.c. sono non correlate se σ XY = 0 e questo si ha dalla (1) se 1 − 3ε = 0 =⇒ ε = 1 3 Esercizio 0.2 Le v.a. X, Y hanno densità congiunta e−y 1 −x e fXY (x, y) = 2 0 ≤ x ≤ y < +∞ 0 ≤ y ≤ x < +∞ 0 altrove a) Ricavare le densità marginali di X e Y , le loro speranze matematiche e varianze; b) Ricavare la covarianza σ XY ed il coefficiente di correlazione. Soluzione Ricordiamo, preliminarmente, che +∞ Z fX (x) = fXY (x, y)dy −∞ Nel nostro caso (si tenga conto della figura 1 per determinare il dominio su cui integrare...) 1 −x Z x 1 Z ∞ −y 1 −x (1 + x)e−x −x fX (x) = e dy + e dy = (xe + e ) = 2 2 x 2 2 0 In modo del tutto analogo si trova fY (y) = (1 + y)e−y 2 Ora calcoliamo le speranze matematiche di X e Y . Si ha E(X) = Z ∞ 0 xfX (x)dx = ∞ 1Z 1 Z ∞ 2 −x 1 3 −x xe + x e dx = (1 + 2) = ≡ E(Y ) 2 2 0 2 2 0 Per le varianze si ha, dapprima, 2 E(X ) = Z ∞ 0 ∞ 2+6 1Z 2 (x + x3 )e−x dx = =4 x fX (x)dx = 2 2 2 0 4 y>x y y=x -y e e O y<x -x x Figura 1: Il dominio in cui è definita la funzione densità assegnata Ne segue che σ 2X = E(X 2 ) − E(X)2 = 4 − 9 7 = ≡ σ 2Y 4 4 Per calcolare σ XY calcoliamo, dapprima, ∞ ZZ E(XY ) = xyfXY (x, y)dxdy = −∞ ∞ ∞ 0 0 Z x Z Z y 1 Z = xe−x dx ydy + ye−y dy xdx = 3 2 0 0 Allora σ XY = E(XY ) − E(X)E(Y ) = 3 − 9 3 = 4 4 Infine, il coefficiente di correlazione è dato da rXY = 3/4 3 σ XY = = σX σY 7/4 7 Esercizio 0.3 Le v.c. indipendenti X e Y sono distribuite √ normalmente, con media 0 e varianza σ 2 > 0. Introdotta la v.c. R = x2 + y 2 si chiede: 5 a) Determinare la funzione di ripartizione FR (r); b) Dimostrare che nemmeno per Robin Hood il valore più probabile della distanza dal centro del bersaglio può essere r = 0. Soluzione CASO a) Poiché X ed Y sono distribuite normalmente e sono indipendenti avremo che la funzione di densità congiunta è 1 fXY (x, y) = fX (x) · fY (y) = e 2πσ 2 h 2 +y 2 2σ 2 −x i (x, y) ∈ R2 Per definizione di funzione di ripartizione di una v.c. doppia si ha, poi, µq ¶ x2 FR (r) = P (R < r) ≡ P + y2 ZZ ≤r = fXY (x, y)dxdy (2) Dr ove Dr = {(x, y)|x2 + y 2 ≤ r2 } con r ≥ 0. Per calcolare l’integrale (2)(poichè il dominio è un cerchio...) conviene usare coordinate polari (ρ, θ). Ricordiamo, preliminarmente, che ( x = ρ cos θ =⇒ x2 + y 2 = ρ2 ; y = ρ sin θ dA = ρdρdθ ≡ dxdy Quindi, l’integrale (2) diventa h 2i Z r h ρ2 i − 2 − r2 1 Z 2π 2σ 2σ e = 1 − e FR (r) = dθ ρdρ 2πσ 2 0 0 | {z } R [− x22 ] xe 2σ dx Infatti, l’integrale Z r h ρ2 i − 2 2σ 0 e (r ≥ 0) ρdρ si risolve per sostituzione ponendo " 2 ρ =t e i nuovi limiti di integrazione vanno da 0 ad r2 # 1 ⇒ 2ρdρ = dt ⇒ ρdρ = dt 2 Allora, l’integrale precedente diventa h 2 i! à ¸ 2 · Z r2 − r 1 2 (− t 2 ) r 1 [− t 2 ] = σ 2 1 − e 2σ2 e 2σ dt = − 2σ e 2σ 0 2 2 o 6 Quindi l’integrale iniziale risulta à