Formulario di Probabilitร  e Statistica

โ‹†Requisiti algebra

โ‹†Teorema di Bayes

P(Ai|H)=P(Ai)P(H|Ai)P(H)=P(Ai)P(H|Ai)โˆ‘i=1nP(Ai)P(H|Ai)

โ‹†Proprietร  di una funzione di ripartizione

Nel caso di una variabile casuale discreta si aggiungono le proprietร :

Inoltre:
Pr((a,b])=F(b+)โˆ’F(a+)
Pr([a,b))=F(bโˆ’)โˆ’F(aโˆ’)
Pr((a,b))=F(bโˆ’)โˆ’F(a+)
Pr([a,b])=F(b+)โˆ’F(aโˆ’)
Pr(X=x)=Pr((x,x])=limxโ†’x0+FX(x)โˆ’limxโ†’x0โˆ’FX(x)

โ‹†Valore atteso (momento non centrato)
E(X)=โˆ‘x=0nxโ‹…pX(x)=โˆซRXย xโ‹…fX(x)ย dx
E(XY)=โˆ‘xโˆ‘yย xโ‹…yโ‹…pX,Y(x,y)=โˆซโˆ’โˆž+โˆžโˆซโˆ’โˆž+โˆžxโ‹…yโ‹…fX,Y(x,y)ย dxย dy

E(Xย |ย Y=y)=โˆ‘xxโ‹…pX|Y(x|y)=E(X|Y=y)=โˆซRXxโ‹…fX|Y(x|y)ย dx=โˆซRXxโ‹…fX,Y(x,y)fY(y)ย dx

โ‹†Momento di ordine r
E(Xr)=โˆ‘xxrโ‹…pX(x)=โˆซโˆ’โˆžโˆžย xrโ‹…fX(x)ย dx

โ‹†Varianza
Var(X)=E(X2)โˆ’E(X)2
Var(Xย |ย Y=y)=โˆ‘x(xโˆ’E(Xย |ย Y=y))2โ‹…pX|Y(x|y)=E(X2|Y=y)โˆ’(E(X|Y=y))2
Var(aX+bY+c)=a2Var(X)+b2Var(Y)+2abCov(X,Y)

โ‹†Covarianza
Cov(X,Y)=E(Xโ‹…Y)โˆ’E(X)โ‹…E(Y)

โ‹†Indice di Pearson
ฯ(X,Y)=Cov(X,Y)Var(X)โ‹…Var(Y)

โ‹†Funzione di probabilitร  discreta
p(x)โ‰ฅ0 per ogni x reale e โˆ‘xโˆˆRXย p(x)=1


โ‹†Funzione di probabilitร  continua

โ‹†Variabili aleatorie doppie continue

โ‹†Variabili aleatorie doppie discrete

โ‹†โ‹†Distribuzioni condizionali e indipendenza
โ‹†Variabili discrete
Due v.a. discrete X e Y sono stocasticamente indipendenti se (e solo se)

pX,Y(x,y)=pX(x)โ‹…pY(y)

questo implica che

pX,Y(x,y)=pX|Y(X=xย |ย Y=y)โ‹…pY(y)=pY|X(Y=yย |ย X=x)โ‹…pX(x)

โ‹†Variabili continue
Due v.a. continue X e Y sono stocasticamente indipendenti se (e solo se)

fX,Y(x,y)=fX(x)โ‹…fY(y)

In caso di indipendenza di variabili continue vale:

fX|Y(x|y)=fX(x)

Inoltre

fX|Y=fX,Y(x,y)fY(y)



โ‹†Teorema Limite Centrale

Xยฑ0.5โˆ’E[X](Var(x)) + con P(Xโ‰คk),ย โˆ’ con P(Xโ‰ฅk)

โ‹†Disuguaglianza di Markov

Pr(Yโ‰ฅa)โ‰คE(Y)a

โ‹†Disuguaglianza di Chebychev

Pr(|Yโˆ’ฮผ|โ‰ฅฯต)โ‰คฯƒ2ฯต2

โ‹†Binomiale

Pr(X=k)=(nk)ย pk(1โˆ’p)nโˆ’kk=0,1,...,nE(X)=nโ‹…pVar(X)=nโ‹…p(1โˆ’p)

In R:

dbinom(k, n, p) #P(X=x)
pbinom(k, n, p) #P(Xโ‰คx)
pbinom(k, n, p, FALSE) #P(X>x)

โ‹†Poisson

Pr(X=x)=ฮปxx!eโˆ’ฮปx=0,1,...E(X)=Var(X)=ฮป

In R:

dpois(x, lambda) #P(X=x)
ppois(x, lambda) #P(Xโ‰คx)
ppois(x, lambda, FALSE) #P(X>x)

Se Y1 e Y2ย sono dueย variabili aleatorie indipendenti con distribuzioni di Poisson di parametri ฮป1 e ฮป2 rispettivamente, allora

โ‹†Geometrica

Pr(X=x)=p(1โˆ’p)kโˆ’1x=1,2,...E(X)=1pVar(X)=1โˆ’pp2

In R:

dgeom(x, prob) #P(X=x)
pgeom(x, prob) #P(Xโ‰คx)
pgeom(x, prob, FALSE) #P(X>x)

โ‹†Normale

N(ยต,ฯƒ2)=12ฯ€ฯƒ2expโก{โˆ’12(xโˆ’ฮผฯƒ)2}E(X)=ยตVar(X)=ฯƒ2

In R:

dnorm(x, mean = 0, sd = 1) #f(X=x), mean = ยต, sd = ฯƒ
pnorm(x, mean = 0, sd = 1) #integral from 0 to x
qnorm(p, mean = 0, sd = 1) #integral from 0 to k = p

โ‹†Esponenziale

Exp(ฮป)=ฮปeโˆ’ฮปxx>0F(x)=1โˆ’eโˆ’ฮปxxโ‰ฅ0E(X)=1ฮปVar(X)=1ฮป2

In R:

dexp(x, lambda) #f(X=x), mean = ยต, sd = ฯƒ
pexp(x, lambda) #integral from 0 to x
qexp(p, lambda) #integral from 0 to k = p

โ‹†Integrali in R

integrand <- function(x) { exp(-x) }
integrate(integrand, 0, +Inf)$value