Sei sulla pagina 1di 38

1

Elementi di probabilit
Argomenti:
introduzione;
elementi di teoria delle probabilit:
variabili deterministiche e casuali;
istogrammi;
f
1
funzione di distribuzione di probabilit;
funzione di distribuzione cumulativa;
modello Gaussiano.
Caratteristiche di casualit, cio di assoluta imprevedibilit, possono
essere osservate praticamente in qualsiasi esperimento.
Ripetizioni anche immediate di misure di una grandezza possono
fornire risultati leggermente diversi.
Q i bili d di i i bi li ll
Introduzione
Questa variabilit dovuta a condizioni ambientali non controllate o
non controllabili, oppure a una mancanza di precisione nel processo di
misura (strumento o procedura) riconducibile anchessa ad elementi non
controllati/ controllabili.
In alcuni casi le casualit (variabili non controllate) hanno un effetto sui
dati predominante ed difficile, o addirittura impossibile, individuare una
relazione analitica che leghi il cambiamento della variabile considerata a
fronte della variazione dei parametri controllati.
Ci accorgeremo come utilizzando tecniche probabilistiche si possono
2
Ci accorgeremo come, utilizzando tecniche probabilistiche, si possono
descrivere i fenomeni casuali determinandone caratteristiche utili al loro
utilizzo in ambito ingegneristico, sebbene non si riesca a definirne tutti i
rapporti con le variabili di ingresso.
La teoria delle probabilit ci permetter di costruire modelli dei fenomeni
casuali non basati sul rapporto di causa-effetto.
2
Intuitivamente possiamo suddividere le variabili in due macro categorie:
deterministiche;
casuali.
Una grandezza il cui valore prevedibile e ripetibile quindi descrivibile
Variabili deterministiche e casuali
Una grandezza il cui valore prevedibile e ripetibile, quindi descrivibile
mediante modelli deterministici, viene classificata come variabile
deterministica.
Una grandezza che non rientri in questa categoria viene classificata
come casuale ed caratterizzabile solo in termini di comportamento
statistico invece che attraverso una relazione analitica.
Le grandezze misurate sono considerate come variabili casuali (dette
anche random) nel senso che ad una variazione deterministica della
3
grandezza, causata da un cambiamento nelle variabili controllate, si
somma una modifica casuale generata, secondo modalit non note,
dalle variabili non controllate.
Una variabile casuale pu essere continua (es. la vita di una lampadina
o la misura della velocit) o discreta (es. i risultati di un lancio di dadi o
lesito positivo/negativo di un controllo di qualit).
Richiami
Alcuni elementi interessanti dal punto di vista statistico sono un
patrimonio relativamente assodato; per esempio le calcolatrici
tascabili sono in grado di effettuare i calcolo di alcune grandezze
statistiche di comune impiego (media, varianza, regressione lineare e
coefficiente di correlazione).
1
N
)
Media: date N osservazioni x
i
la media vale:
1
1
N
i
i
x x
N
=
=

Deviazione standard delle misure: radice
quadrata della media degli scarti quadratici
(detta anche varianza).
Ha la stessa dimensione fisica della misura.
Dev. std. campionaria, N-1 a dividere, usata
2
( )
2
1
1
N
i i
S x x
N
=

4
La media considerata la miglior stima del valore vero, in assenza di
altre informazioni, e la dev. std. assunta come indicatore di dispersione.
Dev. std. campionaria, N 1 a dividere, usata
soprattutto se si hanno poche misure.
2
S varianza =
3
Interpretazione fisica del concetto di media
Possiamo vedere il calcolo della media di una serie di valori come il
calcolo della posizione del baricentro di un corpo monodimensionale
costituito da particelle, tutte di massa uguale, posizionate in
Richiami
p , g , p
corrispondenza di ogni dato:
1 1 1 1 1
/ / 1 /
N N N N N
CG i i i i i
i i i i i
x x m m m x m x N

= = =



CG
x
i
x
i
m CG
5
Coordinata x
CG
come rapporto tra i momenti statici di ordine 1 e di ordine
0 delle masse.
1 1 1 1 1 i i i i i = = = = =
La varianza il momento di inerzia baricentrico rapportato alla massa
totale o rapporto tra i momenti statici di ordine 2 e di ordine 0 delle
masse:
2
1 1
/ ( ) /
N N
CG i CG i i
i i
I M x x m m = =

Richiami
A parit di massa un momento di inerzia maggiore indica una dimensione
maggiore del corpo.
Nelle misure una varianza maggiore sintomo, a parit di valore medio,
di i di i d i d ti
1 1
2 2 2
1 1 1
1
( ) / 1 ( )
i i
N N N
i CG i CG
i i i
m x x m x x S
N
= =
= = =

= =



6
di una maggiore dispersione dei dati
Ma abbiamo bisogno di qualcosa di pi robusto
di una analogia formale
4
Modelli probabilistici
Esempi tipici di fenomeni casuali:
intensit della turbolenza atmosferica,
altezza delle onde, errori di misura,
Ammettiamo di sapere come determinare
le forze su di una piattaforma off-shore a
seguito di ondate di altezza nota; come
prevedere laltezza dellonda da utilizzare
per il dimensionamento della struttura?
Ci servono strumenti che forniscano
informazioni utilizzabili e affidabili, cio
probabili, anche se non il valore
specifico di un evento.
7
Si tratta di compiere misurazioni ed
elaborare opportunamente i dati ottenuti
per ricavarne un modello matematico
del fenomeno.
Posizioniamo un sistema in grado di misurare laltezza delle onde con una
adeguata cadenza temporale nel sito previsto per linstallazione della
piattaforma.
Modelli probabilistici
9
10
Supponiamo di avere ottenuto al termine
Il grafico non mostra alcun andamento e non fornisce informazioni utili
0 20 40 60 80 100 120 140 160 180 200
0
1
2
3
4
5
6
7
8
tempo
a
l
t
e
z
z
a