h 1 2 σ 1−e 2πσ 2 − r2 2σ 2 i! Z 2π 0 à 2π dθ = 1−e 2π h − r2 2σ 2 i! CASO b) La funzione densità fR (r) è data da h dF (r) r fR (r) = = 2e dr σ da cui " − r2 2σ 2 r2 dfR (r) 1 r2 = e− 2σ2 − dr σ2 σ4 i # Quest’ultima risulta uguale a zero (cioè fornisce il massimo della funzione fR [moda]) non per r = 0 (centro del bersaglio) ma per r2 = σ 2 (3) Questo dimostra che nemmeno per Robin Hood il valore più probabile della distanza dal centro del bersaglio può essere r = 0. D’altra parte affinchè ciò avvenisse, la varianza dovrebbe essere nulla ma questo risulta impossibile per l’enunciato dell’esercizio che richiede espressamente che la varianza sia diversa da zero. Esercizio 0.4 Due dispositivi identici A1 e A2 (chips, lampadine, ecc.) con probabilità di guasto esponenziali (indipendenti, con eguale parametro λ) vengono posti in funzione separatamente a partire dall’istante t1 = 0 e t2 = t > 0. Indicate con X1 e X2 le variabili aleatorie ”istante di guasto di A1 e A2 , rispettivamente” si chiede: a) Rappresentare la densità di probabilità congiunta fX1 X2 (x1 , x2 ); b) Calcolare la probabilità che A2 si guasti prima di A1 (cioè P[X2 < X1 ]). Soluzione CASO a) Poichè le v.c. coinvolte sono distribuite esponenzialmente e sono indipendenti si ha fX1 X2 (x1 , x2 ) = λe−λx1 · λe−λ(x2 −t) = λ2 e−λx1 · e−λ(x2 −t) CASO b) Calcoliamo, ora, P (X2 < X1 ) = P [(X1 , X2 ) ∈ Dt ]. x1 > 0 , x2 > 0 7 X2 retta x1 = x 2 t dx 1 O X1 Figura 2: Dt è la regione tratteggiata in cui X2 < X1 , X1 > 0 e X2 > t. La retta X1 = X2 è la bisettrice del primo quadrante. L’evento X2 < X1 di cui vogliamo calcolare la probabilità ”occupa” la regione Dt rappresentata nella figura (2) Pertanto Z P [(X1 , X2 ) ∈ Dt ] = Dt fX1 X2 dx1 dx2 = λ 2 Z ∞ t −λx1 e dx1 Z x1 t 1 e−λ(x2 −t) dx2 = e−λt 2 Esercizio 0.5 X1 e X2 sono variabili aleatorie indipendenti che seguono una distribuzione di Poisson, di parametri, rispettivamente, λ1 e λ2 . Dimostrare che la probabilità condizionata P (X1 = k|X1 + X2 = n) ha una distribuzione binomiale (k = 1, 2, ..., n) e calcolarne il parametro p. Soluzione Dai dati del problema sappiamo che X1 ∼ P o(λ1 ) , X2 ∼ P o(λ2 ) ⇒ X1 + X2 ∼ P o(λ1 + λ2 ) ossia, le v.c. X1 e X2 seguono una distribuzione di Poisson di parametri λ1 e λ2 rispettivamente. Inoltre, la somma di X1 e X2 (indipendenti!) risulta ancora una v.c. di Poisson di parametri λ1 + λ2 . Allora 8 P (X1 = k|X1 + X2 = n) = P (X1 = k ∩ X1 + X2 = n) P (X1 = k ∩ X2 = n − k) = = P (X1 + X2 = n) P (X1 + X2 = n) (n−k) λk1 e−λ1 λ2 e−λ2 à ! · (n−k) n! λk1 λ2 n k n−k k! (n − k)! = = · p q n n = (λ1 + λ2 ) −(λ1 +λ2 ) k!