I simposi sul tema Bellezza e Fascino della Matematica hanno un duplice scopo. Il primo è di permettere ai cultori di questa scienza di incontrarsi a Fontecchio, uno dei borghi medioevali più belli d’Italia, per passare insieme quattro giorni discorrendo di Matematica con conferenze e dibattiti. Continua a leggere “7° Simposio Mat^Nat – Bellezza e fascino della Matematica”
Autore: stan
Divertimenti numerici
Intorno alle 6 di sera del 22 dicembre l’ingegnere riceve una telefonata dall’amica filosofa: “non sarà possibile la cena prenatalizia poiché l’autofficina non ha ancora provveduto ad istallare le gomme da neve”. Continua a leggere “Divertimenti numerici”
Cookie Policy
La cookie policy ha l’obiettivo di illustrare ai visitatori di Matematicamente.it e dei relativi sottodomini i tipi di cookie esistenti e il loro utilizzo all’interno della piattaforma.
a. Cosa sono e come vengono utilizzati i cookie
I cookie sono delle brevi stringhe di testo che vengono inviate dal Server del sito al Browser dell’utente/visitatore e salvate automaticamente sul suo computer.
La finalità principale di questi cookie è quella di rendere più fruibile la navigazione del sito. Per questo motivo si consiglia di configurare il proprio Browser in modo da accettarli.
Quasi tutti i Browser sono impostati per accettarli, l’utente/visitatore può autonomamente modificare le impostazioni del proprio Browser e bloccarli (opt-out). In caso di blocco dei cookie la fruizione del sito Skuola.net e l’utilizzo di alcuni servizi può risultare limitata o impossibile, in particolare l’accesso a tutti i servizi richiedenti una registrazione.
I cookie si distinguono in:
- “di sessione”, ovvero quei cookie che vengono eliminati al termine della sessione, alla chiusura del Browser.
- “persistenti”, ovvero quei cookie memorizzati sul disco rigido del computer fino alla loro scadenza. Questi ultimi consentono il riconoscimento dei visitatori che accedono al sito e vengono utilizzati principalmente per facilitare la navigazione, per monitorare il sito internet e per finalità promozionali.
I cookie possono essere impostati e gestiti dal sito visitato, si parla di cookie di “prima parte”, o da responsabili estranei al sito, di “terza parte”.
Questi ultimi si distinguono in:
- Analitycs, necessari per la raccolta e l’analisi dei dati statistici sul sito.
- Widgets, utilizzati per facilitare l’interazione dell’utente con il programma.
- Advertising, usati per fare pubblicità all’interno del sito.
- Web beacons, consentono il raccoglimento di dati e informazioni attraverso la richiesta di un’immagine grafica.
In relazione ai messaggi pubblicitari Matematicamente.it utilizza cookie generati da altri siti per erogare i formati pubblicitari. Questi cookie possono sempre essere disattivati (opt-out) anche quando sono anonimi, cioè non raccolgono informazioni personali che possono portare all’identificazione dell’utente (p.es. l’indirizzo IP).
b. Come si eliminano i cookie
L’utente può modificare le impostazioni di protezione del Browser in modo tale da accettarli/rifiutarli o da ricevere un avviso ogni qualvolta ne viene proposto uno.
c. Elenco dei cookie presenti su Matematicamente.it
I cookie utilizzati su Matematicamente.it e sulle sue applicazioni mobile sono:
- AddThis
- Adnxs
- AkamaiAnalytics
- Atlas
- Bing Ads
- Bluekai
- DotAndMedia / DotAndAd
- DoubleClick
- Google Analytics
- Google Adwords
- Hotjar
- SessionCam
- Remarketing di Google Analytics
- KissinsightLindedIn Widgets
- LongTail Video Analytics
- Marin Search Marketer
- Mediaset Italia
- Nielsen (opt out Link – https://priv-policy.imrworldwide.com/priv/browser/it/it/optout.html)
- Ominiture (Adobe Analytics)
- OneSignal
- Optimizely
- Outbrain
- PageFair
- RocketFuel
- ScoreCard Research Beacon
- ShinyStat
- Sizmeck
- Tapad
- Teads
- Twitter ButtonWebTrekk
- Zopim
d. Cookie di Google Analytics
Skuola Network s.r.l. utilizza sul sito Matematicamente.it e i relativi sottodomini la piattaforma di Google Analytics per monitorare il traffico e il modo in cui gli utenti utilizzano e interagiscono con il sito e le sue applicazioni.
Questi siti hanno implementate le funzioni pubblicitarie di Google Analytics. Sono stati aggiunti i rapporti sui dati demografici e sugli interessi che vengono rilevati tramite i cookie originali di Analytics.
Tutti gli utenti possono disattivare le funzioni pubblicitarie di Google Analytics anche attraverso le impostazioni degli annunci e qualsiasi altro mezzo disponibile (ad esempio, la funzione di disattivazione per i consumatori prevista dalle norme NAI).
e. Remarketing
Matematicamente.it utilizza anche lo strumento di remarketing Google Adwords. Questo strumento ci permette di pubblicare nella rete di contenuti Google degli annunci personalizzati in base agli interessi e alle visite degli utenti ai nostri siti, migliorando l’esperienza dell’utente e offrendo contenuti pubblicitari affini alle sue preferenze.
Gli utenti possono configurare il proprio browser per scegliere di non ricevere cookie o di non essere informati dell’installazione degli stessi. La disattivazione dei cookie può però compromettere l’utilizzo di alcune funzionalità del sito. Possono anche disattivare l’uso dei cookie da parte di Google.
Gli utenti che volessero disattivare le funzioni di Google Analytics dal proprio browser possono visitare la pagina di Google dalla quale scaricare ed installare sul proprio browser il plug-in apposito: https://tools.google.com/dlpage/gaoptout/
Ulteriori informazioni sul modo in cui Google utilizza i dati sono disponibili alla pagina https://www.google.com/intl/it/policies/privacy/partners/.
f. Utilizzo dei cookie sui siti web del Gruppo Mondadori
Mediamond s.p.a. per tutti i servizi pubblicitari digitali che offre sui siti in sua concessione utilizza come piattaforme adserving e di fornitori tecnologici di profilazione le seguenti società:
Dot&Media (DotAndMedia S.r.l.)
Dot&Media è un servizio di advertising fornito da DotAndMedia S.r.l.
Dati Personali raccolti: Cookie e Dati di Utilizzo.
Luogo del trattamento: Italia – Privacy Policy
DoubleClick for Publishers
DoubleClick for Publishers è un servizio di advertising fornito da Google Inc. con il quale la Concessionaria può condurre campagne pubblicitarie congiuntamente a reti pubblicitarie esterne. Il Gruppo Mondadori e la Concessionaria, se non specificato nel presente documento, non hanno alcuna relazione diretta con tali reti esterne. Per una comprensione dell’utilizzo dei dati da parte di Google, si prega di consultare le norme per i partner di Google. Questo servizio usa il Cookie “Doubleclick”, che traccia l’utilizzo di questo Spazio Web ed il comportamento dell’Utente in relazione agli annunci pubblicitari, ai prodotti e ai servizi offerti. L’Utente può decidere in qualsiasi momento di non essere tracciato dal Cookie Doubleclick provvedendo alla sua disattivazione tramite il seguente link: google.com/settings/ads/onweb/optout?hl=it.
Dati Personali raccolti: Cookie e Dati di Utilizzo.
Luogo del trattamento: USA – Privacy Policy
PubMatic (PubMatic, Inc.)
PubMatic è un servizio di advertising fornito da PubMatic, Inc.
Dati Personali raccolti: Cookie e Dati di Utilizzo.
Luogo del trattamento: USA – Privacy Policy – Opt Out
Teads.tv (Teads Inc)
Teads.tv è un servizio di advertising fornito da Teads Inc.
Dati Personali raccolti: Cookie e Dati di Utilizzo.
Luogo del trattamento: Francia – Privacy Policy – Opt out
In conformità con il provvedimento del Garante per la protezione dei dati personali n. 229/2014 (https://www.garanteprivacy.it/web/guest/home/docweb/-/docweb-display/docweb/3118884), Mediamond invita, tutti gli utenti/navigatori dei siti in sua gestione pubblicitaria, ad approfondire le informazioni sulla cookie policy ed esprimere il proprio consenso o diniego alla gestione degli stessi sui browser utilizzati visitando i link sopra indicati.
Dialoghi con un matematico strano
Abbiamo pubblicato in formato PDF l’ebook “Dialoghi con un matematico strano” del Prof. Mauro Cerasoli. Continua a leggere “Dialoghi con un matematico strano”
VIII Giornata di studio Analisi Non Standard per le scuole superiori
Gli atti del convegno “VIII Giornata Nazionale di Analisi non Standard” per le scuole superiori scaricabili in formato PDF. Continua a leggere “VIII Giornata di studio Analisi Non Standard per le scuole superiori”
Parco della Matematica (PdM)
Convento di San Francesco
Fontecchio (AQ) www.fontecchio.gov.it
Per informazioni, prenotazioni e visite guidate contattare
[email protected] tel. 3331435801
Info su www.sites.google.com/site/cdpcerasoli Continua a leggere “Parco della Matematica (PdM)”
L’ESCLUSIVA COLLANA “GRANDI IDEE DELLA MATEMATICA” ARRIVA IN EDICOLA!
Dal 24 AGOSTO Hachette Fascicoli lancia la collana di libri “GRANDI IDEE DELLA MATEMATICA” Continua a leggere “L’ESCLUSIVA COLLANA “GRANDI IDEE DELLA MATEMATICA” ARRIVA IN EDICOLA!”
Piccola antologia del pensiero liberale
(Libertà, Individui e Società, Povertà e Diseguaglianze, Imposte)
Introduzione
Il liberalismo è un modo di pensare, di comportarsi, di discutere, di essere, piuttosto che una specifica posizione economica, politica, filosofica.
Continua a leggere “Piccola antologia del pensiero liberale”
«Le cose non quadrano… ci vogliono i cerchi!»
«Le cose non quadrano… ci vogliono i cerchi!» è il titolo dell’ultima favola matematica di Germano Pettarin e Jacopo Olivieri. Continua a leggere “«Le cose non quadrano… ci vogliono i cerchi!»”
6° Simposio Mat^Nat – Bellezza e fascino della Matematica
12-13-14-15 settembre 2019
Convento di San Francesco, Fontecchio (AQ) Continua a leggere “6° Simposio Mat^Nat – Bellezza e fascino della Matematica”
Maturità 2019 – Soluzione seconda prova di matematica.
Ecco le nostre soluzioni ai problemi e ai quesiti di matematica della seconda prova di maturità per il Liceo Scientifico. Continua a leggere “Maturità 2019 – Soluzione seconda prova di matematica.”
Pensatori liberali e la curva di Laffer
L’articolo inizia riportando la parabola dei talenti del Vangelo. Successivamente si fa cenno al pensiero dei principali economisti liberali di destra e di sinistra: Kaldun, Smith, Keynes, Einaudi, Hayek, ecc. insistendo in particolare sulle tematiche relative alla pressione fiscale e allo intervento statale nella economia. Continua a leggere “Pensatori liberali e la curva di Laffer”
In un messaggio binario di 900 bit, i singoli bit possono assumere i valori 0 e 1 con una probabilità rispettivamente di $9/(16)$ e $7/(16)$. Utilizzando l’approssimazione normale, calcolare: i) la probabilità che vi siano più (≥) di 420 bit uguali a 1; ii) la probabilità che il numero di bit uguali a 1 sia compreso tra 390 e 410
i) Consideriamo le variabili aleatorie $X_1, … , X_n$ con n = 900, che assumono valore 1 se il valore del bit i-esimo è uguale a 1, e 0 altrimenti. Indichiamo con X il numero di bit del messaggio che sono uguali a 1; allora X può essere definita come:
$X = X_1 + … + X_n$
e in particolare, poiché le variabili $X_i$ sono variabili di Bernoulli di parametro $7/(16)$, allora la variabile X ha legge Binomiale di parametri n = 900 e p.
Utilizzando le formule note possiamo ricavare la media e la varianza di X:
$E[X] = np = 900 * 7/(16) = 393,75$
$Var[X] = np(1-p) = 900 * 7/(16) * 9/(16) = 221,484$
La probabilità richiesta dal problema è quindi la seguente:
$P(X ≥ 420) $
Sfruttiamo i risultati del teorema del limite centrale; sappiamo che la quantità $frac(X – E[X])( σ sqrt(n)) $ si comporta come una normale standard per n grande, quindi possiamo procedere come segue:
$P(X ≥ 420) = P( frac(X – E[X])( σ sqrt(n)) ≥ frac(420 – E[X])( σ sqrt(n))) = $
Se indichiamo con W una variabile aleatoria che si comporta come una normale standard abbiamo:
$P(X ≥ 420) = P(W ≥ frac(420 – E[X])( σ sqrt(n))) $
Sostituiamo i valori numerici:
$P(X ≥ 420) = P(W ≥ frac(420 – 393,75)( sqrt(frac(63)(256)) sqrt(900))) = $
$ P(W ≥ frac(26,25)(14,88)) = P(W ≥ 1,76) $
Introduciamo la funzione Φ, ovvero la funzione di distribuzione della normale standard:
$ P(W ≥ 1,76) = 1 – P(W ≤ 1,76) = 1 – Φ(1,76) $
Dalle tabelle della normale standard possiamo ricavare i valori di Φ:
$ 1 – Φ(1,76) = 1 – 0,96 = 0,04 $
ii) Per il secondo punto possiamo procedere in maniera analoga alla precedente; questa volta la probabilità da calcolare è la seguente:
$P(390 ≤ X ≤ 410) $
Procediamo applicando le regole per l’approssimazione normale:
$P(390 ≤ X ≤ 410) = P(frac(390 – E[X])( σ sqrt(n)) ≤ frac(X – E[X])( σ sqrt(n)) ≤ frac(410 – E[X])( σ sqrt(n)) )$
$ P(frac(390 – E[X])( σ sqrt(n)) ≤ W ≤ frac(410 – E[X])( σ sqrt(n)) )$
Sostituiamo i valori numerici:
$ P(frac(390 – 393,75)( sqrt(frac(63)(256)) sqrt(900) ) ≤ W ≤ frac(410 – 393,75)(sqrt(frac(63)(256)) sqrt(900)) ) = $
$ P(frac(- 3,75)( 14,88 ) ≤ W ≤ frac(16,75)(14,88) ) = $
$P(W ≤ frac(16,75)(14,88) ) – P(W ≤ frac(- 3,75)(14,88) ) = $
$P(W ≤ 1,09 ) – P(W ≤ -0,25 )$
Come in precedenza, introducendo la funzione Φ abbiamo:
$ P(W ≤ 1,09 ) – P(W ≤ -0,25 ) = Φ(1,09) – Φ(-0,25) = Φ(1,09) – [1 – Φ(0,25)] $
Dalle tavole otteniamo i valori numerici:
$ Φ(1,09) – [1 – Φ(0,25)] = 0,86 – 1 + 0,59 = 0,45 $
Potrebbe interessarti
In un laboratorio di ricerca viene sperimentata una dieta che produce un aumento di peso che segue una legge di media μ e varianza $σ^2 = 25$. Tale dieta viene somministrata a 100 cavie. Sia $X_i$ la variabile aleatorie che indica l’aumento di peso prodotto dalla dieta sull’iesina cavia e sia $ bar X_n = 1/n (X_1 + X_2 + … + X_n)$. i) Supponiamo che μ = 12, Utilizzando l’approssimazione normale, calcolare la probabilità che la differenza in valore assoluto tra la variabile aleatoria $bar X_(100) $ e μ sia più piccola di η = 2. ii) Supponiamo che la media μ delle variabili aleatorie non sia nota. Avendo rilevato un aumento di peso medio $bar x_(100) = 14,5$, calcolare un intervallo di confidenza al livello 0,9 per la media μ
i) La probabilità richiesta dal problema è la seguente:
$P(| bar X_(100) – μ | < η ) = P(| bar X_(100) – 12| < 2 )$
Dai risultati dell’approssimazione sappiamo che la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande, dove con $S_n$ si indica la somma campionaria. Tale quantità può anche essere scritta come: $frac(bar S_n – E[bar S_n])( Var[bar S_n] ) $, e anche tale quantità si comporta come una normale standard, che possiamo indicare con W.