o
n
d
e

(
m
)
Supponiamo di avere ottenuto, al termine
del periodo di osservazione,
rappresentativo ed omogeneo,
qualcosa del genere:
Il diagramma mostra la distribuzione dei
dati nel tempo.
8
g
perch il fenomeno non dipendente dal tempo, unica variabile
controllata/misurata.
Laltezza delle onde dipende da altri fattori (es. velocit del vento) che non
sono controllati.
Bisogna adottare una strategia di elaborazione che si concentri sulla sola
grandezza esaminata e non su cosa abbia prodotto la variazione.
5
Come costruire le informazioni
9
Si svolge unindagine statistica dei dati ottenuti nel tempo determinando la
distribuzione dei valori ottenuti ovvero il numero di occorrenze di un
certo evento (es. quante volte unonda ha avuto altezza pari a 6m).
Distribuzione dei dati
10
0
0
0
2
1
7
14
39
34
51
31
16
4
1
0
0
0
1
2
3
4
5
6
7
8
9
10
10
L istogramma la rappresentazione della distribuzione dei dati sul
campo di misura e indica i campi con eventi pi frequenti, quindi pi
probabili.
0 20 40 60 80 100 120 140 160 180 200
0
6
Distribuzione dei dati
Operativamente per ottenere la distribuzione dei dati:
si misura il fenomeno acquisendo linformazione numerica;
si divide il campo di osservazione in intervalli;
per ogni intervallo si contano le occorrenze/eventi che ricadono p g
allinterno di esso (per segnali continui si misura il tempo di permanenza
del segnale nellintervallo).
per ogni intervallo si traccia un segmento di lunghezza pari al numero di
occorrenze (se si utilizza un rettangolo si deve ricordare che la base non
ha significato, per es. non pari allintervallo).
Per la determinazione del numero di intervalli, avendo N dati (N>40; N <
40 istogramma non significativo), si pu utilizzare la formula:
11
40 istogramma non significativo), si pu utilizzare la formula:
Il numero di eventi in un intervallo deve essere significativo ( 5)
altrimenti la distribuzione risulterebbe dipendente da come stata fatta
la discretizzazione del campo di misura. In caso contrario meglio
diminuire il numero di intervalli.
0.40
Bins
N 1.87(N 1) 1 = +
Diverse serie di dati relativi
allo stesso processo daranno
distribuzioni di probabilit
leggermente diverse.
0.1
0.2
0.3
0.4
0.5
Gaussiana
Istogrammi
Nei grafici sono riportate 20
serie, di 10000 dati ciascuna,
relative a due differenti
tipologie di distribuzione.
Per ciascuna serie si riporta
anche il valore medio (rosso)
e deviazione standard (verde).
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.05
0.1
0.15
0.2
Uniforme
13
Attenzione! : sono state utilizzate linee per la rappresentazione di un
intervallo esclusivamente per rendere pi leggibile il diagramma
Media e dev. std. sono molto stabili tanto che i tratti che le rappresentano
sono praticamente sovrapposti.
La forma della distribuzione unita ai due dati statistici consente di costruire
un modello matematico probabilistico della grandezza casuale.
7
Il numero di eventi per ogni intervallo da solo non uninformazione
particolarmente significativa.
Dividendo il numero di occorrenze in un intervallo per il numero di misure
totali si esprimono i dati in termini di frequenza relativa.
Probabilit
Linformazione contenuta in p
i
che vi sono n
i
possibilit, su N, che un
nuovo dato cada nellintervallo i-esimo.
Definiamo la probabilit come quantificazione numerica della
i
i
n
p
N
=
14
possibilit di un evento.
La distribuzione di probabilit calcola la
possibilit di effettuare una particolare
osservazione:
1
( )
j
k
i j
k i
n
P x x x
N
+
=
< =

La somma delle frequenze relative fornisce


la probabilit per un intervallo pi ampio:
1
( )
i
i i
n
P x x x
N
+
< =
Il concetto di probabilit ci gi noto per altra via e sotto una forma
leggermente diversa.
La probabilit (A) di un evento discreto esprime il peso dellevento in
rapporto a tutti gli eventi possibili ed ottenuta dividendo il numero di
evenienze del tipo di interesse (m), o esiti positivi, per il numero totale di
Probabilit: caso discreto
soluzioni possibili (N), cio dei possibili esiti.
Probabilit dellevento A=m/N
Es. c il 50% di probabilit che il lancio di una moneta dia testa.
Es. se lanciamo due dadi la probabilit di ottenere un doppio 1 1/36 in
quanto c una sola possibilit dellesito voluto a fronte di 36 possibili
eventi (6 indipendenti per ciascun dado)
15
eventi (6 indipendenti per ciascun dado).
La probabilit discreta un numero, compreso tra 0 ed 1, che esprime
la possibilit delloccorrenza di un evento relativamente a tutte le finite
possibilit dello spazio matematico indagato.
8
Partendo dal concetto di probabilit discreta si pu arrivare a concepire
intuitivamente la probabilit in termini continui come la tendenza ad
infinito del numero di soluzioni possibili.
Probabilit: caso continuo
La probabilit continua un valore numerico, compreso tra 0 e 1, che
esprime la possibilit di occorrenza di un evento, , rispetto
agli infiniti casi possibili.
La probabilit il numero che esprime la verosimiglianza delloccorrenza
di un evento relativamente a tutte le possibilit dello spazio relativo ()
che essendo la totalit dei casi possibili ha, per definizione, un valore
unitario.
( ) a x b
( ) ( )
( )
P a x b P a x b
P b


16
La probabilit quantifica la possibilit di un evento
( ) ( )
( )
( ) 1
P a x b
P x
= =
+
Diversi istogrammi di uno stesso fenomeno possono non essere
direttamente confrontabili: il risultato dipende dal numero, N, di dati
acquisiti e dalla quantit di intervalli, N
Bins
, impiegata per suddividere il
campo di osservazione.
Densit di probabilit
N
Bins
variabile con N N
Bins
costante con N
17
La frequenza relativa, grazie alla normalizzazione, rende confrontabili gli
istogrammi ma solo a parit di numero dei sottointervalli.
Per ottenere un risultato invariante necessaria una ulteriore
normalizzazione: rispetto alla dimensione del sottointervallo.
Questo porta ad un modello continuo: la funzione di densit di
probabilit.
9
Normalizzando la frequenza relativa rispetto allampiezza degli intervalli
si ottiene una funzione indipendente dal numero di osservazioni e di
intervalli: ci equivale a definire una funzione continua, costante
nellintervallo, a parit di integrale (probabilit).
U li d ll b bili ( )
i
n
P
Densit di probabilit
Uguaglianza delle probabilit:
Nellipotesi di
densit costante:
Valore della densit dellintervallo:
I i lt ti di i i di d f t bili
1 1
1
1
( )
( ) ( ) ( )
/
i i
i i
i
i i
x x
i i i i
x x
i
i
P x x x
N
P x x x p x dx p x dx p x
n
p x
N
+ +
+
+
=
= = =
=

