Sei sulla pagina 1di 32

LA TEORIA

DELLE
PROBABILITA
APPUNTI ED ESERCIZI

Andrea Prevete, 2016


LA TEORIA DELLE PROBABILITA
Nel linguaggio di tutti i giorni utilizziamo frequentemente il termine
probabilit per riferirci a situazioni di incertezza, a fatti che possono
verificarsi o non.
Chiameremo fatti di questo tipo eventi aleatori o casuali.
Gli eventi aleatori possono essere molto differenti fra di loro, ma tutti
hanno in comune la non predicibilit.
Una prima definizione di teoria delle probabilit pu, quindi,
sicuramente essere quella di scienza che consente di formulare delle
valutazioni numeriche circa la fiducia che possiamo riporre nel fatto
che un certo evento aleatorio si verifichi o non.
Andrea Prevete, 2016
PROBABILITA EX-ANTE O CLASSICA
Ci sono delle situazioni in cui la valutazione della probabilit di un evento (e quindi il grado di fiducia che
possiamo riporre nel fatto che esso accada!) ci sembra assolutamente naturale solo ragionando sulle
caratteristiche dellevento stesso.
Mi aspetto, per esempio, che lanciando un dado la possibilit di ottenere un numero pari sia la stessa rispetto a
quella di ottenere un numero dispari.
Utilizzando altre parole potremmo dire che lanciando pi volte il dado ci aspettiamo che i numeri pari e dispari
ottenuti corrispondano entrambi al 50% dei tentativi effettuati.
Il numero 50%, o 0.5, sembra effettivamente un ottimo indicatore per valutare la probabilit dellevento.
Quando ragioniamo cos abbiamo implicitamente eseguito i seguenti passi logici:
1) Scomposto lesperimento lancio di un dado individuando tutti i possibili risultati: 1, 2, 3, 4, 5 o 6.
2) Verificato che tutti i risultati sono equivalenti, nel senso che non c ragione perch ci si debba
aspettare luno piuttosto che laltro
3) Contato quanti dei risultati sono favorevoli alla nostra ipotesi. Nel caso dellipotesi pari le uscite 2, 4 e
6: quindi 3.
4) Calcolato la quota parte dei risultati favorevoli rispetto a quelli possibili: 3 diviso 6, uguale 0.5 o in
percentuale 50%
Questo modo di procedere, o di valutare la probabilit di un evento, spesso riferito come interpretazione
classica o ex-ante.
Andrea Prevete, 2016
PROBABILITA EX-POST O FREQUENTISTA
Ma cosa potremmo dire se volessimo valutare la probabilit di centrare un cestino della carta con un foglio appallottolato,
per esempio da una distanza di quattro metri?
Non ci viene certamente in aiuto la scomposizione dellesperimento in eventi elementari. Anzi ci sembra che le cose si
complichino ulteriormente: carta dentro, carta di poco fuori a sinistra, carta sul bordo e poi fuori, di molto fuori a destra, etc
etc. Non si tratta certamente di eventi aventi la stessa probabilit di verificarsi, o quantomeno non c motivo per esserne
certi a-priori.
Il criterio pi efficiente di valutazione, in casi come questi, quello di effettuare una serie di prove - quindi di assegnare di
conseguenza un valore alla probabilit che levento accada.
Ci mettiamo a quattro metri di distanza ed effettuiamo un congruo numero di lanci, per esempi 50, realizzando 15 centri. E
una percentuale di successo del 30%.
Il numero 30% o 0.3 sicuramente un ottimo indicatore della fiducia che possiamo riporre nella nostra bravura di tiratori.
Sappiamo adesso che la prossima volta che ci appresteremo ad effettuare il lancio avremo una probabilit pari al 30% di
centrare il bersaglio.
Questo modo di procedere, o di valutare la probabilit di un evento, spesso riferito come interpretazione frequentista o
ex-post.
Frequentista perch basato sulla frequenza con cui abbiamo avuto successo durante i tiri di prova. Ex-post perch ottenuto
non osservando le caratteristiche dellesperimento, ma solo dopo aver effettuato i lanci di prova e preso atto dei relativi
risultati.
E intuitivo osservare che, perch tale modo di procedere abbia significato, il numero di tentativi di prova deve essere grande.
Anzi, pi grande il suddetto numero, pi probabile che la frequenza che misuriamo si avvicini alla probabilit vera di
successo.