Procediamo nel modo seguente:
$ P(| bar X_(100) – 12| < 2 ) = P( frac(| bar X_(100) – 12|)( sqrt( Var(bar X_(100)) ))) < frac(2) ( sqrt( Var(bar X_(100)) ) = $
$ P( |W| < frac(2)( sqrt( Var(bar X_(100)) ) ) $
Sapendo che le variabili aleatorie $X_i$ hanno varianza 25, possiamo calcolare la varianza della media campionaria:
$Var(bar X_(100)) = 1/n * Var(X_i) = frac(1)(100) * 25 = frac(25)(100) $
$sqrt(Var(bar X_(100))) = sqrt(frac(25)(100)) = frac(5)(10) = 1/2 $
Sostituiamo nell’espressione precedente i valori numerici:
$ P( |W| < frac(2)( sqrt( Var(bar X_(100)) ) )) = P( |W| < frac(2)(1/2) ) = P( |W| < 4 ) = $
$P(-4 < W < 4) = P(W<4) – P(W<-4) $
Introducendo la funzione Φ, ovvero la funzione di distribuzione della normale standard, abbiamo:
$ P(W<4) – P(W<-4) = Φ(4) – Φ(-4) = 2 Φ(4) – 1$
Dalle tabelle della distribuzione normale standard possiamo approssimare nel modo seguente:
$ 2 Φ(4) – 1~ 2 – 1 = 1$
ii) Dato che la media del campione non è conosciuta, è noto che un intervallo di confidenza per la media della distribuzione è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 100$
$bar x_(100) = 14,5$
$σ^2 = 25 to σ = 5 $
$1-α = 0,9 to 1-α/2 = 0,95$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,65. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 14,5 – frac(5)(sqrt(100)) * 1,65 , 14,5 – frac(5)(sqrt(100)) * 1,65 ] = $
$ [ 14,5 – frac(5)(10) * 1,65 , 14,5 – frac(5)(10) * 1,65 ] = $
$ [ 14,5 – 0,5 * 1,65 ; 14,5 – 0,5 * 1,65 ] = $
$ [13,675 ; 15,325]$
Potrebbe interessarti
Siano $X_1 , X_2 , … , X_n$ delle variabili aleatorie indipendenti con la stessa legge esponenziale di varianza 9. Posto: $S_(150) = X_1 + X_2 + … + X_(150)$ e $ bar S_(150) = frac(S_(150))(150)$ i) Stimare mediante la disuguaglianza di Chebyshev: $P(| bar S_(150) – 3| > frac(sqrt(6))(10) )$. ii) Stimare la stessa quantità utilizzando l’approssimazione normale
i) Sappiamo che per delle variabili aleatorie di legge esponenziale vi sono delle formule note per la media e la varianza; in particolare si ha:
$E[X_i] = 1/λ $
$Var[X_i] = 1/λ ^2$
Quindi, sapendo che tali variabili aleatorie hanno varianza 9, possiamo determinare facilmente il valore di λ:
$Var[X_i] = 1/λ ^2 = 9 to λ = 1/3$
Possiamo calcolare la media e la varianza della somma campionaria e della media campionaria:
$E[S_n] = E[X_1 + X_2 + … + X_n] = $
$E[X_1] + E[X_2] + … + E[X_n] = n * 1/λ $
$Var[S_n] = Var[X_1 + X_2 + … + X_n] = $
$Var[X_1] + Var[X_2] + … + Var[X_n] = n * 1/λ^2 $
Sostituendo i valori per n = 150 otteniamo:
$E[S_(150)] = 150 * 3 = 450 $
$Var[S_(150)] = 150 * 9 = 1350 $
Allo stesso modo possiamo calcolare la media e la varianza per la media campionaria:
$E[bar S_n] = 1/n E[X_1 + X_2 + … + X_n] = 1/λ $
$Var[bar S_n] = 1/n^2 Var[X_1 + X_2 + … + X_n] = 1/n * 1/λ^2 $
Sostituendo i valori numerici otteniamo:
$E[bar S_(150)] = 1/λ = 3$
$Var[bar S_(150)] = 1/n * 1/λ^2 = frac(9)(150) $
Possiamo procedere al calcolo della probabilità richiesta utilizzando la disuguaglianza di Chebyshev; dobbiamo valutare la seguente espressione:
$P(| bar S_(150) – 3| > frac(sqrt(6))(10) )$
Sappiamo in generale che vale per una generica variabile aleatoria X:
$P(| X – E[X]| > η ) ≤ frac(Var(X))(η^2) $
In questo caso, abbiamo:
$ X to bar S_(150) $
$ E[X] to E[bar S_(150)] = 3 $
$ η = frac(sqrt(6))(10) to η^2 = frac(6)(100) $
Quindi, poiché conosciamo la varianza di $bar S_n$, possiamo stimare che la probabilità richiesta è minore della seguente quantità:
$ frac(bar S_(150))(η^2) = frac( frac(9)(150) )( frac(6)(100) ) = frac(9)(150) * frac(100)(6) = 1 $
ii) Stimiamo la stessa quantità del punto precedente utilizzando l’approssimazione normale;
sappiamo che la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande. Consideriamo quindi una variabile W che può essere approssimata con una normale standard. Possiamo procedere nel modo seguente:
$P(| bar S_(150) – 3| > frac(sqrt(6))(10) ) = P( frac(| bar S_(150) – 3|)( sqrt(Var[bar S_(150)]) ) > frac(sqrt(6))(10) * frac(1)(sqrt(Var[bar S_(150)])) ) = $
$ P( |W| > frac(sqrt(6))(10) * frac(1)(sqrt(Var[bar S_(150)])) ) $
Sostituiamo i valori numerici:
$ P( |W| > frac(sqrt(6))(10) * frac(1)(sqrt(frac(9)(150)) ) ) = P( |W| > frac(sqrt(6))(10) * frac(5sqrt(6))(3) ) = $
$P( |W| > 1 ) = 1 – P( |W| ≤ 1) = 1 – P(-1 ≤ W ≤ 1) = $
$1 – [P(W≤1) – P(W≤-1)] $
Introducendo la funzione Φ, ovvero la funzione di distribuzione della normale standard, abbiamo:
$ 1 – [P(W≤1) – P(W≤-1)] = 1 – [Φ(1) – Φ(-1)] = 1 – [2Φ(1) – 1] = 1 – 2Φ(1) + 1 = 2 – 2Φ(1) $
Dalle tabelle della normale standard si ricava:
$ 2 – 2Φ(1) = 2 – 2*0,84 = 0,32 $
Potrebbe interessarti
Indichiamo con $S_n$ il numero di teste uscite in n lanci di una moneta che da testa con probabilità p. Usando l’approssimazione normale stimare: i) $P(40 < S_(100) < 60) $ nel caso in cui p = 0,5 ii) $delta$ affinché $P(800 - delta < S_(1600) < 800 + delta) > 0,95 $ nel caso in cui p = 0,5 iii) il numero di lanci affinché $P(0,20 < S_(n)/n < 0,30) > 0,95 $ nel caso in cui p = 0,25
Consideriamo una variabile aleatoria $X_i$ che assume il valore 1 se esce testa all’ i-esimo lancio, e il valore 0 altrimenti. Allora tale variabile è Bernoulliana con probabilità di successo p.
Dalle formule note possiamo calcolare la sua media e la sua varianza:
$E[X_i] = p $
$Var[X_i] = p(1-p) $
i) In questo caso, dai dati del problema sappiamo che p = 0,5.
Chiamiamo con $S_n$ la somma seguente:
$S_n = X_1 + … + X_n$
Essendo la somma di variabili aleatorie di Bernoulli, $S_n$ ha una legge binomiale di parametri $p
= frac(1)(2) $ e n = 100. Calcoliamo la sua media:
$E[S_(100)] = np = 100 * frac(1)(2) = 50 $
Ricordiamo che, per l’approssimazione normale, la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande.
Quindi possiamo procedere nel modo seguente:
$ P(40 < S_(100) < 60) = P( frac( 40 – E[S_(100)])( σ sqrt(n)) < frac(S_(100) – E[S_(100)])( σ sqrt(n)) < frac( 60 – E[S_n])( σ sqrt(n)) ) $
Indichiamo con W la variabile aleatoria che si comporta come la normale standard:
$ P(40 < S_(100) < 60) = P( frac( 40 – E[S_n])( σ sqrt(n)) < W < frac( 60 – E[S_n])( σ sqrt(n)) ) $
Procediamo sostituendo i valori numerici:
$ P( frac( 40 – 50 )( sqrt(1/4) sqrt(100)) < W < frac( 60 – 50 )( sqrt(1/4) sqrt(100)) ) = $
$ P( frac( – 10 )( 1/2 * 10 ) < W < frac( 10 )( 1/2 * 10) ) = P( frac( – 10 )( 5 ) < W < frac( 10 )( 5) ) =$
$ P( -2 < W < 2 ) = P(W < 2) – P(W < -2) $
Indichiamo con Φ la funzione di distribuzione della normale standard, applichiamo se sue proprietà; i valori relativi possono essere calcolati dalla rispettiva tabella:
$ P( -2 < W < 2 ) = P(W < 2) – P(W < -2) = Φ(2) – Φ(-2) = 2 Φ(2) – 1 = 2 * 0,9772 – 1 = 0,9544 $
ii) Procediamo in maniera analoga alla precedente, considerando in questo caso che abbiamo una variabile incognita all’interno della nostra approssimazione normale:
$ P(800 – δ < S_(1600) < 800 + δ) = P( frac( 800 – δ – E[S_n])( σ sqrt(n)) < frac(S_(1600) – E[S_n])( σ sqrt(n)) < frac( 800 + δ – E[S_n])( σ sqrt(n)) ) = $
$ P( frac( 800 – δ – E[S_n])( σ sqrt(n)) < W < frac( 800 + δ – E[S_n])( σ sqrt(n)) ) $
Sostituiamo i valori numerici; in questo caso abbiamo:
$E[S_(1600)] = np = 1600 * frac(1)(2) = 800 $
$ P( frac( 800 – δ – 800)( sqrt(1/4) * sqrt(1600)) < W < frac( 800 + δ – 800)( sqrt(1/4) * sqrt(1600)) ) =$
$ P( frac( -δ )( 1/2 * 40) < W < frac(δ)( 1/2 * 40) ) = P( frac( -δ )( 20) < W < frac(δ)(20) ) = $
$P(W < frac(δ)(20)) – P(W < -frac(δ)(20)) $
Introducendo la funzione Φ abbiamo:
$P(W < frac(δ)(20)) – P(W < -frac(δ)(20)) = Φ(frac(δ)(20)) – Φ(-frac(δ)(20)) = 2 Φ(frac(δ)(20)) – 1 $
Sappiamo che tale probabilità deve essere maggiore di 0,95; quindi poniamo: $ 2 Φ(frac(δ)(20)) – 1 > 0,95 to Φ(frac(δ)(20)) > frac(0,95 + 1)(2) = 0,975 $
Dalla tavola della distribuzione standard ricaviamo che il quantile di ordine 0,975 della distribuzione è 1,96, ovvero che:
$ Φ(1,96) = 0,975 to ϕ_(0,975) = 1,96 $
Quindi, poiché Φ è una funzione crescente, per determinare il valore di δ che soddisfi la disuguaglianza basta porre:
$ frac(δ)(20) > 1,96 $
Risolviamo e troviamo δ:
$ frac(δ)(20) > 1,96 to δ > 1,96 * 20 = 39,2$
iii) Procediamo in maniera analoga ai precedenti, considerando però che in questo caso la variabile incognita è il numero di lanci n; dobbiamo calcolare:
$P(0,20 < S_(n)/n < 0,30) > 0,95$
Utilizziamo l’approssimazione normale:
$P(0,20 < S_(n)/n < 0,30) = P(0,20 n < S_(n) < 0,30 n) = P( frac(0,20 n – n * 0,25)( sqrt(frac(3)(16)) * sqrt(n) ) < W < frac(0,30 n – n * 0,25)( sqrt(frac(3)(16)) * sqrt(n) )) = $
$ P( frac( – 0,05 n)( sqrt(3n)/4 ) < W < frac( 0,05 n)( sqrt(3n)/4 ) ) = $
$ P( W < frac( 0,05 n)( sqrt(3n)/4 ) ) – P( W < -frac( 0,05 n)( sqrt(3n)/4 ) ) $
Introducendo la funzione Φ abbiamo:
$ Φ( frac( 0,05 n)( sqrt(3n)/4 ) ) – Φ( -frac( 0,05 n)( sqrt(3n)/4 ) ) = 2 Φ( frac( 0,05 n)( sqrt(3n)/4 ) ) – 1= $ $ 2 Φ( frac( 0,20 sqrt(n))( sqrt(3) ) ) – 1 $
Sappiamo che tale probabilità deve essere maggiore di 0,95; quindi poniamo: $ 2 Φ( frac( 0,20 sqrt(n))( sqrt(3) ) ) – 1 > 0,95 to Φ(frac( 0,20 sqrt(n))( sqrt(3) )) > frac(0,95 + 1) (2) = 0,975 $
Come trovato in precedenza, il quantile di ordine 0,975 della distribuzione è 1,96; per determinare il valore di n che soddisfa la disuguaglianza poniamo:
$ frac( 0,20 sqrt(n))( sqrt(3) ) > 1,96$
Risolviamo:
$ sqrt(n) > frac(1,96 * sqrt(3))(0,20) to n > 288,12 $
Possiamo concludere che il numero minimo di lanci affinché sia soddisfatta la condizione richiesta è 289.
Potrebbe interessarti
Qual è la probabilità che il numero 1 esca in una estrazione del lotto? Usando l’approssimazione normale, stimare la probabilità che il numero 1 sia uscito almeno 12 volte nelle ultime 100 estrazioni
Sappiamo che in una estrazione del lotto vengono estratti 5 numeri. Considerando che in totale abbiamo 90 palline, tutte le possibili configurazioni di 5 elementi sono date dal coefficiente binomiale seguente:
$ ((90),(5)) $
Mentre le configurazioni vincenti, ovvero quelle in cui è presente il numero 1, possono essere trovate considerando “fissa” la posizione di 1, e calcolando tutte le possibili configurazioni degli altri 4 numeri:
$ ((89),(4))$
Quindi, la probabilità di avere 1 in una estrazione può essere calcolata come rapporto di casi favorevoli su casi totali:
$ p = \frac(((89),(4)))( ((90),(5)) ) = $
$ frac( frac(89!)(4! 85!) )( frac(90!)(5! 85!) ) = frac(89!)(4! 85!) * frac(5! 85!)(90!) = $
$ frac(89!)(4! 85!) * frac(5 * 4! 85!)(90 * 89!) = frac(5)(90) = frac(1)(18) $
Cerchiamo ora di usare l’approssimazione normale per stimare la probabilità che il numero 1 sia uscito almeno 12 volte nelle ultime 100 estrazioni.