18
I risultati di osservazioni diverse sono adesso confrontabili,
indipendentemente dal numero di eventi osservati e/o dal numero e
dallampiezza degli intervalli.
La funzione p(x) ha il significato di densit di probabilit e caratterizza
il fenomeno casuale.
( )
j
k
i j
k i
n
P x x x
N
=
=

j
x

Utilizzando la distribuzione di probabilit,


la probabilit data dalla sommatoria:
Utilizzando la funzione di densit di
Densit di probabilit
( ) ( )
j
i
x
i j
x
P x x x p x dx =

Utilizzando la funzione di densit di


probabilit si dovr integrare:
La probabilit che si faccia una misura
che appartenga ad un intervallo data
dallintegrale della funzione densit di
probabilit esteso a quellintervallo:
In particolare la probabilit di un valore
assegnato nulla:
( ) ( )
b
a
P a x b p x dx =

( ) ( ) 0
a
P x a p x dx = = =

19
assegnato nulla:
La funzione densit positiva e
lintegrale su tutto il dominio della
funzione unitario: la probabilit che una
misura vi rientri deve infatti essere 100%.
( ) 0
( ) ( ) 1
p x
p x dx P x

>
= < < =

10
Attraverso la funzione di densit di probabilit possiamo determinare i
parametri statistici fondamentali di una grandezza, non soltanto la
probabilit che un certo evento avvenga.
Densit di probabilit: valore atteso e varianza
Lintegrale della funzione di densit di probabilit p(x) della grandezza x,
pesata per la grandezza stessa, ne fornisce il valore atteso (expected
value). Solo in alcuni casi esso coincide con il valore pi probabile.
Valore atteso (momento di ordine 1):
Lintegrale della funzione di densit di probabilit p(x) della grandezza x,
pesata per il quadrato della distanza tra la variabile x e il suo valore
( ) ( ) E x x p x dx

= =

20
pesata per il quadrato della distanza tra la variabile x e il suo valore
atteso, ne fornisce la varianza:
Varianza (momento di ordine 2):
( )
2
2
( ) V x p x dx

= =

Scriviamo lespressione del valore atteso utilizzando le approssimazioni


e i dati utilizzati per costruire un istogramma, ricordando:
p(x) costante in un intervallo:
f n
1
( ) per
i i i
p x p x x x
+
=
Densit di probabilit: valore atteso e varianza
la definizione di frequenza relativa:
( )
1
1 2 2 2
1
1 1 1
1
1
1 1
( )
2 2
2
i
i
i i
x
x
M M M
i i
i i i
i i i
x x
M M
i i
i i i i i
i i
x x x
x p x dx x p dx p p
x x
p x x p x x

+
+
+
= = =

+
+
= =

= = = =
+
= =


i i
i
f n
p
x N x
= =

21
Dove si indicato con M il numero di intervalli.
Il valor medio di una serie unapprossimazione del valore atteso della
grandezza casuale che ha prodotto i dati.
1 1 1
1
M M N
i
i i i j
i i j
n
f x x x x
N N
= = =
= = =

11
Essendo lintegrale di p(x) unitario per definizione, senza modificare la
definizione di valore atteso:
( ) ( ) / ( ) E x x p x dx p x dx


= =

Densit di probabilit: valore atteso e varianza
Ritroviamo il rapporto tra i momenti statici di ordine 1 e 0 della funzione
di densit di probabilit gi evidenziati nel caso discreto:
il valore atteso di una variabile descritta mediante la sua densit di
probabilit dato dal baricentro della stessa
La varianza in analogia con il momento di inerzia baricentrico:

( ) ( )
2 2
2
( ) ( ) V d I d


22
La differenza rispetto al caso della media e della varianza di una serie,
discreta e finita, risiede nella continuit della funzione che rende
necessaria la formulazione integrale.
( ) ( )
2
( ) ( )
CG
L
V x p x dx I x x m x dx

= = =

Variabili Casuali
Si pu ora definire in maniera pi sistematica il concetto di variabile
casuale:
Una variabile casuale rappresenta una grandezza il cui accadimento
d i ibil l i t i i di t t descrivibile solo in termini di comportamento
I modelli deterministici non sono validi e la grandezza non direttamente
prevedibile
La previsione pu avvenire in senso probabilistico a partire dal
comportamento sintetizzato nella distribuzione di probabilit ed espresso
in termini di parametri sintetici : il valore atteso e la varianza (o la
deviazione standard che ne la radice quadrata) unitamente alla forma
della densit di probabilit descrivono il processo casuale.
23
p p
Lincertezza di una misura considerata una variabile casuale a valor medio
nullo e centrata sulla stima della misura.
12
La forma della funzione di densit di probabilit una caratteristica del
fenomeno.
Densit di probabilit
24
E stato osservato che il comportamento di alcune classi di problemi
abbastanza bene descritto da alcune leggi.
Distribuzioni di interesse ingegneristico e applicazioni tipiche:
Binomia (Binomial): distribuzione discreta. Utilizzata nel controllo di
qualit (scarto di prodotti difettosi) nelle analisi successo/ insuccesso
Densit di probabilit
qualit (scarto di prodotti difettosi), nelle analisi successo/ insuccesso
buono/cattivo.
Normale (Normal) o Gaussiana: continua e simmetrica; largamente
impiegata nellanalisi sperimentale e nella fisica. Utilizzata per la
spiegazione del comportamento di variabili casuali nella sperimentazione.
Student's t: continua e simmetrica; utilizzata per lanalisi della varianza
quando il numero di campioni limitato (<30). Per un numero di campioni
superiore si comporta come la distribuzione normale.
25

2
: continua, nonsimmetrica; usata per lanalisi della varianza di campioni
di popolazione e per valutare la qualit del fitting di una distribuzione.
13
Weibul: continua, non simmetrica; usata per descrivere i fenomeni di
durata di parti e componenti.
Esponenziale: continua non simmetrica; usata per lanalisi di affidabilit
Densit di probabilit
Esponenziale: continua, non simmetrica; usata per l analisi di affidabilit
di sistemi completi e assemblaggi di parti.
Lognormal: continua, non simmetrica; utilizzata per lo studio della vita e
della durata di parti e componenti.
Uniform: continua, simmetrica; usata per la stima delle probabilit di
variabili random per la simulazione.
Poisson: discreta; utilizzata quando le occorrenze degli eventi sono
osservabili ma non lo sono le non occorrenze (es i guasti in un impianto o
26
osse ab a o o so o e o occo e e (es guast u p a to o
i black-out in una zona)
Calcolo di probabilit:
( )
a
P x a p(x)dx =

