Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Note del corso di Analisi II (parte di calcolo delle probabilita' e ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Non<strong>di</strong>meno certe sfumature lessicali riflettono i <strong>di</strong>fferenti punti <strong>di</strong> vista <strong>del</strong>la statistica descrittiva<br />
e <strong>del</strong> <strong>calcolo</strong> <strong>del</strong>le probabilità. Ad esempio, una volta che i dati sono acquisiti, non ha molto senso<br />
usare i termini <strong>di</strong> speranza o valore atteso, ed è meglio parlare <strong>di</strong> me<strong>di</strong>a o <strong>di</strong> valor me<strong>di</strong>o. (Simili<br />
incongruenze terminologiche non si presentano per varianza e covarianza.)<br />
Variabili Aleatorie e loro Leggi. Si consideri la definizione (3.8): la legge (o <strong>di</strong>stribuzione <strong>di</strong><br />
probabilità) P X è definita in termini <strong>del</strong>la probabilità P e <strong>del</strong>la variabile aleatoria X, ma in generale<br />
né P né X possono essere ricostruite a partire da P X . In altri termini, passando da una variabile<br />
aleatoria alla sua legge ci può essere una per<strong>di</strong>ta <strong>di</strong> informazione. 13<br />
Riassumiamo alcuni punti che il Bal<strong>di</strong> espone più o meno esplicitamente.<br />
Ogni variabile aleatoria determina la sua legge, ma non viceversa. Comunque ogni legge determina<br />
ed è determinata dalla sua densità, o equivalentemente dalla sua funzione <strong>di</strong> ripartizione. Legge,<br />
densità e funzione <strong>di</strong> ripartizione quin<strong>di</strong> contengono la stessa informazione. Questo vale sia per variabili<br />
aleatorie reali (ovvero scalari) che per variabili aleatorie multi<strong>di</strong>mensionali (ovvero vettoriali), e sia<br />
per variabili aleatorie <strong>di</strong>screte che per variabili aleatorie continue.<br />
La conoscenza <strong>del</strong>la legge P X può surrogare quella <strong>del</strong>la X stessa solo in alcuni casi; è cruciale<br />
comprendere quando questo vale. Ad esempio:<br />
(i) La me<strong>di</strong>a, la varianza e gli altri momenti <strong>di</strong>pendono solo dalla legge <strong>del</strong>le variabili aleatorie<br />
interessate. Lo stesso vale per l’integrale <strong>di</strong> ogni funzione <strong>di</strong> una variabile aleatoria. La covarianza<br />
<strong>di</strong>pende solo dalla legge congiunta <strong>del</strong>le variabili aleatorie interessate. La speranza <strong>di</strong> una funzione<br />
<strong>di</strong> più variabili aleatorie è determinato dalla legge congiunta (ovvero, la legge <strong>del</strong>la variabile aleatoria<br />
congiunta); la conoscenza <strong>del</strong>le leggi marginali (ovvero, le leggi <strong>del</strong>le variabili aleatorie marginali)<br />
non è invece sufficiente a determinarlo, a meno che le variabili aleatorie non siano (stocasticamente)<br />
in<strong>di</strong>pendenti. Si noti che non ha senso parlare <strong>di</strong> in<strong>di</strong>pendenza <strong>di</strong> leggi.<br />
(ii) Una N-pla {X 1 , .., X N } <strong>di</strong> variabili aleatorie determina la variabile aleatoria congiunta X =<br />
(X 1 , .., X N ), in quanto conoscere le componenti <strong>di</strong> un vettore ovviamente equivale a conoscere il vettore<br />
stesso. La legge congiunta P X determina le leggi marginali P X1 , ..., P XN . 14 Il viceversa in generale<br />
non vale, a meno che la famiglia {X 1 , .., X N } non sia in<strong>di</strong>pendente [B, p. 53].<br />
(iii) L’in<strong>di</strong>pendenza <strong>di</strong> una famiglia <strong>di</strong> variabili aleatorie è determinata dalla legge congiunta, ma<br />
non dalle leggi <strong>del</strong>le variabili aleatorie <strong>del</strong>la famiglia (ovvero dalle leggi marginali). Infatti per stabilire<br />
l’eventuale in<strong>di</strong>pendenza occorrono sia la legge congiunta che quelle marginali, e la legge congiunta<br />
determina le leggi marginali ma non viceversa. 15<br />
(iv) Sia f : R → R una funzione continua. La legge <strong>di</strong> Y = f(X) può essere espressa in termini<br />
<strong>del</strong>la legge P X <strong>di</strong> X (o equivalentemente <strong>del</strong>la sua densità p X ):<br />
P f(X) (A) =<br />
∑<br />
P X ({x}) =<br />
∑<br />
p X (x) ∀A ⊂ R. (3.9)<br />
x∈f −1 (A)<br />
x∈f −1 (A)<br />
13 In effetti una stessa legge si può incarnare (termine non tecnico!) in <strong>di</strong>verse variabili aleatorie, che possono essere<br />
considerate come <strong>di</strong>verse realizzazioni (termine tecnico questo!) <strong>del</strong>la stessa legge.<br />
In <strong>di</strong>versi casi è più naturale pensare alla legge piuttosto che ad una variabile aleatoria ad essa associata. Ad esempio<br />
se gioco a testa o croce con una certa posta in gioco ad ogni lancio, mi interesserà sapere quante volte ho vinto, piuttosto<br />
che avere il dettaglio <strong>del</strong>l’esito dei singoli lanci. L’esito dettagliato dei lanci è una variabile aleatoria, il numero <strong>di</strong> vittorie<br />
e la sua legge.<br />
14 Le variabili aleatorie X i sono dette marginali <strong>del</strong>la X = (X 1, .., X N ) perchè, per N = 2, tipicamente sono rappresentate<br />
ai margini <strong>del</strong>la tabella matriciale che rappresenta la variabili aleatoria congiunta (X 1, X 2). Questa terminologia<br />
è usata anche per N > 2.<br />
15 A proposito <strong>di</strong> in<strong>di</strong>pendenza, il [B] manca <strong>di</strong> sottolineare quanto segue. Sia {X 1, .., X N } una famiglia <strong>di</strong> variabili<br />
aleatorie reali (<strong>di</strong>screte o continue), sia X la variabile aleatoria congiunta, e si definisca la funzione <strong>di</strong> ripartizione<br />
multivariata F X:<br />
F X(x 1, ..., x N ) := P(X 1 ≤ x 1, ..., X N ≤ x N ) ∀(x 1, ..., x N ) ∈ R N .<br />
La famiglia <strong>di</strong> variabili aleatorie {X 1, .., X N } è in<strong>di</strong>pendente se e solo se, denotando con F Xi le rispettive funzioni <strong>di</strong><br />
ripartizione,<br />
F X(x 1, ..., x N ) = F X1 (x 1) · · · F XN (x N ) ∀(x 1, ..., x N ) ∈ R N .<br />
Inoltre questo vale se e solo se, denotando con p X e p Xi le rispettive densità, p X = p X1 · · · p XN .<br />
10