qui
Transcript
qui
Esercizi di Probabilità e Statistica Samuel Rota Bulò 25 maggio 2007 Varabili aleatorie continue, distribuzioni continue e funzione generatrice di momenti. Esercizio 1 Dimostrare la mancanza di memoria della distribuzione esponenziale, ovvero dato X ∼ Exp(λ) allora P {X > m + k|X > k} = P {X > m}. Soluzione Ricordiamo la f.r. di una v.a. con distribuzione esponenziale FX (x) = 1 − e−λx P {X > k|X > m + k}P {X > m + k} = P {X > k} P {X > m + k} 1 − P {X ≤ m + k} = = = P {X > k} 1 − P {X ≤ k} P {X > m + k|X > k} = = e−λ(m+k) = e−λm = P {X > m} e−λk Esercizio 2 Sia X ∼ N (µ, σ 2 ) 1. determinare i valori della media e della varianza di X sapendo che P {X ≤ 0.43} = 0.15 e P {X ≥ 5.61} = 0.06; 2. scrivere la densità di probabilità di Y = 3X − 5 e calcolare E[Y 2 ]. Soluzione Sia Z ∼ N (0, 1), allora abbiamo che X = σZ + µ. Andando a sostituire nelle probabilità date otteniamo ( P {σZ + µ ≤ 0.43} = P {Z ≤ 0.43−µ } = 0.15 σ P {σZ + µ ≥ 5.61} = 1 − P {σZ + µ ≤ 5.61} = 1 − P {Z ≤ 5.61−µ } = 0.06 σ Poniamo Φ(x) = P {Z ≤ x} la funzione di ripartizione di una normale (0, 1), il cui valore andrà ricercato nelle tavole numeriche. Possiamo allora riscrivere il sistema precedente in ( Φ 0.43−µ = 0.15 σ 5.61−µ Φ = 0.94 σ 1 A questo punto cerchiamo i valori dei quantili φ0.15 e φ0.94 nelle tavole numeriche. Purtroppo nelle tavole troviamo solo quantili di ordini superiori a 0.5, quindi dobbiamo trasformare il primo quantile secondo la seguente regola qα = −q1−α da cui segue che q0.15 = −q0.85 Una volta ottenuti abbiamo che ( q0.15 = −q0.85 = −1.04 = 0.43−µ σ q0.94 = 1.55 = 5.61−µ σ ( −1.04σ + µ − 0.43 = 0 1.55σ + µ − 5.61 = 0 ( σ=2 µ = 2.51 Quindi la varianza è 4 e la media è 2.51. Calcoliamo ora la densità di Y = 3X − 5. Sapendo che X = 2Z + 2.51 otteniamo Y = 6Z + 2.53, quindi Y ∼ N (2.53, 36) e quindi la densità è data da (x−2.53)2 1 fY (x) = √ e− 72 6 2π Infine calcoliamo E[Y 2 ]. Sappiamo tuttavia che V ar[Y ] = E[Y 2 ] − E[Y ]2 da cui E[Y 2 ] = V ar[Y ] − E[Y ]2 = 36 − (2.53)2 = 29.599. Esercizio 3 La durata X di vita in mesi di una batteria segue una distribuzione esponenziale con funzione di ripartizione FX (x) = 1 − e−7x , x ≥ 0. Calcolare la probabilità che la batteria abbia una durata di 3 mesi dato che è già durata un mese. Qual è la probabilità che su 30 batterie meno di 5 durino più di 1/3 di mese? [e−14 , 0.8397] Soluzione Vogliamo calcolare la proabilità che la batteria duri almeno 3 mesi condizionata al fatto che è durata un mese, quindi calcoliamo utilizzando la proprietà di mancanza di memoria della distribuzione esponenziale la seguente probabilità condizionata P {X > 3|X > 1} = P {X > 2} = e−14 Per la seconda domanda calcoliamo la probabilità che la batteria duri più di un terzo di mese. 7 1 p = P {X > } = e− 3 3 A questo punto consideriamo Y una v.a. discreta distribuita secondo una binomiale di parametri n = 30 e p, che conta il numero di batterie difettose e calcoliamo 4 X 30 i P {Y < 5} = p (1 − p)30−i = 0.8397 i i=0 Esercizio 4 I diametri delle ruote per bicicletta prodotte da una ditta hanno distribuzione normale con media 58.5 cm e varianza 0.9 cm2 . Determinare: 2 1. la probabilità che una ruota abbia diametro compreso fra 58.1 cm e 58.8 cm; [0.2874] 2. la probabilità che una ruota abbia