Probabilità e Statistica - Appello III

Tempo: 120 Minuti

20 settembre 2023, 09:00 - 11:00

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1.

1. Come si caratterizza l’indipendenza tra le variabili aleatorie attraverso la densità congiunta

e le loro marginali?

2. Siano X e Y v.a. reali indipendenti di media finita. Dimostrare che la variabili XY ha

media finita e che E(XY ) = E(X)E(Y ).

20 settembre 2023, 09:00 - 11:00 Appello IV 2

Nome: Cognome: Punti:

20 settembre 2023, 09:00 - 11:00 Appello IV 3

Nome: Cognome: Punti:

Esercizio 2. In un gioco ripetuto la mia probabilità di vincere aumenta per la fiducia che
acquisisco vincendo. Più precisamente, alla prima mano del gioco vinco con probabilità 12 . Se
vinco la prima mano, alla successive la mia probabilità di successo diventa 23 , se vinco di nuovo
3
4 e così via: se vengo da n successi consecutivi, la mia probabilità di successo sarà n+2 . Però,
n+1

non appena perdo una mano, perdo la fiducia e la mia probabilità di successo torna ad essere 12 .
Definiamo
Ai = “la i-esima mano è un successo”.

1. Calcolare P(A2 ) e P(A1 |A2 ).

2. Calcolare P(A3 |A1 ) e P(A2 |A1 \ A3 ).

Sia X la variabile aleatoria definita da

(
n se la prima sconfitta avviene alla n-esima mano;
X=
+1 se non perdo mai.

3. Calcolare P(X > n) e P(X = n).

4. Mostrare che P(X = +1) = 0.

20 settembre 2023, 09:00 - 11:00 Appello IV 4

Nome: Cognome: Punti:

20 settembre 2023, 09:00 - 11:00 Appello IV 5

Nome: Cognome: Punti:

Esercizio 3. Sia X una variabile aleatoria assolutamente continua con densità

1 |x|
fX (x) = e .
2
1. Calcolare la funzione di ripartizione FX di X.

2. Definiamo ( p
X se X 0;
Y = p
X se X < 0.
Mostrare che Y è una variabile assolutamente continua e determinarne la densità.

3. Calcolare la funzione generatrice MX di X.

P
4. Utilizzare quanto trovato al punto precedente e la serie geometrica 1 1 z = +1
n=0 z per
n
P+1
|z| < 1, per scrivere MX come serie di potenze MX = n=0 an t . Calcolare i momenti di
n

X di ogni ordine.

20 settembre 2023, 09:00 - 11:00 Appello IV 6

Nome: Cognome: Punti:

20 settembre 2023, 09:00 - 11:00 Appello IV 7

Nome: Cognome: Punti:

20 settembre 2023, 09:00 - 11:00 Appello IV 8

 Probabilità e Statistica - Appello III
Tempo: 120 Minuti

04 settembre 2023, 09:00 - 11:00

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1. Siano X1 , . . . , XN variabili aleatorie indipendenti con P {Xi = 1} = P {Xi =
−1} = 1/2. Lo scopo dell’esercizio che si sviluppa in tre punti è dimostrare che
N
!
1 X N
P Xi ≥ 1 ≤ e− 2 . (1)
N
i=1

1. Enunciare e dimostrare la disuguaglianza di Markov.

2. Usare la disuguaglianza di Markov e l’indipendenza delle variabili X1 , . . . , XN per mostrare

che
 PN  N
Y N
−N
Xi N
E eXi ≤ e− 2 .


P e i=1 ≥e ≤e
i=1
exp(−1)+exp(1)
Suggerimento: Usare la disuguaglianza 2
≤ exp(1/2).

3. Concludere la dimostrazione deducendo la disuguaglianza (1) dal punto 2..

Soluzione:

1. Vedere libro di testo del corso.

PN
2. Applicando la disuguaglianza di Markov alla variabile aleatoria e i=1 Xi e usando l’indipendenza
delle variabili X1 , . . . , XN si ottiene immediatamente la disuguaglianza del punto 2.

3. Basta osservare che, essendo la funzione exp monotona crescente, vale la seguente uguag-
lianza fra eventi
N
( )
1 X n PN o
Xi ≥ 1 = e i=1 Xi ≥ eN .
N
i=1

04 settembre 2023, 09:00 - 11:00 Appello III 2

Nome: Cognome: Punti:

Esercizio 2.
1

Lanciamo ripetutamente una moneta equilibrata. Per ogni n ∈ N, indichiamo con
Xn ∼ Be 2 l’esito dell’n-esimo lancio (1 testa, 0 croce). Indichiamo inoltre con Tn il numero di
teste e con Cn il numero di croci ottenute nei primi n lanci.
n! 1
1. Mostrare che, se n, k, ` ∈ N0 con k + ` = n, si ha P(Tn = k, Cn = `) = k!`! · 2n .

Decidiamo di fermare i lanci ad un istante aleatorio S, indipendente dai lanci della moneta, con
distribuzione S ∼ Poi(λ). Indichiamo con Y il numero di teste e con Z il numero di croci ottenute
fino a quell’istante, ovvero Y = TS e Z = CS .

2. Determinare la densità discreta congiunta pY,Z delle variabili aleatorie Y e Z. Stabilire,

giustificando la risposta, se le variabili aleatorie Y e Z siano o meno indipendenti.

P
Suggerimento: Partire da P(Y = k, Z = `) = n≥1 P(Y = k, Z = `|S = n)P(S = n).

Soluzione:
Pn Pn
1. Osserviamo che Tn = i=1 Xi e Cn = i=1 (1 − Xi ) e quindi Tn + Cn = n. Questo significa
che

• se k + ` 6= n, l’evento {Tn = k, Cn = `} è vuoto;

• se k + ` = n, si ha l’uguaglianza di eventi {Tn = k, Cn = `} = {Tn = k}.

Quindi, se k + ` 6=
n, si ottiene P(Tn = k, Cn = `) = 0; mentre, se k + ` = n, tenendo conto

che Tn ∼ Bin n, 21 , calcoliamo
   k  n−k
n 1 1
P(Tn = k, Cn = `) = P(Tn = k) = ,
k 2 2

che coincide con l’espressione data dopo qualche semplificazione.

2. Condizionatamente all’evento {S = n}, si ha Y = Tn e Z = Cn . Inoltre, Tn e Cn sono

indipendenti da S. Pertanto, per ogni k, ` ∈ N0 , si ha

P(Y = k, Z = `|S = n) = P(Tn = k, Cn = `|S = n) = P(Tn = k, Cn = `),

che è l’espressione trovata in precedenza, non nulla se e solo se n = k + `. Per la formula

delle probabilità totali, per ogni k, ` ∈ N0 , si ottiene
X
P(Y = k, Z = `) = P(Y = k, Z = `|S = n)P(S = n)
n≥1

= P(Tk+` = k, Ck+` = `)P(S = k + `)

λ k λ `



−λ 2 −λ 2
=e 2 ·e 2 .
k! `!
Notando che il membro destro è il prodotto di due densità discrete Poi(λ), segue immedia-
tamente che Y ∼ Poi(λ) e Z ∼ Poi(λ). Inoltre, X e Z sono indipendenti, dal momento che
la densità discreta congiunta si fattorizza nel prodotto di due densità marginali.

04 settembre 2023, 09:00 - 11:00 Appello III 3

Nome: Cognome: Punti:

Esercizio 3. Sia (Xn )n≥1 una successione di variabili aleatorie i.i.d., assolutamente continue
con densità (
1
2
√
x
per x ∈ (0, 1)
f (x) =
0 altrimenti.

1. Posto Mn := min(X1 , X2 , . . . , Xn ), determinare la funzione di ripartizione e la densità di

Mn .

2. Posto Zn := n2 Mn , mostrare che la funzione di ripartizione FZn di Zn è tale che il limite

lim FZn (z) = F (z)

n→+∞

esiste per ogni z ∈ R. Calcolare tale limite e mostrare che F è la funzione di ripartizione
di una variabile aleatoria assolutamente continua.

Soluzione:

1. Cominciamo col calcolare la funzione di ripartizione FMn : per y ∈ (0, 1)

 1 n
√
Z
1
FMn (y) = P(Mn ≤ y) = 1−P(Mn > y) = 1−Pn (X1 > y) = 1− √ dx = 1−(1− y)n ,
2 x
y

mentre FMn (y) = 0 se y ≤ 0, FMn (y) = 1 se y ≥ 1. Dato che FMn (y) è C ∞ a tratti, Mn è
assolutamente continua con densitÃ
0 n √
fMn (y) = FM n
(y) = √ (1 − y)n−1 1(0,1) (y).
2 y

2. Essendo Mn > 0 segue che anche Zn > 0, e quindi FZn (z) = 0 per z ≤ 0. Per z > 0 e n
abbastanza grande (tale che n2 z > 1) si ha
 √ n
 z  z
FZn (z) = P(Zn ≤ z) = P Mn ≤ 2 = 1 − 1 − ,
n n

per cui  √ 
F (z) := lim FZn (z) = 1 − e− z 1(0,+∞) (z).
n→+∞

F (z) è C ∞ a tratti, quindi è la funzione di ripartizione di una variabile aleatoria asso-

lutamente continua con densità
1 √
f (z) = F 0 (z) = √ e− z 1(0,+∞) (z).
2 z

04 settembre 2023, 09:00 - 11:00 Appello III 4

 Probabilità e Statistica - Appello II
Tempo: 120 Minuti

10 luglio 2023, 09:00 - 11:00

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1. Sia (Xn )n≥1 una successione di variabili aleatorie.