Consideriamo una variabile aleatoria $X_i$ che assume il valore 1 se la pallina 1 esce alla i-esima estrazione, e il valore 0 altrimenti. Allora tale variabile è bernoulliana con probabilità di successo p.
Dalle formule note possiamo calcolare la sua media e la sua varianza:
$E[X_i] = p = frac(1)(18) $
$Var[X_i] = p(1-p) = frac(1)(18) * frac(17)(18) = frac(17)(18^2) $
Chiamiamo con $S_n$ la somma seguente:
$S_n = X_1 + … + X_n$
che indica il numero di volte in cui il numero 1 è uscito; per n = 100, consideriamo 100 estrazioni.
Essendo la somma di variabili aleatorie di Bernoulli, $S_n$ ha una legge binomiale di parametri $p = frac(1)(18) $ e n = 100. Calcoliamo la sua media e la sua varianza:
$E[S_n] = np = 100 * frac(1)(18) = frac(50)(9) = 5,556 $
$Var[S_n] = np(1-p) = 100 * frac(1)(18) * frac(17)(18) = 100 * frac(17)(18^2) = 5,247$
La probabilità richiesta dal problema è la seguente:
$P(S_n ≥ 12) = P( X_1 + … + X_n ≥ 12) $
Ricordiamo che, per l’approssimazione normale, la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande.
Quindi possiamo procedere nel modo seguente:
$P(S_n ≥ 12) = P( frac(S_n – E[S_n])( σ sqrt(n)) ≥ frac( 12 – E[S_n])( σ sqrt(n))) $
Se indichiamo con W la variabile aleatoria che si comporta come la normale standard, abbiamo:
$P(S_n ≥ 12) = P( W ≥ frac( 12 – E[S_n])( σ sqrt(n))) $
Proseguiamo sostituendo i valori numerici:
$P(S_n ≥ 12) = P( W ≥ frac( 12 – 5,556 )( 0,229 sqrt(100))) = P( W ≥ frac( 6,444 )(2,29) ) = $
$ P( W ≥ 2,814 ) $
Se indichiamo con Φ la funzione di distribuzione della normale standard abbiamo che:
$ P( W ≥ 2,814 ) = 1 – P( W < 2,814 ) = 1 – Φ(2,814) = 1 – 0,9975 = 0,0025 $
Il valore di Φ si ricava dalle tavole della distribuzione normale standard.
Potrebbe interessarti
Una moneta equilibrata viene lanciata n volte. Per ogni k ≤ n poniamo $X_k = 1$ se il k-esimo lancio ha dato il valore Testa, e $X_k = 0$ altrimenti. Indichiamo con $bar X_n = 1/n (X_1 + … + X_n)$ la proporzione di teste negli n lanci. Usando l’approssimazione normale calcolare: i) $P(bar X_n ≥ 0,51)$ per n = 900 ii) $P( |bar X_n – 1/2| ≤ 0,01)$ per n = 900 iii) stimare quanto deve essere grande n affinché sia $P( |bar X_n – 1/2| ≤ 0,01) ≥ 0,95$
i) Sappiamo che le variabili aleatorie $X_k$ sono Bernoulliane di parametri $p = 1/2$. Possiamo calcolare la loro media e la loro varianza applicando le formule note:
$ E[X_k] = p = 1/2$
$ Var(X_k) = p(1-p) = 1/2 * 1/2 = 1/4$
Ricordiamo che se $S_n = X_1 + … + X_n$ è la somma campionaria, allora la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande.
Sapendo che n = 900, possiamo procedere come segue:
$P(bar X_n ≥ 0,51) = P( 1/n * S_n ≥ 0,51) = P( S_n ≥ 0,51 n) = P( frac(S_n – n μ)( σ sqrt(n)) ) ≥ frac(0,51 n – n μ)( σ sqrt(n)) = $
Indichiamo con W la variabile aleatoria che si comporta come la normale standard, e sostituiamo i valori numerici:
$ P( W ≥ frac(0,51 * 900 – 900 * 1/2)( 1/2 sqrt(900))) = P( W ≥ frac(459 – 450)(15) ) = $
$ P( W ≥ frac(9)(15) ) = P( W ≥ 0,6 ) $
Indicando con Φ la funzione della distribuzione Normale Standard; abbiamo che:
$P( W ≥ 0,6 ) = 1 – Φ(0,6) = 1 – 0,7257 = 0,2743 $
ii) Procediamo in maniera simile a quanto fatto precedentemente:
$P( |bar X_n – 1/2| ≤ 0,01) = P( |1/n S_n – 1/2| ≤ 0,01) = P( | S_n – 1/2 n| ≤ 0,01 n) = $
$ P( | S_n – 1/2 * 900| ≤ 0,01 * 900) = P( | S_n – 450| ≤ 9) $
Dall’approssimazione normale abbiamo che.
$ P( | S_n – 450| ≤ 9) = P( frac(| S_n – 450|)(15) ≤ 9/(15) ) = P( |W| ≤ 9/(15) ) $
Introducendo la funzione Φ possiamo scrivere:
$ P( |W| ≤ 9/(15) ) = P( -9/(15) ≤ W ≤ 9/(15)) = P(W ≤ 9/(15)) – P(W ≤ – 9/(15)) = $
$ Φ(9/(15)) – Φ(- 9/(15)) = 2 Φ(9/(15)) – 1$
Dalle tavole della normale standard si ricava:
$ 2 Φ(9/(15)) – 1 = 2 * 0,6 – 1 = 2 * 0,7257 – 1 = 0,4514 $
iii) Per rispondere al terzo quesito consideriamo sempre l’approssimazione normale:
$P( |bar X_n – 1/2| ≤ 0,01) = P( |1/n S_n – 1/2| ≤ 0,01) = P( | S_n – 1/2 n| ≤ 0,01 n) = $
$ P( frac(| S_n – 1/2 n|)( σ sqrt(n) ) ≤ frac(0,01 n)( σ sqrt(n) ) ) = $
$ P( W ≤ frac(0,01 n)( σ sqrt(n) ) ) = P( W ≤ frac(0,01 sqrt(n))(σ) ) $
Conoscendo il valore di σ abbiamo:
$ P( W ≤ frac(0,01 sqrt(n))(σ) ) = P( W ≤ 0,02 sqrt(n) ) $
Dai calcoli precedentemente effettuati sappiamo che tale probabilità vale:
$2 Φ( 0,02 sqrt(n) ) – 1 $
Quindi, affinché la probabilità sia maggiore di 0,95 dobbiamo porre:
$2 Φ( 0,02 sqrt(n) ) – 1 > 0,95 $
Da cui:
$ Φ( 0,02 sqrt(n) ) > frac(0,95+1)(2) = 0,975 $
Dalla tavola della normale standard abbiamo che 0,975 = Φ(1,96); quindi deve essere:
$ Φ( 0,02 sqrt(n) ) > 0,975 to Φ( 0,02 sqrt(n) ) > Φ(1,96) to 0,02 sqrt(n) > 1,96$
Risolvendo la disequazione si trova:
$ n > ( frac(1,96)(0,02) )^2 = 9604 $
Potrebbe interessarti
Ad una stazione ricevente possono giungere messaggi binari da due canali diversi, A e B. In ognuno di questi messaggi i singoli bit possono prendere i valori 0 e 1, a caso e in maniera indipendente. Nei messaggi provenienti dal canale A ogni singolo bit è uguale a 1 con probabilità $7/(16)$ e uguale a zero con probabilità $9/(16)$. Nei messaggi provenienti dal canale B ogni singolo bit è uguale a 1 con probabilità $1/2$ e uguale a zero con probabilità $1/2$. i) Qual è la probabilità che in un messaggio di 1600 bit proveniente dal canale A ci siano più di 750 bit uguali a 1? ii) Per decidere se un messaggio proviene dal canale A o dal canale B usiamo la procedure seguente: se il messaggio contiene più di 750 bit uguali a 1 decidiamo che esso proviene dal canale B. Qual è la probabilità che un messaggio proveniente da B venga effettivamente individuato? iii) Qual è la probabilità che in un messaggio proveniente da B il numero di bit uguali a 1 sia compreso tra 780 e 820?
i) Consideriamo un messaggio proveniente dal canale A; sappiamo che la probabilità che un bit sia uguale a 1 è $p = 7/(16)$; possiamo indicare con la variabile aleatoria $X = X_1 + … + X_n$ il numero di bit uguali a 1 nel messaggio proveniente dal canale A (ogni variabile $X_i$ è uguale a 1 se il bit i-esimo è 1).
Possiamo affermare che X è una variabile aleatoria binomiale di parametri $p = 7/(16)$ e $n = 1600$. Per calcolare la probabilità richiesta dal problema, occorre calcolare:
$ P(X ≥ 750) $
Per farlo possiamo utilizzare l’approssimazione normale; ricordiamo che se $S_n = X_1 + … + X_n$ è la somma campionaria, allora la quantità $frac(S_n – E[S_n])( σ sqrt(n)) $ si comporta come una normale standard per n grande.
Possiamo procedere nel seguente modo:
$ P(X ≥ 750) = P(X_1 + … + X_n ≥ 750) = P(frac(X_1 + … + X_n – np)(σ sqrt(n)) ≥ frac(750 – np)(σ sqrt(n))) = $
$P( W ≥ frac(750 – np)(σ sqrt(n))) $
Dove con W abbiamo indicato una variabile aleatoria che si comporta approssimativamente come la normale standard.
Procediamo sostituendo i valori numerici:
$P( W ≥ frac(750 – np)(σ sqrt(n))) = P( W ≥ frac(750 – 1600 * 7/(16))( sqrt( 7/(16) * 9/(16) ) sqrt(1600))) = $
$P( W ≥ frac(750 – 700)( sqrt(63)/4 * 40)) = P( W ≥ frac(50)(19,84) ) = P( W ≥ 2,52 ) $
Indichiamo con Φ la funzione della distribuzione Normale Standard; abbiamo che:
$P( W ≥ 2,52 ) = 1 – P( W ≤ 2,52 ) = 1 – Φ(2,52) $
Dalle tavole possiamo ricavare il valore di Φ:
$P( W ≥ 2,52 ) = 1 – Φ(2,52) = 1 – 0,99413 = 0,00587 $
ii) Possiamo procedere con un ragionamento simile anche per il secondo punto; in questo caso, indicando con $Y = Y_1 + … + Y_n$ il numero di bit uguali a 1 nel messaggio proveniente dal canale B, la probabilità cercata è:
$ P(Y ≥ 750) $
Possiamo affermare che Y è una variabile aleatoria binomiale di parametri $p’ = 1/2$ e $n = 1600$. Per calcolare la probabilità richiesta dal problema, procediamo come in precedenza utilizzando l’approssimazione normale:
$ P(Y ≥ 750) = P(Y_1 + … + Y_n ≥ 750) = P(frac(Y_1 + … + Y_n – np’)(σ sqrt(n)) ≥ frac(750 – np’)(σ sqrt(n))) = $
$P( W ≥ frac(750 – np’)(σ sqrt(n))) = P( W ≥ frac(750 – 1600 * 1/2)( sqrt( 1/2 * 1/2 ) sqrt(1600))) = $
$P( W ≥ frac(750 – 800)( 20) ) = P( W ≥ frac(-50)(20) ) = P( W ≥ -2,525 ) $
Indichiamo con Φ la funzione della distribuzione Normale Standard; abbiamo che:
$P( W ≥ -2,525 ) = 1 – P( W ≤ -2,525 ) = 1 – Φ(-2,525) $
Dalle tavole ricaviamo il valore di Φ:
$P( W ≥ -2,525 ) = 1 – Φ(-2,525) = 1 – 0,006 = 0,994 $
iii) Anche in questo caso si procede in maniera analoga ai precedenti; questa volta la probabilità da calcolare è la seguente:
$ P( 780 ≤ Y ≤ 820) $
Utilizziamo l’approssimazione standard:
$ P( 780 ≤ Y ≤ 820) = P( frac(780 – np’)(σ sqrt(n)) ≤ W ≤ frac(820 – np’)(σ sqrt(n)) ) = $
$ P( frac(780 – 1600 * 1/2)( sqrt( 1/2 * 1/2 ) sqrt(1600) ) ≤ W ≤ frac(820 – 1600 * 1/2)(sqrt( 1/2 * 1/2 ) sqrt(1600) ) ) = $
$ P( frac(780 – 800)( 20) ) ≤ W ≤ frac(820 – 800)(20) ) ~ P( frac(779,5 – 800)( 20) ) < W < frac(820,5 – 800)(20) ) = $
$ P( -1,025 < W < 1,025 ) $
Indicando con Φ la funzione della distribuzione Normale Standard; abbiamo che:
$ P( -1,025 < W < 1,025 ) = P(W < 1,025) – P(W < -1,025) = Φ(1,025) – Φ(-1,025) $
Dalle tavole di Φ otteniamo:
$ Φ(1,025) – Φ(-1,025) = 0,8473 – 0,1526 = 0,6946 $
Potrebbe interessarti
Supponiamo che il peso dei salmoni cresciuti in un certo allevamento commerciale abbia distribuzione normale con media che varia da stagione a stagione, e con deviazione standard $σ = 20 g$. Quanto grande occorre prendere un campione, affinché con probabilità ≥ 0,95 risulti che la media campionaria del peso dei salmoni di quest’anno sia precisa entro +/- 5 g?
