PROBABILIT E VARIABILI CASUALI

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Frequenza relativa e probabilit

Mediante
Medianteleleprobabilit
probabilitsisidescrivono
descrivonoi ifenomeni
fenomeniche
chepossono
possonoessere
esserepensati
pensaticome
comeun
un
esperimento
il
cui
risultato
sia
soggetto
a
cambiamento
al
ripetersi
dellesperimento
esperimento il cui risultato sia soggetto a cambiamento al ripetersi dellesperimento
stesso
stesso(pur
(purmantenendo
mantenendolelemedesime
medesimecondizioni
condizionioperative).
operative).
Esempio:
Esempio:
Esperimento:
Esperimento: Lancio
Lanciocasuale
casualedidiun
undado
dado(ogni
(ognivolta
voltaininmodo
modoleggermente
leggermentediverso)
diverso)
Risultato:
Numero
Risultato:
Numerosulla
sullafaccia
facciasuperiore
superioredel
deldado
dado
Insieme
{1,2,3,4,5,6}
Insiemedei
deipossibili
possibilirisultati
risultati(elementari):
(elementari):{1,2,3,4,5,6}
Evento:
Evento:qualsiasi
qualsiasisottoinsieme
sottoinsiemedellinsieme
dellinsiemedei
deirisultati
risultatiA={1,2};
A={1,2};B={2,4,6};
B={2,4,6};ecc.
ecc.
Se
Sesisiesegue
esegueun
unnumero
numeroNNdidiprove
provesufficientemente
sufficientementeelevato,
elevato,sia
sialesperienza
lesperienzasia
sialala
teoria
teoriadella
dellaprobabilit
probabilitmostrano
mostranoche
chelalafrequenza
frequenzarelativa
relativafkfkdei
deisingoli
singolirisultati
risultati
(k=1,2,3,4,5,6
(k=1,2,3,4,5,6))(o
(odidiun
unqualsiasi
qualsiasievento)
evento)prossima
prossimaalla
allaloro
loroprobabilit:
probabilit:

Nk
fk =
P (k )
N

ATTENZIONE:
2

NA
fA =
P ( A)
N

NB
fB =
P (B )
N

0 fA 1

0 P ( A) 1

...

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Istogramma dei risultati

Listogramma
Listogrammadei
deirisultati
risultatiililgrafico
graficodelle
delle frequenze
frequenzerelative
relative
Lancio di un dado non truccato, esito di una serie di prove
0.20
0.18
0.16
0.14
0.12
0.10
0.08
0.06
0.04
0.02
0

Risultato del lancio

6
20 40 60 80 100 120 140 160 180 200

# prove

Frequenza relativa dei possibili risultati

Commento: questo istogramma

sospetto! troppo regolare!!
Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Cenni di teoria della probabilit (1)

SS==spazio
spaziodegli
deglieventi,
eventi,cio
cioinsieme
insiemediditutti
tuttii irisultati
risultatielementari
elementari
A,B,C,...
A,B,C,...==eventi
eventi(sottoinsiemi
(sottoinsiemididiS,
S,inclusi
inclusilolostesso
stessoSSeelinsieme
linsiemevuoto)
vuoto)
A U B ==unione
unionedidiAAeeBB
A B ==intersezione
intersezionedidiAAeeBB
Nota:
Nota:lalaprobabilit
probabilitdidi A U B spesso
spessoindicata
indicatacon
conP(A+B).
P(A+B).
Nota:
Nota:lalaprobabilit
probabilitdidi A B indicata
indicatacon
conP(A,B)
P(A,B)eedetta
dettaprobabilit
probabilitcongiunta.
congiunta.
U

Assiomi
Assiomidella
dellateoria
teoriadella
dellaprobabilit
probabilit(propriet
(proprietdelle
delleprobabilit):
probabilit):
1.
1.Per
Perogni
ogniAAesiste
esiste(cio
(ciodefinita)
definita)P ( A) 0
2.
2.P(S)=1
P(S)=1
3.
3.Se
SeAAeeBBsono
sonomutuamente
mutuamenteesclusivi
esclusivi(hanno
(hannointersezione
intersezionenulla)
nulla)P(A+B)=P(A)+P(B)
P(A+B)=P(A)+P(B)
Nota:
nonsono
sonoaltro
altroche
chelelepropriet
proprietelementari
elementaridella
dellafrequenza
frequenzarelativa
relativa
Nota:non
Conseguenza
(facilmentedimostrabile):
dimostrabile):P(A+B)=P(A)+P(B)-P(A,B)
P(A+B)=P(A)+P(B)-P(A,B)
Conseguenza(facilmente
bisogna
bisognacontare
contaresolo
solouna
unavolta
voltalintersezione
lintersezionedidiAAeeB!
B!
Si
Siattribuiscono
attribuisconoalla
allaprobabilit
probabilitlelepropriet
proprietdella
dellafrequenza
frequenzarelativa,
relativa,perch
perchi irisultati
risultati
del
calcolo
delle
probabilit
siano
a
loro
volta
interpretabili
come
frequenze
relative.
del calcolo delle probabilit siano a loro volta interpretabili come frequenze relative.
4