1. Sotto quali ipotesi vale il Teorema del Limite Centrale per la successione (Xn )n≥1 ? Enun-
ciare il Teorema del Limite Centrale per la successione (Xn )n≥1 .

2. Siano ora X1 , . . . , X100 variabili i.i.d. con Xi ∼ P oi(1) per i = 1, . . . , 100. Usando l’approssimazione
normale calcolare P(X1 + . . . + X100 ≤ 87).

Soluzione:

1. Vedere il libro di testo.

2. Indichiamo con X̄n = (X1 + . . . + Xn )/n. Usando l’approssimazione normale e ricordando

che E(Xi ) = Var(Xi ) = 1, per i = 1, . . . , 100, otteniamo


P(X1 + . . . + X100 ≤ 87) = P 10(X̄100 − 1) ≤ −1.3 ' P (Z ≤ −1.3) = 1 − φ(1.3) = 0.0968

dove Z ∼ N (0, 1) e φ = P(Z ≤ x).

10 luglio 2023, 09:00 - 11:00 Appello II 2

Nome: Cognome: Punti:

Esercizio 2. Sia (Xn )n≥1 una successione di prove ripetute indipendenti con probabilità di
successo p ∈ (0, 1). Sia T ∈ N il lancio del primo successo. A questo punto se T è pari facciamo
2 estrazioni con reinserimento da un’urna contente 2 palline rosse e 2 verdi (urna A), mentre
quando T è dispari estraiamo una pallina da un’urna che contiene 1 pallina rossa e 2 verdi (urna
B). Sia W la variabile aleatoria che conta il numero di palline rosse estratte.

1. Calcolare la densità discreta di W .

2. Qual è la probabilità che T sia dispari dato che è stato osservato l’evento {W = 1}?

3. Definiamo (
1 se T è pari
Y =
0 altrimenti.

Determinare la distribuzione della variabile Z := W Y e calcolarne media e varianza.

Soluzione:

1. Chiaramente W ∈ {0, 1, 2}. Usiamo la formula

P(W = i) = P(W = i|T è dispari)P(T è dispari) + P(W = i|T è pari)P(T è pari).

Si calcola X 1
P(T è dispari) = (1 − p)2k p =
2−p
k≥0
e
1−p
P(T è pari) = 1 − P(T è dispari) =
2−p
da cui si ottiene  2 1 1 1−p

 3 2−p + 4 2−p se i=0;
1 1 1 1−p
P(W = i) = 3 2−p + 2 2−p se i=1;
1 1−p

4 2−p . se i=2.


2. Si usa la formula di Bayes:

P(T è dispari) 2
P(T è dispari|W = 1) = P(W = 1|T è dispari) = .
P(W = 1) 5 − 3p

3. Chiaramente Z ∈ {0, 1, 2}. Poi abbiamo

11−p
P(Z = 2) = P(W = 2, Y = 1) = ;
42−p
11−p 1
P(Z = 1) = P(W = 1, Y = 1) + P(Y = 0) = + ;
22−p 2−p
11−p
P(Z = 0) = 1 − P(Z = 1) − P(Z = 2) = .
42−p
1 1−p
A questo si calcola E(Z) = 1 e Var(Z) = 2 2−p .

10 luglio 2023, 09:00 - 11:00 Appello II 3

Nome: Cognome: Punti:

Esercizio 3. Sia (Xn )n≥1 una successione di i.i.d. variabili aleatorie reali tali che P(Xn > x) = 1
1
se x ≤ 0 e P(Xn > x) = 1+log(x+1) se x > 0.
1. Calcolare P(X1 > 2, X2 < 2).
2. Mostrare che le variabili Xn sono assolutamente continue e determinarne la densità.
3. Si ponga Yn = max(X1 , . . . , Xn ). Mostrare che esistono due costanti A e B tali che
A ≤ P(Yn ≥ en − 1) ≤ B.

4. Sia
log(Yn + 1)
Wn := .
n
Mostrare che esiste una variabile aleatoria W non costante tale che
lim F (Wn ) = F (W ).
n→∞

5. Sia
log(Yn + 1)
Vn := √ .
n
Mostrare che NON esiste nessuna variabile aleatoria V tale che
lim F (Vn ) = F (V ).
n→∞

Soluzione:

1.  
1 1
P(X1 > 2, X2 < 2) = P(X1 > 2)P(X2 > 2) = 1− .
1 + log 3 1 + log 3

2. FXn = 1 − P(Xn > x) che è una funzione C 1 a tratti, per la qual cosa basta osservare la
continuità in x = 0. La densità è
d
fXn = − P(Xn > x).
dx
3. Notare che  n
1
F Yn = 1− .
1 + log(y + 1)
Perciò
P(Yn ≥ en − 1) = 1 − (1 − 1/n)n
che è una successione decrescente fra 1 e 1 − e− 1.
4. Per x > 0 abbiamo
FWn (x) = FYn (enx − 1) = (1 − 1/nx)n → e−1/x
mentre FWn (x) = 0 se x ≤ 0.
La funzione e−1/x 1(0,+∞) è crescente continua e con limiti 0 e ∞ a ±∞ e dunque è funzione
di ripartizione di una variabile aleatoria.
5.  √   n
1
FVn (x) = FYn (x) e nx − 1 = 1 − √ → 0.
nx
La costante 0 non è funzione di ripartizione.

10 luglio 2023, 09:00 - 11:00 Appello II 4

 Probabilità e Statistica - Appello I
Tempo: 120 Minuti

26 Giugno 2023, 09:00 - 11:00

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1. Enunciare e dimostrare la Legge dei Grandi Numeri.

Soluzione: Vedere il libro di testo.

26 Giugno 2023, 09:00 - 11:00 Appello I 2

Nome: Cognome: Punti:

Esercizio 2. Sia (Xi )i≥1 uno schema di prove ripetute, indipendenti ed equiprobabili, con
probabilità di successo p. Si definiscano le variabili aleatorie

T2 = indice della prova in cui si ottiene il secondo successo

e (
1 se la (T2 − 1)-esima prova è un successo
Y =
0 altrimenti.

1. Determinare la densità discreta della variabile aleatoria T2 .

2. Determinare la densità congiunta delle variabili aleatorie Y e T2 . Stabilire se esse siano o

meno indipendenti.

3. Determinare la distribuzione della variabile aleatoria Z := Y T2 .

4. Calcolare la funzione generatrice dei momenti della variabile aleatoria Z.

Soluzione:

1. La variabile aleatoria T2 prende valori nell’insieme {n ∈ N : n ≥ 2}. Per determinare

la densità discreta caratterizziamo la probabilità dell’evento {T2 = n}, per ogni n ≥ 2.
Osserviamo che l’evento {T2 = n} si può esprimere come intersezione dei due eventi cor-
rispondenti alle seguenti affermazioni:

• l’n-esima prova è un successo;

• esattamente una delle prime n − 1 prove è un successo.

Formalizzando, grazie alla σ-additività della probabilità e all’indipendenza delle variabili

(Xi )i≥1 , otteniamo
   
n−1
G n−1
\ 
P(T2 = n) = P 
 
 {Xi = 1} ∩ {Xn = 1} ∩  {Xj = 0}
 
i=1 j=1
j6=i
  
n−1
X  n−1
\ 
= P{X
 i = 1} ∩ {Xn = 1} ∩  {Xj = 0}
 
i=1 j=1
j6=i

= (n − 1)p2 (1 − p)n−2 .

2. Il vettore aleatorio (Y, T2 ) prende valori in {0, 1} × {n ∈ N : n ≥ 2}. Per determinare

la densità congiunta caratterizziamo la probabilità degli eventi {Y = 0, T2 = n} e {Y =
1, T2 = n}, per ogni n ≥ 2. Osserviamo che

• l’evento {Y = 0, T2 = n} si può esprimere come intersezione dei tre eventi corrispon-

denti alle seguenti affermazioni:
– l’n-esima prova è un successo;
– la (n − 1)-esima prova è un insuccesso;
– esattamente una delle prime n − 2 prove è un successo;

26 Giugno 2023, 09:00 - 11:00 Appello I 3

Nome: Cognome: Punti:

• l’evento {Y = 1, T2 = n} si può esprimere come intersezione dei due eventi corrispon-

denti alle seguenti affermazioni:
– l’(n − 1)-esima e la n-esima prova sono successi;
– le prime n − 2 prove sono insuccessi.

Formalizzando, grazie alla σ-additività della probabilità e all’indipendenza delle variabili

(Xi )i≥1 , otteniamo
   
n−2
G n−1
\ 
P(Y = 0, T2 = n) = P 
 
 {Xi = 1} ∩ {Xn = 1} ∩  {Xj = 0}
 
i=1 j=1
j6=i
  
n−2
X  n−1
\ 
= P{X
 i = 1} ∩ {Xn = 1} ∩  {Xj = 0}
 
i=1 j=1
j6=i

= (n − 2)p2 (1 − p)n−2

P(Y = 1, T2 = n) = P(X1 = · · · = Xn−2 = 0, Xn−1 = Xn = 1)

= p2 (1 − p)n−2 .