( ) 1 ( ) P x a P x a > =
Riassumendo
Calcolo del valore atteso:

( ) 0 P x a = =
( ) ( ) E d

( ) 1 ( ) P x a P x a =
( )
b
a
P a x b p(x)dx =

27
Calcolo del valore atteso:
Calcolo della varianza prevista: ( )
2
2
( ) ( )
( )
E x x p x dx
V x p x dx

= =
= =

14
Come si costruiscono le distribuzioni di probabilit.
Come si passa concettualmente alla funzione di densit di probabilit.
Da ricordare
Come si caratterizza una variabile casuale (media e varianza).
Come prevedere il comportamento di una grandezza casuale con un
margine di errore e un livello di fiducia.
Come ci si esprime in termini di probabilitdi avvenimento di una
grandezza casuale.
28
Rimane aperto il problema di come operare con pi grandezze casuali
interagenti o meno.
Si consideri un cuscinetto a sfere la cui vita esprimibile mediante la
seguente legge di densit di probabilit della rottura:
02
Esempio 1
0.2
f(x)
3
0 x 10h
f(x) 200
x 10h
x
<

29
Valutare la probabilit che la vita di un cuscinetto, prelevato a caso da
un lotto di produzione, risulti essere:
a) inferiore a 20h b) maggiore di 20h c) uguale a 20h
10 h
15
Soluzione:
20 10 20
3
- 10
200
( 20) 0 0.75 P x f(x)dx dx dx
x

< = = + =

( 20) 0 P x
( 20) 1 ( 20) 0.25 P x P x = =
Esempio 1
Ma allora cosa ho misurato se la vita risultata essere 20 h?
Possiamo interpretare che le 20 h non siano un dato esatto, es. perch il
rilevamento avviene con un certo lasso di tempo
20
20
3 2
( 20) (20 20 )
200 100
(20 20 )
P x P x
P x dx



+
+
= +
+ = =

( 20) 0 P x = =
30
Assumendo d pari ad un minuto, allora:
3 2
20 20
x x

( 20) 0.0833% P x =
E importante comprendere che questo genere di indagine, per sua
natura, non pu originare informazioni deterministiche
Per il cuscinetto dellesempio precedente possibile calcolare la vita
attesa? Ci interessa cio quel valore che dovremmo ottenere come
media di una serie di rilevamenti sperimentali.
Esempio 2
Soluzione:
3
0 x 10h
f(x) 200
x 10h
x
<

0.2
f(x)
0
E(x) xf(x)dx
200 200
x dx 20h
+

= = =
= =

31
10 h
3
10 10
x dx 20h
x
x
= =

16
Consideriamo il caso di una variabile a distribuzione di densit di
probabilit costante, di valore 1/A, nellintervallo A/2.
Quali sono il valore atteso e la deviazione standard della variabile?
Esempio 3a
Soluzione:
A / 2
2 2 2
1
(x ) f(x)dx (x) dx
+
= = =

0 x A/ 2
f(x) 1/ A A/ 2 x A/ 2
0 x A/ 2
<

>

f(x)
A / 2
2 A / 2
-A/2
-A/2
1 x
xf(x)dx x dx 0
A 2A
+

= = = =

32
-A/2
A / 2
2 3
2
-A/2
(x ) f(x)dx (x) dx
A
x 1 1 A 1 A
A
3A 12 3 2 2 3



= = =



-A/2
1/A
h A/2
Per la distribuzione triangolare indicata
valutare
Esempio 3b
1 1
( 0) (0 )
x x
+
, e ( ) P x
0
2 2
0
1 1
( ) 0
6 6
a
a
x x a a
x p x dx x dx x dx
a a a a




= = + + = + =



0 2 2 2
2 2 2 2
2 2
1 1
( )
12 12 6
a
x x a a a
u x p x dx x dx x dx
a a a a


= = + + = + =



2 2
( 0) (0 ) p a x p x a
a a a a
= + =
33
0
12 12 6
a
a a a a


2
0
1
( ) ( ) 2 ... 0.65
a
x
P x p x dx dx
a a


= = = =



6
a
u =
17
Funzione di distribuzione cumulativa
LIntegrazione ha due forme:
Poi, almeno per il secondo caso, arrivato il calcolo numerico
;
b
a
F(x)= f(x)dx I = f(x)dx

N
b
Volendo oggi abbiamo anche Matlab (e altri) con:
Una regola importante:
1
N
b
i i
a
i
I = f(x)dx w (x )
=


int(sym(fun)
integral(fun,xmin,xmax)
b
a
F(x)= f(x)dx
I = f(x)dx
=
=

b
I f( )d F(b) F( )

34
Una regola importante:
Se dobbiamo calcolare ripetutamente lintegrale definito di una funzione
su intervalli diversi pu essere conveniente determinare la funzione
integrale una volta per tutte: poi si operer per differenze
a
I = f(x)dx F(b) F(a) =

Distribuzione cumulativa
La funzione di distribuzione cumulativa (Cumulative distribution
function) permette di valutare la probabilit che una variabile x descritta
dalla funzione di densit di probabilit f(x), assuma valori minori od
uguali ad un valore assegnato, , avendo eseguito lintegrazione una
volta per tutte in forma analitica.
x
Definizione:
Se si possono dimostrare le seguenti relazioni:
x
F(x x) F(x) f(x)dx P(x x)

= =

P(x a) F(a) =
P(x a) 1 F(a) > =
b
a
P(a x b) f(x)dx F(b) F(a) = =

35
Vantaggi:
non serve pi svolgere lintegrale: sufficiente la singola valutazione
o la differenza di due valutazioni della funzione;
il processo di calcolo pu essere facilmente invertito (a differenza
dellintegrale), calcolando la funzione inversa.
18
Determiniamo la probabilit cumulativa del lotto di cuscinetti dellesempio 1.
0.2
0 x 10h <
x
x x =
Esempio 4
x x
F(x) f(s)ds 0ds 0 per x 10

