Sei sulla pagina 1di 22

Cenni di teoria delle probabilità

Probabilità

• Definizione classica: La probabilità di un evento è il rapporto tra il numero dei casi favorevoli e il numero dei casi possibili, purché questi ultimi siano ugualmente possibili.

• Definizione frequentista: La probabilità di un evento è il limite della frequenza (relativa) dei successi, cioè del verificarsi dell'evento, quando il numero delle prove tende all'infinito.

• Definizione soggettiva: La probabilità di un evento è il prezzo che un individuo razionale ritiene equo pagare per ricevere 1 se l'evento si verifica (e 0 altrimenti).

• Quindi se i casi possibili sono n e l'insieme dei casi favorevoli sono nA, per la teoria classica la probabilità che accada l'evento A sarà:

classica la probabilità che accada l'evento A sarà: • mentre per la teoria frequentista essa sarà:

• mentre per la teoria frequentista essa sarà:

A sarà: • mentre per la teoria frequentista essa sarà: • Infatti la teoria classica considera

• Infatti la teoria classica considera che tutti i casi siano equiprobabili, cosa che, invece, nella realtà non accade sempre. La legge frequentista, infatti, considera ciò e, quindi, si basa sulla sperimentazione per cui è una legge sperimentale detta anche legge empirica del caso.

Assiomi

• Gli eventi sono sottoinsiemi di uno spazio S, e formano una classe additiva A.

• Ad ogni a appartenente alla classe A è assegnato un numero reale non negativo P(a)

e mai superiore ad uno, detto probabilità di a.

• P(S)=1, ovvero la probabilità di un evento certo

è pari ad 1

• Se l'intersezione tra a e b è vuota, allora

• P(a U b)=P(a)+P(b)

Teoremi

Dai suddetti assiomi derivano alcuni teoremi fondamentali, quali

• il teorema della probabilità totale:

• P(A B) = P(A) + P(B) - P(A B)

• il teorema della probabilità composta:

• P(A B) = P(B) P(A | B) = P(A) P(B | A)

• il teorema della probabilità assoluta:

• P(B) = Σ i P(A i )P(B|A i )

• il teorema di Bayes:

• P(A k | B) = P(A k )P(B|A k ) / Σ i P(A i )P(B|A i )

nonché concetti chiave come

• la probabilità condizionata:

• P(A | B) = P(A B) / P(B)

• l'indipendenza stocastica:

• P(A | B) = P(A)

Probabilità condizionata

la probabilità di un evento A condizionata ad un evento B è la probabilità che si verifichi A una volta che si sia già verificato B, tale probabilità si indica con P(A|B).

Ad esempio in una sequenza di lanci di una moneta equa la probabilità di ottenere 10 teste condizionata al fatto di averne già ottenute 9 è 1/2 (cioè la probabilità di ottenere una singola testa).

Teorema della probabilità totale

Il teorema della probabilità totale dice che la probabilità

che si verifichi almeno uno di due eventi qualsiasi A e B, la probabilità dell'unione di A e B, è pari alla somma delle singole probabilità P(A) e P(B) diminuita della probabilità della loro intersezione

P( B ) diminuita della probabilità della loro intersezione Quando i due eventi sono disgiunti, cioè

Quando i due eventi sono disgiunti, cioè quando l'intersezione

è l'insieme vuoto

alla somma delle singole probabilità (in quanto per assioma,

somma delle singole probabilità (in quanto per assioma, , la probabilità dell'unione è pari la probabilità

, la probabilità dell'unione è pari

per assioma, , la probabilità dell'unione è pari la probabilità dell'insieme vuoto è nulla, ). In

la probabilità dell'insieme vuoto è nulla,

).

In questo caso i due eventi A e B si dicono incompatibili ,

questo caso i due eventi A e B si dicono incompatibili , o “mutuamente esclusivi” Nel

o “mutuamente esclusivi”

Nel caso di tre eventi A, B e C il teorema afferma che

e B si dicono incompatibili , o “mutuamente esclusivi” Nel caso di tre eventi A ,

Il caso di 3 eventi

Il caso di 3 eventi Più in generale, data una collezione di eventi , allora:

Più in generale, data una collezione di eventi

Il caso di 3 eventi Più in generale, data una collezione di eventi , allora:

, allora:

Il caso di 3 eventi Più in generale, data una collezione di eventi , allora:

Dimostrazione

• Il teorema può essere immediatamente dimostrato applicando, come illustrato in figura, l'assioma della probabilità dell'unione di due insiemi disgiunti a due bipartizioni:

dell'unione di due insiemi disgiunti a due bipartizioni: dove il segno - tra parentesi è da
dell'unione di due insiemi disgiunti a due bipartizioni: dove il segno - tra parentesi è da

dove il segno - tra parentesi è da intendersi nel senso di differenza tra insiemi. Sottraendo membro a membro le due equazioni si ha:

da cui, immediatamente:
da cui, immediatamente:

Il teorema della probabilità composta

• deriva dal concetto di probabilità condizionata

• deriva dal concetto di probabilità condizionata • per cui la probabilità che due eventi si

• per cui la probabilità che due eventi si verifichino contemporaneamente è pari alla probabilità di uno dei due eventi moltiplicato con la probabilità dell'altro evento condizionato al verificarsi del primo.

dell'altro evento condizionato al verificarsi del primo. • Nel caso di indipendenza stocastica si ottiene che

• Nel caso di indipendenza stocastica si ottiene che la probabilità congiunta è pari al prodotto delle probabilità:

Il teorema della probabilità assoluta

Il teorema della probabilità assoluta Il teorema della probabilità assoluta afferma che se formano una partizione

Il teorema della probabilità assoluta afferma che se formano una partizione dello spazio di tutti gli eventi possibili e

)
)
afferma che se formano una partizione dello spazio di tutti gli eventi possibili e ) e

e

afferma che se formano una partizione dello spazio di tutti gli eventi possibili e ) e

è un qualsiasi evento, allora:

afferma che se formano una partizione dello spazio di tutti gli eventi possibili e ) e

Dimostrazione

La dimostrazione di questo risultato segue immediatamente dal fatto che:

di questo risultato segue immediatamente dal fatto che: dunque, per l'additività della probabilità : Ma

dunque, per l'additività della probabilità:

che: dunque, per l'additività della probabilità : Ma poiché, in base alla definizione di probabilità

Ma poiché, in base alla definizione di probabilità condizionata:

si ha:

probabilità : Ma poiché, in base alla definizione di probabilità condizionata : si ha: come volevasi
probabilità : Ma poiché, in base alla definizione di probabilità condizionata : si ha: come volevasi

come volevasi dimostrare.

Esempio

• Un anno ha 365 gg

• In 60 gg. Piove

• In 90 gg. La temperatura media sta sotto 10°

• Piove per 25 gg I cui Tmedia>10°

Qual’è la probabilità di avere nell’anno un giorno di pioggia?

Risposta 1:

Risposta 2:

P(giorno di pioggia|giorno Tmedia<10°)*P(giorno Tmedia<10°)+ P(giorno di pioggia|giorno Tmedia>10°)*P(giorno Tmedia>10°)=

P(giorno di pioggia)=60/365=0,16 P(giorno di pioggia) =

25/90*90/365+35/(365-90)*(365-

90)/365=0,278*0,247+0,127*0,733=0,16

Sottopongo a prova di rottura a compressione 150 provini cilindrici di calcestruzzo. Ottengo I seguenti

Sottopongo a prova di rottura a compressione 150 provini cilindrici di calcestruzzo. Ottengo I seguenti risultati:

Classe di

INTERVALLI DI RESISTENZA [Mpa]

N.

resistenza

PROVINI

 

1 10-12

1

 

2 12-14

0

 

3 14-16

3

 

4 16-18

7

 

5 18-20

15

 

6 20-22

14

 

7 22-24

20

 

8 24-26

26

 

9 26-28

22

 

10 28-30

16

 

11 30-32

11

 

12 32-34

7

 

13 34-36

6

 

14 36-38

2

 

15 38-40

0

Totale

150

ISTOGRAMMA 1 NUMERO ROTTURE PER OGNI CLASSE DI RESISTENZA

30 NUMERO ROTTURE PER OGNI CLASSE DI RESISTENZA 25 20 15 10 5 0 1
30
NUMERO ROTTURE PER OGNI CLASSE DI
RESISTENZA
25
20
15
10
5
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
NUMERO PROVINI ROTTI

CLASSI DI RESISTENZA

Scelta una qualsiasi classe di resistenza, l’istogramma fornisce il numero di provini rotti per resistenze inferiori o uguali a quelle della classe scelta.

Per esempio, se scelgo la classe 7 leggo che 60 provini si sono rotti con resistenze inferiori o uguali a 24 MPa

ISTOGRAMMA 2

NUMERI CUMULATI

NUMERI CUMULATI 160 140 120 100 80 60 40 20 0 1 2 3 4
NUMERI CUMULATI
160
140
120
100
80
60
40
20
0
1
2
3
4
5
6
CLASSI DI RESISTENZA
7
8
9
10
11
12
13
14
15
NUMERI CUMULATI ROTTURE

Dividendo il numero di rotture per ogni classe di resistenza per il numero totale dei provini rotti si ottiene un istogramma di frequenze dei provini rotti. Per esempio, in classe 5 si collocano 15 provini su un totale di 150. La frequenza vale 0,1 (10%). La barra di istogramma corrispondente alla classe 5 può essere interpretata, su grandi numeri, come stima della probabilità che la resistenza sia compresa tra 18 e 20 MPa.