Dal momento che P(Y = 0, T2 = n) 6= P(Y = 0)P(T2 = n) = (n − 1)p2 (1 − p)n−1 , le

variabili aleatorie Y e T2 non sono indipendenti.

3. La variabile aleatoria Z prende valori in {0} ∪ {n ∈ N : n ≥ 2}. Per determinare la densità

discreta caratterizziamo la probabilità degli eventi {Z = 0} e {Z = n}, per ogni n ≥ 2.
Otteniamo

P(Z = 0) = P(Y = 0) = 1 − p

P(Z = n) = P(Y = 1, T2 = n) = p2 (1 − p)n−2 .

4. Calcoliamo la funzione generatrice dei momenti. Si ha

X
MZ (t) = E etZ = 1 · (1 − p) + etn · p2 (1 − p)n−2

n≥2
X
= 1 − p + e2t p2 (et (1 − p))n−2
n≥2
X
= 1 − p + e2t p2 (et (1 − p))n
n≥0

e2t p2
(
1−p+ 1−et (1−p) se t < − log(1 − p)
=
+∞ se t ≥ − log(1 − p).

26 Giugno 2023, 09:00 - 11:00 Appello I 4

Nome: Cognome: Punti:

Esercizio 3. Sia (Xn )n∈N una successione di variabili aleatorie reali assolutamente continue,
indipendenti ed identicamente distribuite, con distribuzione uniforme sull’intervallo (0, 1).

1. Si definisca la variabile aleatoria Vn = max{X1 , . . . , Xn }. Determinare la funzione di ripar-

tizione di Vn .

2. Si definisca la variabile aleatoria Zn = n(1 − Vn ). Determinare la funzione di ripartizione

di Zn e mostrare che, per ogni z ∈ R, il limite limn→+∞ FZn (z) esiste e corrisponde alla
funzione di ripartizione di una variabile aleatoria notevole.

3. Sia n  1. Dare una stima della probabilità

 √ 
n n
P X1 + X2 + · · · + Xn − ≤ .
2 2

Soluzione:

1. Dal momento che Xi ∼ U(0, 1) segue che


Zt  0 t<0

FXi (t) = fU(0,1) (x) dx = x 0≤t<1 (?)

1 t≥1

−∞

Dunque, dalla formula per la funzione di ripartizione per il massimo di v.a. indipendenti e
da (?), otteniamo

Yn  0
 t<0
n n
FVn (t) = FXi (t) = (FX1 (x)) = x 0≤t<1 (??)

i=1 
1 t ≥ 1.

2. Determiniamo la funzione di ripartizione della variabile aleatoria Zn . Osserviamo innanzi-

tutto che Zn ≥ 0. Pertanto, se z < 0, allora FZn (z) = 0; mentre, per z ≥ 0, calcoliamo

n
FZn (z) = P(Zn ≤ z) = P n(1−Vn ) ≤ z = P Vn ≥ 1 − nz = 1−FVn 1 − nz = 1− 1 − nz ,

dove nell’ultima uguaglianza abbiamo usato l’espressione (??) della funzione di ripartizione
di Vn , valutata nel punto 1− nz , tenendo conto del fatto che, per ogni z fissato, si ha nz ∈ [0, 1].
Mettendo tutto insieme, abbiamo ottenuto
(
0 z<0
FZn (z) = z n


1− 1− n z ≥ 0,
x n
= ex , risulta


e, ricordando il limite notevole limn→+∞ 1 + n
(
0 z<0
lim FZn (z) =
n→+∞ 1 − e−z z ≥ 0,

che è la funzione di ripartizione di una variabile aleatoria esponenziale di parametro 1.

1 1
Pn (0, 1), si ha E(Xi ) = 2 ne Var(Xi ) = 12
3. Essendo le Xi uniformi sull’intervallo , per ogni
n
i ∈ N. Quindi, se poniamo Sn = i=1 Xi , calcoliamo E(Sn ) = 2 e Var(Xi ) = 12 .

26 Giugno 2023, 09:00 - 11:00 Appello I 5

Nome: Cognome: Punti:

Si osservi che vale la seguente uguaglianza di eventi

√  ( )
Sn − n2 √

n n
X1 + X2 + · · · + Xn − ≤ = pn ≤ 3 ,
2 2 12

n
Sn −
dove la variabile aleatoria √ n2 è la standardizzazione di Sn . Usando l’approssimazione
12
normale, possiamo dunque stimare
√  !
Sn − n2 √ √  √

n n 
P X1 + X2 + · · · + Xn − ≤ =P pn ≤ 3 ≈ P |Z| ≤ 3 = 2φ( 3)−1 ≈ 0.916,
2 2 12

dove Z ∼ N(0, 1) e Φ denota la sua funzione di ripartizione.

26 Giugno 2023, 09:00 - 11:00 Appello I 6

 Probabilità e Statistica - Appello II
Tempo: 120 Minuti

2 settembre 2024, 09:00 - 11:00

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1. Siano Y1 , Y2 , . . . , Yk v.a di Poisson indipendenti di parametri 1, . . . , k > 0.

1. Dimostrare che W = Y1 + . . . + Yk è una v.a. di Poisson;

2. Si consideri ora il caso in cui 1 = . . . = k = > 0. Calcolare la probabiità condizionata

P(Y1 = 0|W = j) per j = 0, 1, 2, , . . ..

2 settembre 2024, 09:00 - 11:00 Appello III 2

Nome: Cognome: Punti:

Esercizio 2. Consideriamo un’urna che contiene 10 palline numerate da 0 a 9. Da quest’urna

si estraggono tre palline con reinserimento.

1. Sia W la somma dei numeri sulle tre palline estratte. Calcolare la legge di W .

2. Come cambia la legge della variabile W se le palline nell’urna sono numerate da 1 a 10?

2 settembre 2024, 09:00 - 11:00 Appello III 3

Nome: Cognome: Punti:

2 settembre 2024, 09:00 - 11:00 Appello III 4

Nome: Cognome: Punti:

Esercizio 3. Ad un certa elezione ci sono 3 partiti che chiameremo A, B e C. In questa elezione,

ci sono un milione di persone aventi diritto al voto.

1. Al primo turno i votanti scelgono a caso fra i 3 partiti. Usando un’opportuna approssima-
zione, calcolare la probabiità che il partito A ottenga più di 333.000 voti.

2. Al secondo turno rimangono solo i partiti A e B. Questa volta 2000 persone voteranno
certamente per il partito A. Le rimanenti sceglieranno a caso fra i partiti A e B. Calcolare
la probabiità che vinca il partito A.

2 settembre 2024, 09:00 - 11:00 Appello III 5

Nome: Cognome: Punti:

2 settembre 2024, 09:00 - 11:00 Appello III 6

 Probabilità e Statistica - Appello II
Tempo: 120 Minuti

8 Luglio 2024, 09:30 - 11:30

Corso di Laurea in Matematica

Docente: Marco Formentin

Nome:

Cognome:

Numero di matricola:

Esercizio 1 Esercizio 2 Esercizio 3

Punti
Nome: Cognome: Punti:
Esercizio 1. Enunciare e dimostrare la Legge dei Piccoli Numeri.

8 Luglio 2024, 09:30 - 11:30 Appello II 2

Nome: Cognome: Punti:

8 Luglio 2024, 09:30 - 11:30 Appello II 3

Nome: Cognome: Punti:

Esercizio 2. Siano Y1 e Y2 v.a geometriche indipendenti di parametro p 2 (0, 1).

1. Calcolare la probabilità degli eventi A = {Y1 = Y2 }, B = {Y1 > Y2 } e C = {Y1 < Y2 }.

P
Suggerimento: può essere utile ricordare che se x 2 (0, 1) allora i 1 xi = x
1 x
.

2. Fissiamo p = 0.5. Consideriamo due urne: la prima contiene due palline rosse e una verde, la
seconda due rosse e sue verdi. Estraiamo una pallina con le seguenti regole che tengono conto
della realizzazione delle v.a. geometriche indipendenti Y1 ⇠ Geo(1/2) e Y2 ⇠ Geo(1/2): 1.
se Y1 = Y2 estraiamo una pallina scegliendo a caso una delle due urne; 2. se Y1 > Y2
estraiamo una pallina dalla prima urna; 3. se Y1 < Y2 estraiamo una pallina dalla seconda
urna. Calcolare la probabilità che la pallina estratta sia verde.

3. Qual è la probabilità di avere pescato dalla prima urna sapendo che la pallina estratta è
verde.

8 Luglio 2024, 09:30 - 11:30 Appello II 4

Nome: Cognome: Punti:

8 Luglio 2024, 09:30 - 11:30 Appello II 5

Nome: Cognome: Punti:

Esercizio 3. Sia X ⇠ Exp( ) dove > 0 e definiamo Y = eX . La variabile Y = eX è detta

v.a. di Pareto di parametro .

1. Calcolare la funzione di ripartizione di Y e se esiste la densità di Y .

2. Sia p 1 fissato. Dire per quali valori del parametro > 0 la v.a. appartiene allo spazio
Lp .

3. Calcolare media e varianza di Y al variare del parametro > 0.

4. Siano Y1 , Y2 , . . . , Yn copie indipendenti della v.a. Y del punto 1). Calcolare la funzione di
ripartizione di W = min(Y1 , Y2 , . . . , Yn ). Di che v.a. si tratta?