= = =

10
3
0 x 10h
f(x) 200
x 10h
x
<

P(x x) f(s)ds

=

2
100
F(x) 1
x
=
36
x
3 2
200 100
F(x) ds 1 per x 10
s x

= = >

F(x) 0 =
P(x x) F(x) =
Per il lotto di cuscinetti dellesempio 1, qual la probabilit che un
cuscinetto abbia una vita inferiore a 15 o 20 ore?
Soluzione: si utilizza la funzione di distribuzione cumulativa dellesempio 4.
Esempio 5
F(x) 0 per x 10 =
2
100
F(x) 1 per x 10
x
= >
Per 15 ore si ha una probabilit di 0.55
Per 20 ore si ottiene 0.75
Probabilit di cedimento
37
Per 20 ore si ottiene 0.75
Non occorre effettuare gli integrali ogni volta: sufficiente calcolare la
funzione per il valore di interesse.
La probabilit di un intervallo sar dato dalla differenza dei valori.
19
Volendo garantire, con l80% di probabilit, la vita di un cuscinetto dello
stesso lotto, quanto devo dichiarare?
La funzione di distribuzione
0.2
x x =
Probabilit di
Esempio 6
La funzione di distribuzione
cumulativa fornisce la probabilit di
cedimento dopo un certo tempo.
Garantire l80% di probabilit la vita di
un cuscinetto equivale a garantire
che, nello stesso tempo, se ne
rompano al pi il 20%.
Occorre quindi individuare la durata
10
x x
Probabilit di
rottura per
38
corrispondente al complemento della
funzione data: 1-F(x).
Soluzione: si utilizza ancora la funzione di distribuzione cumulativa.
2
100 100
F(x) 0 per x 10 F(x) 1 per x 10 o x
1 P( )
= = > =
Esempio 6
2
1 P(x)
x

Probabilit ricercata: 80% di vita utile.
Disponendo della probabilit di rottura cumulativa
F(x) si deve ricercare la probabilit equivalente di
vita in termini complementari:
F(x)=1- 80% = 20%
Risolvendo la distribuzione cumulativa per
Probabilit di cedimento
39
Risolvendo la distribuzione cumulativa per
F(x)=20% si ottiene x=11.18
Occorrer quindi dichiarare circa 11 ore.
20
Statistica degli errori sperimentali
Vogliamo individuare una funzione di densit di probabilit utile per la
descrizione delle problematiche sperimentali.
Possiamo definire dei requisiti per tale funzione ricordando che vogliamo
rappresentare gli errori casuali. g
Requisiti fondamentali:
funzione simmetrica;
valori centrali pi probabili.
Requisiti utili:
funzione analitica (continua integrabile e derivabile);
40
funzione analitica (continua, integrabile e derivabile);
definibile da pochi parametri.
Densit di probabilit gaussiana
Una distribuzione di particolare interesse poich soddisfa i requisiti che
ci eravamo dati per descrivere gli errori sperimentali quella gaussiana:
2
1 1
( ) exp
2 2
x
p x




=




valore centrale coincidente con la
media dei valori x.
parametro di regolazione della
distribuzione attorno al valor medio.
coincide con la deviazione standard della variabile x.
Il coefficiente moltiplicativo fuori dallesponenziale rende unitario
li l i hi d f i di d i di b bili
41
E simmetrica centrata sul valore medio dove assume valore massimo
pari a:
A distanza dalla media la funzione presenta un flesso.
max
1
( )
2
p p

= =
lintegrale come richiesto ad una funzione di densit di probabilit.
21
La funzione di densit di probabilit gaussiana descrive in modo
soddisfacente landamento di una gran parte degli errori presenti nelle
misure.
In particolare essa rappresenta correttamente la dispersione di dati
Densit di probabilit gaussiana
sperimentali, conseguenza di fattori casuali, quando levenienza di
deviazioni positive e negative di pari entit egualmente probabile, con
misure vicino al valore medio pi probabili.
E una funzione continua: essendo derivabile adatta a manipolazioni
analitiche.
Anche se gli errori individuali non seguono questa distribuzione, la
media dei campioni della misura hanno una distribuzione tendente
ll i il di i i i i id i
42
a quella gaussiana se il numero di campioni presi in considerazione
elevato (teorema del limite centrale).
Si tratta di un modello non fisico poich, essendo la gaussiana una
funzione non limitata, garantisce una probabilit, seppur minima, che
avvenga la misura di un valore estremamente lontano dal valore medio
(anche se ci fisicamente poco probabile).
Densit di probabilit gaussiana normalizzata
Notando la struttura dellesponente naturale
2
1 1
( ) exp
2 2
x
p x




=





Notando la struttura dell esponente, naturale
introdurre la variabile z come rapporto tra la distanza
dal valor medio e il parametro di distribuzione:
2
1 1 2
2
1
0
( )
1
2
0 1
1 1
( ) ( )
2 2
x
x z
z z
z
x z
P x x x e dx e dz f z dz


< < = = =

x
z

=
dx dz =
Per la probabilit di evenienza di un intervallo si ottiene:
44
0 0
x z
2
1
2
1
( )
2
z
f z e


=
Avendo definito la funzione densit di
probabilit normale o standard come:
22
La variabile z esprime la distanza di x dal valore medio come
moltiplicatore della deviazione standard della distribuzione, .
z x =
Densit di probabilit gaussiana normalizzata
La funzione di densit normalizzata
Ha:
di ll
2
1
2
1
( )
2
z
f z e


=
=1
45
media nulla e
deviazione standard unitaria.
Z=0
Applicando la definizione di probabilit cumulativa (integrale indefinito):
( ) ( )
z
F z f z dz

0 8
1
Densit cumulativa (Gauss)
Densit di probabilit gaussiana normalizzata
2
( ) ( )
1
exp
2 2
z
F z f z dz
z
dz

= =


la probabilit espressa come differenza dei valori che la densit


cumulativa assume ai due estremi dellintervallo di interesse:
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
P
r
o
b
a
b
i
l
i
t

46
1
0
0 1 1 0
( ) ( ) ( ) ( )
z
z
P x x x f z dz F z F z < < = =

La funzione disponibile tabulata nel semipiano


positivo, definendo larea sottesa dalla curva di
densit di probabilit come tratteggiata in figura.
23
Tabella della funzione integrale
Densit di probabilit gaussiana normalizzata
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1571
0.4 .1554 .1591 .1628 .1604 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
47
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
La forma integrale disponibile in forma tabulare con passo z/100
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
z 0 0. 01 0. 02 0. 03 0. 04 0. 05 0. 06 0. 07 0. 08 0. 09
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
0. 0 00000 00399 00798 01197 01595 01994 02392 02790 03188 03586
0. 1 03983 04380 04776 05172 05567 05962 06356 06749 07142 07355
Densit di probabilit gaussiana normalizzata
0. 1 03983 04380 04776 05172 05567 05962 06356 06749 07142 07355
0. 2 07926 08317 08706 09095 09483 09871 10257 10642 11026 11409

2. 7 49653 49664 49674 49683 49693 49702 49711 49720 49728 49736
2. 8 49744 49752 49760 49767 49774 49781 49788 49795 49801 49807
2. 9 49813 49819 49825 49831 49836 49841 49846 49851 49856 49861

