โ Requisiti algebra
ฮฉ e โ
โ A
โ A โ A ย ancheย A c โ A
l'unione finita di elementi diย A ย continua a stare inย A .
โ Teorema di Bayes
P ( A i | H ) = P ( A i ) P ( H | A i ) P ( H ) = P ( A i ) P ( H | A i ) โ i = 1 n P ( A i ) P ( H | A i )
โ Proprietร di una funzione di ripartizione
F X ( x ) = P ( X โค x )
Non decrescente
0 โค F X ( x ) โค 1
l i m x โ + โ ย F X ( x 0 ) = 1
l i m x โ โ โ ย F X ( x 0 ) = 0
Nel caso di una variabile casuale discreta si aggiungono le proprietร :
Inoltre:
Pr ( ( a , b ] ) = F ( b + ) โ F ( a + )
Pr ( [ a , b ) ) = F ( b โ ) โ F ( a โ )
Pr ( ( a , b ) ) = F ( b โ ) โ F ( a + )
Pr ( [ a , b ] ) = F ( b + ) โ F ( a โ )
Pr ( X = x ) = Pr ( ( x , x ] ) = l i m x โ x 0 + F X ( x ) โ l i m x โ x 0 โ F X ( x )
โ Valore atteso (momento non centrato)
E ( X ) = โ x = 0 n x โ
p X ( x ) = โซ R X ย x โ
f X ( x ) ย d x
E ( X Y ) = โ x โ y ย x โ
y โ
p X , Y ( x , y ) = โซ โ โ + โ โซ โ โ + โ x โ
y โ
f X , Y ( x , y ) ย d x ย d y
E ( X ย | ย Y = y ) = โ x x โ
p X | Y ( x | y ) = E ( X | Y = y ) = โซ R X x โ
f X | Y ( x | y ) ย d x = โซ R X x โ
f X , Y ( x , y ) f Y ( y ) ย d x
โ Momento di ordine r
E ( X r ) = โ x x r โ
p X ( x ) = โซ โ โ โ ย x r โ
f X ( x ) ย d x
โ Varianza
V a r ( X ) = E ( X 2 ) โ E ( X ) 2
V a r ( X ย | ย Y = y ) = โ x ( x โ E ( X ย | ย Y = y ) ) 2 โ
p X | Y ( x | y ) = E ( X 2 | Y = y ) โ ( E ( X | Y = y ) ) 2
๐ ๐ฃ ๐ ๐ฃ ๐ ๐ง V a r ( a X + b Y + c ) = a 2 Var ( X ) + b 2 Var ( Y ) + 2 a b Cov ( X , Y )
โ Covarianza
C o v ( X , Y ) = E ( X โ
Y ) โ E ( X ) โ
E ( Y )
โ Indice di Pearson
ฯ ( X , Y ) = C o v ( X , Y ) V a r ( X ) โ
V a r ( Y )
โ Funzione di probabilitร discreta
p ( x ) โฅ 0 per ogni x reale e โ x โ R X ย p ( x ) = 1
โ Funzione di probabilitร continua
P r ( X โ ( a , b ] ) = P r ( a < X โค b ) = โซ a b f ( x ) ย d x
f ( x ) > 0 per ogni x โ R
โซ โ โ โ f ( x ) ย d x = 1
P r ( X = x ) = 0
F ( x ) = โซ โ โ x f ( t ) ย d t = { 0 ย forย t < 0 โซ 0 t f ( s ) d s 0 โค t < n 1 ย forย t โฅ n
โ Variabili aleatorie doppie continue
f X , Y ( x , y ) โฅ 0
โซ โ โ โ โซ โ โ โ f X , Y ( x , y ) ย d x ย d y = 1
P ( X โ [ a , b ] โฉ X โ [ a , b ] ) = โซ a b โซ c d f X , Y ( x , y ) ย d x ย d y
f X ( x ) = โซ R Y f X , Y ( x , y ) d y
f Y ( y ) = โซ R X f X , Y ( x , y ) d x
โ Variabili aleatorie doppie discrete
f X , Y ( x , y ) โฅ 0
