P. 1
PROCSTOCAA0809

PROCSTOCAA0809

5.0

|Views: 4,031|Likes:
Published by Valerio Valvo

More info:

Published by: Valerio Valvo on Oct 19, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

02/06/2013

pdf

text

original

Definizione 1.15 Due variabili aleatorie reali (risp. reali estese) X,Y su uno spazio prob-
abilizzato
(Ω,F,P), sono indipendenti se, per ogni coppia a,b e ogni coppia c,d di numeri
reali si ha

P{a < X b, c < Y d} = P{a < X b}P{c < Y d}.

Si verifica facilmente (grazie a (1.1)) che due variabili aleatorie X,Y sono indipendenti

se e solo se

P{X r, Y s} = P{X r}P{Y s}

per ogni coppia di numeri reali r,s.
La definizione precedente si generalizza nel modo naturale al caso di n variabili aleatorie.

Si dimostra il seguente

Teorema 1.16 Siano X1,...,Xn variabili aleatorie reali (reali estese). Le condizioni seguenti
sono equivalenti:

1. X1,...,Xn sono indipendenti,

1.3. INDIPENDENZA

11

2. per ogni n-pla A1,...,An di sottoinsiemi boreliani di R (risp. R) si ha

P{X1 A1,...,Xn An} = P{X1 A1}···P{Xn An},

3. per ogni n-pla g1,...,gn di funzioni boreliane limitate su R (risp. R) si ha

E[g1(X1)...gn(Xn)] = E[g1(X1)]···E[gn(Xn)].

Corollario 1.17 Siano X, Y variabili aleatorie reali indipendenti con speranza finita. La
variabile aleatoria
XY ha speranza finita e

E[XY] = E[X]E[Y].

In particolare, se X e Y sono indipendenti, allora non sono correlate.

Variabili aleatorie non correlate, in generale, non sono indipendenti. Tuttavia, se le
variabili aleatorie oltre a essere non correlate hanno legge congiunta gaussiana, allora sono
anche indipendenti.

La definizione di speranza si estende in modo naturale alle variabili aleatorie a valori
complessi
separando le loro parti reali e immaginaria. In particolare vale la seguente

Proposizione 1.18 Siano X1,...,Xn variabili aleatorie reali. Le condizioni seguenti sono
equivalenti:

1. X1,...,Xn sono indipendenti,

2. per ogni n-pla r1,...,rn di numeri reali si ha

E eir1X1

···eirnXn

= E eir1X1

···E eirnXn

.

Funzioni boreliane di variabili aleatorie indipendenti sono, a loro volta, variabili aleatorie
indipendenti. Pi`u precisamente si dimostra il seguente

Teorema 1.19 Siano X1,...Xn variabili aleatorie reali indipendenti e siano:

1. m un numero intero tale che 1 m n,

2. I1,...,Im una partizione dell’insieme {1,...,n} (ovvero una famiglia di insiemi Ik
disgiunti la cui unione sia {1,...,n}) e ciascun insieme Ik abbia dk elementi d1 +
...+dm = n,

3. g1,...,gm funzioni boreliane con gk : Rdk

R per ogni k = 1,...,m.
Allora le variabili aleatorie reali
g1((Xi)i∈I1),...,gm((Xi)i∈Im) sono indipendenti.

Questo teorema si applica, per esempio, alle variabili aleatorie (Xn)n≥1 di un processo
di Bernoulli per dimostrare l’indipendenza delle variabili aleatorie

Y1 = X1 +X2, Y2 = X3(X4 +X5), Y3 = g3(X6,X7).

Infinite variabili aleatorie sono indipendenti, per definizione, se e solo se ogni loro sot-
tofamiglia finita `e una famiglia di variabili aleatorie indipendenti nel senso delle definizioni
precedenti. I criteri precedenti permettono quindi di trattare in modo essenzialmente anal-
ogo anche il caso di infinite variabili aleatorie indipendenti.

12

1. RICHIAMI DI PROBABILIT`
A

Spazio probabilizzato canonico di n variabili aleatorie indipendenti con leggi assegnate. In
molte applicazioni del Calcolo delle Probabilit`a si considera data una n-pla X1,...,Xn di
variabili aleatorie reali indipendenti con leggi µ1,...,µn assegnate supponendo implicita-
mente che siano definite sullo stesso spazio probabilizzato (Ω,F,P). `

E abbastanza naturale
chiedersi perch´e questo sia possibile ovvero se esiste lo spazio probabilizzato sul quale siano
definite n variabili aleatorie indipendenti ciascuna con la legge assegnata.
Per rispondere alla questione si costruisce lo spazio probabilizzato canonico costituito da

1. l’insieme Ω = Rn

prodotto cartesiano di n copie di R,

2. la σ-algebra B(Rn

), generata dagli insiemi della forma ]a1,b1] × ...×]an,bn] (detti

plurirettangoli),

3. la misura di probabilit`a P su B(Rn

) tale che

P(]a1,b1]×...×]an,bn]) = µ1(]a1,b1])···µn(]an,bn]).

(Si potrebbe dimostrare che esiste un’unica misura di probabilit`a P su B(Rn

) che verifica la

condizione 3.) Si definiscono quindi le X1,...,Xn

Xk(ω1,...,ωn) = ωk, per ogni k = 1,...,n.

`
E chiaro che ciascuna Xk ha legge µk poich´e

{r < Xk s} = {ω | r < ωk s} = R×...×R×]r,s]×R...×R

cio`e {r < Xk s} `e il plurirettangolo che ha tutti i “lati” uguali a R tranne il k-esimo
uguale a ]r,s] e quindi

P{r < Xk s} = µ1(R)···µk−1(R)µk(]r,s])µk+1(R)···µn(R) = µk(]r,s]).

Inoltre le X1,...,Xn sono indipendenti perch´e

{a1 < X1 b1,...,an < Xn bn} =]a1,b1]×···×]an,bn]

e quindi, per definizione di P

P{a1 < X1 b1,...,an < Xn bn} = µ1(]a1,b1])×···×µn(]an,bn])
= P{a1 < X1 b1}···P{an < X1 bn}.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->