Possiamo rappresentare la distribuzione del peso dei salmoni con una variabile aleatoria X che si comporta come una Normale di parametri μ (ignota) e σ = 20 g. Per trovare la dimensione minima del campione che soddisfi la proprietà imposta dal problema, dobbiamo risolvere la seguente disuguaglianza:
$ P(| bar X_n – μ | ≤ 5) ≥ 0,95 to P(|frac(X_1 + … + X_n)(n) – μ | ≤ 5) ≥ 0,95 $
Riscrivendo il primo membro otteniamo:
$ P( -5 ≤ frac(X_1 + … + X_n)(n) – μ ≤ 5 ) ≥ 0,95 $
$ P( μ – 5 ≤ frac(X_1 + … + X_n)(n) ≤ 5 + μ) ≥ 0,95 $
$ P( n(μ – 5) ≤ X_1 + … + X_n ≤ n(5 + μ)) ≥ 0,95 $
Sfruttando i risultati derivanti dal teorema del limite centrale, sappiamo che se alla somma campionaria sottraiamo la media e dividiamo per la deviazione standard, otteniamo una variabile aleatoria approssimabile con una normale standard; in questo modo saremo in grado di risolvere la probabilità. Chiamiamo con W tale variabile:
$P( frac(n(μ – 5) – nμ)( σ sqrt(n) ) ≤ frac(X_1 + … + X_n – nμ)( σ sqrt(n) ) ≤ frac(n(5 + μ) – nμ)( σ sqrt(n) )) ≥ 0,95 $
$ P( frac(n(μ – 5) – nμ)( σ sqrt(n) ) ≤ W ≤ frac(n(5 + μ) – nμ)( σ sqrt(n) )) ≥ 0,95 $
Indichiamo con Φ la funzione di distribuzione della normale standard; si ha:
$ P( frac(n(μ – 5) – nμ)( σ sqrt(n) ) ≤ W ≤ frac(n(5 + μ) – nμ)( σ sqrt(n) )) = $
$ P( W ≤ frac(n(5 + μ) – nμ)(σ sqrt(n))) – P( W ≤ frac(n(μ – 5) – nμ)( σ sqrt(n) ) ) = $
$ Φ( frac(n(5 + μ) – nμ)( σ sqrt(n) )) – Φ( frac(n(μ – 5) – nμ)( σ sqrt(n) ) ) $
Cerchiamo di semplificare la scrittura:
$ Φ( frac( n(5 + μ – μ) )( σ sqrt(n) )) – Φ( frac( n(μ – 5 – μ) )( σ sqrt(n) ) ) = $
$ Φ( frac( 5n )( σ sqrt(n))) – Φ( frac( – 5n )( σ sqrt(n) ) ) = $
$ Φ( frac( 5 sqrt(n) )( σ )) – Φ( frac( – 5 sqrt(n) )( σ ) ) $
Applichiamo le proprietà della funzione di distribuzione della normale standard:
$ Φ( frac( 5 sqrt(n) )( σ ) – [1 – Φ( frac( 5 sqrt(n) )( σ ) )]) = 2 Φ( frac( 5 sqrt(n) )( σ ) – 1) $
Poniamo tale quantità maggiore o uguale a 0,95, come richiesto dal problema:
$ 2 Φ( frac( 5 sqrt(n) )( σ ) – 1) ≥ 0,95 to Φ( frac( 5 sqrt(n) )( σ )) ≥ frac(1 + 0,95)(2) = 0,975 $
Dalle tavole della distribuzione, si trova che il quantile di ordine 0,975 della normale standard vale 1,96; poiché la funzione Φ è crescente, per determinare il valore di n minimo a soddisfare la condizione basta risolvere la seguente disuguaglianza:
$ frac( 5 sqrt(n) )( σ ) ≥ 1,96 $
Risolvendo otteniamo:
$ sqrt(n) ≥ 1,96 * σ/5 = 1,96 * (20)/5 = 7,84 to n ≥ 61,46 $
Quindi concludiamo che n ≥ 62.
Potrebbe interessarti
Si lancia n volte una moneta equilibrata e sia $S_n / n$ la proporzione di teste uscite; calcolare il minimo n per cui risulta: $P(| frac(S_n)(n) – 1/2| ≤ 0,05) ≥ 0,95$
Consideriamo una successione di variabili aleatorie bernoulliane ${X_n}$ per cui $X_i$ assume il valore 1 se l’i-esimo lancio della moneta fornisce il valore testa, e 0 altrimenti.
Indicando con $S_n$ la somma campionaria, ovvero $S_n = X_1 + … + X_n$, abbiamo che tale somma indica il numero di teste uscite in n lanci, e tale variabile aleatoria ha una legge binomiale di parametri n e p = 0,5.
Dalle formule note possiamo ricavare media e varianza della somma campionaria:
$E[S_n] = np = n/2 $
$Var[S_n] = np(1-p) = n * 0,5 * 0,5 = n/4 $
La probabilità richiesta dal problema può essere calcolata utilizzando l’approssimazione normale fornita dal teorema del limite centrale.
Proviamo a riscrivere tale probabilità, togliendo il valore assoluto:
$ P(| frac(S_n)(n) – 1/2| ≤ 0,05) = P( -0,05 ≤ frac(S_n)(n) – 1/2 ≤ 0,05) = P( 1/2 – 0,05 ≤ frac(S_n)(n) ≤ 0,05 + 1/2) $
$ P( 0,45 ≤ frac(S_n)(n) ≤ 0,55) = P( 0,45 n ≤ S_n ≤ 0,55 n) $
Sottraendo ai membri della disuguaglianza la media di $S_n$, e dividendo tutto per la sua deviazione standard otteniamo una variabile aleatoria W approssimabile con una normale standard, che deve essere compresa in un cero intervallo:
$ P( 0,45 n ≤ S_n ≤ 0,55 n) = P( frac(0,45 n – E[S_n])( sqrt(Var(S_n)) ) ≤ W ≤ frac(0,55 n – E[S_n])( sqrt(Var(S_n)) )) $
Sostituiamo i valori numerici:
$ P( frac(0,45n – n/2)( sqrt(n/4) ) ≤ W ≤ frac(0,55 n – n/2 )( sqrt(n/4) )) = $
$ P( W ≤ frac(0,55 n – n/2 )( sqrt(n/4) )) – P( W ≤ frac(0,45 n – n/2 )( sqrt(n/4) )) $
Possiamo scrivere tali disuguaglianze introducendo la funzione Φ, ovvero la funzione di distribuzione della normale standard:
$ Φ(frac(0,55 n – n/2 )( sqrt(n/4) )) – Φ( frac(0,45 n – n/2 )( sqrt(n/4) )) $
Proviamo a riscrivere tali funzioni, in modo che ottengano una forma più facilmente trattabile:
$ Φ(frac(0,55 n – n/2 )( 1/2 sqrt(n) )) – Φ( frac(0,45 n – n/2 )( 1/2 sqrt(n) )) = $
$ Φ(frac(1,1 n – n )( sqrt(n) )) – Φ( frac(0,9 n – n )( sqrt(n) )) = $
$ Φ(frac(0,1 n )( sqrt(n) )) – Φ( frac( -0,1 n )( sqrt(n) )) = $
$ Φ( 0,1 sqrt(n) ) – Φ( -0,1 sqrt(n) ) = 2 Φ( 0,1 sqrt(n) ) – 1$
Volendo rendere tale quantità maggiore o uguale di 0,95, dobbiamo cercare sulla tabella della distribuzione normale standard il valore di Φ tale che:
$ 2 Φ( 0,1 sqrt(n) ) – 1 ≥ 0,95 to Φ( 0,1 sqrt(n) ) ≥ 1,95/2 = 0,975$
Dato che il quantile di Φ di ordine 0,975 è 1,96, e poiché la funzione Φ è una funzione crescente, dobbiamo porre:
$0,1 sqrt(n) ≥ 1,96 to sqrt(n) ≥ 19,6 $
Risolvendo la disequazione si ottiene $n ≥ 385$.
Potrebbe interessarti
Una moneta equilibrata viene lanciata 1000 volte. Qual è la probabilità che il numero delle teste sia ≤ 526?
Indichiamo con X una variabile aleatoria che conta il numero di teste uscite in 1000 lanci. Poiché X può essere intesa come somma di variabili aleatorie Bernoulliane, per cui ognuna di esse assume il valore 1 se l’uscita corrispondente è testa e assume il valore zero altrimenti, sappiamo che X segue una legge Binomiale di parametri n = 1000 (numero di prove) e p = 0,5 (probabilità di successo, nel caso di una moneta equilibrata).
Possiamo calcolare la sua media e la sua varianza utilizzando le formule note:
$E[X] = np = 1000 * 0,5 = 500 $
$Var[X] = np(1-p) = 1000 * 0,5 * 0,5 = 250 $
La probabilità richiesta dal problema è la seguente:
$P(X ≤ 526) = P(X < 526,5)$
Per calcolare la probabilità richiesta possiamo utilizzare l’approssimazione normale: per farlo, sottraiamo ad entrambi i membri della disuguaglianza la media di X, e dividiamo entrambi per la sua deviazione standard:
$ P( frac(X – E[X])(sqrt(Var(X)) ) < frac(526,5 – E[X])(sqrt(Var(X)) )$
Sostituiamo i valori numerici:
$ P( W < frac(526,5 – 500 )(sqrt(250) ) ) = P( W < frac(26,5)( 15,81) ) = $
$ P( W < 1,676 ) = Φ(1,676) $
dove con Φ abbiamo indicato la fusione di distribuzione della normale standard.
Ricavando i valori numerici dalla relativa tabella, otteniamo:
$Φ(1,676) = 0,9525$
Potrebbe interessarti
Ogni sera due coniugi fanno lanciare dal proprio figlio di tre anni un dado, per decidere chi deve lavare i piatti. Se esce un numero dispari tocca alla moglie, mentre se esce un numero pari tocca al marito. Visti i risultati del dado, il marito crede che tocchi a lui troppo spesso: 33 volte su 50. Si tratta solo di sfortuna oppure il dado è effettivamente truccato per favorire la moglie?
Considerando un dado non truccato, sappiamo che la possibilità che esca un valore dispari dal lancio del dado (cosi come la possibilità che esca un valore pari), è p = 0,5.
Indichiamo come “successo” il fatto che esca un numero dispari dal lancio del dado; possiamo introdurre una variabile aleatoria X che indica il numero di successi che si ottengono in seguito a 50 lanci del dado; X segue quindi una legge Binomiale di parametri n = 50 e probabilità di successo p = 0,5.
Dai dati forniti dal problema, sappiamo che si sono verificati esattamente 17 successi (50 – 33).
Proviamo a vedere se tale risultato è accettabile, calcolando la probabilità che il numero dei successi sia minore o uguale a tale valore. Una probabilità molto bassa indicherebbe un’anomalia del dado in questione.
$P(X ≤ 17) = P(X < 17,5)$
Per calcolare tale probabilità possiamo utilizzare l’approssimazione normale: per farlo, sottraiamo ad entrambi i membri della disuguaglianza la media di X, e dividiamo entrambi per la sua deviazione standard:
$ P( frac(X – E[X])(sqrt(Var(X)) ) < frac(17,5 – E[X])(sqrt(Var(X)) )$
Dato che X è una variabile aleatoria Binomiale, possiamo calcolare la sua media e la sua varianza utilizzando le formule note:
$E[X] = np = 50 * 0,5 = 25 $
$Var[X] = np(1-p) = 50 * 0,5 * 0,5 = 12,5 $
Sostituiamo i valori numerici:
$ P( W < frac(17,5 – 25 )(sqrt(12,5) ) = $
$ P( W < frac(-7,5)( 3,536) ) = P( W < -2,12 ) = Φ(-2,12) $
dove con Φ abbiamo indicato la fusione di distribuzione della normale standard.
Applicando le proprietà di tale funzione, e ricavando i valori numerici dalla relativa tabella, otteniamo:
$Φ(-2,12) = 1 – Φ(2,12) = 1 – 0,9830 = 0,017$
Sia ${X_n}$ una successione di variabili aleatorie indipendenti ed esponenziali di parametro λ e sia $bar X_n = 1/n (X_1 + X_1 + … + X_n)$. i) stimare con la disuguaglianza di Chebicev $ P(|bar X_n – 1/λ | ≥ ɛ ) $ ii) stimare la stessa quantità usando il Teorema del Limite Centrale iii) confrontare le due stime per $λ = 2$, $ɛ = 1/(100)$ , $n = 10000$
i) La disuguaglianza di Chebyshev, in generale, afferma che per una variabile aleatoria X di media E[X] e varianza Var(X) si ha:
$P(| X – E[X]| ≥ n) ≤ frac(Var(X))(n^2) $
Se indichiamo con X la somma campionaria $X_1 + … + X_n$, sapendo che per variabili aleatorie esponenziali la media vale $1/λ$ e la varianza vale $1/λ^2$, abbiamo che:
$E[X] = frac(n)(λ)$
$Var(X) = frac(n)(λ^2)$
Sappiamo che la media campionaria è definita nel modo seguente:
$bar X_n = 1/n * (X_1 + … + X_n) = 1/n * X$
Quindi, la probabilità da cercare può essere scritta nel seguente modo:
$ P(|bar X_n – 1/λ | ≥ ɛ ) = P(|1/n * X – 1/λ | ≥ ɛ ) = P(1/n |X – n/λ | ≥ ɛ ) = P(|X – n/λ | ≥ nɛ ) $
Sapendo che $E[X] = frac(n)(λ)$, come trovato in precedenza, possiamo applicare la disuguaglianza di Chebyshev e stimare tale probabilità:
$ P(|bar X_n – 1/λ | ≥ ɛ ) = P(|X – n/λ | ≥ nɛ ) ≤ frac(Var(X))((nɛ)^2) $
Sostituendo i valori determinati precedentemente abbiamo:
$frac(Var(X))((nɛ)^2) = frac( frac(n)(λ^2) )((nɛ)^2) = frac(1)(nɛ^2λ^2) $
Quindi in definitiva abbiamo:
$ P(|bar X_n – 1/λ | ≥ ɛ ) ≤ frac(1)(nɛ^2λ^2) $
ii) Stimiamo ora la stessa quantità utilizzando il teorema del limite centrale; a partire dalla media campionaria possiamo scrivere:
$ P(|bar X_n – 1/λ | ≥ ɛ ) = 1 – P(|bar X_n – 1/λ | < ɛ ) = 1 – P(|1/n * X – 1/λ | < ɛ ) = $
$ 1 – P(1/n |X – n/λ | < ɛ ) = 1 – P(|X – n/λ | < nɛ ) $
Scriviamo esplicitamente la disuguaglianza togliendo il modulo:
$ 1 – P(|X – n/λ | < nɛ ) = 1 – P( – nɛ < X – n/λ < nɛ ) $
Dividendo le quantità per la deviazione standard di X, otteniamo una variabile aleatoria W che può essere approssimata per una normale standard:
$ 1 – P( frac(- nɛ)( sqrt(frac(n)(λ^2)) ) < frac(X – n/λ)( sqrt(frac(n)(λ^2)) ) < frac(nɛ)( sqrt(frac(n)(λ^2)) )) = $
$ 1 – P( frac(- nɛ)( sqrt(frac(n)(λ^2)) ) < W < frac(nɛ)( sqrt(frac(n)(λ^2)) )) = $
$ 1 – ( P( W < frac(nɛ)( sqrt(frac(n)(λ^2)) )) – P( W < frac(-nɛ)( sqrt(frac(n)(λ^2)) )) ) $
In termini di funzione di distribuzione della normale standard abbiamo:
$ 1 – ( Φ( frac(nɛ)( sqrt(frac(n)(λ^2)) )) – Φ( frac(-nɛ)( sqrt(frac(n)(λ^2)) )) ) $
$ 1 – ( Φ( frac(nɛ)( 1/λ sqrt(n) ) – Φ( frac(-nɛ)( 1/λ sqrt(n) ) ) ) $
Applicando le proprietà della funzione Φ si ottiene:
$ 1 – ( 2Φ( frac(nɛ)( 1/λ sqrt(n) ) ) – 1) = 1 – 2Φ(λsqrt(n)ɛ) + 1 = 2 * (1 – Φ(λsqrt(n)ɛ) ) $
iii) Confrontiamo le due scritture utilizzando i dati forniti dal problema:
$λ = 2$
$ɛ = 1/(100)$
$n = 10000$
Nel primo caso abbiamo:
$ P(|bar X_n – 1/λ | ≥ ɛ ) ≤ frac(1)(nɛ^2λ^2) = frac(1)(10000 * (1/(100))^2 * 2^2) = $
$ frac(1)(10000 * 1/(10000) * 4) = frac(1)(4) $
Mentre nel secondo caso abbiamo:
$P(|bar X_n – 1/λ | ≥ ɛ ) = 2 * (1 – Φ(λsqrt(n)ɛ) ) = 2 * (1 – Φ(2 * sqrt(10000) * 1/(100) ) ) = $
$ 2 * (1 – Φ(2 * 100 * 1/(100) ) ) = 2 * (1 – Φ(2) ) = 0,0456$
Il risultato si ottiene utilizzando le tavole fella distribuzione normale standard.