โ x โ y f X , Y ( x , y ) = 1
f X , Y ( x , y ) = P ( X = x โฉ Y = y )
f X ( x ) = P ( X = x ) = โ y f X , Y ( x , y )
f Y ( y ) = P ( Y = y ) = โ x f X , Y ( x , y )
โ โ Distribuzioni condizionali e indipendenza
โ Variabili discrete
Due v.a. discrete X e Y sono stocasticamente indipendenti se (e solo se)
p X , Y ( x , y ) = p X ( x ) โ
p Y ( y ) questo implica che
p X , Y ( x , y ) = p X | Y ( X = x ย | ย Y = y ) โ
p Y ( y ) = p Y | X ( Y = y ย | ย X = x ) โ
p X ( x ) โ Variabili continue
Due v.a. continue X e Y sono stocasticamente indipendenti se (e solo se)
f X , Y ( x , y ) = f X ( x ) โ
f Y ( y ) In caso di indipendenza di variabili continue vale:
f X | Y ( x | y ) = f X ( x ) Inoltre
f X | Y = f X , Y ( x , y ) f Y ( y )
โ Teorema Limite Centrale
X ยฑ 0.5 โ E [ X ] ( V a r ( x ) ) + con P ( X โค k ) , ย โ con P ( X โฅ k )
โ Disuguaglianza di Markov
P r ( Y โฅ a ) โค E ( Y ) a
โ Disuguaglianza di Chebychev
P r ( | Y โ ฮผ | โฅ ฯต ) โค ฯ 2 ฯต 2
โ Binomiale
P r ( X = k ) = ( n k ) ย p k ( 1 โ p ) n โ k k = 0 , 1 , . . . , n E ( X ) = n โ
p V a r ( X ) = n โ
p ( 1 โ p ) In R:
dbinom(k, n, p) #P (X=x)
pbinom(k, n, p) #P (Xโคx)
pbinom(k, n, p, FALSE) #P (X>x)
โ Poisson
P r ( X = x ) = ฮป x x ! e โ ฮป x = 0 , 1 , . . . E ( X ) = V a r ( X ) = ฮป In R:
dpois(x, lambda) #P (X=x)
ppois(x, lambda) #P (Xโคx)
ppois(x, lambda, FALSE) #P (X>x)
Se Y 1 e Y 2 ย sono dueย variabili aleatorie indipendenti con distribuzioni di Poisson di parametri ฮป 1 e ฮป 2 rispettivamente, allora
la loro sommaย Y = Y 1 + Y 2 segue ancora una distribuzione di Poisson, di parametroย ฮป = ฮป 1 + ฮป 2 ;
la distribuzione diย Y 1 condizionata da Y = n รจ la distribuzione binomiale di parametri n e ฮป 1 ฮป .
โ Geometrica
P r ( X = x ) = p ( 1 โ p ) k โ 1 x = 1 , 2 , . . . E ( X ) = 1 p V a r ( X ) = 1 โ p p 2 In R:
dgeom(x, prob) #P (X=x)
pgeom(x, prob) #P (Xโคx)
pgeom(x, prob, FALSE) #P (X>x)
โ Normale
ยต N ( ยต , ฯ 2 ) = 1 2 ฯ ฯ 2 exp โก { โ 1 2 ( x โ ฮผ ฯ ) 2 } ยต E ( X ) = ยต V a r ( X ) = ฯ 2 In R:
dnorm(x, mean = 0, sd = 1) #f (X=x), mean = ยต, sd = ฯ
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
E x p ( ฮป ) = ฮป e โ ฮป x x > 0 F ( x ) = 1 โ e โ ฮป x x โฅ 0 E ( X ) = 1 ฮป V a r ( X ) = 1 ฮป 2 In R:
dexp(x, lambda) #f (X=x), mean = ยต, sd = ฯ
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