5. 0 50000 50000 50000 50000 50000 50000 50000 50000 50000 50000
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
z=2 83 I(2 83)= ? =0 49767 =2 8 + 0 03
48
z=2.83 I(2.83)= ? =0.49767 =2.8 + 0.03
z=.83
P(0<z<2.83)=0.49767
La tabella data per valori di
scostamento positivi, ma vale anche
per valori negativi: la funzione densit
di probabilit simmetrica.
24
1
0
1
0 1 0 1
2
( ) ( ) ( )
1
exp
z
z
Z
P x x x P z z z f z dz
z
dz
< < = < < = =

Caso di valori con lo stesso segno


Densit di probabilit gaussiana normalizzata
1
Densit cumulativa (Gauss)
z
0
z
1
0
exp
2 2
Z
dz

0 1
0 1 1 0
, 0
( ) ( ) ( )
z z
P z z z F z F z
>
< < =
( ) F z
49
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
P
r
o
b
a
b
i
l
i
t

0 1 1 0
( ) ( ) ( )
0
( ) F z
1
( ) F z
( ) ( ) 0 F z F z z = <
0 1
1 0 0 1
1 0
, 0
( ) ( ) ( )
( ) ( )
z z
P z z z F z F z
F z F z
<
< < =
=
1
0
1
0 1 0 1
2
( ) ( ) ( )
1
z
z
Z
P x x x P z z z f z dz
z
< < = < < = =

Caso di valori con segno diverso


z z
Densit di probabilit gaussiana normalizzata
0
1
exp
2 2
Z
z
dz

1 0
0 ; 0 z z > <
1
Densit cumulativa (Gauss)
z
0
z
1
Z=
0
z
0
z
1
-z
0
Si opera due volte: una per il semipiano
positivo e una per quello negativo:
50
0 1 1 0
1 0
( ) ( ) ( )
( ) ( )
P z z z F z F z
F z F z
< < =
= +
( ) ( ) 0 F z F z z = <
-5 -4 -3 -2 -1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
P
r
o
b
a
b
i
l
i
t

0
( ) F z
1
( ) F z
0 0
( ) ( 0) F z F z = <
25
Intervallo di confidenza
Dato un generico intervallo, sullasse delle ascisse, si pu determinare la
probabilit che un nuovo evento vi rientri.
Nel caso specifico possiamo adottare intervalli simmetrici.
Naturale quindi esprimere lintervallo in termini relativi alla deviazione
d d k standard: k .
Si noti che lintervallo di confidenza dotato di unit di misura che , in
particolare, quella della grandezza espressa dalla gaussiana.
Si usa la dizione intervallo di confidenza per un intervallo simmetrico,
associato ad un livello di probabilit, detto anche livello di confidenza
o livello fiduciario.
Intervallo di Il livello di confidenza, spesso espresso in
51
Z=0
-z +z
confidenza
P(x - x + ) k x k Livello di confidenza =
p p
termini percentuali, rappresenta larea
sottesa da un certo intervallo di confidenza.
Assumendo una distribuzione normale, qual la probabilit che una
La media di una serie di misure : 0.644.
La deviazione standard : 0.098.
Esempio 7
Assumendo una distribuzione normale, qual la probabilit che una
lettura fornisca una misura compresa tra 0.5 e 0.7?
z
1
= (0.7-0.644)/0.098 = 0.57
z = (0 5 0 644)/0 098 = 1 47
x
z

=
52
z
0
= (0.5-0.644)/0.098 = -1.47
Con questi dati possiamo impostare
il calcolo della probabilit.
Z=0
z
0
z
1
x=0.644
26
Lespressione della probabilit scritta per i dati specifici :
( )
1
1 2
(0.5 0.7) ( )
0.5 0.644 0.7 0.644
147 057
P x P z z z
P
x x
P
= =



Esempio 7
( )
1
1.47 0.57
0.098 0.098
x
P z P z

= =



( 1.47 0) (0 0.57) P z P z + =
53
Z=0
z
0
z
1
|z
0
|
Dovendo operare a cavallo dello zero si
sommano i termini di probabilit per
valori positivi e negativi di z.
( 1.47 0) (0 1.47) P z P z =
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
Quindi: (0 1.47) (0 0.57) P z P z + =
( ) ( ) ( ) ( )
1 2
1.47 0.57 I z I z I I + = + 0.4292 =
0.2157 0.6449 + =
Esempio 7
... ... ... ... ... ... ... ... ... ... ...
0.4 .1554 .1591 .1628 .1604 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
14 4192 4207 4222 4236 4251 4265 4279 4292 4306 4319
z=147
z=0.57
54
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
... ... ... ... ... ... ... ... ... ... ...

La probabilit che si verifichi la condizione 0.5 x 0.7 del 64%.
z=1.47
27
Esempio 8
Qual la probabilit che una misura, di una grandezza a distribuzione
gaussiana, a media 0.644 e deviazione standard 0.098, siano maggiori
di 0.8?
( )
( ) ( )
0.8 0.644
(0.8 )
0.098
1.5918 0.5 0.44408 0.056
P x I I
I I

= =


= =
Z=0
z
1
55
Quindi la probabilit che si verifichi la condizione x 0.8 del 5.6%.
Esempio 9
Qual la probabilit che una misura cada in un intervallo attorno al valor
medio pari a due volte la deviazione standard?
( 2 2 )?
x x
P x x x < < +
( 2 2 ) ( 2 2 ) P P
x
x
x x
z x z x

= = +
Dalla definizione della variabile z si ottiene che
essa definisce un intervallo attorno alla media
in termini di deviazione standard:
Sostituendo e con semplici passaggi:
Z=0
-z
0
z
0
56
( ) ( )
( 2 2 ) ( 2 2 )
( 2 2 ) ( 2 2)
2 2 0.4772 0.4772 0.9544
x x x x x
x x x
P x x x P x z x x
P x z x x P z
I I


< < + = < + < + =
= < + < + = < < + =
= + = + =
Quindi la probabilit che la condizione si verifichi del 95.44%.
28
Esempio 10
Nella produzione di banchi motore, la tolleranza sul diametro D ha
distribuzione gaussiana. Il D medio misurato =4 in con una
deviazione =0.002 in. Qual la probabilit delle seguenti condizioni:
a) un cilindro sia misurato con D 4.002 in; a) un cilindro sia misurato con D 4.002 in;
b) D 4.005 in;
c) 3.993 D 4.003 in;
d) se i cilindri con deviazione >2 sono eliminati, che percentuale totale
verr eliminata?
57
4.002 4.000
1
D
z