Possiamo notare che i risultati sono compatibili, e che in particolare l’utilizzo del teorema del limite centrale ci permette di ottenere un risultato molto più preciso rispetto a quello ottenuto dalla disuguaglianza di Chebyshev.
I circuiti integrati prodotti da un certo impianto sono difettosi con probabilità 0,25, indipendentemente l’uno dall’altro. Se si testa un campione di 1000 pezzi, con che probabilità se ne troveranno meno di 240 difettosi?
Consideriamo una successione di variabili aleatorie ${X_n}$ tali che $X_i$ assume il valore 1 se l’i-esimo circuito è difettoso, e assume il valore 0 altrimenti.
Le variabili aleatorie $X_i$ sono tra loro indipendenti e seguono una legge di Bernoulli con probabilità di successo p = 0,25 (probabilità che i circuiti siano difettosi).
Per trovare il numero di circuiti difettosi, consideriamo la somma campionaria delle variabili aleatorie precedentemente definite:
$ X = S_n = X_1 + …. + X_n $
Tale variabile aleatoria segue una legge Binomiale di parametri p = 0,25 e n = 1000 (dimensione del campione, associabile al numero di prove).
Possiamo calcolare media e varianza di X applicando le formule note:
$E[X] = np = 1000 * 0,25 = 250 $
$Var[X] = np(1-p) = 1000 * 0,25 * 0,75 = 187,5 $
Per determinare la probabilità richiesta dal problema possiamo utilizzare l’approssimazione normale: se ad X sottraiamo la sua media e dividiamo per la sua deviazione standard otteniamo una variabile aleatoria che si comporta approssimativamente come una normale standard.
Per calcolare la probabilità che meno di 240 pezzi risultino difettosi, dobbiamo calcolare la probabilità che X, che indica appunto il numero di circuiti difettosi, assuma un valore minore di 240:
$P(X < 240) = P(X ≤ 239,5) = $
$ P( frac(X – E[X])(sqrt(Var(X))) ≤ frac(239,5 – E[X])(sqrt(Var(X))) ) = $
$ Φ( frac(239,5 – E[X])(sqrt(Var(X))) ) = Φ( frac(239,5 – 250)(sqrt(187,5) ) = Φ(-0,766) $
Il valore della funzione di distribuzione della normale standard può essere ricavato dalle tavole della distribuzione normale standard; si ottiene:
$ P(X < 240) = Φ(-0,766) = 1 – Φ(0,766) = 1 – 0,7764 = 0,2236 $
Supponiamo che il peso corporeo (misurato in kg) di una popolazione di operai edili si distribuisca secondo una variabile aleatoria di media m = 77 e deviazione standard $sigma = 9,4$. i) Se la numerosità del campione considerato è n = 36, quanto vale la probabilità che la media campionaria dei loro pesi sia compresa tra 75 e 79? ii) E se il campione ha numerosità 144?
i) Utilizziamo delle variabili aleatorie $X_i$ per indicare il peso degli operai; l’indice i corrisponde al peso dell’operaio i-esimo. Tali variabili aleatorie sono indipendenti e identicamente distribuite, ed hanno media m = 77 e deviazione standard σ = 9.4.
Per una successione di variabili aleatorie ${X_n}$, la media campionaria è:
$ bar X_n = frac(X_1 + … + X_n)(n)$
Utilizzando l’approssimazione standard, sappiamo che sottraendo a tale variabile la sua media, e dividendo per la deviazione standard, otteniamo una variabile aleatoria che si comporta approssimativamente come una normale standard.
Quindi, la probabilità che la media campionaria sia compresa tra due valori fissati è la seguente (indichiamo con $S_n$ la somma campionaria):
$ P(75 ≤ bar X_n ≤ 79) = P(75n ≤ S_n ≤ 79n) = P( frac(75n – n*E[X])( sqrt(Var(X)*n) ) ≤ frac(S_n – n*E[X])( sqrt(Var(X)*n) ) ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) $
Indichiamo con W la variabile aleatoria approssimata con una normale:
$ P(75 ≤ bar X_n ≤ 79) = P( frac(75n – n*E[X])( sqrt(Var(X)*n) ) ≤ W ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) = $
$ P( W ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) – P( W ≤ frac(75n – n*E[X])( sqrt(Var(X)*n) ) ) = $
$ Φ( frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) – Φ( frac(75n – n*E[X])( sqrt(Var(X)*n) ) )$
Nel primo caso, la numerosità del campione è n = 36; sostituiamo quindi i dati numerici:
$ Φ( frac(79*36 – 36*77)( 9,4 * sqrt(36) ) ) – Φ( frac(75*36 – 36*77)( 9,4 * sqrt(36) ) ) = $
$ Φ( frac(2844 – 2772)( 9,4 * 6 ) ) – Φ( frac(2700 – 2772)( 9,4 * 6 ) ) = $
$ Φ( frac( 72 )( 56,4 ) ) – Φ( frac(-72)( 56,4 ) ) = Φ( 1,27 ) – Φ( -1,27 ) $
Applicando le proprietà della funzione di distribuzione della normale standard si ottiene:
$ Φ( 1,27 ) – Φ( -1,27 ) = 2 Φ( 1,27 ) – 1$
Ricavando i valori numerici dalla tabella della normale standard di ottiene la probabilità richiesta:
$ 2 Φ( 1,27 ) – 1 = 2 * 0,8980 – 1 = 0,796 $
ii) Per il secondo punto possiamo ragionare in maniera analoga, considerando in questo caso un campione di grandezza maggiore (n = 144). Il procedimento da seguire è lo stesso:
$ P(75 ≤ bar X_n ≤ 79) = P(75n ≤ S_n ≤ 79n) = $
$P( frac(75n – n*E[X])( sqrt(Var(X)*n) ) <= frac(S_n – n*E[X])( sqrt(Var(X)*n) ) ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) $
$ P( frac(75n – n*E[X])( sqrt(Var(X)*n) ) ≤ W ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) = $
$ P( W ≤ frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) – P( W ≤ frac(75n – n*E[X])( sqrt(Var(X)*n) ) ) = $
$ Φ( frac(79n – n*E[X])( sqrt(Var(X)*n) ) ) – Φ( frac(75n – n*E[X])( sqrt(Var(X)*n) ) )$
Sostituiamo i valori numerici considerando n = 144:
$ Φ( frac(79*144 – 144*77)( 9,4 * sqrt(144) ) ) – Φ( frac(75*144 – 144*77)( 9,4 * sqrt(144) ) ) = $
$ Φ( frac(11376 – 11088)( 9,4 * 12 ) ) – Φ( frac(10800 – 11088)( 9,4 * 12 ) ) = $
$ Φ( frac( 288 )( 112,8 ) ) – Φ( frac(-288)( 112,8 ) ) = Φ( 2,55 ) – Φ( -2,55 ) $
Applicando le proprietà della funzione di distribuzione della normale standard si ottiene:
$ Φ( 2,55 ) – Φ( -2,55 ) = 2 Φ( 2,55 ) – 1$
Ricavando i valori numerici dalla tabella della normale standard di ottiene la probabilità richiesta:
$ 2 Φ( 2,55 ) – 1 = 2 * 0,9946 – 1 = 0,9892 $
Si sa che le aule destinate agli studenti del primo anno del corso di laurea in Giurisprudenza di una certa università hanno una capienza di 150 posti. Considerato che, dall’esperienza passata, solo il 30% degli studenti iscritti segue le lezioni, l’ateneo adotta la politica di accettare le iscrizioni di 450 studenti. Calcolare la probabilità che una di quelle aule risulti insufficiente a contenere gli studenti frequentanti il I anno
Possiamo risolvere il problema introducendo una successione di variabili aleatorie ${X_n}$ con n = 1, …, 450, tale che ${X_i}$ assume il valore 1 se l’i-esimo studente iscritto frequenta i corsi universitari, e assume il valore 0 altrimenti. Sappiamo, quindi, che le variabili aleatorie ${X_i}$ sono indipendenti e seguono una legge di Bernoulli di parametro p = 0,3 (in quanto i dati del problema affermano che il 30% degli iscritti segue le lezioni).
Il numero degli studenti che frequentano le lezioni può essere calcolato semplicemente sommando le variabili aleatorie ${X_i}$; indichiamo con X tale somma. Sappiamo che tale somma è anch’essa una variabile aleatoria, e in particolar che essa segue una legge Binomiale di parametri p = 0,3 e n = 450 (numero degli studenti).
Applicando le formule note possiamo calcolare media e varianza di X:
$E[X] = np = 450 * 0,3 = 135 $
$Var[X] = np(1-p) = 450 * 0,3 * 0,7 = 94,5 $
Per determinare la probabilità richiesta dal problema possiamo utilizzare l’approssimazione normale: se ad X sottraiamo la sua media e dividiamo per la sua deviazione standard otteniamo una variabile aleatoria che si comporta approssimativamente come una normale standard.
Per calcolare la probabilità che una delle aule risulti insufficiente a contenere gli studenti, considerando che la capienza delle aule è di 150 posti, dobbiamo trovare la probabilità che il numero degli studenti sia maggiore di 150:
$P(X ≥ 151) = P(X > 150,5) = 1 – P(X ≤ 150,5) = $
$1 – P( frac(X – E[X])(sqrt(Var(X))) ≤ frac(150,5 – E[X]) (sqrt(Var(X))) ) = $
$ 1 – Φ( frac(150,5 – E[X])(sqrt(Var(X))) ) = 1 – Φ( frac(150,5 – 135)(sqrt(94,5) )) = 1 – Φ(1,59) $
Il valore della funzione di distribuzione della normale standard può essere ricavato dalle tavole della distribuzione normale standard; si ottiene:
$P(X ≥ 151) = 1 – Φ(1,59) = 1 – 0,9441 = 0,0559 $
Due dadi non truccati vengono lanciati simultaneamente 120 volte. Calcolare la probabilità che un 6, un 7 o un 9 si presentino almeno 70 volte
Supponiamo di avere due dadi, e osserviamo tutte le possibili uscite affinché il numero risultante dalle due facce sia 6; otteniamo il seguente insieme di coppie:
{(1,5), (2,4), (3,3), (4,2), (5,1)}
Allo stesso modo, osserviamo tutti i casi possibili affinché si verifichi il punteggio 7:
{(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)}
Infine, il punteggio 9 si realizza al verificarsi di una delle seguenti coppie:
{(3,6), (4,5), (5,4), (6,3)}
Poiché l’insieme di tutte le possibili coppie che possono uscire è 36, abbiamo esattamente la probabilità $p = frac(1)(36)$ che esca una determinata coppia di numeri.
Nel caso di punteggio pari a sei, le coppie ammissibili per l’ottenimento di tale punteggio sono 5; di conseguenza, la probabilità di ottenere il punteggio 6 è data da:
$ P({6}) = 5 * frac(1)(36) = frac(5)(36) $
Allo stesso modo, possiamo calcolare le probabilità che si verifichino i punteggi 7 e 9:
$ P({7}) = 6 * frac(1)(36) = frac(6)(36) = 1/6 $
$ P({9}) = 4 * frac(1)(36) = frac(4)(36) = 1/9 $
Avendo trovato le probabilità del verificarsi di ogni singolo evento, possiamo ricavare la probabilità che in un determinato lancio di verifichi un punteggio di 6, o un punteggio di 7 o un punteggio di 9:
$P({6} ∪ {7} ∪ {9}) = P({6}) + P({7}) + P({9}) = $
$frac(5)(36) + 1/6 + 1/9 = frac(15)(36) = frac(5)(12) $
Possiamo modellare il nostro problema utilizzando una variabile aleatoria ausiliaria X binomiale di parametri n = 120 (numero di lanci) e $p = frac(5)(12)$ (probabilità di successo).
Calcoliamo media e varianza di X applicando le formule note:
$E[X] = np = 120 * frac(5)(12) = 50 $
$Var[X] = np(1-p) = 120 * frac(5)(12) * (1 – frac(5)(12)) = 350 $
Per determinare la probabilità richiesta dal problema possiamo utilizzare l’approssimazione normale: se ad X sottraiamo la sua media e dividiamo per la sua deviazione standard otteniamo una variabile aleatoria che si comporta approssimativamente come una normale standard:
$P(X ≥ 70) = P(X > 69,5) = 1 – P(X ≤ 69,5) = 1 – P( frac(X – E[X])(sqrt(Var(X))) ≤ frac(69,5 – E[X]) (sqrt(Var(X))) ) = $
$ 1 – Φ( frac(69,5 – E[X])(sqrt(Var(X))) ) = 1 – Φ( frac(69,5 – 50)(sqrt(350))) = 1 – Φ( 1,04) $
Il valore della funzione di distribuzione della normale standard può essere ricavato dalle apposite tavole; si ottiene:
$P(X ≥ 70) = 1 – Φ( 1,04) = 1 – 0,8508 = 0,1492 $
Supponiamo che con probabilità 0,09 una persona abbia bisogno di assistenza ospedaliera nel corso di un anno. Se una società assicuratrice ha in atto 60000 polizze di assicurazione sanitaria, stimare: i) la probabilità che 500 indennizzi vengano liquidati in un anno; ii) la probabilità che vengano liquidati almeno 300 indennizzi in un anno
Utilizziamo una variabile aleatoria X che indica il numero di persone che necessitano di assistenza ospedaliera in un anno; allora X ha una legge binomiale di parametri n = 60000 (numero di polizze) e p = 0,09 (probabilità che una persona abbia bisogno di assistenza).
Sapendo che X è binomie, possiamo determinare facilmente la media e la varianza:
$ E[X] = np = 60000 * 0,09 = 5400$
$ Var(X) = np(1-p) = 60000 * 0,09 * (1-0,09) = 4914$
i) La probabilità richiesta consiste nel calcolare il valore P(X = 500); tale operazione potrebbe essere svolta semplicemente applicando le formule della legge binomiale, ma a causa della grandezza dei numeri, tale operazione sarebbe particolarmente complessa. Per questo, possiamo esprimere tale probabilità in maniera alternativa e calcolarla con l’ausilio della statistica e del teorema del limite centrale.
Si ha che:
$ P(X = 500) = P(499,5 < X < 500,5) $
Ricordiamo che per l’approssimazione normale, se a X togliamo la sua media, e dividiamo tutto per la sua deviazione standard, otteniamo una variabile aleatoria che, per n molto grande, si comporta come una normale standard.