Andrea Prevete, 2016


PROBABILITA SOGGETTIVA
Ci sono situazioni, tuttavia, per cui nemmeno le considerazioni di cui alla slide precedente ci sono daiuto.
Supponiamo di voler valutare la probabilit che un certo studente superi lesame con il massimo dei voti.
Certamente non pensabile di poter effettuare 100, 50 ma neanche 1 seduta di prova - nelle condizioni
esatte in cui sar sostenuto lesame vero (quindi quei professori, quella ansia, etc)
Sembra proprio un problema senza via duscita. Appare impossibile poter assegnare un valore di
probabilit, sia valutando le cose ex-ante che ex-post.
In effetti non proprio cos. Un modo c, anche se meno oggettivo.
Supponiamo di interpellare un congruo numero di esperti, per esempio 10 professori abituati a lavorare
in commissione desame. Facciamo studiare a questi esperti la storia scolastica dello studente, quindi voti
passati e presenti. Poi, casomai, gli facciamo anche avere un colloquio con lo studente per valutare il suo
profilo psicologico, etc
Quindi facciamo votare i 10 esperti chiedendo loro se, sulla base della loro esperienza e sulla base dei
dati che hanno acquisito, lo studente prender o meno il massimo dei voti.
Se 7 esperti sui 10 interpellati votassero s, potremmo ragionevolmente affermare che lo studente ha
una probabilit pari a 70% (o 0.7) di conseguire lagognato massimo dei voti?
Si se abbiamo scelto bene gli esperti, se questi ultimi hanno preso in considerazione tutti i dati
importanti, se etc. La sfilza di se che precede rende bene lidea della differenza di questultima
valutazione della probabilit rispetto alle precedenti e del perch viene definita soggettiva.

Andrea Prevete, 2016


PROBABILITA, SCOMMESSE, QUOTE
Abbiamo preso in esame tre differenti modi di dare un senso quantitativo, quindi di assegnare un numero, allidea di probabilit
intesa come grado di fiducia circa il fatto che un evento accada.
Ripensando a tutto quanto esaminato possiamo concludere che, in ogni caso,
1) una probabilit pari a 0 certifica il fatto che levento non ha alcuna possibilit di accadere;
2) una probabilit pari a 1 (o, in percentuale, 100%) lindicazione di un fatto che certamente accadr;
3) probabilit crescenti, comunque comprese fra 0 ed 1, stanno ad indicare gradi di fiducia via via maggiori riferiti alla
possibilit che un evento accada
Spesso, invece che il grado di fiducia nel fatto che un evento accada (quindi la sua probabilit!), risulta utile misurare il grado di rischio
connesso allo scommettere sullevento.
Se, dovendo investire un certo capitale sul mercato azionario, scelgo di puntare sulle azioni di una certa azienda, sto in realt
scommettendo valutando rischi e potenziali benefici - sullandamento di quella azienda in un certo periodo.
Cos come, quando per raggiungere una certa meta scelgo una strada breve ma qualche volta molto trafficata, ho valutato che la
brevit del percorso sia un premio che compensi il rischio di incontrare un ingorgo.
Se, scommettendo su un incontro di pugilato fra il campione del mondo Tizio ed il carneade Caio, la vittoria di Caio offerta a quota
10, significa che lagenzia di scommesse riconosce che difficilmente Caio vincer. Quindi scommettere su Caio comporta un rischio
alto. Se identifichiamo questo rischio con la quota offerta per la scommessa, 10, apparir evidente che la probabilit di vittoria di
Caio pu essere valutata 1/10, cio 10%.
Una probabilit del 10% significa, infatti, che su 10 ipotetici incontri ci aspettiamo che Caio ne vinca 1. Quindi - scommettendo 10
volte una certa somma, diciamo 50 , ho un esborso totale di 500 . Ma, 1 volta su 10 vinco e quindi ricevo in premio la somma
scommessa (50) moltiplicata per la quota di rischio riconosciuta dallagenzia (10) per un totale di 500: esattamente quanto ho
scommesso in totale.