diametro superiore a 58.7 cm, dato che il suo diametro è superiore a 58.5 cm; [0.8330] 3. la probabilità che su 10 ruote scelte a caso dalla produzione, soltanto una abbia dimetro inferiore a 58.3 cm. [0.03265] La ditta afferma che in un lotto di 20 ruote consegnate ad un costruttore di biciclette, 2 hanno diametro inferiore a 58.3 cm. Calcolare la probabilità che proprio queste due ruote vengano utilizzate per la costruzione della prossima bicicletta. [0.00526] Soluzione Sia Z ∼ N (0, 1) e Φ(x) la f.r. di Z. Sia inoltre X ∼ N (58.5, 0.9) la v.a. che misura il diametro di una bicicletta prodotta. Sappiamo che X = 0.9Z + 58.5 da cui 58.1 − 58.5 58.8 − 58.5 √ √ P {58.1 < X < 58.8} = P <Z< = 0.9 0.9 = Φ(0.31623) − Φ(−0.42164) = Φ(0.31623) − 1 + Φ(0.42164) = 0.2874 Per il secondo punto utilizziamo il teorema di Bayes P {X > 58.5|X > 58.7}P {X > 58.7} = P {X > 58.5} n o √ 1 − P Z ≤ 58.7−58.5 1 − Φ(0.21082) P {X > 58.7} 9 o= n = = 0.8330 = P {X > 58.5} 1 − Φ(0) √ 1 − P Z ≤ 58.5−58.5 P {X > 58.7|X > 58.5} = 9 Per il terzo punto ci calcoliamo la probabilità di avere un diametro inferiore a 58.3 58.3 − 58.5 √ p = P {X < 58.3} = P Z < = 9 = Φ(−0.21082) = 1 − Φ(0.21082) = 0.41651 Sia questo punto Y una v.a. binomiale di parametri n = 10 e p che conta il numero di bici con diametro inferore a 58.3 e calcoliamo 10 P {Y = 1} = p(1 − p)9 = 0.03265 1 Infine l’ultima domanda è molto semplice perchè la probabilità q che nella prossima bici vengano utilizzate proprio le due difettose equivale a pescare tra tutte le coppie di ruote possibili proprio la coppia difettosa e quindi q= 1 = C20,2 1 20 2 3 = 0.00526 Esercizio 5 Si suppone che il tempo di vita delle lampadine prodotte da una ditta segua una distribuzione esponenziale di parametro λ = 0.005 (1/giorni). Qual è la probabilità che una lampadina duri almeno 300 giorni? Qual è la probabilità che, dopo 150 giorni di funzionamento, una lampadina duri ancora almeno 120 giorni? Se dalla produzione si scelgono 50 lampadine, qual è la probabilità che solo 3 di queste durino più di 300 giorni? [0.2231, 0.5488, 0.00153] Soluzione Sia X ∼ Exp(0.005) la v.a. che misura il tempo di funzionamento di una lampadina prodotta dalla ditta. Calcoliamo la probabilità che la lampadina duri almeni 300 giorni. P {X ≥ 300} = e−0.005·300 = 0.2231 Risolviamo il secondo quesito ricordando la proprietà di mancanza di memoria della distribuzione esponenziale. P {X > 150 + 120|X > 150} = P {X > 120} = e−0.005·120 = 0.5488 Infine per l’ultima domanda consideriamo Y ∼ Bin(50, p) la v.a. che conta il numero di lampadine che durano più di 300 giorni tra le 50 prodotte, dove p = P {X ≥ 300} = 0.2231, e calcoliamo 50 3 P {Y = 3} = p (1 − p)50−3 = 0.00153 3 Esercizio 6 Calcolare la funzione generatrice di momenti delle v.a. geometrica, p z n binomiale, poisson, normale, gamma, esponenziale. [ 1−(1−p)e z , (1 − p + pe ) , α z z2 σ2 λ ] eλ(e −1) ,ezµ+ 2 , λ−z Soluzione Ricordiamo che la funzione generatrice di momenti di una v.a. unidimensionale X è data da mX (z) = E[ezX ] Se X ∼ Geom(p) allora mX (z) = E[ezX ] = ∞ X ezi (1 − p)i p = p i=0 ∞ X i=0 [(1 − p)ez ]i = p 1 − (1 − p)ez P∞ 1 dove abbiamo utilizzato i=0 q i = 1−q se q < 1. Quindi abbiamo che (1 − z p)e < 1 da cui z < −log(1 − p). Quindi il dominio di mX (z) è