Quindi possiamo procedere nel seguente modo:
$ P(499,5 < X < 500,5) = $
$P( frac(499,5 – E[X] )( Var(X) ) < frac(X – E[X])(Var(X)) < frac(500,5 – E[X]) (Var(X))) $
Indichiamo con W la normale standard in questione, e sostituiamo i valori numerici di media e varianza:
\( P\Big( \frac{499{,}5 – 5400}{\sqrt{4914}} \lt W \lt \frac{500{,}5 – 5400}{\sqrt{4914}}\Big) = \)
\( P\Big(\frac{-4900{,}5}{70{,}1} \lt W \lt \frac{-4899{,}5}{70,1}\Big) = \)
$ P( -69,91 < W < -69,89) $
Se indichiamo con Φ la funzione di distribuzione della normale standard, possiamo scrivere:
$ P( -69,91 < W < -69,89) = P(W < -69,89) – P( W < -69,91 ) = Φ(-69,89) – Φ(-69,91 ) = $
$-Φ(69,89) + Φ(69,91) = Φ(69,91) – Φ(69,89) $
Dai valori ricavati dalla tabella della normale standard possiamo concludere che la probabilità è molto piccola, tendente a zero. Quindi è assai improbabile che 500 indennizzi vengano liquidati in un anno. ii) Per la seconda parte possiamo seguire un procedimento analogo al precedente, considerando il fatto che si vuole che almeno 300 indennizzi vengano liquidati in un anno; quindi, in questo caso la probabilità da determinare è la seguente: P( X ≥ 300).
Procediamo come in precedenza:
$ P( X ≥ 300) = P( X > 299,5) = 1 – P(X ≤ 299,5) = $
$1 – P(W ≤ frac(299,5 – 5400 )( sqrt(4914) )) = $
$ 1 – P(W ≤ frac(299,5 – 5400 )( 70,1) ) = $
$ 1 – P(W ≤ frac( – 5100,5 )( 70,1) ) = 1 – P(W ≤ -72,6) = 1 – Φ(-72,6) ~ 1 $
Si effettuano n estrazioni con reinserimento da un mazzo di carte: dopo che una carta è stata estratta, essa viene rimessa nel mazzo, questo viene mescolato, e si estrae successivamente un’altra carta, ripetendo la procedura n volte. Calcolare la probabilità che effettuando 100 estrazioni con reinserimento si ottenga 20 volte una carta di quadri
In un mazzo di carte normali, la probabilità di estrarre una carta di quadri è esattamente 0,25. Consideriamo una variabile aleatoria X che indica il numero delle carte di quadri ottenute in 100 estrazioni con rimpiazzo; sappiamo dalla probabilità che X è una variabile aleatoria con legge binomiale di parametri n = 100 e p = 0,25.
La media di una variabile aleatoria binomiale è $E[X] = np = 100 * 0,25 = 25$, mentre la varianza vale: $Var(X) = np(1-p) = 100 * 0,25 * 0,75 = 18,75$.
Per calcolare la probabilità del problema potremmo determinare il valore di $P(X = 20)$, ma i calcoli che ne deriverebbero sarebbero troppo complessi, a causa dei coefficienti binomiali e dei fattoriali.
Possiamo quindi procedere utilizzando la statistica e l’approssimazione normale, fornitaci dal teorema del limite centrale. In particolare, poiché X assume solo valori interi, la probabilità da noi cercata può essere espressa nel seguente modo:
$ P(X = 20) = P(19,5 < X < 20,5) $
Ricordiamo che per l’approssimazione normale, se a X togliamo la sua media, e dividiamo tutto per la sua deviazione standard, otteniamo una variabile aleatoria che, per n molto grande, si comporta come una normale standard.
Quindi possiamo procedere nel seguente modo:
$ P(19,5 < X < 20,5) = $
$P( frac(19,5 – E[X] )( Var(X) ) < frac(X – E[X])(Var(X)) < frac(20,5 – E[X])(Var(X))) $
Indichiamo con W la normale standard in questione, e sostituiamo i valori numerici di media e varianza:
$ P( frac(19,5 – 25 )( sqrt(18,75) ) < W < frac(20,5 – 25 )( sqrt(18,75) ) = $
$ P( frac( -5,5 )( 4,33 ) < W < frac( -4,5 )(4,33) = $
$ P( -1,2702 < W < -1,0392) $
Se indichiamo con Φ la funzione di distribuzione della normale standard, possiamo scrivere:
$ P( -1,2702 < W < -1,0392) = P(W < -1,0392) – P( W < -1,2702 ) = Φ(-1,0392) – Φ(-1,2702 ) = $
$ – Φ(1,0392) + Φ(1,2702 ) = Φ(1,2702 ) – Φ(1,0392) $
Possiamo ricavare i valori della funzione Φ dalla tabella della normale standard; si ottiene:
$ Φ(1,2702 ) – Φ(1,0392) = 0,898 – 0,8508 = 0,0472 $
Le variabili aleatorie $X_i$ i_1,…n$ sono indipendenti ed ognuna di esse ha legge di Poisson di parametro $lambda = 2$. Calcolare la probabilità che $S_(100) = X_1 + X_2 + …+ X_(100)$ sia compresa tra 190 e 210
Il problema può essere risolto mediante l’utilizzo del teorema del limite centrale e dell’approssimazione normale standard.
La probabilità che dobbiamo calcolare è la seguente:
$ P(190 < S_n < 210) $
Per l’approssimazione standard abbiamo che la quantità $frac(S_n – nλ)(σ sqrt(n)) $ si comporta come una normale standard per n grandi (indichiamo tale variabile con W).
Nel nostro caso, poiché le variabili aleatorie hanno legge di Poisson, sappiamo che la loro media e la loro varianza vale esattamente λ. Abbiamo quindi tutti dati necessari per procedere:
$ P(190 < S_n < 210) = P( frac(190 – nλ)( sqrt(n)) < frac(S_n – nλ)(σ sqrt(n)) < frac(210 – nλ)(σ sqrt(n)) ) = $
$ P( frac(190 – 100 * 2)(sqrt(2) sqrt(100)) < frac(S_n – 100 * 2)(sqrt(2) sqrt(100)) < frac(210 – 100 * 2) (sqrt(2) sqrt(100) ) = $
$ P( frac(190 – 200)(10 sqrt(2)) < frac(S_n – 200)(10 sqrt(2)) < frac(210 – 200)(10 sqrt(2)) ) = $
$ P( frac(- 10)(10 sqrt(2)) < frac(S_n – 200)(10 sqrt(2)) < frac(10)(10 sqrt(2)) ) = $
$ P( frac(-1)(sqrt(2)) < W < frac(1)(sqrt(2))) = $
$ P( frac(-1)(sqrt(2)) < W < frac(1)(sqrt(2)) ) = $
$ P( – frac(sqrt(2))(2) < W < frac(sqrt(2))(2) ) $
Se indichiamo con Φ la funzione di distribuzione della normale standard, possiamo scrivere:
$ P( – frac(sqrt(2))(2) < W < frac(sqrt(2))(2) ) = $
$P(W < frac(sqrt(2))(2)) – P(W < – frac(sqrt(2))(2)) = $
$ Φ(frac(sqrt(2))(2)) – Φ(- frac(sqrt(2))(2)) = 2 Φ(frac(sqrt(2))(2)) – 1$
I valori corrispondenti possono essere ricavati dalla tavola della distribuzione normale standard:
$ 2 Φ(frac(sqrt(2))(2)) – 1 = 2 * 0,7611 = 0,5222 $
Una scatola contiene delle schede contenenti i dati personali dei dipendenti di una ditta. Di questi dipendenti, il 20% sono uomini e l’80% sono donne. Estraiamo una scheda a caso e annotiamo se si tratta di un uomo o di una donna. Prima di scegliere un’altra scheda, rimettiamo quella appena estratta nella scatola e procediamo così estraendo n schede. Quanto deve essere grande n affinché sia almeno 0,95 la probabilità che la proporzione di schede corrispondenti a dipendenti uomini sia compresa tra 0.18 e 0.22?
Consideriamo una variabile aleatoria X bernoulliana che assume i valori 0 e 1 nel seguente modo: $X_i = 1$ se la i-esima scheda scelta riguarda un uomo, mentre $X_i = 0$ se la i-esima scheda scelta riguarda una donna. Sapendo che il 20% dei dipendenti sono uomini, possiamo affermare che la probabilità di successo di ogni variabile è $p = 0,2$. Ricordando le proprietà delle variabili aleatorie di Bernoulli, possiamo anche affermare che: $E[X_i] = p = 0,2$ e che $Var(X_i) = p(1-p) = 0,2 * 0,8 = 0,16$.
La proporzione di schede corrispondenti a dipendenti uomini può essere scritta come la media campionaria $bar X_n$, in quanto abbiamo scelto di attribuire il “successo” al fatto che vengano estratte schede riguardanti uomini.
Per risolvere il problema, quindi, dobbiamo calcolare la seguente probabilità:
$ P(0,18 < bar X_n < 0,22) ≥ 0,95$
e trovare il valore minimo di n che renda vera la disuguaglianza precedente.
Cominciamo calcolando la probabilità:
$ P(0,18 < bar X_n < 0,22) = $
$P(0,18 < 1/n * (X_1 + …. + X_n ) < 0,22) = $
$P(0,18 n < S_n < 0,22 n)$
Possiamo risolvere la probabilità ricordando come si effettua l’approssimazione normale; in questo caso, sottraendo a $S_n$ la media (np) e dividendo per il valore $sigma * sqrt(n)$, otteniamo una variabile aleatoria che può essere approssimata con una normale standard, che indichiamo con W:
$ P(0,18 n < S_n < 0,22 n) = $
$P(frac(0,18 n – np)(sigma * sqrt(n)) < frac(S_n – np)(sigma * sqrt(n))< frac(0,22 n – np)(sigma * sqrt(n))) = $
$ P(frac(0,18 n – np)(sigma * sqrt(n)) < W < frac(0,22 n – np)(sigma * sqrt(n))) $
Sostituiamo i valori della probabilità e della deviazione standard:
$ P(frac(0,18 n – 0,2 n)(0,4 * sqrt(n)) < W < frac(0,22 n – 0,2 n)(0,4 * sqrt(n))) = $
$ P(frac(- 0,02 n)(0,4 * sqrt(n)) < W < frac(0,02 n)(0,4 * sqrt(n))) $
Possiamo procedere semplificando ulteriormente la scrittura:
$ P(W < frac(0,02 n)(0,4 * sqrt(n))) – P(W < frac(-0,02 n)(0,4 * sqrt(n))) = $
Applicando le proprietà della normale standard si ottiene:
$ P(W < frac(0,02 n)(0,4 * sqrt(n))) + P(W < frac(0,02 n)(0,4 * sqrt(n))) – 1= $
$ 2 P(W < frac(0,02 n)(0,4 * sqrt(n))) – 1 $
La quantità che abbiamo ottenuto deve essere maggiore di 0,95, ovvero:
$ 2 P(W < frac(0,02 n)(0,4 * sqrt(n))) – 1 ≥ 0,95 to $
$P(W < frac(0,02 n)(0,4 * sqrt(n))) ≥ (0,95+1)/2 $
$ P(W < frac(0,02 n)(0,4 * sqrt(n))) ≥ 0,975 $
Sapendo che il quantile della v.a di ordine 0,975 è 1,96 (si ricava dalle tavole della Normale Standard), possiamo scrivere:
$ P(W < frac(0,02 n)(0,4 * sqrt(n))) = Φ(frac(0,02 n)(0,4 * sqrt(n))) ≥ 0,975 = ϕ(1,96)$
e sapendo che la funzione di distribuzione è non decrescente, si ottiene che:
$ frac(0,02 n)(0,4 * sqrt(n) ) ≥ 1,96$
Risolviamo quindi la disuguaglianza per trovare il valore di n:
$ 0,02 n ≥ 1,96 * 0,4 * sqrt(n)$
$ (0,02 n)^2 ≥ (1,96 * 0,4 * sqrt(n))^2$
$ 0,0004 n^2 ≥ 0,614656 n$
$ 0,0004 n^2 – 0,614656 n ≥ 0$
$ n ≥ frac(0,614656)(0,0004) = 1536,64 $
Quindi possiamo concludere che occorre un n maggiore di 1536.
Si consideri la successione di variabili aleatorie {$X_n$} (n = 1,2…) uniformemente distribuite nell’intervallo (-1/n, 1/n). Stabilire se {$X_n$} converge in distribuzione a qualche variabile aleatoria X
In generale, è noto che una variabile aleatoria uniformemente distribuita nell’intervallo (a,b) ha una densità che è della seguente forma: $f = frac(1)(b-a)$.
Nel nostro caso, quindi, avremo che:
$ f_n (x) = frac(1)(1/n-(-1/n)) to f_n (x) = frac(1)(2/n) $ con $ x in (-1/n , 1/n) $
$ f_n (x) = frac(n)(2) $ con $x in (-1/n , 1/n) $
e la funzione vale zero in tutti i punti x esterni a tale intervallo.
Sappiamo, inoltre, che la funzione di distribuzione è della forma: $F(x) = frac(x-a)(b-a) $, e quindi nel nostro caso vale:
$F_n (x) = frac(x-(-1/n))(1/n-(-1/n)) to F_n (x) = frac(x+1/n)(2/n) $
$F_n (x) = frac(nx + 1)(2) text( ) x in [-1/n , 1/n] $
$F_n (x) = frac(nx)(2) + 1/2 text( ) x in [-1/n , 1/n] $
la funzione di distribuzione vale 0 per tutti gli x minori di -1/n, e vale 1 per tutti gli x maggiori di 1/n.
La convergenza in distribuzione si ha quando la funzione di distribuzione di una determinata successione di variabili aleatorie converge alla funzione di distribuzione di una v.a. nota, per n tendente all’infinito. Calcoliamo quindi il limite della nostra funzione di distribuzione; per ogni valore di x fissato si ottiene:
$ lim_(n to ∞) F_n (x) = lim_(n to ∞) 0 = 0 text( per ) x < 0$
$ lim_(n to ∞) F_n (x) = lim_(n to ∞) 1 = 1 text( per ) x > 0$
$ lim_(n to ∞) F_n (x) = lim_(n to ∞) frac(n*0)(2) + 1/2 = 1/2 text( per ) x = 0$
Consideriamo quindi una variabile aleatoria X che vale zero quasi certamente, ovvero per cui si ha: $P(X = 0) = 1$; la funzione di distribuzione di X è quindi la seguente:
$ F_X (x) = P(X≤x) = 0 * 1_(-∞, 0) (x) + 1 * 1_[0, +∞) (x)$
quindi, la funzione di distribuzione è 0 per tutti gli x minori di zero, e vale uno per tutti gli x maggiori o uguali a zero.
Tale funzione di distribuzione coincide con $F_n (x)$ in tutti i punti in cui essa è continua (in zero la funzione ha un punto di discontinuità di prima specie). Possiamo quindi concludere che la successione di variabili aleatorie {$X_n$} tende a X in distribuzione.
Si consideri la successione di variabili aleatorie {$X_n$} (n = 1,2…) uniformemente distribuite nell’intervallo (-n, n). Stabilire se {$X_n$} converge in distribuzione a qualche variabile aleatoria X
In generale, è noto che una variabile aleatoria uniformemente distribuita nell’intervallo (a,b) ha una densità che è della seguente forma: $f = frac(1)(b-a)$.
Nel nostro caso, quindi, avremo che:
$ f_n (x) = frac(1)(n-(-n)) to f_n (x) = frac(1)(2n) x € (-n , n) $
e la funzione vale zero in tutti i punti x esterni a tale intervallo.
Sappiamo, inoltre, che la funzione di distribuzione è della forma: $F(x) = frac(x-a)(b-a) $, e quindi nel nostro caso vale:
$F_n (x) = frac(x-(-n))(n-(-n)) to F_n (x) = frac(x+n)(2n) $
$F_n (x) = frac(x)(2n) + 1/2 x € [-n , n] $
la funzione di distribuzione vale 0 per tutti gli x minori di -n, e vale 1 per tutti gli x maggiori di n.
