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.
Se X è <strong>di</strong>screta e p X è la sua densità, possiamo confrontare la (4.5) con la nota definizione<br />
E(X) =<br />
∑<br />
x i ∈X(Ω)<br />
x i p X (x i ),<br />
se<br />
∑<br />
x i ∈X(Ω)<br />
|x i |p X (x i ) < +∞. (4.6)<br />
D’altra <strong>parte</strong>, denotando con F X la funzione <strong>di</strong> ripartizione <strong>di</strong> X e supponendo che questa sia continua<br />
(e derivabile salvo al più in una successione <strong>di</strong> punti),<br />
∫<br />
∫<br />
E(X) = x F X(x) ′ dx se |x| F X(x) ′ dx < +∞. (4.7)<br />
R<br />
Confrontando la (4.5) con la (4.7) ritroviamo i due <strong>di</strong>versi mo<strong>di</strong> <strong>di</strong> sommare che abbiamo già incontrato<br />
in statistica descrittiva e nell’integrazione <strong>del</strong>le variabili aleatorie <strong>di</strong>screte; si vedano gli sviluppi (3.1),<br />
..., (3.6).<br />
La definizione (4.7) è posta solo per variabili aleatorie continue; è noto che per variabili aleatorie<br />
<strong>di</strong>screte la speranza va scritta <strong>di</strong>versamente, con una serie invece <strong>di</strong> un integrale. Per tali variabili<br />
aleatorie la (4.7) è più generale <strong>del</strong>la (4.5), che si applica solo se Ω ⊂ R N (qui abbiamo posto N = 2).<br />
Supponiamo ora <strong>di</strong> avere due variabili aleatorie X, Y : Ω → R, ciascuna <strong>di</strong>screta o continua. La<br />
loro covarianza vale<br />
∫∫<br />
Cov(X, Y ) = [X(ω) − E(X)] [Y (ω) − E(Y )] h(ω) dω 1 dω 2<br />
Ω<br />
∫∫<br />
(4.8)<br />
se E(|X|), E(|Y |), |[X(ω) − E(X)] [Y (ω) − E(Y )]| h(ω) dω 1 dω 2 < +∞.<br />
Ω<br />
Se X e Y sono variabili aleatorie <strong>di</strong>screte e p X,Y è la loro densità congiunta, allora<br />
Cov(X, Y ) =<br />
∑<br />
∑<br />
x i ∈X(Ω) y j ∈Y (Ω)<br />
∑ ∑<br />
se E(|X|), E(|Y |),<br />
x i ∈X(Ω)<br />
R<br />
[x i − E(X)] [y j − E(Y )] p X,Y (x i , y j )<br />
y j ∈Y (Ω)<br />
|[x i − E(X)] [y j − E(Y )]| p X,Y (x i , y j ) < +∞.<br />
Se X e Y sono in<strong>di</strong>pendenti e le loro densità sono rispettivamente p X e p Y , allora p X,Y (x i , y j ) =<br />
p X (x i )p Y (y j ), e ritroviamo la nota proprietà che Cov(X, Y ) = 0.<br />
∗ Tiro al Bersaglio. Il bersaglio sia un tabellone circolare Ω <strong>di</strong> raggio R. Se si tira a casaccio, la<br />
densità <strong>di</strong> probabilità h(ω) sarà uniforme:<br />
h(ω) = ˜h(ρ) = (πR 2 ) −1 ∀ρ =<br />
√<br />
ω 2 1 + ω2 2 .<br />
Se invece si mira al centro e si ha una buona mira, allora la densità <strong>di</strong> probabilità sarà una funzione<br />
decrescente <strong>di</strong> ρ:<br />
h(ω) = ˜h(ρ) con ˜h : [0, R] → R + decrescente,<br />
e h dovrà sod<strong>di</strong>sfare la con<strong>di</strong>zione <strong>di</strong> normalizzazione 29<br />
∫∫<br />
Si noti che ˜h potrebbe <strong>di</strong>vergere per ρ → 0.<br />
Ω<br />
h(ω) dω 1 dω 2 = 2π<br />
∫ R<br />
0<br />
(4.9)<br />
˜h(ρ)ρ dρ = 1. (4.10)<br />
29 Per un bersaglio <strong>di</strong> raggio infinito (ovvero Ω = R 2 ), per ogni σ > 0 si può usare la densità <strong>di</strong> probabilità<br />
1<br />
˜h(ρ) =<br />
πσ exp ( −ρ 2 )<br />
2σ<br />
∀ρ > 0,<br />
che è parente stretta <strong>del</strong>la nota densità gaussiana. Si verifichi che la con<strong>di</strong>zione (4.10) è sod<strong>di</strong>sfatta anche in questo caso.<br />
18