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Cenni di teoria della probabilit (2)

Esempio:
Esempio:lancio
lanciodidiun
undado
dado(ipotesi:
(ipotesi:dado
dadonon
nontruccato
truccato==>
==>risultati
risultatiequiprobabili)
equiprobabili)
A={1,2,3}
(levento
A
si
verifica
se
il
risultato
elementare

contenuto
A={1,2,3} (levento A si verifica se il risultato elementare contenutoininA)
A)
B={2,4,6}
B={2,4,6}(levento
(leventoBBsisiverifica
verificase
seililrisultato
risultatoun
unnumero
numeropari)
pari)
Per
Percalcolare
calcolarelalaprobabilit
probabilitdidiun
unevento
eventobasta
bastacontare
contarei irisultati
risultatiche
chelolocompongono!
compongono!
P(A)=n
P(A)=nA/n
/n dove
dovennA ililnumero
numerodidirisultati
risultaticontenuti
contenutiininAAeennililnumero
numerototale
totaledidirisultati.
risultati.
A

P(A)=P(B)=3/6
P(A)=P(B)=3/6
P(A+B)=P({1,2,3,4,6})=5/6
P(A+B)=P({1,2,3,4,6})=5/6
(o
(oanche
ancheP(A+B)=P(A)+P(B)-P(A,B)=3/6+3/6-1/6=5/6,
P(A+B)=P(A)+P(B)-P(A,B)=3/6+3/6-1/6=5/6,ma
maininquesto
questocaso
casonon
nonconviene)
conviene)
P(A)=n
P(A)=nAA/n
/npu
puessere
essereuna
unadefinizione
definizionegenerale
generaledidiprobabilit?
probabilit?NO
NOperch
perchesistono
esistonoanche
anche
i idadi
(intenzionalmenteoono);
no);potrebbe
potrebbeessere
essereP(1)=0.5
P(1)=0.5eeP(2)=...=P(6)=0.1.
P(2)=...=P(6)=0.1.
daditruccati
truccati(intenzionalmente
In
questo
caso
si
avrebbe
P(A)=0.7,
P(B)=0.3
e
P(A+B)=0.9.
In questo caso si avrebbe P(A)=0.7, P(B)=0.3 e P(A+B)=0.9.
Regola
Regolagenerale:
generale:nel
nelcaso
casodei
deirisultati
risultatiequiprobabili,
equiprobabili,ililcalcolo
calcolodelle
delleprobabilit
probabilitrichiede
richiede
solo
solodidisaper
sapercontare;
contare;se
sei irisultati
risultatinon
nonsono
sonoequiprobabili
equiprobabilioccorre
occorresaper
sapersommare.
sommare.
N.B.:
N.B.:ililnumero
numerodiditermini
terminida
dasommare
sommarepu
puessere
essereenorme,
enorme,ooaddirittura
addiritturainfinito!
infinito!
5