La convergenza in distribuzione si ha quando la funzione di distribuzione di una determinata successione di variabili aleatorie converge alla funzione di distribuzione di una v.a. nota, per n tendente all’infinito. Calcoliamo quindi il limite della nostra funzione di distribuzione:
$ lim_(n to ∞) F_n (x) = lim_(n to ∞) frac(x)(2n) + 1/2 = 1/2 $
Notiamo che il valore ottenuto è un valore costante; in generale, un valore costante non può essere funzione di distribuzione, e quindi possiamo concludere che la successione {X_n} non converge in distribuzione ad alcuna variabile aleatoria X.
Tre dadi non truccati vengono lanciati simultaneamente n volte. Sia $S_n$ il numero delle volte che si ottiene un punteggio complessivo uguale a 4 (cioè la somma dei dadi dà 4). Se n = 1296, trovare approssimativamente il valore di $S_n$
Consideriamo le possibilità che ci sono di ottenere un punteggio pari a 4 nel lancio di tre dadi; se indichiamo con la terna (i, j, k) le uscite rispettivamente del primo, del secondo e del terzo dado, abbiamo le seguenti possibilità: (1, 1, 2) , (1, 2, 1) , (2, 1, 1). Poiché consideriamo dadi non truccati, sappiamo che ogni faccia può presentare un numero da 1 a 6, e di conseguenza possiamo rappresentare lo spazio campione nel seguente modo:
$ omega = {(i, j, k); i,j,k € {1,2,3,4,5,6}} $
Di conseguenza, la cardinalità di omega è data da: $ #omega = 6^3$.
Conoscendo la cardinalità dell’insieme, la probabilità di ottenere esattamente una configurazione di uscita dei valori è:
$ P((i, j, k)) = frac(1)(6^3) $
Sapendo che il punteggio 4 può essere ottenuto con tre configurazioni diverse dei valori usciti, la probabilità che si verifichi tale evento è data da:
$ P((1, 1, 2) , (1, 2, 1) , (2, 1, 1)) = 3 * frac(1)(6^3) = frac(3)(6^3)$
Per risolvere il nostro problema, possiamo introdurre una variabile aleatoria $X_m$ che per costruzione assume il valore 1 se nel lancio i-esimo esce una somma di 4, e assume 0 altrimenti. Tale variabile aleatoria si comporta come una Bernulliana di parametro $ p = E(X_m) $.
La variabile $S_n = X_1 + …. + X_n$ , essendo la somma di variabili aleatorie Bernulliane, si comporta come una binomiale di parametri n e p.
Per stimare il suo valore, possiamo ricorrere alla legge forte dei grandi numeri, per cui si ha che:
$ frac(S_n)(n) = frac(X_1 + …. + X_n)(n) to p (n to ∞) $
Quindi, per n molto grande, $S_n$ tenderà al valore $np$.
Dai dati del problema, sappiamo che $n = 1296$, e dalle considerazioni precedenti sappiamo che $ p = frac(3)(6^3) $; possiamo quindi stimare il valore di $S_n$:
$ S_n = 1296 * frac(3)(6^3) = frac(6^4 * 3)(6^3) = 18 $
Potrebbe interessarti
- Cenni elementari di probabilità classica;
- Classificazione degli eventiti.
Una compagnia di assicurazioni vuole condurre un’indagine per stimare l’indennizzo medio pagato a seguito di incidenti domestici. Analisi pregresse mostrano che tali importi possono essere modellati con una variabile aleatoria gaussiana di media μ incognita e deviazione standard nota pari a 400 euro. Su un campione casuale $(X_1 , … , X_n)$ di n incidenti è stato osservato un indennizzo medio $bar X_n$ pari a 6230 euro. i) Determinare un intervallo di confidenza di livello 95% per il parametro μ quando l’ampiezza del campione è n = 144. ii) Determinare la dimensione minima del campione necessaria affinché l’ampiezza dell’intervallo di confidenza di livello 95% per il parametro μ non superi i 160 euro
i) Un intervallo di confidenza al livello 1 – α per la media incognita è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n + frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria. In questo caso, poiché la confidenza deve essere al 95%, sappiamo che 1 – α = 0,95.
Analizziamo i dati che fornisce il problema:
$n = 144$
$bar x_n = 6230$
$ σ = 400 $
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 6230 – frac(400)(sqrt(144)) * 1,96 ; 6230 + frac(400)(sqrt(144)) * 1,96 ] = $
$ [ 6230 – frac(400)(12) * 1,96 ; 6230 + frac(400)(12) * 1,96 ] = $
$ [ 6230 – 65,333 ; 6230 + 65,333 ] = [6164,67 ; 6295,333]$
ii) Considerata la formulazione dell’intervallo di confidenza per la media fatta precedentemente, sappiamo che la sua ampiezza è la seguente:
$ w = bar x_n + frac(σ)(sqrt(n)) ϕ_(1-α/2) – [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2)] = $
$ bar x_n + frac(σ)(sqrt(n)) ϕ_(1-α/2) – bar x_n + frac(σ)(sqrt(n)) ϕ_(1-α/2) = 2 frac(σ)(sqrt(n)) ϕ_(1- α/2) $
Quindi, per risolvere il problema dobbiamo trovare il più piccolo n per cui risulta vera la seguente disuguaglianza:
$ 2 frac(σ)(sqrt(n)) ϕ_(1-α/2) <= 160 $
Risolviamo la disequazione:
$ 2 frac(400)(sqrt(n)) * 1,96 <= 160 $
$ 2 * 400 * 1,96 <= 160 * sqrt(n)$
$ 1568 <= 160 * sqrt(n)$
$ 9,8 <= sqrt(n) to n >= 96,04 $
Quindi, il più piccolo n intero che soddisfa la disuguaglianza è n = 97.
Un campione di 500 pen drive viene estratto da una grossa fornitura ed esaminato per rilevare eventuali difetti. Supponiamo che 350 pezzi superino il controllo. i) Calcolare un intervallo di confidenza al livello 1 – α = 0,95 per la percentuale p di pen drive della fornitura accettabili. ii) Siano $X_1, … , X_n$ variabili aleatorie di Bernoulli di parametro q = 0,9 e sia $bar X_n = 1/n (X_1 + … + X_n)$. Stimare quanto deve essere grande n affinché sia $P(|bar X_n – q| ≥ 0,01) ≤ 0,01$
i) Indichiamo con $X_i$ la variabile aleatoria che vale 1 se l’i-esima pen drive è priva di difetti, e vale 0 altrimenti. Allora le variabili aleatorie $X_i$ sono indipendenti e Bernoulliane di parametro p incognito. Se indichiamo con X la somma di tali variabili aleatorie, ovvero:
$X = X_1 + …. + X_n$
allora X indica il numero di pen drive che sono senza difetti; X è una variabile aleatoria Binomiale di parametri n e p.
Il problema fornisce la media campionaria ottenuta dalle n pen drive esaminate. Dalle formule note, possiamo costruire un intervallo di confidenza per la media della distribuzione:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione (incognita), $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è appunto la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 500$
$bar x_n = 0,7$
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96.
Il valore di σ può essere stimato; considerando che in generale $σ=sqrt(p(1-p))$ per una variabile di Bernoulli, sappiamo che tale quantità è sicuramente minore di 0,5. Possiamo usare tale valore per approssimare la deviazione standard:
$ I = [ 0,7 – frac(0,5)(sqrt(500)) * 1,96 ; 0,7 + frac(0,5)(sqrt(500)) * 1,96 ] = [ 0,7 – frac(0,5)(10sqrt(5)) * 1,96 ; 0,7 + frac(0,5)(10sqrt(5)) * 1,96 ] = $
$ [ 0,7 – 0,04383 ; 0,7 + 0,04383 ] = [0,6562 ; 0,7438]$
ii) Per risolvere il secondo punto possiamo utilizzare l’approssimazione normale; ricordiamo che la quantità $frac(S_n – nμ)(σ*sqrt(n))$ si comporta come una normale standard per n molto grande (con $S_n$ abbiamo indicato la somma campionaria). Quindi possiamo utilizzare questo risultato per approssimare la probabilità richiesta dal problema:
$P(|bar X_n – q| >= 0,01) = P(|1/n * S_n| >= 0,01) = P(|S_n| >= 0,01 * n) $
$P(|frac(S_n – nq)(σ*sqrt(n))| >= frac(0,01 * n)(σ*sqrt(n))) $
Se chiamiamo con W una variabile aleatoria che si comporta come una normale standard otteniamo:
$P(|W| >= frac(0,01 * n)(σ*sqrt(n))) $
Il problema fornisce tutti i dati necessari; sostituiamo i valori numerici:
$ P(|W| >= frac(0,01 * n)(σ*sqrt(n))) = P( |W| >= frac(0,01 * n)(0,3*sqrt(n)) ) = $
$ P(|W| >= frac(0,01 * n)(0,3*sqrt(n)) ) = P(|W| >= frac(sqrt(n))(30) ) = $
$ 1 – P(|W| <= frac(sqrt(n))(30) ) = 1 – P(-sqrt(n))(30) <= W <= sqrt(n))(30) ) = $
$ 1 – P( W <= sqrt(n))(30) ) + P(W <= – sqrt(n))(30) ) $
Introduciamo la funzione Φ, ovvero la funzione di distribuzione della normale standard:
$ 1 – P( W <= sqrt(n))(30) ) + P(W <= – sqrt(n))(30) ) = 1 – Φ( sqrt(n))(30) ) + Φ(- sqrt(n))(30) ) = $
$ 2 (1 – Φ( sqrt(n))(30) ) ) $
Affinché tale quantità sia minore o uguale di 0,01 poniamo:
$ 2 (1 – Φ( sqrt(n))(30) ) ) <= 0,01 to 1 – Φ( sqrt(n))(30) ) <= 0,005$
$ Φ( sqrt(n))(30) ) >= 0,995$
Dalle tabelle della normale standard possiamo ricavare i valori numerici inversi di Φ; troviamo che 0,995 è circa Φ(2,34). Ciò significa che per rendere vera la disuguaglianza deve essere:
$ sqrt(n)(30) >= 2,34$
Risolviamo la disequazione e troviamo il valore di n:
$ sqrt(n) >= 2,34*30 = 70,2 to n > 4928,04 $
Un campione di 100 dischetti per computer viene estratto da una grossa fornitura ed esaminato per rilevare eventuali difetti. Si trova che 80 pezzi superano il controllo. i) Calcolare un intervallo di confidenza per μ al livello 1 – α = 0,95 per la percentuale p di dischetti della fornitura accettabili. ii) Siano $X_1, …, X_n$ variabili aleatorie di Bernoulli di parametro q = 0,8 e sia $bar X_n = 1/n (X_1 + … + X_n)$. Stimare quanto deve essere grande n affinché sia $P(|bar X_n – q| <= 0,01) >= 0,99$
i) Indichiamo con $X_i$ la variabile aleatoria che vale 1 se l’i-esimo dischetto è privo di difetti, e vale 0 altrimenti. Allora le variabili aleatorie $X_i$ sono indipendenti e Bernoulliane di parametro p incognito. Se indichiamo con X la somma di tali variabili aleatorie, ovvero:
$X = X_1 + …. + X_n$
allora X indica il numero di dischetti che sono senza difetti; X è una variabile aleatoria Binomiale di parametri n e p.
Il problema fornisce la media campionaria ottenuta dagli n dischetti esaminati. Dalle formule note, possiamo costruire un intervallo di confidenza per la media della distribuzione:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione (incognita), $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è appunto la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 100$
$bar x_n = 0,8$
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96.
Il valore di σ può essere stimato; considerando che in generale $σ=sqrt(p(1-p))$ per una variabile di Bernoulli, sappiamo che tale quantità è sicuramente minore di 0,5. Possiamo usare tale valore per approssimare la deviazione standard:
$ I = [ 0,8 – frac(0,5)(sqrt(100)) * 1,96 ; 0,8 + frac(0,5)(sqrt(100)) * 1,96 ] = [ 0,8 – frac(0,5)(10) * 1,96 ; 0,8 + frac(0,5)(10) * 1,96 ] = $
$ [ 0,8 – 0,098 ; 0,8 + 0,098 ] = [0,702 ; 0,898]$
ii) Per risolvere il secondo punto possiamo utilizzare l’approssimazione normale; ricordiamo che la quantità $frac(S_n – nμ)(σ*sqrt(n))$ si comporta come una normale standard per n molto grande (con $S_n$ abbiamo indicato la somma campionaria). Quindi possiamo utilizzare questo risultato per approssimare la probabilità richiesta dal problema:
$P(|bar X_n – q| <= 0,01) = P(|1/n * S_n| <= 0,01) = P(|S_n| <= 0,01 * n) = $
$P(|frac(S_n – nq)(σ*sqrt(n))| <= frac(0,01 * n)(σ*sqrt(n))) $
Se chiamiamo con W una variabile aleatoria che si comporta come una normale standard otteniamo:
$P(|W| <= frac(0,01 * n)(σ*sqrt(n))) $
Il problema fornisce tutti i dati necessari; sostituiamo i valori numerici:
$ P(|W| <= frac(0,01 * n)(σ*sqrt(n))) = P( |W| <= frac(0,01 * n)(0,4*sqrt(n)) ) = $
$ P(|W| <= frac(0,01 * n)(0,4*sqrt(n)) ) = P(|W| <= frac(sqrt(n))(40) ) = P(-sqrt(n))(40) <= W <= sqrt(n))(40) ) = $
$P( W <= sqrt(n))(40) ) – P(W <= – sqrt(n))(40) ) $
Introduciamo la funzione Φ, ovvero la funzione di distribuzione della normale standard:
$ P( W <= sqrt(n))(40) ) – P(W <= – sqrt(n))(40) ) = Φ( sqrt(n))(40) ) – Φ(- sqrt(n))(40) ) = $
$ 2 Φ( sqrt(n))(40) ) – 1$
Affinché tale quantità sia maggiore o uguale di 0,99 poniamo:
$ 2 Φ( sqrt(n))(40) ) – 1 >= 0,99 to Φ( sqrt(n))(40) ) >= 0,995$
Dalle tabelle della normale standard possiamo ricavare i valori numerici inversi di Φ; troviamo che 0,995 è circa Φ(2,34). Ciò significa che per rendere vera la disuguaglianza deve essere:
$ sqrt(n)(40) >= 2,34$
Risolviamo la disequazione e troviamo il valore di n:
$ sqrt(n) >= = 2,34*40 = 93,6 to n > 8760,96 $
Si esamina un campione di n = 100 componenti elettronici e si trova che la media campionaria del tempo di vita dei componenti è $bar x_n = 50$ (mesi). Ipotizzando che il tempo di vita di un componente del campione sia una variabile aleatoria X con varianza $σ^2 = 144$ e media μ incognita. i) si trovi un intervallo di confidenza per μ al livello 1 – α = 0,95 per la media; ii) supponendo che X ~ N(50, 144), calcolare $P(44 ≤ X ≤ 62)$
i) Un intervallo di confidenza al livello 1 – α per la media incognita è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 100$
$bar x_n = 50$
$σ^2 = 144 to σ = 12 $
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 50 – frac(12)(sqrt(100)) * 1,96 ; 50 + frac(12)(sqrt(100)) * 1,96 ] = [ 50 – frac(12)(10) * 1,96 ; 50 + frac(12)(10) * 1,96 ] = $
$ [ 50 – 2,352 ; 50 + 2,352 ] = [47,648 ; 52,352]$
ii) La probabilità da stimare è la seguente:
$P(44 ≤ X ≤ 62) $
Dal teorema del limite centrale sappiamo che se ad una variabile aleatoria sottraiamo la sua media e dividiamo tutto per la sua deviazione standard otteniamo una variabile aleatoria (che possiamo indicare con W) che si comporta come una normale standard per n abbastanza grande.