= = =
Soluzione:
a) cilindro con D 4.002 in
Esempio 10
( 1) ( 0) (0 1)
.5 .3413 .8413 84.3%
P z P z P z = + =
= + = =
b) Cilindro sia misurato con D 4.005 in;
1
0.002
z

= = =
Z=0
z
1
58
4.005 4.000
2.5
0.002
D
z


= = =
(2.5 ) (0 ) (0 2.5)
0.5 0.4938 0.0062 0.62%
P z P z P z + = + =
= =
Z=0
z
1
29
c) Probabilit 3.993 D 4.003 in;
1 2
3.993 4.0 4.003 4.0
3.5 ; 1.5
0.002 0.002
z z

= = = = +
z
1
=-3.5 z
2
=1.5
Esempio 10
d) Se il criterio di rigetto pari a 2 , i
banchi che vengono accettati sono:
( 2 2) 2 (0 2) 95.44% P z P z + = + =
( 3.5 1.5) ( 3.5 0) (0 1.5)
.4998 .4332 .933 93.3%
P z P z P z + = + =
= + = =
z z
59
( ) ( )
mentre quelli che vengono eliminati sono:
1 0.9544 0.0456 4.56% = =
-z
1 z
1
z
1
-z
1
Esempio 11
La sperimentazione su di un lotto di provini di un materiale fragile ha
portato a definire lo sforzo di rottura medio e la sua deviazione standard.
Se lo sforzo generato da un carico applicato anchesso noto in termini
di valore medio e di deviazione standard, ipotizzando che entrambi
bbi di t ib i l l l b bilit h i i abbiano distribuzione casuale, quale la probabilit che un provino si
rompa?
300 25
220 15
R
A
MPa
MPa

=
=
Il problema di rottura in termini
probabilistici definito come la
0 04
0.05
0.06
0.07
0.08
0.09


d
i

p
r
o
b
a
b
i
l
i
t

Sforzo applicato
Sforzo di rottura
60
p
probabilit che lo sforzo
agente (rosso) superi quello
limite del materiale (blu).
-100 0 100 200 300 400 500
0
0.01
0.02
0.03
0.04
Sforzo [MPa]
D
e
s
n
i
t

30
Possiamo definire una variabile di supporto come differenza tra lo sforzo
di rottura e quello applicato che chiameremo margine di resistenza:
La differenza di due variabili casuali, come capiremo meglio nel
S R A
I =
Esempio 11
proseguo del corso, ha come valore medio la differenza dei valori medi e
come varianza la somma delle varianze:
1_ 2_
2 2 2
_ 1_ 2_
medio medio medio
d medio x medio x medio
d x x
S S S
=
= +
_ _
300 220 80
S R medio A medio
I MPa = = = Quindi:
61
La variabile casuale di interesse, distanza tra lo sforzo di rottura e quello
applicato, una gaussiana, ed completamente definita come:
80 25.0
S
I MPa =
2 2 2 2
20 15 25.0
R A
Is
S S S MPa

= + = + =
La probabilit di rottura si determina valutando la probabilit che il
margine di resistenza sia negativo:
Il pezzo si potr rompere, in senso probabilistico, se larea sottesa dalla
distribuzione di probabilit di tale indice tra e 0 non nulla
( 0)
S
P I <
Esempio 11
distribuzione di probabilit di tale indice tra e 0 non nulla
0.04
0.05
0.06
0.07
0.08
0.09
s
n
i
t


d
i

p
r
o
b
a
b
i
l
i
t

Sforzo Applicato
Sforzo di rottura
Indice di sollecitazione
62
-100 0 100 200 300 400 500
0
0.01
0.02
0.03
Sforzo [MPa]
D
e
s
31
Trasformiamo in forma normale:
_ S S Medio
x Is
I I
x x
z
S

= =
E definiamo gli estremi dallintervallo nel quale : ( 0)
S
P I <
Esempio 11
Quindi:
1
2
0 80
0 3.2
25.0
S
S
I z
I z
= =

= = =
( ) ( )
( ) ( )
( 3.2) 3.2
3.2 0.5 0.4993 0.0007 0.07%
P z I I
I I
< < = =
= = =
63
C quindi una probabilit, piccola ma non nulla, che il materiale venga
sollecitato ad un livello superiore al suo limite di resistenza nonostante lo
sforzo nominale applicato sia abbondantemente inferiore a quello
previsto dal modello di rottura.
Avendo visto che ad un intervallo si accompagna una probabilit,
ragionevole associare le due informazioni assumendo che la conoscenza
della probabilit comporti avere confidenza nellintervallo stesso
Dichiarando un intervallo unitamente alla probabilit ad esso associata
Intervallo di confidenza
Dichiarando un intervallo unitamente alla probabilit ad esso associata
potremo esprimerci in termini di intervallo di confidenza e di livello di
confidenza o fiduciario
Il problema dellintervallo di confidenza si pu porre nelle due forme:
a) che intervallo occorre assumere se necessario conseguire un certo
livello di confidenza?
Per rispondere a questa domanda occorre trovare il k tale per cui
lintervallo k sottende unarea corrispondente alla probabilit
64
l intervallo k sottende un area corrispondente alla probabilit
assegnata attraverso il livello di confidenza.
b) quale livello di confidenza assicurato da un dato intervallo
(generalmente espresso in rapporto alla deviazione standard)?
In questi caso occorre valutare quale probabilit associata
allintervallo k .
32
Problema a), che intervallo occorre assumere se necessario conseguire un
certo livello di confidenza?
Se lintervallo di confidenza simmetrico occorre trovare il valore pari alla
met del livello richiesto nella tabella e dedurre il parametro z corrispondente,
se non simmetrico P-50%
Intervallo di confidenza
se non simmetrico P-50%.
Se ci interessa un livello di probabilit del 90% per il caso simmetrico dovremo
cercare 0.45, che si ottiene per 1.64 z 1.65, nel caso asimmetrico 0.40, cui
corrisponde 1.28 z 1.29.
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
... ... ... ... ... ... ... ... ... ... ...
0.4 .1554 .1591 .1628 .1604 .1700 .1736 .1772 .1808 .1844 .1879
05 1915 1950 1985 2019 2054 2088 2123 2157 2190 2224
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
13 4032 4049 4066 4082 4099 4115 4131 4147 4162 4177
65
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
... ... ... ... ... ... ... ... ... ... ...