8 Luglio 2024, 09:30 - 11:30 Appello II 6

Nome: Cognome: Punti:

8 Luglio 2024, 09:30 - 11:30 Appello II 7

 E1a E1b E2a E2b E3a E3b E4a E4b E4c E5a E5b E5c tot
3 3 3 3 2 4 3 3 2 2 2 2 32

Probabilità e Statistica 15/16 – Primo appello – 29 gennaio 2016

COGNOME e NOME
IN MAIUSCOLO

Matricola Numero di posto Tempo: 150 minuti

Esercizio 1. [totale 6 punti]1

(a.) [3 punti] Dimostrare che se P (A4B) = 0 allora P (A) = P (B).

Nota Bene. Si ricordi che A4B := A \ B ∪ B \ A .

(b.) [3 punti] E ed F sono indipendenti. Esprimere P (E4F ) in funzione di P (E) e P (F ).

Nota Bene. Per ricevere i punti dovete dimostrare la formula che scriverete.

Soluzione

(a.) La decomposizione

A4B := A \ B ∪ B \ A = A ∩ B c ∪ B ∩ Ac

è disgiunta quindi, per l’addittività della misura e per l’ipotesi P (A4B) = 0, si ha

P (A4B) = P (A ∩ B c ) + P (B ∩ Ac ) = 0,

e poiché la probabilità è non-negativa sono forzatamente nulli entrambi gli addendi,

P (A ∩ B c ) = P (B ∩ Ac ) = 0.



Usando questo risultato
unitamente
alla decomposizione disgiunta A = A ∩ B ∪ A ∩ B c e
all’analoga B = B ∩ A ∪ B ∩ Ac si ricava

P (A) = P (A ∩ B) + P (A ∩ B c ) = P (A ∩ B)
P (B) = P (B ∩ A) + P (B ∩ Ac ) = P (B ∩ A)

e si conclude che P (A) = P (B).

(b.) Utilizzando la definizione della differenza simmetrica, l’addittività della misura e l’in-
dipendenza degli eventi E ed F si può scrivere

P (E4F ) = P (E ∩ F c ) + P (F ∩ E c ) = P (E) 1 − P (F ) + P (F ) 1 − P (E)

= P (E) + P (F ) − 2P (E)P (F )

1
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 2. [totale 6 punti]2

Le urne A e B contengono palline bianche e nere. Inizialmente A ne contiene 2 bianche e

4 nere, mentre B ne contiene 1 bianca e 1 nera. Si estrae una pallina a caso da A e, senza
guardarla, la si inserisce in B. Si estrae quindi una pallina da B e la si pone sul tavolo.

(a.) [3 punti] Calcolare la probabilità dell’evento “la pallina sul tavolo è bianca”.

(b.) [3 punti] Calcolare la probabilità dell’evento “la pallina estratta da A è bianca” sapendo
che la pallina sul tavolo è bianca.

Soluzione

(a.) Indichiamo con EA ed EB rispettivamente gli esiti delle estrazioni dalle urne A e B,
e con b l’esito “pallina bianca” mentre con n l’esito “pallina nera”. Interessa calcolare la
probabilità dell’evento EB = b. Conviene utilizzare la formula della probabilità totale, usando
come partizione gli eventi complementari EA = b ed EA = n. Si ottiene

P (EB = b) = P (EB = b|EA = b)P (EA = b) + P (EB = b|EA = n)P (EA = n)

2 2 1 4 4
= × + × = .
3 6 3 6 9

(b.) Utilizzando la formula di Bayes si ha

2 2
P (EB = b|EA = b)P (EA = b) 3
× 6 1
P (EA = b|EB = b) = = 4 = .
P (EB = b) 9
2

2
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 3. [totale 6 punti]3

Vero o Falso [NON fornire giustificazioni]

(a.) [2 punti] risposte esatte: 7–10 = 2 punti, 4–6 = 1 punto, 0–3 = 0 punti.

F (·) e f (·) denotano la funzione di distribuzione e la funzione di densità

di una variabile aleatoria assolutamente continua V F

f (x) ≤ 1 per ogni x •

F (x) ≤ 1 per ogni x •
se x1 < x2 allora f (x1 ) ≤ f (x2 ) •
se x1 < x2 allora F (x1 ) ≤ F (x2 ) •
f (x) ≥ 0 per ogni x •
F (x) ≥ 0 per ogni x •
R∞
−∞
f (x) dx < ∞ •
R∞
−∞
F (x) dx < ∞ •
f (·) non ha salti •
F (·) non ha salti •

(b.) [4 punti] risposte esatte: 7–9 = 4 punti, 4–6 = 3 punti, 2–3 = 2 punti, 1–2 = 1 punto.

Qualunque siano le variabili aleatorie X e Y : V F

 2
E(X 2 ) ≤ E(X) •


var(X) ≥ a2 P |X − E(X)| ≥ a per ogni a ≥ 0 •
se X ≥ 0 allora E(X) ≤ aP (X ≥ a) per ogni a ≥ 0 •
cov(X, Y ) ≥ 0 •
var(X + Y ) = var(X) + var(Y ) − cov(X, Y ) •
var(X − Y ) = var(Y − X) •
var(X − Y ) = var(X + Y ) •
se X ⊥
⊥Y allora var(X − Y ) = var(X + Y ) •
se E(XY ) = E(X)E(Y ) allora var(X + Y ) = var(X) + var(Y ) •

Nota Bene. Il simbolo X ⊥

⊥ Y significa che X e Y sono v.a. indipendenti.

3
Limitatevi ad apporre crocette sulle risposte corrette. Gli errori non sono penalizzati.
 4
Esercizio 4. [totale 8 punti]

Le variabili aleatorie discrete X e Y hanno densità congiunta descritta dalla seguente tabella,
dove c ∈ R è una costante non nulla.

Y
0 c
X
1
0 0
4
1 1
1
4 2

(a.) [3 punti] Calcolare E(X), E(Y ), var(X) e var(Y ).

(b.) [3 punti] Calcolare cov(X, Y ) e dire se X e Y sono indipendenti.
(c.) [2 punti] Determinare il valore di c ∈ R che minimizza var(X + Y ).

Soluzione

(a.) La v.a. X ha alfabeto X = {0, 1} con pX (0) = 41 e pX (1) = 34 , pertanto X ∼ b 3

4
e per
quanto noto  
3 3 3 3
E(X) = , var(X) = 1− = .
4 4 4 16
1
La v.a. Y ha alfabeto X = {0, c} con pY (0) = 4
e pY (c) = 41 , pertanto

3
c
E(Y ) = 0 pY (0) + c pY (c) =
4
 2
2 2 3 2 3 3 2
var(Y ) = E(Y ) − [E(Y )] = c − c = c.
4 4 16
In alternativa
si può rappresentare Y come funzione di una v.a. bernoulliana, infatti Y = cW
3 3 23 3
2


con W ∼ b 4 , allora E(Y ) = 4 c e var(Y ) = c var(W ) = c 4 1 − 4 .

(b.) Conviene calcolare la covarianza usando la formula cov(X, Y ) = E(XY ) − E(X)E(Y ).

Osservando che la v.a. XY = c per X = 1, Y = c ed è nulla altrimenti si ricava immediata-
mente E(XY ) = c pXY (1, c) = 21 c ed infine

cov(X, Y ) = E(XY ) − E(X)E(Y ) = 21 c − 9

16
c 1
= − 16 c.

Poiché la covarianza è diversa da zero (c 6= 0 per ipotesi) le v.a. X e Y non sono indipendenti.

(c.) Si ha

var(X + Y ) = var(X) + var(Y ) + 2 cov(X, Y )

3 2
3
= 16 + 16 2
c − 16 1
c = 16 (3c2 − 2c + 3)

che, in funzione di c, ha l’andamento di una parabola convessa. Il minimizzatore si trova

annullando la derivata prima, ovvero risolvendo l’equazione
d
(3c2 − 2c + 3) = 6c − 2 = 0,
dc
che fornisce il valore c = 31 .
4
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 5. [totale 6 punti]5

Si consideri il modello poissoniano a media incognita,


M := fθ (x) = P(θ), θ > 0

Nota bene. Si ricordi che la densità discreta poissoniana P(θ) è

θx
fθ (x) = e−θ , per x = 0, 1, 2, . . . .
x!

b n ) di θ, basato su un
(a.) [2 punti] Calcolare lo stimatore di massima verosimiglianza θ(X 1
campione casuale X1 , . . . , Xn di densità fθ per qualche θ > 0.
(b.) [2 punti] Studiare la correttezza dello stimatore θ(X b n ).
1

(c.) [2 punti] Usando il teorema del limite centrale si fornisca un’approssimazione normale,
b n ).
valida asintoticamente, della distribuzione di θ(X 1

Soluzione

(a.) La verosimiglianza è
n n
Y θ xi Y θ xi
L(θ) = fθ (xn1 ) = e−θ = e−nθ
i=1
xi ! i=1
xi !

e la corrispondente log-verosimiglianza
n
X n
X
`(θ) = −nθ + xi log θ − log xi !
i=1 i=1

Annulando la derivata si trova l’equazione

Pn
d i=1 xi
`(θ) = −n + = 0,
dθ θ
da cui si ricava n
b n) = 1
X
θ(x 1 xi
n i=1

(b.) Poiché il valore atteso di una v.a. di Poisson P(θ) è pari a θ si ricava
n
!
 
b n ) = Eθ 1 X 1
Eθ θ(X 1 Xi = nθ = θ
n i=1 n

e si conclude che lo stimatore è corretto.