Procediamo applicando le regole per l’approssimazione normale:
$ P(44 ≤ X ≤ 62) = P( frac(44 – E[X])(σ) ≤ frac(X – E[X])(σ) ≤ frac(62 – E[X])(σ) ) = $
$ P( frac(44 – E[X])(σ) ≤ W ≤ frac(62 – E[X])(σ) ) = $
Sostituiamo i valori numerici:
$ P( frac(44 – 50)(12) ≤ W ≤ frac(62 – 50)(12) ) = P( frac(-6)(12) ≤ W ≤ frac(12)(12) ) = $
$ P( -0,5 ≤ W ≤ 1 ) = P(W ≤ 1) – P(W ≤ -0,5) $
Introducendo la funzione Φ, ovvero la funzione di distribuzione della normale standard, abbiamo:
$ P(W ≤ 1) – P(W ≤ -0,5) = Φ(1) – Φ(-0,5) = Φ(1) – [1 – Φ(0,5)] $
Siano $X_1, … , X_n$ variabili aleatorie e con la stessa distribuzione, e sia $bar x_n = 1/n (X_1 + … + X_n)$ la media campionaria. Inoltre, siano μ e $σ^2 = 16$ media e varianza delle variabili aleatorie in questione. i) Supponendo che μ sia incognita, calcolare l’intervallo di confidenza per μ al livello 1 – α = 0,90 nel caso in cui $bar x_n = 80$ e n = 100. ii) Supponiamo che le variabili aleatorie $X_1, … , X_n$ siano normali e che μ=2. Calcolare $P(X_1 < 3)$
i) Un intervallo di confidenza per la media della distribuzione è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 100$
$bar x_n = 80$
$σ^2 = 16 to σ = 4 $
$1-α = 0,90 to 1-α/2 = 0,95$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,65. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 80 – frac(4)(sqrt(100)) * 1,65 ; 80 + frac(4)(sqrt(100)) * 1,65 ] = [ 80 – frac(4)(10) * 1,65 ; 80 + frac(4)(10) * 1,65 ] = $
$ [ 80 – 0,66 ; 80 + 0,66 ] = [79,34 ; 80,66]$
ii) Considerando che la variabile $X_1$ è normale standard, possiamo sfruttare l’approssimazione normale per calcolare la probabilità richiesta:
$ P( X_1 < 3) $
possiamo procedere nel modo seguente:
$ P( X_1 < 3) = P( frac(X_1 – E[X_1])(σ) < frac(3 – E[X_1])(σ) ) $
Se indichiamo con W una variabile aleatoria che si comporta come una normale standard abbiamo:
$ P( X_1 < 3) = P( W < frac(3 – E[X_1])(σ) ) $
Dai dati del problema sappiamo che:
$ E[X_1] = μ=2 $
$ σ = 4 $
Quindi possiamo procedere sostituendo i valori numerici:
$ P( X_1 < 3) = P( W < frac(3 – 2)(4) ) = P( W < frac(1)(4) ) = P( W < 0,25 ) $
Introduciamo la funzione Φ, ovvero la funzione di distribuzione della normale standard:
$ P( W < 0,25 ) = Φ(0,25) $
Dalle tabelle della normale standard possiamo ricavare i valori numerici di Φ:
$ Φ(0,25) = 0,59871 $
Un segnale elettrico viene trasmesso dalla sorgente A alla stazione ricevente B. A causa del “rumore” la stazione ricevente registra un valore (affetto da errore) con media μ e varianza 4. Per ridurre l’errore, lo stesso segnale viene trasmesso 100 volte. I valori registrati da B forniscono una media campionaria $bar x_(100) = 9$. Calcolare l’intervallo di confidenza per μ al livello 1 – α = 0,90
Sappiamo che un intervallo di confidenza per la media della distribuzione è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 100$
$bar x_n = 9$
$σ^2 = 4 to σ = 2 $
$1-α = 0,90 to 1-α/2 = 0,95$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,65. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 9 – frac(2)(sqrt(100)) * 1,65 ; 9 + frac(2)(sqrt(100)) * 1,65 ] = [ 9 – frac(2)(10) * 1,65 ; 9 + frac(2)(10) * 1,65 ] = $
$ [ 9 – 0,33 ; 9 + 0,33 ] = [8,67 ; 9,33]$
Sia X una variabile aleatoria con distribuzione normale standard di media μ e varianza $σ^2 = 25$. i) Calcolare P(X > 5) nel caso in cui μ = 4; ii) supponiamo che μ sia incognita, e che la media campionaria $bar x_n$ di n = 400 variabili aleatorie indipendenti e con stessa distribuzione di X sia uguale a 3,6. Trovare l’intervallo di confidenza per μ al livello 1 – α = 0,95.
i) Per calcolare la probabilità richiesta possiamo sfruttare i risultati ottenuti dal teorema del limite centrale; sappiamo infatti che la quantità $ frac(X – μ)(σ) $ è una variabile aleatoria che si comporta approssimativamente come una normale standard per n abbastanza grande. Quindi possiamo procedere nel seguente modo:
$P(X>5) = P(frac(X – μ)(σ) > frac(5 – μ)(σ)) $
Sostituendo i valori numerici otteniamo:
$ P(frac(X – μ)(σ) > frac(5 – 4)(sqrt(25))) = P(frac(X – μ)(σ) > frac(1)(5) ) = 1 – P(frac(X – μ)(σ) <= frac(1)(5) ) $
Se introduciamo la funzione Φ, ovvero la funzione di distribuzione della normale standard, abbiamo che:
$ 1 – P(frac(X – μ)(σ) <= frac(1)(5) ) = 1 – Φ(frac(1)(5)) = 1 – Φ(0,2) $
Dalle tabelle della normale standard possiamo ricavare i valori numerici di Φ:
$ 1 – Φ(0,2) = 1 – 0,57296 = 0,42074 $
ii) Dato che la media del campione non è conosciuta, sappiamo che un intervallo di confidenza per la media della distribuzione è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 400$
$bar x_n = 3,6$
$σ^2 = 25 to σ = 5 $
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 3,6 – frac(5)(sqrt(400)) * 1,96 ; 3,6 + frac(5)(sqrt(400)) * 1,96 ] = [ 3,6 – frac(5)(20) * 1,96 ; 3,6 + frac(5)(20) * 1,96 ] = $
$ [ 3,6 – 0,49 ; 3,6 + 0,49 ] = [3,11 ; 4,09]$
Su 144 campi adibiti alla coltivazione di barbabietole si sperimenta un nuovo fertilizzante e si osserva un aumento medio di produzione di 14 kg. Sia X la variabile aleatoria che indica l’aumento di produzione su un singolo campo. i) Supponiamo che la variabile aleatoria X abbia media incognita e varianza nota: $sigma^2 = 121$. Calcolare un intervallo di confidenza al livello $1 – alpha = 0,95$ per la media $mu$. ii) Supponiamo che la variabile X abbia una distribuzione normale di media $mu = 14$ e varianza $sigma^2 = 121$. Calcolare la probabilità che l’aumento della produzione sia maggiore di 20 kg
i) Indichiamo con $X_i$ la variabile aleatoria che indica l’aumento di produzione prodotto dal campo i-esimo; sappiamo che il valore osservato della media campionaria è $bar x_(144) = 14$.
Dato che la media del campione non è conosciuta, è noto che un intervallo di confidenza per la media della distribuzione è della forma seguente:
$ I = [bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x_n – frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $σ$ è la deviazione standard del campione, $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della distribuzione normale standard e $bar x_n$ è la media campionaria.
Analizziamo i dati che fornisce il problema:
$n = 144$
$bar x_(144) = 14$
$σ^2 = 121 to σ = 11 $
$1-α = 0,95 to 1-α/2 = 0,975$
Dalla tavola dei valori della distribuzione normale standard possiamo trovare che il quantile di ordine $1-α/2$ è 1,96. Avendo a disposizione tutti i dati necessari, possiamo determinare l’intervallo di confidenza richiesto:
$ I = [ 14 – frac(11)(sqrt(144)) * 1,96 , 14 – frac(11)(sqrt(144)) * 1,96 ] = $
$ [ 14 – frac(11)(12) * 1,96 , 14 – frac(11)(12) * 1,96 ] = [12,203 ; 15,797] $
ii) La probabilità richiesta dal problema è la seguente: $P(X > 20)$; per stimare tale probabilità possiamo utilizzare l’approssimazione standard. Utilizziamo una variabile W che si comporta come una normale standard.
Possiamo procedere nel modo seguente:
$P(X > 20) = P(frac(X – E[X])(sqrt(Var(X))) > frac(20 – E[X])(sqrt(Var(X))) ) = P( W > frac(20 – E[X])
(sqrt(Var(X))) ) $
Sostituiamo i valori numerici:
$ P( W > frac(20 – 14)(sqrt(121)) ) = P( W > frac(6)(11) ) $
Introducendo la funzione Φ, ovvero la funzione di distribuzione della normale standard, abbiamo:
$ P( W > frac(6)(11) ) = 1 – P( W < frac(6)(11) ) = 1 – Φ(frac(6)(11)) $
Dalle tabelle della normale standard si ricava:
$1 – Φ(frac(6)(11)) = 1 – Φ(0,54) = 1 – 0,7054 = 0,2946 $
Cento studenti di chimica effettuano delle misurazioni per determinare il punto di fusione del piombo. Dai dati ottenuti dalle 100 misure effettuate, si trova che la media campionaria è 329,2 °C. Ipotizzando che il punto di fusione cercato sia distribuito secondo una variabile aleatoria con deviazione standard $sigma = “15,4” °C$, trovare : i) un intervallo di confidenza al livello 0,95 per la temperatura media di fusione del piombo; ii) un intervallo di confidenza al livello 0,99 per la temperatura media di fusione del piombo
i) Un intervallo di confidenza a livello 1 – α per la media incognita di una distribuzione che ha
deviazione standard σ è dato da:
$ I = [bar x – frac(σ)(sqrt(n)) ϕ_(1-α/2) , bar x + frac(σ)(sqrt(n)) ϕ_(1-α/2) ] $
dove $bar x$ è la media campionaria e $ϕ_(1-α/2) $ è il quantile di ordine $1-α/2$ della
distribuzione normale standard.
Analizzando i dati del problema troviamo che:
$ n = 100 to sqrt(n) = 10 $
$ σ = 15,4 $
$bar x = 329,2 $
$1 – α = 0,95 to α = 1 – 0,95 = 0,05$
Il valore di $ϕ_(1-α/2) $ si ricava dalle tavole della distribuzione Normale Standard; si ottiene che
il quantile $ϕ_(0,975) $ è 1,96.
Possiamo proseguire sostituendo i dati numerici nell’espressione dell’intervallo:
$ I = [329,2 – frac(15,4)(10) * 1,96 , 329,2 + frac(15,4)(10) *1,96 ] = $
$ [329,2 – 3,0184 , 329,2 + 3,0184 ] = [ 326,18 ; 332,22 ] $
i) Per il secondo punto possiamo procedere in maniera analoga a quella precedente; abbiamo la
stessa forma per l’intervallo di confidenza, ma i dati a disposizione riguardo il quantile della
Gaussiana sono differenti. Si ha che:
$1 – α = 0,99 to α = 1 – 0,99 = 0,01$
Dalla tavola della distribuzione Normale Standard si ottiene che il quantile $ϕ_(0,995) $ è 2,58.
Possiamo proseguire sostituendo i dati numerici nell’espressione dell’intervallo:
$ I = [329,2 – frac(15,4)(10) * 2,58 , 329,2 + frac(15,4)(10) *2,58 ] = $
$ [329,2 – 3,9732 , 329,2 + 3,9732 ] = [ 325,22 ; 333,17 ] $
Potrebbe interessarti anche
Un’azienda decide di assicurare il suo parco veicoli contro i propri danni. Per valutare il costo medio di riparazione per infortunio, viene scelto a caso un campione di n = 144 incidenti, e si trova una media campionaria di 2200 euro. Ipotizzando una deviazione standard σ = 800 euro, trovare un intervallo di confidenza al livello $1 – α = 0,90$ per il costo medio delle riparazioni.
E’ noto che un intervallo di confidenza a livello 1 – α per la media incognita di una distribuzione che ha deviazione standard σ è della forma:
$ I = [bar x – frac(sigma)(sqrt(n)) phi_(1-alpha/2) , bar x + frac(sigma)(sqrt(n)) phi_(1-alpha/2) ] $
dove $bar x$ è la media campionaria e $phi_(1-alpha/2) $ è il quantile di ordine $1-alpha/2$ della distribuzione normale standard.
Analizzando i dati del problema troviamo che:
$ n = 144 to sqrt(n) = 12 $
$ sigma = 800 $
$bar x = 2200$
$1 – alpha = 0,90 to alpha = 1 – 0,90 = 0,1$
Il valore di $phi_(1-alpha/2) $ si ricava dalle tavole della distribuzione Normale Standard; si ottiene che il quantile $phi_(0,95) $ è 1,65.
Possiamo proseguire sostituendo i dati numerici nell’espressione dell’intervallo:
$ I = [2200 – frac(800)(12) * 1,65 , 2200 + frac(800)(12) *1,65 ] = $
$ [2200 – 110 , 2200 + 110 ] = [ 2090 ; 2310 ] $
Villetta
PREMESSA
Lisa è davvero soddisfatta. Da un anno si è comprata una villetta in collina. Dotata di un’ampia porta-finestra che copre gran parte della facciata sud. Con una bella vista sulla pianura e sul fiume che s’intravede all’orizzonte. Continua a leggere “Villetta”
La Scala pentenaria e gli stili di vita
In questo articolo si vuole mostrare l’utilità delle scale pentenarie per la risoluzione di problemi di valutazione e decisione. La scala sarà poi applicata ad un test sulle abitudini alimentari e sugli stili di vita degli umani. Continua a leggere “La Scala pentenaria e gli stili di vita”
2019 Simulazione tema d’esame di matematica e fisica (Indirizzi scientifico, scientifico opzione scienze applicate, scientifico sezione a indirizzo sportivo)
Scarica il file in formato PDF.
Potrebbe interessarti
- La prova scritta di matematica al liceo (ed. 2019)
2018 Tema di matematica, sessione straordinaria (indirizzi: scientifico, scientifico opzione scienze applicate, scientifico a indirizzo sportivo)
Scarica il file in
formato PDF.
Potrebbe interessarti
- La prova scritta di matematica al liceo (ed. 2019)
2018 Tema di matematica, sessione straordinaria (indirizzi: scientifico comunicazione opzione sportiva)
Scarica il file in formato PDF.
Potrebbe interessarti
- La prova scritta di matematica al liceo (ed. 2019)