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Indipendenza statistica
Esempio:
Esempio:lancio
lanciodididue
duedadi
dadi(non
(nontruccati)
truccati)
A={1
A={1nel
nelprimo
primolancio
lancio(e
(erisultato
risultatoqualsiasi
qualsiasinel
nelsecondo
secondolancio)}
lancio)}
B={3
o
4
nel
secondo
lancio
(e
risultato
qualsiasi
nel
primo
B={3 o 4 nel secondo lancio (e risultato qualsiasi nel primolancio)}
lancio)}
P(A,B)=P({1
P(A,B)=P({1nel
nelprimo
primolancio,
lancio,33oo44nel
nelsecondo
secondolancio})=2/36
lancio})=2/36
(infatti
(infattivivisono
sono36
36coppie
coppiedidirisultati
risultatiequiprobabili:
equiprobabili:lelecoppie
coppie(1,3)
(1,3)ee(1,4)
(1,4)costituiscono
costituiscono
levento
leventocongiunto)
congiunto)
In
Inquesto
questocaso
casorisulta
risultaP(A,B)
P(A,B)=P(A)P(B),
=P(A)P(B),cio
ciolalaprobabilit
probabilitcongiunta
congiuntauguale
ugualealal
prodotto
diceche
chegli
glieventi
eventiAAeeBBsono
sonostatisticamente
statisticamenteindipendenti
indipendenti
prodottodelle
delleprobabilit:
probabilit:sisidice
(o
(oindipendenti).
indipendenti).Effettivamente
Effettivamentei ilanci
lancisono
sonoindipendenti,
indipendenti,aameno
menoche
chesisivoglia
vogliacredere
credere
che
cheilildado
dadoha
hamemoria!!
memoria!!
Si
Siassume
assumeaapriori
priori lindipendenza
lindipendenzastatistica,
statistica,eequindi
quindisisiusa
usalalaregola
regolaP(A,B)=P(A)P(B),
P(A,B)=P(A)P(B),
quando
sonoeventi
eventirelativi
relativiaaesperimenti
esperimentiindipendenti.
indipendenti.Esempio
Esempiotipico:
tipico:ripetizione
ripetizione
quandoAAeeBBsono
didiuno
unostesso
stessoesperimento,
esperimento,cio
cioprove
proveripetute
ripetute(dette
(detteanche
ancheprove
provedidiBernoulli).
Bernoulli).
N.B.:
N.B.:nel
nelcaso
casodidiesperimenti
esperimentiindipendenti
indipendentivale
valelalaregola
regolaP(A,B)=P(A)P(B)
P(A,B)=P(A)P(B)anche
anchese
sei i
risultati
risultatielementari
elementarinon
nonsono
sonoequiprobabili
equiprobabili(dado
(dadotruccato).
truccato).
6

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Variabile casuali discrete (distribuzione di probabilit)

Si
Sidice
dicevariabile
variabilecasuale
casualeun
unnumero
numeroreale
realeassociato
associatoalalrisultato
risultatodellesperimento.
dellesperimento.
Se
Sei ipossibili
possibilirisultati
risultatisono
sononumerabili
numerabililalavariabile
variabilecasuale
casualedetta
dettadiscreta.
discreta.
Ad
Adesempio
esempioallesperimento
allesperimentolancio
lanciodel
deldado
dado(non
(nontruccato)
truccato)associamo
associamolalavariabile
variabilecasuale
casuale
xxche
chepu
puassumere
assumerei ivalori
valoriinteri
intericompresi
compresitra
tra11ee66con
conprobabilit
probabilit1/6.
1/6.Nota:
Nota:se
seinvece
invece
vogliamo
vogliamoindicare
indicarelelefacce
faccedel
deldado
dadocon
cona,b,c,d,e,f
a,b,c,d,e,fnon
nondefiniamo
definiamouna
unavariabile
variabilecasuale.
casuale.

Si
Sidice
dicedistribuzione
distribuzionedidiprobabilit
probabilit(o
(otalvolta
talvoltadensit
densitdiscreta
discretadidiprobabilit)
probabilit)della
della
variabile
variabilecasuale
casualexxlalafunzione
funzioneP(a)
P(a)(o
(otalvolta
talvoltap(a)),
p(a)),che
cherappresenta
rappresentacon
conquale
quale
probabilit
probabilitlalavariabile
variabilecasuale
casualexxassume
assumeililvalore
valorea.
a.
Se
Sei irisultati
risultatisono
sonoininnumero
numerofinito
finitosisitratta
trattadidiuna
unarappresentazione
rappresentazionedel
deltutto
tutto
equivalente
equivalentead
aduna
unatabella
tabellacontenente
contenenteleleprobabilit
probabilitP(a).
P(a).
Distribuzione di probabilit della variabile casuale x
Nellesperimento lancio del
dado la distribuzione di
probabilit della variabile
casuale x vale 1/6 per i valori
di a interi compresi tra 1 e 6, e
zero altrove.

1/6

0
7

6
Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Variabili casuali continue

Le
Levariabili
variabilicasuali
casualisono
sonocontinue
continuequando
quandopossono
possonoassumere
assumereun
uninsieme
insieme
continuo
continuodidivalori
valori(e
(equindi
quindii ipossibili
possibilirisultati
risultatisono
sonoininnumero
numeroinfinito).
infinito).