(c.) Lo stimatore (somma di v.a. i.i.d. a varianza finita) soddisfa le condizioni per l’appli-
b n ) è
cazione del teorema limite centrale di Lindeberg-Lévy, la distribuzione asintotica di θ(X 1
n 2
pertanto gaussiana, θ(X1 ) ≈ N (µ, σ ) di media e varianza pari a
b

b n )) = θ .
 
n
µ = Eθ θ(X1 ) = θ,
b σ 2 = varθ (θ(X 1
n

5
Le risposte corrette non giustificate valgono 0 punti.
 E1a E1b E2a E2b E3a E3b E3c E4a E4b E4c E4d E5a E5b E5c tot
3 3 3 3 2 2 2 2 2 2 2 2 2 2 32

Probabilità e Statistica 15/16 – Secondo appello – 15 febbraio 2016

COGNOME e NOME
IN MAIUSCOLO

Matricola Numero di posto Tempo: 150 minuti

Esercizio 1. [totale 6 punti]1

(a.) [3 punti] Siano E, F e G tre eventi qualsiasi in uno spazio di probabilità. Dimostrare
che la probabilità dell’evento H :=“si verificano esattamente 2 degli eventi E, F , G” vale
P (H) = P (E ∩ F ) + P (E ∩ G) + P (F ∩ G) − 3P (E ∩ F ∩ G).

Nota Bene. Sul diagramma di Venn la formula è ovvia. L’esercizio consiste nel dimostrarla.

(b.) [3 punti] Dimostrare la formula di inclusione/esclusione per tre eventi,

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C).

Nota Bene. Si assuma nota la formula per due eventi P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

Soluzione

(a.) Conviene scrivere l’evento H come unione disgiunta,

     
H = (E ∩ F ) \ G ∪ (F ∩ G) \ E ∪ (G ∩ E) \ F
     
= E ∩ F ∩ Gc ∪ F ∩ G ∩ E c ∪ G ∩ E ∩ F c ,

allora per l’addittività

P (H) = P (E ∩ F ∩ Gc ) + P (F ∩ G ∩ E c ) + P (G ∩ E ∩ F c ). (1)
I tre addendi a membro destro si scrivono
P (E ∩ F ∩ Gc ) = P (E ∩ F ) − P (E ∩ F ∩ G)
P (F ∩ G ∩ E c ) = P (F ∩ G) − P (F ∩ G ∩ E)
P (G ∩ E ∩ F c ) = P (G ∩ E) − P (G ∩ E ∩ F ) (2)
infatti, ricordando che, per ogni coppia di eventi M, N , vale P (M ) = P (M ∩ N ) + P (M ∩ N c ),
e prendendo M = E ∩ F ed N = Gc si ottiene la prima riga. Analogamente si procede per le
altre due. Sostituendo le identità (2) nella (1) si completa la dimostrazione.

(b.) Si itera la formula d’inclusione esclusione a due eventi e si svolgono i calcoli,

   
P (A ∪ B ∪ C) = P (A ∪ B) ∪ C = P (A ∪ B) + P (C) − P (A ∪ B) ∩ C
 
= P (A ∪ B) + P (C) − P (A ∩ C) ∪ (B ∩ C)
h
i
= P (A) + P (B) − P (A ∩ B) + P (C) − P (A ∩ C) + P (B ∩ C) − P A ∩ C ∩ B ∩ C
= P (A) + P (B) − P (A ∩ B) + P (C) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C).

1
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 2. [totale 6 punti]2

Un’urna contiene 3 palline nere e 2 rosse. Si effettuano estrazioni senza reinserimento.

Calcolare le probabilità dei seguenti eventi.

(a.) [3 punti] La prima pallina estratta è nera e la seconda è rossa.

(b.) [3 punti] Dopo esattamente tre estrazioni sono uscite entrambe le palline rosse.

Soluzione

(a.) Usando la formula di moltiplicazione e con ovvio significato dei simboli,

      2 3 3
P [e1 = N ] ∩ [e2 = R] = P e2 = R e1 = N P e1 = N = × = .
4 5 10

(b.) L’evento E :=“dopo esattamente 3 estrazioni escono le 2 rosse” si decompone nell’unione

disgiunta E = F ∪ G dove
   
F := [e1 = N ] ∩ [e2 = R] ∩ [e3 = R] , G := [e1 = R] ∩ [e2 = N ] ∩ [e3 = R] .

Ancora usando la formula di moltiplicazione, e ricordando il risultato di (a.), si ricava

    1 3 1
P (F ) = P [e3 = R] [e1 = N ] ∩ [e2 = R] P [e1 = N ] ∩ [e2 = R] = × = .
3 10 10
Analogamente si trova
     
P (G) = P [e3 = R] [e1 = R] ∩ [e2 = N ] P [e2 = N ] [e1 = R] P [e1 = R]
1 3 2 1
= × × = .
3 4 5 10
La risposta alla domanda (b.) è quindi
1
P (E) = P (F ) + P (G) = .
5

2
Le risposte corrette non giustificate valgono 0 punti.
 3
Esercizio 3. [totale 6 punti]

La variabile aleatoria discreta X ha funzione di distribuzione



 0, se x < −4,
1/8, se −4 ≤ x < 0,

FX (x) :=

 3/4, se 0 ≤ x < 2,
1, se x ≥ 2.


(a.) [2 punti] Calcolare E(X) e var(X).

(b.) [2 punti] Calcolare P (0 < X < 2), P (0 ≤ X < 2), P (0 < X ≤ 2), P (0 ≤ X ≤ 2).
(c.) [2 punti] Calcolare P (X > 1 | X > 0).

Soluzione
In figura è tracciato il grafico della funzione di distribuzione FX .

FX(x)
1
3/4

1/8
-4 2 x

L’alfabeto della v.a. X coincide con l’insieme dei punti di salto della FdD FX (x), ovvero,
X = {−4, 0, 2}.
La densità discreta si ottiene valutando l’ampiezza dei salti. Per ispezione si desume che
1 5 1
pX (−4) = , pX (0) = , pX (2) = .
8 8 4
(a.) Il valore atteso e la varianza di X valgono
X 1 5 1
E(X) = xpX (x) = −4 × + 0 × + 2 × = 0 ,
x∈X
8 8 4
1 5 1
var(X) = E(X 2 ) − [E(X)]2 = (−4)2 × + 02 × + 22 − [0]2 = 3 .
8 8 4
(b.)
P (0 < X < 2) = 0 (nessun valore di X ∈ {−4, 0, 2} è strettamente compreso tra 0 e 2),
P (0 ≤ X < 2) = P (X = 0) = 58 ,
P (0 < X ≤ 2) = P (X = 2) = 14 = FX (2) − FX (0) = 1 − 34 ,
P (0 ≤ X ≤ 2) = P ([X = 0] ∪ [X = 2]) = 78 .

(c.) Dato l’evento [X > 0], l’evento [X > 1] si verifica con certezza, infatti l’unico valore di
X > 0 è X = 2 > 1 quindi la probabilità cercata è P (X > 1 | X > 0) = 1. Per chi preferisce i
conti alle parole,


P [X > 1] ∩ [X > 0] P (X > 1)
P (X > 1 | X > 0) =
=
P [X > 0] P (X > 0)
3
1 − FX (1) 1− 4
= = 3 = 1.
1 − FX (0) 1− 4

3
Le risposte corrette non giustificate valgono 0 punti.
 4
Esercizio 4. [totale 8 punti]


Si definiscano la v.a. uniforme X ∼ U [0, 1] e la v.a. Y = X 2 . Calcolare:

(a.) [2 punti] i momenti µn := E(X n ) della v.a. X,

(b.) [2 punti] media e varianza della v.a. Y ,
(c.) [2 punti] cov(X, Y ).

Si calcoli, per Y1 , Y2 , . . . sequenza di v.a. i.i.d. distribuite come la v.a. Y definita sopra,
P 
n n
(d.) [2 punti] limn→∞ P Y
i=1 n ≥ 3
.

Soluzione

(a.) La densità di X è la funzione fX (x) = χ[0,1] (x) (pari a 1 per x ∈ [0, 1] e nulla altrove).
I momenti quindi valgono
∞ 1 1
xn+1
Z Z
1
µn := E(X ) = n
xn χ[0,1] (x) dx = xn dx = = .
−∞ 0 n+1 0 n+1

(b.) Non vale la pena calcolare la densità di Y = X 2 . È sufficiente avvalersi del teorema
fondamentale del valore atteso,
1
E(Y ) = E(X 2 ) = µ2 = ,
3
 2
2 2 4 1 1
2 42 2
var(Y ) = E(Y ) − [E(Y )] = E(X ) − [E(X )] = µ4 − [µ2 ] = − = .
5 3 45

(c.) Analogamente per il calcolo della covarianza è sufficiente usare il teorema fondamentale
del valore atteso,

cov(X, Y ) = E(XY ) − E(X)E(Y ) = E(X · X 2 ) − E(X)E(X 2 )

= E(X 3 ) − E(X)E(X 2 ) = µ3 − µ1 µ2
1 1 1 1
= − × = .
4 2 3 12

(d.) Sussistono le condizioni

Pn per l’applicazione del teorema limiteP centrale. La distribuzione
asintotica delle v.a. Sn := i=1 Yi è gaussiana, di media E(Sn ) = ni=1 E(Yi ) = nE(Y1 ) = n3 .
Non è necessario calcolare la deviazione standard di Sn infatti si può già concludere che
n
X n  n  1
lim P Yn ≥ = lim P Sn − ≥ 0 = ,
n→∞
i=1
3 n→∞ 3 2
n
poiché Sn − 3
è asintoticamente una gaussiana di media nulla.