Lintervallo di confidenza sar quindi x=1.64 nel caso simmetrico e
x< 1.28 o x< -1.28 nel caso asimmetrico (quale delle due equazioni
usare nel caso asimmetrico dipende dal problema che si sta affrontando).
Problema b) quale livello di confidenza assicurato da un dato intervallo
di confidenza espresso in k volte la deviazione standard?
Con la tabella di densit cumulativa possibile valutare i livelli di
confidenza degli intervalli, ovvero la probabilit di un nuovo evento entro
lintervallo di confidenza definito da una semiampiezza pari a k volte la
Intervallo di confidenza
l intervallo di confidenza definito da una semiampiezza pari a k volte la
deviazione standard, attorno al valor medio:
Intervallo di confidenza Livello di confidenza
1 2 x .3413 = 68.26%
2 2 x .4772 = 95.44%
3 2 x .4987 = 99.74%
3.5 2 x .4998 = 99.96%
66
Lintervallo 2 (95%) frequentemente utilizzato: significa che ogni 20
misure una sola dovrebbe cadere allesterno dellintervallo.
5 spesso assunto come livello di certezza probabilistica:
P(5 )> 99.998% circa 1 su 1000000
33
Livello di confidenza
E ovvio chequanto pi elevato deve essere il livello di confidenza
tantopiampiodeveesserelintervallo
Il li ll di fid d t d ll b bilit h il l d
espresso ancheintermini complementari al livello di significativit
(analogamenteaquantosi faconlaccuratezza):
Livellodi confidenza=1
Il livello di confidenza dato dalla probabilit che il valore cada
nellintervallodi confidenza
livello di confidenza =P(x - x + )
68
Livello di confidenza 1
Assumendo quindi il livello di significativit del 5%, intendiamo la
probabilitdi condizione non verificata, es cheunanuovamisurasia
esternaallintervallodi confidenzaconlaprobabilitdel 95%
In alcuni problemi simmetrici si lavora in complemento, riferendosi
ad una piccola area esterna allintervallo z per indicare quella
internacheinrealtmolto maggiore
Per indicare che interessa il 95% ci si riferisce al 5% che si scarta
Intervallo di confidenza
Area=/2
Area=/2
f
Z/2 , es. Z5%, la semi-ampiezza dellintervallo di confidenza:
definitoinmododaaveregarantitalaprobabilitP=1- , P=95%, che
unasuccessivavalutazionevi rientri
69
Z=0 -z/2 +z/2
/ 2 / 2
/ 2 / 2
livello di confidenza =P(x - z x +z ) =
P( -z z z ) =1-






34
Domande?
70
Da ricordare
Come si caratterizzare una grandezza casuale.
Esistono vari funzioni di densit di probabilit per la descrizione delle p p
grandezze casuali.
Le misure sono modellate attraverso una funzioni di densit di probabilit
gaussiana.
La gaussiana normalizzata.
Concetto di intervallo di confidenza e livello di confidenza.
Concetti di insiemistica per la gestione di eventi dipendenti da grandezze
casuali.
71
casuali.
35
Approfondimento: propriet della probabilit e
gestione di variabili casuali multiple
73
Una variabile casuale si caratterizza come un esito tra tutti quelli possibili.
Chiamiamo evento (event) lesito della realizzazione di una variabile
casuale (es un esperimento con la misura di una grandezza)
Propriet della probabilit
casuale (es. un esperimento con la misura di una grandezza).
Levento il valore di una variabile casuale continua, x, e la probabilit di
tale evento rappresentata da una funzione, P(x).
La previsione della probabilit di un evento uno degli scopi dellanalisi
probabilistico-statistica.
74
36
Esaminiamo le propriet pi significative relative alla probabilit.
Ricordiamo le propriet di base:
Propriet della probabilit
la probabilit, e quindi anche la funzione di densit di probabilit,
sempre positiva con valore massimo unitario:
0 < P(x or Xi) < 1
se loccorrenza di un evento, A, certa:
P(A) = 1
se certo che un evento, A, non avviene allora:
P(A) = 0
75
P(A) = 0
se esiste un evento A* complementare allevento A (cio se avviene
levento A, levento A* non avviene):
P(A)=1-P(A*)
Se due eventi A e B sono mutualmente esclusivi (cio se la probabilit di
evenienza simultanea nulla), la probabilit di occorrenza dellevento A o B :
P(A or B)=P(A)+P(B)
Variabili casuali multiple
P(A or B)=P(A)+P(B)
Per esempio, nel caso di un lancio di dati
la possibilit di ottenere 3 o 6 :
P(A)
P(B)
P(A)+P(B)
76
la possibilit di ottenere 3 o 6 :
In generale:
1
( , 1, )
N
i i
i
P a i N P
=
= =

37
Se gli eventi A e B sono indipendenti (cio se il loro accadimento non
dipende uno dallaltro), la probabilit che entrambi avvengano :
P(AB)=P(A)P(B)
Variabili casuali multiple
Es. Consideriamo lassemblaggio di due pezzi, A e B, prodotti da differenti
P(A)
P(B)
P(AB)
77
gg p , , p
aziende. Sappiamo che c la possibilit del 5% che il pezzo A sia
difettoso contro il 2% del pezzo B. La probabilit che il pezzo assemblato
contenga sia A che B difettosi :
P(AB)=0.05 0.02 = 0.001 o 0.1%
La probabilit di evenienza di A o B o entrambi, rappresentata da P(A
B) (probabilit dellunione di A e B), :
P(A B) =P(A)+P(B)-P(AB)
Variabili casuali multiple
La probabilit quindi inferiore alla somma delle singole probabilit in
quanto si deve tenere conto della probabilit che un pezzo presenti
entrambe le evenienze.
P(A)
P(B)
P(AB)
P(AB)
P(A)+P(B)-P(AB)
78
Nelles. precedente, la probabilit di avere A o B o entrambi difettosi :
P(A B)=0.05 + 0.02 0.001 = 0.069 cio 6.9%
P(A B)= 1-P(A*)P(B*)= 1-(1-P(A))(1-P(B))=P(A)+P(B)-P(AB)
In generale:
*
1
( , 1, ) 1
N
i i
i
P tutti a i N P
=
= =

38
Sappiamo quindi come trattare problemi nei quali compaiano pi variabili
casuali che possono essere tra loro indipendenti o meno.
A li i i
Variabili casuali multiple
Applicazioni:
analisi della presenza di difettosit;
analisi del tasso di guasto e di affidabilit di un sistema;
analisi di montaggio e installazione.
79