Esempio:
Esempio:lalatemperatura
temperaturadidiuna
unastanza
stanzamisurata
misurataad
adun
unistante
istantediditempo
tempocasuale
casuale(con
(con
precisione
infinita!
ottenendo
cio
un
numero
reale).
precisione infinita! ottenendo cio un numero reale).
IlIlconcetto
concettodidifrequenza
frequenzarelativa
relativaviene
viene
recuperato
recuperatoapprossimando
approssimandolinsieme
linsiemecontinuo
continuo
didivalori
valoricon
conun
unnumero
numerofinito
finitodidiintervallini
intervallinididi
misura
misura(discretizzazione).
(discretizzazione).

Temperatura misurata

30
28

Ad
Adesempio,
esempio,se
selalatemperatura
temperaturadella
dellastanza
stanza
pu
puvariare
variarecon
concontinuit
continuittra
tra20
20ee30
30gradi,
gradi,
non
commettiamo
un
grosso
errore
non commettiamo un grosso errore
approssimando
approssimandolintervallo
lintervallocontinuo
continuocon
con50
50
intervallini
intervallinicontigui
contiguididi0.2
0.2gradi
gradiciascuno.
ciascuno.

26
24
22
20
0

500

1000

1500

Numero di prove
8

2000

La
Lavariabile
variabilecasuale
casualediventata
diventatadiscreta
discreta(ci
(ci
sono
sono50
50possibili
possibilirisultati
risultatidellesperimento)
dellesperimento)ee
possiamo
possiamoapprossimare
approssimarelalaprobabilit
probabilitcome
come
limite
della
frequenza
relativa
per
N
elevato.
limite della frequenza relativa per N elevato.
Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Istogramma
Anche
Ancheper
perlelevariabili
variabilicasuali
casualicontinue,
continue,una
unavolta
voltadiscretizzate,
discretizzate,possibile
possibiletracciare
tracciare
listogramma
listogrammacome
comegrafico
graficodella
dellafrequenza
frequenzarelativa
relativadei
deirisultati
risultatiininogni
ogniintervallino
intervallinoinincui
cui
sisisuddiviso
suddivisolinsieme
linsiemecontinuo
continuodei
deirisultati.
risultati.

30

30

28

28

26

26

24

24

22

22

20
0

500

1000

1500

Numero di prove
9

2000

20

ISTOGRAMMA

ddp

Temperatura misurata

ATTENZIONE:
ATTENZIONE:i ivalori
valoridellistogramma
dellistogramma per
perlelevariabili
variabilicasuali
casualicontinue,
continue,una
unavolta
volta
discretizzate,
discretizzate,dipendono
dipendonodalla
dalladimensione
dimensionedellintervallino
dellintervallinoscelto:
scelto:pi
pipiccolo
piccolo
lintervallo
lintervallopi
pisono
sonobassi
bassii ivalori
valoridellistogramma.
dellistogramma.

0.02

0.04

0.06

0.08

Frequenza relativa
Fondamenti di segnali
Fondamenti
e trasmissione
TLC

0.1

Densit di probabilit (ddp)

Temperatura misurata

Per
Perintrodurre
introdurreililconcetto
concettodididensit
densitdidiprobabilit
probabilitp(a)
p(a)didiuna
unavariabile
variabilecasuale
casualecontinua
continuaaa
partire
partiredallistogramma
dallistogrammaoccorrono
occorronoi iseguenti
seguentipassi:
passi:
11--Utilizzare
Utilizzareintervallini
intervallinipiccoli,
piccoli,cos
cosda
dapoter
poterritenere
ritenerelaladdp
ddpcostante
costantealalloro
lorointerno
interno
22--Dividere
Dividereililvalore
valoredellistogramma
dellistogrammaper
perlaladimensione
dimensionedellintervallino
dellintervallino(in
(inmodo
modoche
cheilil
risultato
risultatosia
siaindipendente
indipendentedalla
dalladimensione
dimensionedellintervallino)
dellintervallino)
33--Utilizzare
Utilizzareun
unnumero
numeromolto
moltoelevato
elevatodidiprove
prove(tanto
(tantopi
pielevato
elevatoquanto
quantopi
pipiccolo
piccolo
lintervallino)
lintervallino)ininmodo
modoche
chefrequenze
frequenzerelative
relativeeeprobabilit
probabilitquasi
quasicoincidano
coincidano
30