4
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 5. [totale 6 punti]5
Si consideri la famiglia di densità esponenziali a media incognita, parametrizzate dall’inverso
della media    
1
M := fθ (x) = Exp , θ>0
θ
Nota bene. La particolare scelta della parametrizzazione semplifica i calcoli. Si ricordi che la
densità esponenziale Exp 1θ è

1 x
fθ (x) = exp − per x ≥ 0.
θ θ

b n ) di θ, basato su un
(a.) [2 punti] Calcolare lo stimatore di massima verosimiglianza θ(X 1
campione casuale X1 , . . . , Xn di densità fθ per qualche θ > 0.
(b.) [2 punti] Studiare la correttezza dello stimatore θ(X b n ).
1
b n ) calcolato in (a.).
(c.) [2 punti] Si enunci la legge dei grandi numeri per lo stimatore θ(X 1

Soluzione
(a.) La verosimiglianza è
n n
Y 1 xi 1 Y xi
L(θ) = fθ (xn1 ) = exp − = n exp −
i=1
θ θ θ i=1 θ
e la corrispondente log-verosimiglianza
n
1X
`(θ) = log L(θ) = −n log θ − xi .
θ i=1
Annullando la derivata di `(θ) si trova l’equazione in θ
Pn
d n xi
`(θ) = − + i=1 = 0,
dθ θ θ2
da cui si ricava, moltiplicando per θ,
n
b n) = 1
X
θ(x 1 xi .
n i=1

Si tralascia la verifica del massimo (derivata seconda di `(θ) negativa nel punto θ = θ).
b

(b.) Poiché il valore atteso di una v.a. esponenziale Exp(λ) è pari a λ1 , si ricava
n
!
 
b n ) = Eθ 1 X 1 1
Eθ θ(X 1 Xi = n 1 = θ
n i=1 n θ
e si conclude che lo stimatore è corretto.
(c.) Si ricordi l’enunciato generale della legge dei grandi numeri: se X1 , X2 , . . . è una
sequenza di v.a. i.i.d. (che ammettono valore atteso µ := E(X1 )) allora, per ogni  > 0,
n
!
1X
lim P Xi − µ ≥  = 0.
n→∞ n i=1
b n ) = 1 Pn Xi , dove X1 , X2 , . . . è un campione casuale, quindi i.i.d.,
Poiché lo stimatore θ(X 1 n i=1
di densità fθ per qualche θ > 0, e poiché µ := E(X1 ) = θ, la legge dei grandi numeri per
b n ) si enuncia come segue: per ogni  > 0,
θ(X 1
 
b n ) − θ| ≥  = 0.
lim Pθ |θ(X 1
n→∞

5
Le risposte corrette non giustificate valgono 0 punti.
 E1a E1b E2a E2b E3a E3b E3c E4a E4b E4c E5a E5b E5c tot
3 3 3 3 3 2 1 4 3 1 3 2 1 32

Probabilità e Statistica 15/16 – Terzo appello – 20 giugno 2016

COGNOME e NOME
IN MAIUSCOLO

Matricola Numero di posto Tempo: 150 minuti

Esercizio 1. [totale 6 punti]1

A e B sono eventi in uno spazio di probabilità con 0 < P (A), P (B) < 1. Dimostrare i seguenti
fatti, a partire dagli assiomi della probabilità e dalle definizioni.

(a.) [3 punti] Se P (A|B) = P (A) allora P (B|A) = P (B).

(b.) [3 punti] Se P (A|B) = P (A|B c ) allora A e B sono eventi indipendenti.

Soluzione

(a.) Poiché A e B hanno probabilità strettamente positiva, per quanto visto a lezione
P (A|B) = P (A) se e solo se A e B sono indipendenti, che è equivalente anche a P (B|A) =
P (B).

(b.) Se P (A|B) = P (A|B c ) allora, usando la definizione di probabilità condizionata, e

osservando che P (A) = P (A ∩ B) + P (A ∩ B c ),

P (A ∩ B) P (A ∩ B c ) P (A) − P (A ∩ B)
= c
= ,
P (B) P (B ) 1 − P (B)

da cui si ricava


P (A ∩ B) 1 − P (B) = P (B) P (A) − P (A ∩ B) ,
ovvero
P (A ∩ B) = P (A)P (B),
cioè A e B sono indipendenti.

1
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 2. [totale 6 punti]2

Abbiamo a disposizione tre monete, una regolare, una con entrambe le facce Testa, ed una
con entrambe le facce Croce. Viene scelta a caso una delle monete e con essa si effettuano
due lanci indipendenti. Calcolare la probabilità dei seguenti eventi.

(a.) [3 punti] I due lanci danno esito Testa.

(b.) [3 punti] I due lanci danno stesso esito.

Soluzione
Il problema si risolve applicando la formula della probabilità totale. Indichiamo con R, T2 e
C2 rispettivamente (gli eventi) scelta della moneta regolare, di quella con due facce Testa e di
quella con due facce Croce. Le probabilità condizionate di Testa sono ovvie
1
P (T |R) = , P (T |T2 ) = 1, P (T |C2 ) = 0 .
2

(a.) Si risolve osservando che

P (T T ) = P (T T |R)P (R) + P (T T |T2 )P (T2 ) + P (T T |C2 )P (C2 )

 2
1 1 1 1 5
= · + 12 · + 02 · = .
2 3 3 3 12

(b.) Come sopra, osservando che ora si deve considerare anche la possibilità che escano due
Croci.
5 5
P (T T ∪ CC) = P (T T ) + P (CC) = 2 · = .
12 6
per la simmetria del problema.

2
Le risposte corrette non giustificate valgono 0 punti.
 3
Esercizio 3. [totale 6 punti]

X ed Y sono v.a. a valori negli insiemi {-1,0,1} e {1,2,3,4} rispettivamente. La loro densità
congiunta pXY (x, y) è individuabile dalla seguente tabella

X\Y 1 2 3 4
-1 1/36 1/12 1/18 0
0 0 1/6 α 1/18
1 1/9 1/18 0 1/6

(a.) [3 punti] Determinare il valore di α ed E(X).

(b.) [2 punti] Dire se le v.a. X e Y sono indipendenti.


(c.) [1 punti] Calcolare P |X − Y | > 3 .

Soluzione
Deteminazione di α. Per il vincolo di normalizzazione la somma degli elementi della tabella
data deve valere 1, quindi α = 10
36
.
Calcolo del valore atteso di X. Sommando per riga si trova la densità marginale di X:
6 18 12
pX (−1) = , pX (0) = , pX (1) = .
36 36 36
Ricordando la definizione, il valore atteso vale
6 18 12 1
E(X) = (−1) · +0· +1· = .
36 36 36 6

Indipendenza delle v.a. (X, Y ). Si deve verificare la condizione di fattorizzazione della densità
congiunta pXY (i, j) = pX (i)pY (j). È quindi necessario ricavare le densità marginali. La
densità marginale px è stata ricavata sopra. Per la pY , sommando per colonna, si trova:
5 11 12 8
pY (1) = , pY (2) = , pY (3) = , pY (4) = .
36 36 36 36
Possiamo ora concludere che le v.a. X ed Y non sono indipendenti. Ad esempio
18 5
pXY (0, 1) = 0 6= · .
36 36

Calcolo della P(|X − Y | > 3). L’evento |X − Y | > 3 si verifica solo in corrispondenza dei
valori (X, Y ) = (−1, 3), (−1, 4), (0, 4). Sommando le probabilità di questi eventi elementari
si trova
  
P (|X − Y | > 3) = P (X, Y ) ∈ (−1, 3), (−1, 4), (0, 4)




= P (X, Y ) = (−1, 3) + P (X, Y ) = (−1, 4) + P (X, Y ) = (0, 4)
1 1 1
= +0+ = .
18 18 9

3
Le risposte corrette non giustificate valgono 0 punti.
 4
Esercizio 4. [totale 8 punti]

Si consideri la sequenza {Xn } di variabili aleatorie uniformi, Xn ∼ U (−1, 1), indipendenti ed

identicamente distribuite. Sia n
X
Sn := Xi .
i=1

Calcolare:
√ √
(a.) [4 punti] lim P (− n ≤ Sn ≤ n);
n→∞

P − n2 ≤ Sn ≤ n2 ;


(b.) [3 punti]
(c.) [1 punti] P (2n ≤ Sn ≤ 3n) per n = 427.