(n − k)! (λ1 + λ2 ) k e n! avendo posto λ1 λ2 p= ; q= λ1 + λ2 λ1 + λ2 Esercizio 0.6 Sia data la funzione di v.c. Y = sin X, ove X è distribuita uniformemente nell’intervallo (0, 2π). Si ricavi la funzione densità di Y. Soluzione Poichè X è distribuita uniformemente in (0, 2π) la sua funzione densità è, come noto dalla teoria, f (x) = 1 β−α f (x) = 0 per α < x < β ⇒ altrove 1 f (x) = 2π f (x) = 0 0 < x < 2π altrove e la funzione di ripartizione (che servirà nella seconda parte dell’esercizio) è x−α F (x) = β−α F (x) = 0 F (x) = 1 α<x<β x<α x>β ⇒ x F (x) = 2π F (x) = 0 F (x) = 1 α<x<β x<α x>β Ora consideriamo la funzione y = sin x. (si veda la fig.(3)). Per trovare la funzione densità, g(y), di Y possiamo usare il teorema fondamentale dimostrato a lezione,cioè g(y) = f (x2 ) f (x1 ) + |ϕ0 (x1 )| |ϕ0 (x2 )| che, essendo, y = ϕ(x) ⇒ ϕ0 = dy dx 9 Y=sin x 1 y (fissato) > 0 x3 x4 2π π x2 x1 O X y (fissato) < 0 -1 Figura 3: La funzione y = senx si può scrivere ¯ ¯ ¯ ¯ ¯ dx ¯ ¯ dx ¯ ¯ 1¯ ¯ 2¯ g(y) = f (x1 ) ¯¯ ¯ + f (x2 ) ¯ ¯ ¯ dy ¯ dy ¯ (4) Nel caso attuale f (x) = 1/2π che ha sempre tale valore (essendo costante) in entrambe le radici x1 , x2 . Le radici x1 ed x2 sono, poi, y = sin x x1 = arcsin y ⇒ dx1 1 =√ dy 1 − y2 x2 = π − arcsin y ⇒ dx2 1 =√ dy 1 − y2 % & e, quindi, la (4) dà ° ° ° ° 1 1 1 1 1 ° √ √ g(y) = + = √ ° 2 2 2 2π 1 − y 2π 1 − y π 1 − y °° ° Questo vale per y > 0 (cioè x compreso tra 0 e π). Lo stesso discorso si può fare per y < 0 (π ≤ x ≤ 2π) In definitiva 1 π 1 − y2 1 √ g(y) = π 1 − y2 g(y) = √ con y ∈ (0, 1) con y ∈ (−1, 0) (caso y > 0) (caso y < 0) (5) 10 x2 x1 0 π Figura 4: Gli angoli corrispondenti ai valori di x1 e x2 Naturalmente, al di fuori dell’intervallo di valori −1 ≤ y ≤ 1, si ha g(y) = 0 Si osservi che l’esercizio si può risolvere anche usando la funzione di ripartizione. In tal caso, andiamo a cercare la funzione G(y) tale che ° ° Le zone in cui sin X ≤ y sono quelle tratteggiate ° ° ° nella fig.(3) (per y > 0 ma nello stesso modo ° ° si procede nel caso y < 0...) G(y) = P (sin X ≤ y) La condizione sin x ≤ y si ha quando (vedi figg.(3) e (4)) z x1 }| { 0 < x <arcsin y e z x2 }| { π − arcsin y< x < π Quindi, nell’intervallo 0 < x < arcsin y, G(y) = P (sin X ≤ y) = P (0 < x < arcsin y) = FX (arcsin y) − FX (0) ove FX (arcsin y) rappresenta la funzione di ripartizione FX calcolata nel punto arcsin y. Quindi FX (arcsin y)= arcsen y/2π, mentre FX (0) = 0. Pertanto g(y) = G0 (y) = 1 d 1 ( arcsin y) = √ dy 2π 2π 1 − y 2 11 Allo stesso modo si ottiene, nell’intervallo π − arcsin y < x < π, g(y) = G0 (y) = 1 d 1 ( arcsin y) = √ dy 2π 2π 1 − y 2 Allora (per y > 0) si sommano queste e si ottiene 1 g(y) = √ π 1 − y2 (y > 0) che coincide con la prima delle (5) già trovata per altra via. Procedendo allo stesso modo per y < 0 si ottiene la seconda delle (5). Esercizio 0.7 Siano X e Y due v.c. esponenziali indipendenti