V Appello di Probabilità e Statistica Cognome:
Laurea Triennale in Matematica Nome:
16 dicembre 2009 Matricola:
ESERCIZIO 1. Sia {Xn}Nn=1 una famiglia di variabili casuali i.i.d., tali che P (Xn = 1) = P (Xn = −1) = 12. Sia inoltre ξ una variabile casuale con la stessa distribuzione delle Xn e indipendente da tutte le Xn. Poniamo Yn:= ξXn.
(a) Mostrare che le variabili casuali {Yn}Nn=1 sono i.i.d.
(b) Mostrare che le variabili casuali bidimensionali {(Xn, Yn)}Nn=1sono identicamente distribuite (cioè la legge di (Xn, Yn) non dipende da n) ma non indipendenti.
SOLUZIONE.
(a) La tesi segue se mostriamo che (X1, X2, . . . , Xn) e (Y1, Y2, . . . , Yn) hanno la stessa distribu- zione. Anzitutto, se (σ1, σ2, . . . , σn) ∈ {−1, 1}n, è chiaro che
P (X1= σ1, . . . , Xn= σn) = 1 2n. Usando l’indipendenza tra (X1, X2, . . . , Xn) e ξ, abbiamo
P (Y1= σ1, . . . , Yn= σn)
= P (X1 = σ1, . . . , Xn= σn, ξ = 1) + P (X1 = −σ1, . . . , Xn= −σn, ξ = −1)
= P (X1 = σ1, . . . , Xn= σn)P (ξ = 1) + P (X1 = −σ1, . . . , Xn= −σn)P (ξ = −1)
= 1 2
1 2n+ 1
2 1 2n = 1
2n (b) Si noti che
P (Xn= 1, Yn= 1) = P (Xn= 1, ξ = 1) = 1
4 = P (Xn= 1, ξ = −1) = P (Xn= 1, Yn= −1).
Allo stesso modo si mostra che
P (Xn= −1, Yn= 1) = P (Xn= −1, Yn= −1) = 1 4, e quindi la distribuzione di (Xn, Yn) non dipende da n.
Se le coppie (Xn, Yn) fossero indipendenti, anche i prodotti XnYn sarebbero indipendenti (in quanto funzioni di variabili casuali indipendenti sono indipendenti). Ma, osservando che
XnYn= ξ per ogni n,
P (X1Y1= 1, X2Y2 = 1) = P (ξ = 1) = 1
2 6= P (X1Y1= 1)P (X2Y2 = 1) = P (ξ = 1)2 = 1 4.
ESERCIZIO 2. Un’urna contiene n palline arancioni, n bianche e n celesti, dove n ∈ N (i colori delle palline saranno indicati con le lettere a, b, c). Estraiamo una pallina dall’urna e indichiamo con X ∈ {a, b, c} il suo colore, quindi ne estraiamo una seconda (senza reinserire la prima) e indichiamo con Y ∈ {a, b, c} il suo colore.
(a) Sapendo che la seconda pallina non è bianca, è più probabile che la prima pallina sia bianca oppure che sia celeste?
(b) Si mostri che le variabili X e Y hanno la stessa distribuzione marginale ma che non sono indipendenti.
(c) Si mostri che nel limite n → ∞ la distribuzione congiunta delle variabili X e Y converge verso il prodotto delle distribuzioni marginali. (In altri termini, le variabili X e Y sono
“quasi indipendenti” per n grande.) SOLUZIONE.
(a) Se la prima pallina estratta è bianca, restano nell’urna n − 1 palline bianche e 2n non bianche (arancioni e celesti), per cui
P (Y 6= b|X = b) = 2n
3n − 1. (1)
Se invece la prima pallina estratta è arancione o celeste, restano nell’urna n palline bianche e 2n − 1 non bianche (arancioni e celesti), per cui
P (Y 6= b|X = a) = P (Y 6= b|X = c) = 2n − 1 3n − 1.
Dato che P (X = a) = P (X = b) = P (X = c) = 13, dalla formula delle probabilità totali si ottiene
P (Y 6= b) = P (Y 6= b|X = a)P (X = a) + P (Y 6= b|X = b)P (X = b) + P (Y 6= b|X = c)P (X = c)
= 2n − 1 3n − 1 1
3 + 2n 3n − 1
1
3+2n − 1 3n − 1 1
3 = 2(2n − 1) + 2n
3(3n − 1) = 2(3n − 1) 3(3n − 1) = 2
3. (2)
Applicando il teorema di Bayes si ottiene infine
P (X = b|Y 6= b) = P (Y 6= b|X = b) · P (X = b)
P (Y 6= b) =
2n 3n−1 ·13
2 3
= n
3n − 1 > 1 3, e analogamente
P (X = c|Y 6= b) = P (Y 6= b|X = c) · P (X = c)
P (Y 6= b) =
2n−1 3n−1 ·13
2 3
= 2n − 1
2(3n − 1) = n −12
3(n −12) + 12 < 1 3. Se la seconda pallina non è bianca, è quindi più probabile che la prima pallina sia bianca.
(b) Con conti del tutto analoghi all’equazione (2) si mostra facilmente che P (Y = a) = P (Y = b) = P (Y = c) = 13, per cui X e Y hanno la stessa distribuzione. Se fossero indipendenti, si avrebbe P (Y 6= b|X = b) = P (Y 6= b) = 23, ma l’equazione (1) mostra che ciò non è vero.