Soluzione

(a.) Applicazione diretta del teorema del limite centrale. Per effettuare la standardizzazione
si ricordi che per una v.a. X ∼ U (−1, 1) vale E(X) = 0 e var(X) = 13 , allora
n
! n
!
X X n
E(Sn ) = E Xi = n · 0 = 0, var(Sn ) = var Xi = .
i=1 i=1
3
p
Per standardizzare Sn si deve quindi sottrarre 0 e dividere per n/3, ottenendo
√ √ !
√ √ √ √
 
n Sn n
q
3
P (− n ≤ Sn ≤ n) = P − p n ≤ p n ≤ p n = P − 3 ≤ n Sn ≤ 3 .
3 3 3

Il calcolo del valore limite di questa probabilità è il teorema del limite centrale:
√ √ √ √ √ √
 q 
3
lim P (− n ≤ Sn ≤ n) = lim P − 3 ≤ n Sn ≤ 3 = Φ( 3) − Φ(− 3) .
n→∞ n→∞

(b.) Se siete in vena di economia mentale potete usare la medesima tecnica del punto (a.) e
calcolare il limite (esercizio). Se invece volete mettere in mostra la vostra formidabile prepa-
razione questo è il punto dove menzionerete la legge dei grandi numeri. Infatti la sequenza
{Xn } è i.i.d. ed è formata di variabili aleatorie Xn con secondo momento finito. Vale quindi
la legge dei grandi numeri secondo la quale, per ogni  > 0,
 
Sn
lim P − E(X1 ) <  = 1 .
n→∞ n
1
In particolare, poiché E(X1 ) = 0, per  = l’equazione qui sopra si può riscrivere come
2
 n
lim P |Sn | < = 1,
n→∞ 2
che è la risposta alla domanda (b.)

(c.) In questo caso è richiesta la probabilità esatta quindi non si possono usare i teoremi
limite. Si osservi che le variabili aleatorie Xi ∼ U (−1, P1), quindi i valori assunti da Xi
n
sono compresi nell’intervallo [−1, 1] e ne segue che Sn = i=1 Xi prende valori nell’intervallo
[−n, n], ovvero P (−n ≤ Sn ≤ n) = 1. Si conclude che P (n ≤ Sn ≤ 2n) = 0, per ogni valore
di n, in particolare per n = 427.

4
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 5. [totale 6 punti]5

Per stimare il parametro p di una v.a. di Bernoulli sulla base di n osservazioni xn1 :=
x1 , x2 , . . . , xn ci vengono proposte le seguenti alternative

g1 (xn1 ) := xn
x1 + xn
g2 (xn1 ) :=
2
n x1 + xn
g3 (x1 ) :=
n
n
n 1 X
g4 (x1 ) := xt
n + 1 t=1
n
1X
g5 (xn1 ) := xt
n t=1

(a.) [3 punti] Si studi la correttezza di ognuno degli stimatori gi (xn1 ).

(b.) [2 punti] Quale degli stimatori gi (xn1 ) è lo stimatore di massima verosimiglianza di p?
(c.) [1 punti] Verificare se lo stimatore g5 è efficiente.

Soluzione
Proprietà di g1 . Lo stimatore è corretto infatti Ep (g1 (X1n )) = Ep (Xn ) = p per ogni n.
Proprietà di g2 . Lo stimatore è corretto infatti Ep (g2 (X1n )) = Ep X1 +X


2
n
= p per ogni n.

2p
Proprietà di g3 . Lo stimatore non è corretto infatti Ep (g3 (X1n )) = Ep X1 +X n
n
= n per ogni
2p
n, quindi non è neppure asintoticamente corretto poiché limn→∞ n = 0 6= p.
1
Pn
n
Proprietà di g4 . Lo stimatore non è corretto infatti Ep (g4 (X1n )) = Ep n+1 t=1 x t = n+1 p
n
per ogni n, ma è asintoticamente corretto poiché limn→∞ n+1 p = p.
Proprietà di g5 . Lo stimatore è corretto infatti Ep (g5 (X1n )) = p. Come visto a lezione g5 è
lo stimatore di massima verosimiglianza del parametro p di una v.a. di Bernoulli, Anche per
la dimostrazione dell’efficienza di g5 ci si riferisca alla nota di statistica pubblicata sul sito
moodle.

5
Le risposte corrette non giustificate valgono 0 punti.
 E1a E1b E2a E2b E3a E3b E3c E4a E4b E5a E5c tot
3 3 2 4 2 2 2 3 4 2 3 31

Probabilità e Statistica 15/16 – Quarto appello – 18 luglio 2016

COGNOME e NOME
IN MAIUSCOLO

Matricola Numero di posto Tempo: 150 minuti

Le risposte corrette non giustificate valgono 0 punti.

Esercizio 1. [totale 6 punti]

Siano A, B, C tre eventi indipendenti ed equiprobabili, di probabilità p = 13 .
(a.) [3 punti] Qual è la probabilità che al più uno dei tre eventi si verifichi?
(b.) [3 punti] Qual è la probabilità che “tutti o nessuno” degli eventi si verifichino?

Soluzione
(a.) L’evento di cui è richiesta la probabilità è
E := “al più uno dei tre eventi si verifica”
Si noti che l’evento E è l’unione disgiunta dei seguenti eventi: “non si verica nessuno degli
eventi A, B, C”, “si verifica solo A”, “si verifica solo B”, “si verifica solo C”, ovvero
E = (Ac ∩ B c ∩ C c ) ∪ (A ∩ B c ∩ C c ) ∪ (Ac ∩ B ∩ C c ) ∪ (Ac ∩ B c ∩ C) .
Sfruttando l’addittività della probabilità, e l’indipendenza degli eventi A, B, C si trova
P (E) = P (Ac ∩ B c ∩ C c ) + P (A ∩ B c ∩ C c ) + P (Ac ∩ B ∩ C c ) + P (Ac ∩ B c ∩ C)
 3  2
3 2 2 1 2 20
= (1 − p) + 3p(1 − p) = +3 = .
3 3 3 27

(b.) L’evento di cui è richiesta la probabilità è F :=“tutti o nessuno degli eventi A, B, C si

verifica”, che si decompone nell’unione disgiunta degli eve3nti “tutti si verificano” e “nessuno
si verifica”, ovvero
F = (A ∩ B ∩ C) ∪ (Ac ∩ B c ∩ C c ) .
Procedendo esattamente come in (a.) si ricava
P (F ) = P (A ∩ B ∩ C) + P (Ac ∩ B c ∩ C c )
 3  3
3 3 1 2 1
= p + (1 − p) = + = .
3 3 3

Nota bene. L’esercizio si può anche risolvere introducendo una v.a. X ∼ Bin 3, 31 che

descrive il numero di successi in tre prove indipendenti ed equiprobabili, con p = 1/3. La

risposta alla domanda (a.) è
   0  3    1  2
3 1 2 3 1 2 20
P (X ≤ 1) = P (X = 0) + P (X = 1) = + = .
0 3 3 1 3 3 27
La risposta alla domanda (b.) è
   0  3    3  0
3 1 2 3 1 2 1
P (X = 0) + P (X = 3) = + = .
0 3 3 3 3 3 3
Esercizio 2. [totale 6 punti]1
Sul tavolo ci sono due monete, con probabilità di Testa rispettivamente p1 = 0.5 e p2 = 0.2.
Scelgo a caso una delle due monete e con essa effettuo 10 lanci indipendenti. Sia X la variabile
aleatoria che indica il numero di Teste ottenute.
(a.) [2 punti] Calcolare la densità discreta di X.
(b.) [4 punti] Calcolare E(X) e var(X). Nota bene. Potete usare liberamente i valori noti
della media e della varianza di una v.a. binomiale.

Soluzione
(a.) Nota che sia la moneta scelta inizialmente, il numero di teste su 10 lanci segue una
legge binomiale di parametri n = 10 e p, dove p è la probabilità di Testa della moneta scelta.
Per determinare la densità discreta di X si deve allora applicare la formula della probabilità
totale. Si indichi con m1 e m2 la scelta della moneta con probabilità di testa rispettivamente
p1 = 0.5 e p2 = 0.2. Essendovi solo 2 monete l’evento m2 è il complementare dell’evento m1 ,
e poiché la moneta è scelta casualmente P (m1 ) = P (m2 ) = 21 . La formula della probabilità
totale fornisce allora
pX (k) := P (X = k) = P (X = k|m1 )P (m1 ) + P (X = k|m2 )P (m2 )
   
1 10 k 10−k 1 10 k
= p1 (1 − p1 ) + p2 (1 − p2 )10−k k = 0, 1, 2, . . . 10.
2 k 2 k
Si noti che X non è una v.a. binomiale.