con parametri, rispettivamente, α e β. Si ricavi la funzione densità fZ (z) di: a) Z = X − Y , b) Z = X/Y , c) Z = max(X, Y ), d) Z = min(X, Y ). Soluzione Osserviamo che le due v.c. X e Y sono di tipo esponenziale e, quindi, le loro funzioni densità sono X Y : : fX (x) = αe−αx fY (y) = βe−βy (x > 0) (y > 0) Inoltre, X e Y sono indipendenti, il che ci permette di scrivere fXY (x, y) = fX (x) · fY (y) Caso a) Z = X − Y Si tratta di una retta nel piano Oxy (per z fissato) e si tenga presente che sia x che y sono entrambi positivi perché ”supporto” di leggi esponenziali. Invece z (essendo differenza di x e y) può essere z > 0 oppure z ≤ 0 Questi due casi corrispondono ad una diversa intersezione della retta con l’asse Oy. Caso z > 0. Si ha la figura (5) Infatti, si vede che z =x−y x=0 =⇒ y = −z (quindi y negativa essendo z > 0) 12 y retta x-y=z D x O y=-z Figura 5: Retta z = x − y nel caso z > 0 Allora, in questo caso, applicando la teoria troviamo dapprima la funzione di ripartizione che è z+y Z Z∞ G(z) = P (Z < z) = P (x − y < z) = P (x < z + y) = dy −∞ fXY (x, y)dx −∞ e pertanto, derivando rispetto a z, Z∞ Z∞ g(z) = fXY (y + z, y)dy = −∞ Z∞ = αe fX (y + z)fY (y)dy = −∞ Z∞ −α(y+z) βe −βy dy = αβe 0 −αz e−(α+β)y dy = 0 αβ −αz e α+β Caso z < 0. In tale caso si ha la figura (6). Infatti si vede che ( z =x−y =⇒ y = −z ∗ x=0 (quindi y positiva essendo z < 0) Allora, in questo, caso, applicando la teoria precedente avremo Z∞ g(z) = Z∞ αe −z∗ −α(y+z) βe −βy dy = αβe −αz e−(α+β)y dy = −z∗ (z > 0) 13 y D retta x-y=z y=-z O x Figura 6: Retta z = x − y nel caso z < 0 " = αβe−αz 1 e−(α+β)y − α+β αβ βz = e α+β #∞ = αβe−αz · −z 1 eαz eβz = α+β (per z ≤ 0) Caso b) Z = X/Y In tale caso, la regione del piano xy, tale che Z≤z ⇒ x ≤z y è rappresentata nella figura (7) È chiaro che i valori x ≤ yz sono quelli a sinistra della retta x = yz mentre i valori x ≥ yz sono quelli a destra (vedi fig. (7)). In realtà (dato che x e y sono distribuite esponenzialmente e, quindi, definite sull’asse Ox positivo) avremo che la zona che ci interessa è solo quella tratteggiata nella figura (8). Quindi ZZ G(z) = f XY (x, y)dxdy = Dz Zyz Z∞ = Z∞ f XY (x, y)dx dy 0 0 Z∞ e 0 g(z) = Z∞ −αyz −βy = αβ ⇒ derivando rispetto a z e e−(αz+β)y ydy = ydy = αβ 0 y f XY (yz, y)dy = 0 αβ (αz + β)2 (per z > 0) 14 y retta x=yz (z fissato) x < yz O x > yz x Figura 7: La retta x = yz (per z fissata). y retta x=yz Dz O x Figura 8: Dominio che interessa il nostro esercizio. 