(c) Dati i, j ∈ {a, b, c}, un’applicazione elementare del principio fondamentale del calcolo combinatorio mostra che
P (X = i, Y = j) =
( n·n
3n·(3n−1) = 3(3n−1)n se i 6= j
n·(n−1)
3n·(3n−1) = 3(3n−1)n−1 se i = j , da cui è chiaro che limn→∞P (X = i, Y = j) = 19 per ogni valore di i, j.
ESERCIZIO 3. Lancio un dado regolare a sei facce una prima volta: se esce un numero in {1, 2, 3, 4, 5} mi fermo, altrimenti rilancio il dado; se nel secondo lancio esce un numero in {1, 2, 3, 4, 5} mi fermo, altrimenti rilancio il dado una terza volta; e così via.
Indichiamo con T il numero totale di lanci effettuati, con Xi il risultato dell’i-esimo lancio (per i ∈ N := {1, 2, . . .}) e con Y := XT il risultato dell’ultimo lancio.
(a) Si determini la legge (cioè i valori assunti e la densità discreta) delle variabili T e Xi. (b) Per ogni valore di n ∈ N e a ∈ {1, 2, 3, 4, 5}, si esprima l’evento {T = n, Y = a} in termini
delle variabili aleatorie X1, . . . , Xn. Si calcoli dunque la densità congiunta delle variabili casuali (T, Y ).
(c) Si determini la legge di Y . Le variabili T e Y sono indipendenti?
SOLUZIONE.
(a) T è l’istante in cui avviene il primo successo in uno schema di prove ripetute e indipendenti, in cui la probabilità di successo in ogni prova vale 56. Di conseguenza, T (Ω) = N = {1, 2, . . .}
e per n ∈ N si ha pT(n) = 56(16)n−1.
(b) Per n = 1 si ha {T = 1, Y = a} = {X1 = a}, per cui pT ,Y(1, a) = 1
6. Per n ≥ 2 possiamo scrivere {T = n, Y = a} = Tn−1
i=1{Xi = 6} ∩ {Xn ≤ 5} e per l’indipendenza delle variabili Xi si ottiene
pT ,Y(n, a) = 1 6
n−1
·1 6 = 1
6
n
.
In definitiva, si ha pT,Y(n, a) = (16)n per ogni n ∈ N e a ∈ {1, 2, 3, 4, 5}.
(c) Chiaramente Y (Ω) = {1, 2, 3, 4, 5}. La legge marginale della variabile Y è data da pY(a) =X
n∈N
PT,Y(n, a) =
∞
X
n=1
1 6
n
=
∞
X
n=0
1 6
n
− 1 = 1
1 −16 − 1 = 6
5 − 1 = 1 5, per ogni a ∈ {1, 2, 3, 4, 5}. Per quanto determinato ai punti precedenti, per ogni n ∈ N e a ∈ {1, 2, 3, 4, 5} si ha
pT ,Y(n, a) = 1 6
n
= 1 5·5
6
1 6
n−1
= pY(a) · pT(n) , per cui le variabili T e Y sono indipendenti.
ESERCIZIO 4. La lunghezza dei chiodini prodotti da una certa ditta ha una distribuzione incognita, la cui media e varianza indichiamo con µ e σ2. Il valore di σ2 è noto e pari a 0.25 mm2, mentre il valore di µ (espresso in mm) è incognito e vogliamo stimarlo empiricamente.
A tal fine, misuriamo le lunghezze X1, . . . , Xn di n chiodini scelti a caso e ne indichiamo la media empirica con Xn := (X1+ . . . + Xn)/n. Se n è grande, per la legge dei grandi numeri sappiamo che Xnsarà vicino a µ. Per rendere più quantitativa questa affermazione, scegliamo un numero reale δ > 0 e consideriamo l’intervallo Iδ di ampiezza δ centrato in Xn, vale a dire
Iδ := Xn− δ , Xn+ δ .
• Si determini δn in modo che la probabilità che l’intervallo Iδn contenga µ valga approssima- tivamente 0.95 per n grande.
[Sugg.: si esprima l’evento {µ ∈ Iδn} nella forma {a < Xn< b} per opportuni a, b.]
SOLUZIONE. Per definizione µ ∈ Iδn significa Xn− δn< µ < Xn+ δn. Possiamo riscrivere la prima disuguaglianza come
Xn− δn< µ ⇐⇒ Xn< µ + δn, e la seconda come
µ < Xn+ δn ⇐⇒ Xn> µ − δn. Questo mostra che
{µ ∈ Iδn} = {µ − δn< Xn< µ + δn} , per cui, applicando il teorema limite centrale e ricordando che σ = 0.5,
P (µ ∈ Iδn) = P (µ − δn< Xn< µ + δn) = P
−δn 0.5/√
n < Xn− µ σ/√
n < −δn 0.5/√
n
≈ P −2δn√
n < Z < 2δn√
n = 2 Φ(2δn√
n) − 1 ,
dove Z ∼ N (0, 1) e Φ(x) = P (Z ≤ x). Imponendo la condizione P (µ ∈ Iδn) = 0.95 si ottiene Φ(2δn
√n) = 0.975, cioè 2δn
√n = Φ−1(0.975) ≈ 1.96 e quindi δn= 0.98/√ n.