ristretto a z < −log(1 − p). Se X ∼ Binom(n, p) con n intero positivo e 0 ≤ p ≤ 1 allora mX (z) = E[ezX ] = n X i=0 ezi n i p (1 − p)n−i = i n X n = (pez )i (1 − p)n−i = (1 − p + pez )n i i=0 4 dove abbiamo utilizzato (a + b)n = tutto R. Se X ∼ P ois(λ) con λ > 0 allora mX (z) = E[ezX ] = ∞ X ezi i=0 Pn i=0 n i ai bn−i e il dominio della f.g.m. è ∞ i X z z (λez ) λi −λ e = e−λ = e−λ eλe = eλ(e −1) i! i! i=0 P∞ i dove abbiamo utilizzato eλ = i=0 λi! e il dominio della f.g.m. è tutto R. Sia S ∼ N (0, 1). Calcoliamo la f.g.m. ∞ Z ∞ x2 1 − x2 1 2 √ e− 2 +zx dx = mS (z) = E[e ] = e √ e dx = 2π 2π −∞ −∞ Z ∞ z2 1 − x2 −2zx+z2 2 √ e dx = =e2 2π −∞ Z ∞ (x−z)2 z2 z2 1 √ e− 2 dx = e 2 =e2 2π −∞ zS Z zx dove l’espressione interna all’integrale è la densità di una normale N (z, 0), che sappiamo dare 1 se integrata su tutto R. Vediamo ora il caso generale. Sia X ∼ N (µ, σ 2 ) e ricordiamo che X = σS+µ, allora mX (z) = E[ezX ] = E[ez(σS+µ) ] = ezµ E[ezσS ] = ezµ mS (zσ) = ezµ+ z2 σ2 2 Anche in questo caso il dominio della f.g.m. è tutto R. Sia X ∼ Γ(α, λ) con α, λ > 0 allora mX (z) = E[ezX ] = ∞ λα α−1 −λx x e dx = ezx Γ(α) 0 Z ∞ α λ = xα−1 e−(λ−z)x dx = Γ(α) 0 α Z ∞ (λ − z)α α−1 −(λ−z)x λα λ = x e dx = (λ − z)α 0 Γ(α) λ−z Z dove analogamente a quanto visto per la normale, l’espressione nell’integrale è la densità di una legge gamma Γ(α, λ − z) la cui integrazione su tutto il dominio vale 1. Questo però è vero solo se λ − z > 0 da cui z < λ. Quindi il dominio della f.g.m. si limita ai valori di z minori di λ. Infine banalmente siccome l’esponeniale è un caso particolare di legge gamma di parametri α = 1 e λ, abbiamo che se X ∼ Exp(λ) con λ > 0 allora λ zX mX (z) = E[e ] = λ−z con dominio z < λ. Esercizio 7 Utilizzando la funzione generatrice di momenti dimostrare che 1. se X ∼ Binom(n, p) e Y ∼ Binom(m, p) (indipendenti tra loro), allora X + Y ∼ Binom(n + m, p); 5 2. se X ∼ P ois(λ1 ) e Y ∼ P ois(λ2 ) (indipendenti tra loro), allora X + Y ∼ P ois(λ1 + λ2 ); 3. se X ∼ N (µ1 , σ12 ) e Y ∼ N (µ2 , σ22 ) (indipendenti tra loro), allora X +Y ∼ N (µ1 + µ2 , σ12 + σ22 ); 4. se X ∼ Γ(α1 , λ) e Y ∼ Γ(α2 , λ) (indipendenti tra loro), allora X + Y ∼ Γ(α1 + α2 , λ). Soluzione Ricordiamo che date due v.a. indipendenti X, Y abbiamo che mX+Y (z) = mX (z)mY (z) Siano X ∼ Binom(n, p) e Y ∼ Binom(m, p) allora mX+Y (z) = mX (z)mY (z) = (1 − p + pez )n (1 − p + pez )m = (1 − p + pez )n+m che è la f.g.m. di una binomiale di parametri n + m e p. Siano X ∼ P ois(λ1 ) e Y ∼ P ois(λ2 ) allora mX+Y (z) = mX (z)mY (z) = eλ1 (e z −1) λ2 (ez −1) e = e(λ1 +λ2 )(e z −1) che è la f.g.m. di una Poisson di parametro λ1 + λ2 . Siano X ∼ N (µ1 , σ12 ) e Y ∼ N (µ2 , σ22 ) allora mX+Y (z) = mX (z)mY (z) = eµ1 z+ 2 z 2 σ1 2 eµ2 z+ 2 z 2 σ2 2 = e(µ1 +µ2 )z+ 2 +σ 2 ) z 2 (σ1 2 2 che è la f.g.m. di una normale di media µ1 + µ2 e varianza σ12 + σ22 . Siano X ∼ Γ(α1 , λ) e Y ∼ Γ(α2 , λ) allora mX+Y (z) = mX (z)mY (z) = λ λ−z α1 λ λ−z α2 = λ λ−z α1 +α2 che è la f.g.m. di una legge gamma Γ(α1 + α2 , λ). Esercizio 8 Sia X una v.a. con distribuzione uniforme nellintervallo [2, 6] e sia Y una v.a. esponenziale di media 1/λ. Si determini il valore di λ per cui P {X ≤ 4} = P {Y ≤ 4}. [λ = 0.173] Soluzione P {X ≤ 4} 4−2 6−2 e−4λ λ = P {Y ≤ 4} = 1 − e−4λ = 0.5 1 = − log(0.5) = 0.17329 4 6