30

28

28

26

26

24

24

22

22

20
0

500

1000

1500

2000

ddp

20
0

0.1

0.2

0.3

Numero di prove
10

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

0.4

Uso della densit di probabilit di una v.c. continua

La
Ladensit
densitdidiprobabilit
probabilitp(a)
p(a)didiuna
unavariabile
variabilecasuale
casualecontinua
continuadunque
dunquedefinibile
definibilecome
come

P(a < x a + da )
p (a ) = lim
da 0
da

N.B.: se non evidente di quale variabile

casuale si sta parlando si scrive px(a)

Dalla
Dalladensit
densitdidiprobabilit
probabilitp(a)
p(a)facile
facilecalcolare
calcolarelalaprobabilit
probabilitche
chelalavariabile
variabilecasuale
casualexx
assuma
assumaun
unvalore
valorecompreso
compresoininun
unintervallo
intervalloaa11, ,aa22. .Basta
Bastasommare!
sommare!sisiottiene
ottienelarea
larea
sottesa
sottesadalla
dalladdp
ddpnellintervallo
nellintervallodinteresse.
dinteresse.

P (a1 < x a2 ) =

a2

p(a)da

0.5

0.4

a1
0.3

Si noti che

P( < x < ) =

p(a)da = 1

Dunque
Dunquelarea
lareasottesa
sottesadalla
dalladdp
ddpdidiuna
una
qualunque
qualunquevariabile
variabilecasuale
casualeunitaria.
unitaria.
11

0.2

0.1

-5

-4

-3

-2

-1

a1

a2

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Densit di probabilit congiunta

In
Inmodo
mododel
deltutto
tuttoanalogo
analogosisidefinisce
definiscelaladdp
ddpdididue
due(o
(opi)
pi)variabili
variabilicasuali
casuali(densit
(densitdidi
probabilit
probabilitcongiunta):
congiunta):

P(a < x a + da, b < y b + db)

p xy (a, b) = lim
da 0
da db
db 0

La
Ladensit
densitdidiprobabilit
probabilitcongiunta
congiuntappxyxy(a,b)
(a,b)utilizzata
utilizzataper
percalcolare
calcolarelalaprobabilit
probabilitche
chelele
variabili
variabilicasuali
casualixxeeyyassumano
assumano(congiuntamente)
(congiuntamente)valori
valoricompresi
compresiininuna
unaregione
regionedel
del
piano.
piano.Basta
Bastaintegrare
integrarenella
nellaregione
regionedinteresse
dinteresse(integrale
(integraledoppio).
doppio).

Le
Levariabili
variabilicasuali
casualixxeeyysono
sonodette
dettestatisticamente
statisticamenteindipendenti
indipendentise
se

p xy (a, b) = p x (a ) p y (b)

per ogni a e b

Si
Siassume
assumeaapriori
priori che
chelelevariabili
variabilicasuali
casualixxeeyysiano
sianostatisticamente
statisticamenteindipendenti
indipendentise
se
ottenute
(esempio:prove
proveripetute).
ripetute).
ottenuteda
daesperimenti
esperimentisvolti
svoltiinincondizioni
condizioniindipendenti
indipendenti(esempio:

12

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Valor medio di una variabile casuale

IlIlvalor
valormedio
mediom
mxx, ,detto
dettoanche
anchevalore
valoreatteso
attesoEE[x]
[x]oomomento
momento(statistico)
(statistico)didiordine
ordineuno,
uno,didi
una
unavariabile
variabilecasuale
casualexx definito
definitocome
comesegue.
segue.Se
Selesperimento
lesperimentoviene
vieneeseguito
eseguitoNNvolte
volte
(N
(Ngrande)
grande)m
mxxinterpretabile
interpretabileapprossimativamente
approssimativamentecome
comemedia
mediaaritmetica
aritmeticadei
deirisultati:
risultati:

1
m x = E [x ] = a p(a) da
N

x
i =1

Il valor medio di una variabile casuale lascissa del baricentro dellarea sottesa
dalla densit di probabilit.
p(a)

p(a)

13

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Propriet del valor medio (1)

La
Lapropriet
proprietfondamentale
fondamentaledel
delvalor
valormedio
mediolalaseguente.
seguente.Se
Sedalla
dallavariabile
variabilecasuale
casualexxsisi
ottiene
ottieneuna
unanuova
nuovavariabile
variabilecasuale
casualeyyattraverso
attraversolalafunzione
funzioney=f(x),
y=f(x),dove
dovef(x)
f(x)una
una
funzione
funzioneprefissata
prefissata(in
(intal
talcaso
casosisidice
diceche
cheyyfunzione
funzionedidivariabile
variabilecasuale),
casuale),ililcalcolo
calcolodel
del
valor
valormedio
mediodidiyynon
nonrichiede
richiededidideterminarne
determinarnelaladdp
ddp(cosa
(cosache
chepotrebbe
potrebbeessere
esseredifficile).
difficile).
Si
Sipu
puinvece
inveceprocedere
procederenel
nelseguente
seguentemodo,
modo,mediante
mediantelaladdp
ddpdella
dellavariabile
variabilex:x:

E[ y ] =

f (a) p (a) da
x

Analogo
Analogorisultato
risultatovale
valeper
peruna
unafunzione
funzionedidipi
pivariabili
variabilicasuali.
casuali.La
Ladimostrazione
dimostrazionedidiquesta
questa
importante
importantepropriet
proprietnon
nonaffatto
affattobanale.
banale.Tuttavia
Tuttaviaililrisultato
risultatonon
nonsorprende,
sorprende,se
sesisipensa
pensa
allinterpretazione
allinterpretazionedel
delvalor
valormedio
mediocome
comemedia
mediaaritmetica
aritmeticadidiun
ungran
grannumero
numeroNNdidirisultati:
risultati:

1
E[ y ]
N

1
y
=

i
N
i =1

f (x )
i =1

Esempio:
Esempio:lalavariabile
variabilecasuale
casualexxha
haddp
ddpuniforme
uniforme(cio
(ciocostante)
costante)
nellintervallo
nellintervallo(0,1)
(0,1)eenulla
nullaaltrove.
altrove.La
Lavariabile
variabilecasuale
casualeyydefinita
definita
come
comey=cos(x).
y=cos(x).IlIlvalor
valormedio
mediodidiyy
1

E[ y ] = cos(a ) p x (a ) da = cos(a) da = sin(1) = 0.84

14

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Propriet del valor medio (2)

Dalla
Dallapropriet
proprietfondamentale
fondamentaledel
delvalor
valormedio
mediosisiottengono
ottengonoimmediatamente
immediatamenteleleseguenti
seguenti
propriet,
propriet,didiuso
usofrequentissimo:
frequentissimo:
IlIlvalor
x+ydidivariabili
variabilicasuali
casualilalasomma
sommadei
deivalori
valorimedi.
medi.
valormedio
mediodella
dellasomma
sommax+y
Se
Seaaeebbsono
sonocostanti
costantiE[ax+b]
E[ax+b]==aaE[x]
E[x]++b.
b.
Se
Sexxeeyysono
sonovariabili
variabilicasuali
casualiindipendenti
indipendentieef(x)
f(x)eeg(y)
g(y)sono
sonofunzioni
funzioniarbitrarie,
arbitrarie,
E[f(x)g(y)]
E[f(x)g(y)]==E[f(x)]
E[f(x)]E[g(y)].
E[g(y)].
In
Inparticolare,
particolare,se
sexxeeyysono
sonovariabili
variabilicasuali
casualiindipendenti
indipendentisisiha
haE[xy]
E[xy]==mmxxmmyy. .

Variabili
Variabilicasuali
casualixxeeyytali
taliche
chesia
sia E[xy]
E[xy]==mmxxmmyysono
sonodette
detteincorrelate.
incorrelate.
N.B.:
duevariabili
variabilicasuali
casualipossono
possonoessere
essereincorrelate
incorrelateanche
anchesenza
senzaessere
essereindipendenti.
indipendenti.
N.B.:due
Variabili
Variabilicasuali
casualiindipendenti
indipendentisono
sonoinvece
invecesempre
sempreincorrelate.
incorrelate.

15

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Valore quadratico medio e varianza

IlIlvalor
EE[x[x22],],detto
anche
potenza statistica

valorquadratico
quadraticomedio
medio
detto
statisticaoomomento
momento(statistico)
(statistico)didi
2 anche potenza
2
2
(a ) daApprossimativamente,
X = Ecasuale
( X m Xxx) =definito
) f Xsegue.
=
ordine
xcome
(a mcome
ordine2,
2,didiuna
unavariabile
variabile
casuale
definito
segue.
Approssimativamente,lala

media
didirisultati
mediaaritmetica
aritmeticadidiun
unnumero
numeromolto
moltoelevato
elevato
risultatididialtrettanti
altrettantiesperimenti:
esperimenti:
2
2
2
2
2
2
= E X 2 m X E [ X ] + m X = E X 2 m X m X + m
=
E
X

m
X
X
N

[ ]