ISTOGRAMMA 3 FREQUENZE (NUMERI RELATIVI)

0,2 FREQUENZE (NUMERI RELATIVI) 0,18 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 0 1
0,2
FREQUENZE (NUMERI RELATIVI)
0,18
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
NUMERO PROVINI ROTTI RAPPORTATO AL NUMERO TOTALE

CLASSI DI RESISTENZA

Dividendo l’istogramma 2 per il numero totale dei profini si ottiene l’istogramma 4 delle frequenze cumulate. Lo 0,4 (40%) dei provini si rompono con una resistenza inferiore o uguale a 24 MPa (classe 7 inclusa). Su grandi numeri l’istogramma può essere interpretato come stima della probabilità che la resistenza si inferiore o uguale a 24 MPa

ISOGRAMMA 4 FREQUENZE CUMULATE

1,2 FREQUENZE CUMULATE 1 0,8 0,6 0,4 0,2 0 1 2 3 4 5 6
1,2
FREQUENZE CUMULATE
1
0,8
0,6
0,4
0,2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
FREQUENZE CUMULATE

CLASSI DI RESISTENZA

Supponiamo, ora, che il numero delle classi di resistenza diventi via via più grande fino a tendere ad e che, di conseguenza, gli intervalli di resistenza che le caratterizzano divengano sempre più piccoli fino a tendere a 0.

Allora la variabile aleatoria può assumere con continuità tutti I valori reali compresi tra -e +. La variabile aleatoria si dice “continua”.

VARIABILE ALEATORIA CONTINUA

La distribuzione di Gauss o Normale

f

X

(

x

)

=

ke

c( x

m )

2

Funzione di densità di probabilità

asintoticamente a 0 per

x → ±∞

f

X

− ∞ <

x

< +∞

(x) : a “campana”, simmetrica tendente

f ( x ) − c( x − = ke f (x) X X x
f
(
x
)
c( x
= ke
f
(x)
X
X
x
µ

m )

2

+∞

(

f

X

X

(x) (x)dx F X = ∫ f X −∞ −∞ 1 x
(x)
(x)dx
F X
= ∫
f X
−∞
−∞
1
x

1=

− ∞ <

x

< +∞

x

)

=

ke

c( x

m )

= ∫ f X −∞ −∞ 1 x 1 = − ∞ < x < +∞
k π c
k π
c

k

2

dx

= 1

=

c π
c
π

Distribuzione gaussiana

• La Gaussiana è la seguente funzione di densità di probabilità

è la seguente funzione di densità di probabilità • Il valore atteso e la varianza (che

• Il valore atteso e la varianza (che sono gli unici due parametri di questa variabile casuale) sono appunto µ e σ².

• valori della funzione di ripartizione in forma tabellare.

I più usati sono:

– 68,3% = P{ µ - σ < X < µ + σ }

– 95,0% = P{ µ - 1,96 σ < X < µ + 1,96 σ }

– 95,5% = P{ µ - 2 σ < X < µ + 2 σ }

– 99,0% = P{ µ - 2,58 σ < X < µ + 2,58 σ }

– 99,7% = P{ µ - 3 σ < X < µ + 3 σ }

Eventi discreti come parte di un processo stocastico stazionario e senza memoria; la distribuzione di Poisson

Risponde alla domanda: quale è la probabilità che avvengano n sismi di assegnata mgnitudo in t anni sapendo che la frequenza attesa è di λ eventi l’anno?

P[ n] =

e

λ

t

(

λ

t

)

n

n!

Esempio: se in una regione sismogenetica si verifica mediamente un terremoto di magnitudo superiore a 4 ogni 10 anni, qual’è la probabilità che se ne verifichino 2 in un anno?

λ

=

1

10

P[ n] =

=

01

,

;

t

 

0 1

,

 

(

 

)

2

e

 

01

,

 
 

2

 

=

=

1

;

0 90

,

0 01

,

2

n

=

2

= 0 0045

,

Domanda: quale è la probabilità che almeno una volta nel tempo t avvenga un terremoto di magnitudo uguale o superiore a M 1 nota la frequenza attesa λ?

Risposta: si calcola la probabilità P[0] che nel tempo t non avvenga neppure un terremoto di magnitudo uguale o superiore a M1 e poi se ne estrae la probabilità complementare 1-P[0]

P[

0

] =

e

λ

t

(

λ

t

)

0

0 !

=

P[ almeno una volta]

e

λ

t

1

1

= e

=

1 - P[0]

t

λ

=

1 - e

λ

t

DISTRIBUZIONE ESPONENZIALE

Tornando all’esempio precedente:

P[ almeno una volta]

=

1 - e

0 1

,

=

1

0 90

,

=

0 10

,