15 Naturalmente g(z) = 0 per z ≤ 0 Caso c) Z = max(X, Y ) Abbiamo dimostrato a lezione che in questo caso fZ (z) = fX (z)FY (z) + fY (z)FX (z) (6) D’altra parte, sappiamo che, fX = αe−αx , FX = 1 − e−αx , fY = βe−βy , FY = 1 − βe−βy Nel nostro caso, dunque, la (6) assume la forma ³ ´ ³ fZ (z) = αe−αz 1 − e−βz + βe−βz 1 − e−αz ´ fZ (z) = 0 per z > 0 per z ≤ 0 Caso d) Z = min(x, y) In questo caso abbiamo dimostrato che fZ (z) = fX (z) [1 − FY (z)] + fY (z) [1 − FX (z)] Pertanto, ragionando come nel caso precedente, ³ ´ fZ (z) = αe−αz e−βz + βe−βz (e−αz ) = αe−(α+β)z + βe−(α+β)z ≡ (α + β)e−(α+β)z fZ (z) = 0 (z > 0) per (z ≤ 0) Esercizio 0.8 Siano X1 , X2 , ..., X15 v.c identicamente distribuite (e, cioè, con egual valore medio e varianza) con legge di densità f (x) = 2 3(1 − x) se 0 0≤x≤1 altrove Si chiede di calcolare la probabilità che la media aritmetica delle v.c. sia inclusa tra 1/8 e 3/8 usando il teorema del limite centrale Soluzione La media aritmetica delle 15 v.c. assegnate è data da 15 1 X Ym = Xi 15 i=1 16 Si noti che Ym è, a sua volta, una v.c. che è opportuno standardizzare per poter poi usare le tavole della distribuzione normale (si veda la teoria della distribuzione gaussiana). Ricordiamo che la v.c standardizzata Z è definita come Z= 1 n Pn i=1 Xi − ex q (7) σ2 n ove ex e σ rappresentano la speranza matematica e lo scarto quadratico medio delle v.c. Xi date. Determiniamo, quindi, queste due grandezze che nel nostro caso sono ex = E(Xi ) = = 2 σ = V ar(Xi ) = Z 1 0 Z ∞ −∞ Z ∞ −∞ xf (x)dx " 3x2 6x3 3x4 3x(1 − x) dx = − + 2 3 4 #1 2 2 (x − ex ) f (x)dx = Z 1 0 µ 1 3 x− 4 ¶2 = 0 1 = 0.25 4 (1 − x)2 dx = 3 ' 0.0375 80 Da tutto ciò consegue che la (7) diventa Z= 1 15 Pn i=1 q Xi − 1 4 0.037 15 Poichè si chiede la probabilità che la media artimetica sia compresa tra 18 e 38 , in P termini di v.c. standardizzata Z, si può scrivere, ponendo nella (7), n1 Xi = 1/8 e P 1 Xi = 3/8, n 1 3 1 1 − − 8 4 P q8 4 ≤ Z ≤ q 0.0375 15 0.037 15 cioè P (−2.5 ≤ Z ≤ 2.5) = Φ∗ (2.5) − Φ∗ (−2.5) = 2Φ∗ (2.5) − 1 ' 0.988 Esercizio 0.9 Un’apparecchiatura è costituita di due dispositivi stocasticamente indipendenti che sono posti in parallelo. Il tempo di guasto del primo è una variabile aleatoria distribuita esponenzialmente, X ∼ e(λ), quello del secondo un v.a. uniforme Y ∼ U (a, b) (con λ, a, b > 0; a < b). Si chiede di calcolare: a) la funzione di ripartizione e la densità di probabilità della v.c. Z = max(X, Y ) (cioè il tempo di guasto del sistema); b) la speranza matematica E(Z), nel caso a = 1, b = 2, λ = 1 . 17 Soluzione Caso a) Ricordando che FZ = FX (z) · FY (z) si ha ( tenendo presente che X è distribuita esponenzialmente e Y in modo uniforme) 0 se z ≤ a (perchè, per z ≤ a, la FY è nulla...) z−a (1 − e−λz ) se z ∈ (a, b) FZ = b − a −λz 1−e se z > b Quindi, derivando FZ rispetto a z, si ha la densità fZ che risulta fZ = 0 se z ≤ a 1 − e−λz z−a + λe−λz b−a b−a λe−λz se z ∈ (a, b) se z > b Caso b) Con i valori dei parametri assegnati (a = 1, b = 2, λ = 1) si ha 0 