[ ]
[ ]
1
2
2
2
E [x ] = a p(a)da xi
N i =1

2
La
(dettaanche
anchemomento
momentocentrale
centraledidiordine
ordine2)
2)didiuna
unavariabile
variabilecasuale
casualexxilil
Lavarianza
varianzaxx2 (detta
valore
valorequadratico
quadraticomedio
mediodella
delladifferenza
differenzatra
traxxeeililsuo
suovalor
valormedio
mediommx
x

] [ ]

1
2
2
2
2
x = E ( x mx ) = E x mx
N
N.B.:
N.B.:dimostrare
dimostrareche
che

] [ ]

i
i
N

i =1

E ( x mx ) 2 = E x 2 mx

richiede
richiedeun
unpiccolo
piccolocalcolo.
calcolo.
16

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Deviazione standard
La
Laradice
radicequadrata
quadratadella
dellavarianza
varianzadetta
dettadeviazione
deviazionestandard
standard(o
(oscarto
scartoquadratico
quadraticomedio)
medio)
della
variabile
casuale
x
della variabile casuale x

x = x2

La
Ladeviazione
deviazionestandard
standarduna
unamisura
misura
della
delladispersione,
dispersione,rispetto
rispettoalalvalor
valor
medio,
dei
valori
assunti
nei
vari
medio, dei valori assunti nei vari
esperimenti
esperimentidalla
dallavariabile
variabilecasuale
casualex.
x.
Pi
Pielevata
elevatalaladeviazione
deviazionestandard
standard
pi
pii irisultati
risultatisono
sonodispersi
dispersirispetto
rispettoalal
valor
valormedio
medioeelaladdp
ddplarga.
larga.

x >x >x
3

17

0.5

px1 (a)
0.4

p x2 ( a )

0.3

0.2

px3 (a)

0.1

-5

-4

-3

-2

-1

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Densit di probabilit gaussiana

p (a )
1
2 x2

(a mx )2

p(a) =
exp
2

2
2

2 x
x

0 .606
2

2
x

0 .135

X X
2 X

2 X

2 x2
mX

P(mx x < x mx + x ) =

(a mx )2
da 0.683
exp
2
2
2 x
2 x

m x + x

mx

P(mx 2 x < x mx + 2 x ) =

m x + 2 x

mx 2

P(mx 3 x < x mx + 3 x ) =

m x + 3 x

mx 3

18

(a mx )2
da 0.954
exp
2

2 x2
x

(a mx )2
da 0.997
exp
2

2 x2
x

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Funzione Q e funzione errore complementare (erfc)

p (a )

B=

0 .606

mx +

2 x2

x x

= Q = erfc

x 2
2 x

C=B

(a mx )2
da =
exp
2
2
2 x
2 x

mX

t
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
0,45
0,50
0,60

19

Q(t)
5,000E-01
4,801E-01
4,602E-01
4,404E-01
4,207E-01
4,013E-01
3,821E-01
3,622E-01
3,446E-01
3,264E-01
3,085E-01
2,743E-01

t
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,4
2,8
3,2
3,6
4,0

Q(t)
2,119E-01
1,587E-01
1,151E-01
8,080E-02
3,806E-01
3,590E-02
2,280E-02
8,200E-03
2,600E-03
6,871E-04
1,591E-04
3,167E-05

s
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
1,0
1,2
1,4

erfc(s)
1,000E+00
8,875E-01
7,730E-01
6,714E-01
5,716E-01
4,795E-01
3,961E-01
3,222E-01
2,579E-01
1,573E-01
9,700E-02
4,770E-02

s
1,6
1,8
2,0
2,2
2,4
2,6
2,8
3,0
3,3
3,7
4,0
5,0

erfc(s)
2,370E-02
1,090E-02
4,700E-03
1,900E-03
6,885E-04
2,360E-04
7,502E-05
2,209E-05
3,057E-06
1,671E-07
1,542E-08
1,537E-12

exp t 2 / 2
per t > 3 Q (t )
2 t

( )

exp s 2
per s > 2 erfc( s)
s

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Prove ripetute (1)

Esempio:
Esempio:NNlanci
lanci(indipendenti)
(indipendenti)didiuna
unamoneta
monetatruccata,
truccata,che
ched
dtesta
testacon
conprobabilit
probabilitp.p.
Consideriamo
Consideriamolalavariabile
variabilecasuale
casualekk==numero
numerodiditeste
testetotali
totali(non
(nonciciinteressa
interessalordine).
lordine).