(b.) Si ricordi che per una v.a. binomiale W ∼ Bin(n, p) vale E(W ) = np, e var(W ) =
np(1 − p). Per ricavare il valore atteso della v.a. X è sufficiente scrivere la definizione di
valore atteso,
10 10      
X X 1 10 k 10−k 1 10 k 10−k
E(X) = kpX (k) = k p1 (1 − p1 ) + p2 (1 − p2 )
k=0 k=0
2 k 2 k
10   10  
1 X 10 k 10−k 1 X 10 k
= k p1 (1 − p1 ) + k p2 (1 − p2 )10−k .
2 k=0 k 2 k=0 k

Si riconosce immediatamente che questa è la combinazione lineare, con coefficienti 21 , dei valori
attesi di una v.a. Bin(10, p1 ) e di una v.a. Bin(10, p2 ), quindi è
1 1 1 1
E(X) = np1 + np2 = 10 · 0.5 + 10 · 0.2 = 3.5 .
2 2 2 2
Per ricavare la varianza di X conviene usare la formula var(X) = E(X 2 ) − [E(X)]2 . Proce-
dendo come sopra e scrivendo la definizione del valore atteso E(X 2 ) si ha
10 10      
2 1 10 k 1 10 k
X X
2 2 10−k 10−k
E(X ) = k pX (k) = k p1 (1 − p1 ) + p2 (1 − p2 )
k=0 k=0
2 k 2 k
10   10  
1 X
2 10 k 10−k 1 X 2 10 k
= k p1 (1 − p1 ) + k p2 (1 − p2 )10−k .
2 k=0 k 2 k=0 k

Si riconosce immediatamente che questa è la combinazione lineare, con coefficienti 21 , dei

secondi momenti di una v.a. Bin(10, p1 ) e di una v.a. Bin(10, p2 ). In generale, se W ∼
Bin(n, p), il secondo momento E(W 2 ) = var(W ) + [E(W )]2 = np(1 − p) + (np)2 , quindi
E(X 2 ) = 21 np1 (1 − p1 ) + (np1 )2 + 21 np2 (1 − p2 ) + (np2 )2

= 21 10 · 0.5 · 0.5 + 102 · 0.52 + 21 10 · 0.2 · 0.8 + 102 · 0.52 .

1
Le risposte corrette non giustificate valgono 0 punti.
 2
Esercizio 3. [totale 6 punti]
Da un’urna che contiene tre palline, numerate 1, 2, 3, se ne estrae una a caso. Sia X la
variabile aleatoria che indica il valore della pallina estratta. Successivamente si effettuano X
lanci indipendenti di una moneta equilibrata. Sia Y la variabile aleatoria che denota il numero
di Teste ottenute.
(a.) [2 punti] Individuare pX (k) e pY |X (h|k).
(b.) [2 punti] Calcolare pXY (k, h).
(c.) [2 punti] Calcolare pY (h).

Soluzione
Questo esercizio è banale. Per rispondere alla (a.) si devono semplicemente ri-scrivere i dati
del problema. Per rispondere a (b.) basta moltiplicare pXY (k, h) = pY |X (h|k)pX (k). Per
rispondere a (c.) basta sommare pXY (k, h) rispetto a k per marginalizzare. La soluzione è
scritta in grande dettaglio, ma non c’è assolutamente nulla più di quanto qui riassunto.

(a.) Qui si deve solo mettere in forma matematica i dati forniti verbalmente nel testo dell’e-
sercizio. La variabile aleatoria X prende valori nell’alfabeto X := {1, 2, 3} e poiché la pallina
si estrae a caso, X è uniforme, ovvero
1 1 1
pX (1) = , pX (2) = , pX (3) = .
3 3 3
Sempre dai dati forniti, dato il valore X = k, la v.a. Y è binomiale, Y ∼ Bin k, 12 , quindi

la densità condizionata si scrive

    k
k 1
, h = 0, 1, . . . , k, k = 1, 2, 3,



pY |X (h|k) = h 2


0, per ogni altro punto (h, k).


h pY |X (h|k) 1
8
3
1 3
4 8
2
1 1 3
2 2 8
1
1 1 1
0 2 4 8

1 2 3 k

Nella figura qui sopra è rappresentata la densità condizionata pY |X (h|k). Si noti che, per ogni
k fissato, sommando su tutti i possibili valori h (cioè per colonna) si ottiene 1, come atteso.

2
Le risposte corrette non giustificate valgono 0 punti.
(b.) Per rispondere a (b.) è sufficiente usare la definizione.
    k
1 k 1
, h = 0, 1, . . . , k, k = 1, 2, 3,



pXY (k, h) = pY |X (h|k)pX (k) = 3 h 2


0, per ogni altro punto (h, k).


h pXY (k, h)
1
24
3
1 3
12 24
2
1 1 3
6 6 24
1
1 1 1
0 6 12 24

1 2 3 k

Valgono i commenti fatti per la figura precedente. In questo caso è la somma di tutti gli
elementi che vale 1 poiché stiamo considerando la densità congiunta.

(c.) La variabile aleatoria Y prende valori nell’insieme Y := {0, 1, 2, 3}. Ciò si desume
dalla definizione di Y e dalle considerazioni in (a.) e (b.). La densità si determina per
marginalizzazione di pXY (k, h). Basta sommare per righe nel grafico della densità congiunta
per trovare
1 1 1 7
pY (0) = + + = ,
6 12 24 24
1 1 3 11
pY (1) = + + = ,
6 6 24 24
1 3 5
pY (2) = + = ,
12 24 24
1
pY (3) = .
24

Se invece di semplicemente guardare la figura insistiamo per scrivere le formule di margina-

lizzazione è necessario porre molta attenzione ai limiti delle sommatorie,
 3
 X 1 k   1 k
, h=0


3 0 2



 k=1


X3 

pY (h) = pXY (k, h) = 3    k
X 1 k 1
k=1

 , h = 1, 2, 3


 k=h
3 h 2





0, altrove.

 3
Esercizio 4. [totale 7 punti]
La variabile aleatoria di Poisson X ∼ P(1) e la variabile aleatoria normale Y ∼ N (0, 1) sono
indipendenti. Sia W = X + Y . Si consideri una sequenza di variabili aleatorie {Wn }, indi-
pendenti ed identicamente distribuite, con la stessa media e varianza della variabile aleatoria
W . Usando l’approssimazione normale:
(a.) [4 punti] calcolare approssimativamente
200
!
X
P 180 ≤ Wi ≤ 220 ;
i=1

(b.) [3 punti] determinare il minimo valore di n che garantisce

n
!
X
P Wi ≤ 500 ≤ 0.5 .
i=1

Soluzione
La v.a. W ha media
E(W ) = E(X) + E(Y ) = 1 + 0 = 1,
e varianza
var(W ) = var(X) + var(Y ) = 1 + 1 = 2.
Questo è tutto quello che serve sapere per applicare l’approssimazione normale alla sequenza
di v.a. i.i.d. Wn .
(a.) La somma 200
P
i=1 Wi ha media 200 e varianza 400. Standardizzando si trova

200
! P200 !
X 180 − 200 W i − 200 220 − 200
P 180 ≤ Wi ≤ 220 = P ≤ i=1 ≤
i=1
20 20 20
≈ Φ(1) − Φ(−1) = 2Φ(1) − 1 ≈ 0.68.
Pn
(b.) La somma i=1Wi ha media n e varianza 2n. Standardizzando si trova
n
!  Pn 
X
i=1 W i − n 500 − n
P Wi ≤ 500 = P √ ≤ √
i=1
2n 2n
 
500 − n
≈ Φ √ .
2n
Per determinare n si deve imporre la condizione
 
500 − n
Φ √ ≤ 0.5 ,
2n
che, per la simmetria della gaussiana N (0, 1), è verificata se e solo se
500 − n
√ ≤ 0,
2n
ovvero se n ≥ 500.

3
Le risposte corrette non giustificate valgono 0 punti.
Esercizio 5. [totale 5 punti]4

Per stimare il parametro p di una v.a. di Bernoulli sulla base di n osservazioni xn1 :=
x1 , x2 , . . . , xn ci vengono proposte le seguenti alternative

g1 (xn1 ) := xn
x1 + xn
g2 (xn1 ) :=
2
n x1 + xn
g3 (x1 ) :=
n
n
n 1 X
g4 (x1 ) := xt
n + 1 t=1
n
1X
g5 (xn1 ) := xt
n t=1

(a.) [2 punti] Si studi la correttezza di ognuno degli stimatori gi (xn1 ).

(b.) [3 punti] Si dimostri che g5 è lo stimatore di massima verosimiglianza del parametro p.

Soluzione
(a.)
Proprietà di g1 . Lo stimatore è corretto infatti Ep (g1 (X1n )) = Ep (Xn ) = p per ogni n.
Proprietà di g2 . Lo stimatore è corretto infatti Ep (g2 (X1n )) = Ep X1 +X


2
n
= p per ogni n.

2p
Proprietà di g3 . Lo stimatore non è corretto infatti Ep (g3 (X1n )) = Ep X1 +X n
n
= n per ogni
2p
n, quindi non è neppure asintoticamente corretto poiché limn→∞ n = 0 6= p.
1
Pn
n
Proprietà di g4 . Lo stimatore non è corretto infatti Ep (g4 (X1n )) = Ep n+1 t=1 x t = n+1 p
n
per ogni n, ma è asintoticamente corretto poiché limn→∞ n+1 p = p.
Proprietà di g5 . Lo stimatore è corretto infatti Ep (g5 (X1n )) = p. Come visto a lezione g5 è
lo stimatore di massima verosimiglianza del parametro p di una v.a. di Bernoulli, Anche per
la dimostrazione dell’efficienza di g5 ci si riferisca alla nota di statistica pubblicata sul sito
moodle.

(b.) Per ottenere i 3 punti andava qui riprodotta la dimostrazione contenuta nelle note
disponibili su moodle.

4
Le risposte corrette non giustificate valgono 0 punti.