se z ≤ 1 fZ = 1 − e−z (2 − z) se z ∈ (1, 2) e−z se z > 2 Quindi: Z2 Z zfZ (z)dz = E(Z) = R Z2 zdz − 1 Z∞ −z ze−z dz = z(2 − z)e dz + 1 2 3 + e−1 + e−2 ' 2 2 Esercizio 0.10 Il tempo richiesto per completare un determinato lavoro può essere rappresentato dalla variabile aleatoria Y = aX+B (a, b costanti > 0) con X avente la seguente funzione densità di probabilità fX = xe−x si chiede: per x ∈ (0, +∞) ; e zero altrove 18 a) Ricavare la densità fY (y) e la media di Y ; Adottando, poi, i valori numerici a = b = 1/2 (in ore) si chiede: b) Ricavare la funzione di ripartizione di Y e calcolare la probabilità che il lavoro sia completato entro 2 ore. Soluzione Caso a) Si usano i risultati noti dalla teoria delle funzioni di v.c. (funzione densità di Y nota che sia la funzione densità di X nel caso di monotonia della funzione Y = ϕ(X)) Si ha, quindi, ¯ ¯ à ! ¯ dx ¯ 1 y − b − y−b ¯ ¯ fY = fX (x(y)) ¯¯ ¯¯ = f e a dy a a Infatti, dato che, fX = xe−x si ottiene 1 fY = a à ! y − b − y−b e a a con y ≥ b e fY = 0 se y < b essendo y = ax + b ⇓ y−b x = a Per calcolare la media di Y ricordiamo che se Y = aX + b la media di Y è data da (vedi teoria) Z∞ E(Y ) = aE(X) + b x2 e−x dx = 2 ove E(X) = 0 Quindi E(Y ) = 2a + b Caso b) Nel caso a = b = 12 (in ore!) si ha, ricordando quanto ottenuto nella parte a), ¶¸ · µ 1 1 1 e−2(y− 2 ) = (4y − 2)e−(2y−1) con y > fY = 2 2 y − 2 2 19 Allora, per ricavare la funzione di ripartizione di Y basterà integrare la fY rispetto alla variabile t ≡ y − 12 , oppure applicare direttamente la definizione di funzione di ripartizione, cioè à P (Y y−b ≤ y) = P (aX + b ≤ y) ≡ P X ≤ a 2y−1 Z −x xe dx = = ¯ ¯2y−1 −xe−x ¯ 0 ! a=b= 12 = P (X ≤ 2y − 1) = 2y−1 Z e−x dx = 1 − e−(2y−1) (1 + 2y − 1) = + 0 0 = 1 − 2ye −(2y−1) La probabilità che il lavoro sia completato entro 2 ore è allora data da P (Y ≤ 2) = 1 − 4e−3 = 1 − 4 · 0, 04979 ' 0.801 Esercizio 0.11 Si indichi con Xi il numero di meteoriti con cui un satellite entra in collisione (non fatale!) durante l’orbita i-esima e sia P Yn = ni Xi il numero di collisioni in n orbite. Assunto che le Xi siano v.c. indipendenti di Poisson, tutte di costante λ si chiede: a) Rappresentare E(Yn ) e σ 2 (Yn ); b) Per n = 100 e λ = 4 valutare approssimativamente P (Yn > 440). Soluzione Dai dati del problema Xi ∼ P o(λ) (∀i) Si sa dalla teoria di tale distribuzione che E(Xi ) ≡ σ 2 (Xi ) = λ Allora è ovvio che à def E Yn = n X ∀Xi ! Xi = nλ , σ 2 (Yn ) = nλ i=1 Osserviamo che per λ = 4, n = 100 =⇒ nλ = 400. Ora ricordiamo che se Y è una v.c. di Poisson di parametro λ, sussiste la seguente formula di approssimazione à y−λ P (Y ≤ y) ≈ Φ √ λ Nel nostro caso P (Yn ! (8) à 440 − 400 √ > 440) = 1 − P (Yn ≤ 440) ' 1 − Φ 400 µ ¶ 40 = 1 − Φ(2) = 0.0227 ' 1−Φ 20 !