N
Si
Sipossono
possonoottenere
ottenerekkteste
testeininNNprove
proveinin k modi
modidistinti,
distinti,ciascuno
ciascunoavente
aventeprobabilit
probabilit

N k
k
N k
N k

p (1 p )

(prodotto
(prodottodelle
delleprobabilit),
probabilit),eequindi
quindi P ( k )

p=0.3 N=10

p=0.3 N=100

= p (1 p )
k

..

p=0.3 N=1000

E evidente che allaumentare di N la frequenza relativa si discosta sempre meno da p

(legge dei grandi numeri)
20

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Prove ripetute (2)

Varianza
Varianzadel
delnumero
numerokkdidisuccessi
successiininNNprove
proveindipendenti:
indipendenti:se
sepplalaprobabilit
probabilitdidi
successo
successonella
nellasingola
singolaprova
provasisipu
pudimostrare
dimostrareche
chelalavarianza
varianzadel
delnumero
numerodidisuccessi
successi

k2 = N p (1 p)

eequindi
p (1
quindilalavarianza
varianzadella
dellafrequenza
frequenzarelativa
relativafkf=k/N
k=k/N
tendente
tendenteaainfinito.
infinito.
Gli
Gliscarti
scartiquadratici
quadraticimedi
medisono
sonodati
datirispettivamente
rispettivamenteda
da
Esempio:
Esempio:pp==0.3.
0.3.

N=

p) / N

eetende
tendeaazero
zeroper
perNN

N p (1 p)

10
10

100
100

1000
1000

N p (1 p ) =

1.45
1.45

4.58
4.58

14.5
14.5

p (1 p) / N =

0.145
0.145

0.458
0.458

0.0145
0.0145

ee

p (1 p) / N . .

Come
Comesisivede
vedeloloscarto
scartoquadratico
quadraticomedio
mediodel
delnumero
numerodidisuccessi
successiaumenta
aumenta(ma
(mapi
pi
lentamente
lentamentedidiN),
N),mentre
mentreloloscarto
scartoquadratico
quadraticomedio
mediodella
dellafrequenza
frequenzarelativa
relativadiminuisce.
diminuisce.
evidente che
allaumentare
diinN
la
frequenza
relativa
siprobabilit,
discosta sempre
meno da p
Si
come
sia
misurare
una
eseguendo
SiEcomprende
comprende
come
siapossibile
possibile
inpratica
pratica
misurare
una
probabilit,
eseguendo
(legge
grandi
numeri)
lesperimento
dididei
volte
(secondo
lalaprecisione
lesperimentoun
unnumero
numerosufficiente
sufficiente
volte
(secondo
precisionedesiderata).
desiderata).
21

Fondamenti di segnali
Fondamenti
e trasmissione
TLC

Somma di variabili casuali

Si possono dimostrare molte notevoli propriet:
IlIlvalor
valormedio
mediodella
dellavariabile
variabilecasuale
casualez=x+y
z=x+ypari
parialla
allasomma
sommadei
deivalori
valorimedi.
medi.
Se
Sexxeeyysono
sonovariabili
variabilicasuali
casualiindipendenti,
indipendenti,lalavariabile
variabilecasuale
casualez=x+y
z=x+yha
hacome
comeddp
ddplala
convoluzione
convoluzionedelle
delledue
dueddp:
ddp:

p z (a ) = p x ( a ) p y ( a )

Se
Sexxeeyysono
sonovariabili
variabilicasuali
casualiindipendenti,
indipendenti,lalavariabile
variabilecasuale
casualez=x+y
z=x+yha
havarianza
varianzapari
pari
somma
delle
varianze:
alla
2
2
2
alla somma delle varianze:

z = x + y

La
Lasomma
sommadidiun
unnumero
numeroNNgrande
grandedidivariabili
variabilicasuali
casualiindipendenti
indipendentixxi iha
haddp
ddpprossima
prossimaalla
alla
gaussiana,
gaussiana,indipendentemente
indipendentementedalle
dallesingole
singoledensit!
densit!(teorema
(teoremalimite
limitecentrale)
centrale)
2

(
a

m
)
1
y

p y (a) = p x1 (a) p x2 (a) ... p xN (a)

exp
2

2 y2
y

La
Laddp
ddppu
puessere
essereprossima
prossimaalla
allagaussiana
gaussianaanche
ancheper
perNNrelativamente
relativamentepiccolo
piccolo(N=510).
(N=510).
22

Fondamenti di segnali
Fondamenti
e trasmissione
TLC