Andrea Prevete, 2016


PROBABILITA ASSIOMATICA
Dovrebbe essere chiaro, a questo stadio del discorso, che indipendentemente dal
modo in cui formuliamo i valori di probabilit di un evento ci sono dei punti fissi
da cui non possibile prescindere.
Uno forse il pi importante - lo abbiamo gi visto. Se chiamiamo X un qualsiasi
evento, deve necessariamente essere:
()
Cio la probabilit di un evento un numero compreso fra 0 ed 1!
In particolare, poi, si avr sempre che
=
=
In altre parole la probabilit dellevento impossibile vale 0; la probabilit
dellevento certo vale 1.
Ma cosa intendiamo esattamente per evento impossibile ed evento certo?
Andrea Prevete, 2016
PROBABILITA ASSIOMATICA
Per comprendere questo punto torniamo al primo esempio che abbiamo
sviluppato, quello del lancio di un dado.
Chiamiamo E1, E2, E3, E4, E5, E6 i possibili eventi elementari che possono
verificarsi in esito ad un lancio, con lovvio significato per cui ad esempio E4
corrisponde alluscita della faccia 4 del dado.
Linsieme di questi eventi elementari spesso detto spazio campionario o universo
e, ad ognuno di essi corrisponde una certa probabilit: in questo caso 1/6.
Gli eventi per cui lecito calcolare un valore di probabilit sono, per, non solo
quelli elementari ma tutti quelli corrispondenti ai possibili sottoinsiemi dello spazio
campionario. Quindi:
{} : insieme vuoto, cio levento impossibile,
{E1}, {E2}, {E3}, {E4}, {E5}, {E6} : gli eventi elementari
{E1, E2}, {E1, E3}, . {E1, E2, E5}, : i vari eventi composti
{E1, E2, E3, E4, E5, E6} : insieme universo, cio l evento certo,
Andrea Prevete, 2016
PROBABILITA ASSIOMATICA
Come si costruiscono questi sottoinsieme e, quindi, gli eventi composti?
Semplicemente applicando i connettivi logici (non), (o), (e) agli eventi
elementari o ad altri eventi composti. Esempio:
E2 (denotato anche con ) si interpreta come levento non uscir la faccia 2
e corrisponde quindi al sottonsieme dello spazio campionario:
{E1, E3, E4, E5, E6}, cio una faccia qualsiasi eccetto la 2
E1 E2 si interpreta come levento uscir la faccia 1 e la faccia 2 e corrisponde
quindi al sottoinsieme dello spazio campionario:
{}, cio nessuna faccia compatibile con il fatto di dover valere contemporaneamente 1 e 2
E1 E2 si interpreta come levento uscir la faccia 1 o la faccia 2 e corrisponde
quindi al sottonsieme dello spazio campionario:
{E1, E2}

Andrea Prevete, 2016


PROBABILITA ASSIOMATICA
In un certo senso lultima costruzione la pi importante. Infatti con loperatore
possiamo edificare mattoncino su mattoncino levento composto desiderato e
poi semplicemente fare una somma.
Se E1 E2 corrisponde al sottoinsieme dello spazio campionario {E1, E2} logico
infatti - attendersi che vale il cosiddetto assioma di additivit:
p(E1 E2) = p(E1)+p(E2)
La legge continua a valere per eventi pi complicati. Ad esempio, se costruiamo
levento composto X = E1 E3 E5 E6, si avr:
p(X) = p(E1 E3 E5 E6) = p(E1)+p(E2)+p(E3)+p(E4)
Attenzione. C per un tranello. Consideriamo infatti i due eventi composti:
X = E1 E2 E3 E4 cio la faccia 4 oppure una di minor valore
Y = E3 E4 E5 E6 cio la faccia 3 oppure una di valore maggiore

Andrea Prevete, 2016


EVENTI COMPATIBILI ED INCOMPATIBILI
Volendo calcolare la probabilit dellevento Z = X Y, lapplicazione della legge
precedente darebbe:
p(Z) = p(X Y) = p(X)+p(Y)
4
Un rapido calcolo d = > 1, !
3
Dove sta lerrore? Lassioma di additivit, come labbiamo enunciato, vale sempre per
gli eventi elementari.
Per gli eventi composti, continua a valere solo se questi sono INCOMPATIBILI, ossia se
X Y levento nullo ossia non pu verificarsi.
Nel nostro caso, invece, X ed Y possono accadere contemporaneamente basta che si
verifichi luscita della faccia 3 o quella della faccia 4.
Quindi, per X ed Y composti, la forma corretta dellassioma :
p(X Y) = p(X)+p(Y)-p(X Y)
4 4 2
Un rapido calcolo d, adesso, p = + - = 1 come deve essere!
6 6 6
Andrea Prevete, 2016
EVENTI INDIPENDENTI
Concentriamoci adesso su di un argomento molto importante. Continuando a ragionare sui possibili risultati
del lancio di un dado, consideriamo i seguenti due eventi composti:
X, sia levento per cui lanciando il dado viene fuori un numero pari;
Y, sia invece - levento per cui lanciando il dado viene fuori un numero minore di 3;
C una legge analoga a quella delladdizione per X Y? Proviamo, scrivendo per esempio:
p(X Y) = p(X) p(Y)
Si, proprio quello che succede. Con rapidi calcoli si ottiene:

p(X Y) = p(X) p(Y) = = =

Che esattamente quello che ci aspettiamo considerando che lunica possibilit di una faccia pari e minore di 3
2. Quindi 1 possibilit su 6.
Piano con lentusiasmo. Quella appena vista una situazione particolare resa possibile dal fatto che i due
eventi X ed Y sono INDIPENDENTI, ossia la probabilit di verificarsi di ognuno dei due non influenzata dal
fatto che si sia verificato laltro.
3 1
In altre parole: la probabilit che esca un numero pari 6 = 2 . Se anche sapessi che il lancio ha prodotto un
1
numero <3, la probabilit che il numero sia pari sarebbe ancora 2 : la stessa di prima.

Andrea Prevete, 2016


EVENTI INDIPENDENTI
Nel caso generale di eventi NON INDIPENDENTI il calcolo della probabilit del verificarsi di X Y
deve essere effettuato in uno dei seguenti modi:
p(X Y) = p(X) p(Y/X)
oppure
p(X Y) = p(Y) p(X/Y)
Nelle due formule precedenti compaiono due nuovi termini che esprimono le cosiddette
PROBABILITA CONDIZIONATE. In particolare,
P(Y/X) esprime la probabilit che, essendo verificato X, sia verificato anche Y
P(X/Y) esprime la probabilit che, essendo verificato Y, sia verificato anche X
Vediamo un semplice esempio.
In un istituto scolastico la percentuale dei maschi sul totale degli studenti frequentanti il 60%.
Nella sezione A che raccoglie il 15% degli studenti della scuola -, per, tale percentuale scende al
40%. Dovendo procedere per sorteggio allelezione di un rappresentante degli studenti della scuola
per una data manifestazione cittadina, che probabilit c che sia scelto uno studente maschio della
sezione A?

Andrea Prevete, 2016


PROBABILITA CONDIZIONATE
La soluzione
p( maschio sezione A) = p(maschio) p(sezione A) = 60% 15% = 9%
per quanto abbiamo precedentemente detto non funziona. Infatti la probabilit di pescare uno
studente maschio non indipendente dalla sezione!
Quindi la soluzione corretta
p( maschio sezione A) = p(sezione A) p(maschio/sezione A) = 15% 40% = 6%

Particolarmente utili risultano anche le formule inverse che consentono di calcolare le probabilit
condizionate di un evento rispetto ad un altro, conoscendo le probabilit dei singoli eventi e quelle
degli eventi congiunti:
p(X Y)
p(Y/X) =
p(X)

p(X Y)
p(X/Y) =
p(Y)

Andrea Prevete, 2016


PROBABILITA TOTALI
Adesso abbiamo gli strumenti per comprendere uno dei risultati pi importanti
della teoria delle probabilit, il cosiddetto teorema delle probabilit totali.
Per introdurlo usiamo, come al solito, un esempio.
Immaginiamo che le famiglie di una certa comunit siano state suddivise in tre
fasce, a secondo del loro reddito complessivo. Quindi una famiglia qualsiasi della
comunit pu essere catalogata come
povera (il 15% del totale delle famiglie)
dignitosa (il 60% del totale delle famiglie)
ricca (il 25% del totale delle famiglie)
Un ulteriore indagine ha stabilito, inoltre, che solo il 20% delle famiglie della prima
fascia ha una casa di propriet, contro il 50% delle famiglie della seconda fascia ed il
92% delle famiglie della terza fascia.
Qual la probabilit che una famiglia della comunit, scelta a caso, sia proprietaria
di una casa?
Andrea Prevete, 2016
PROBABILITA TOTALI
Per il modo in cui stata suddivisa la comunit - ossia ogni famiglia appartiene ad
una ed una sola delle fasce di reddito (povera, dignitosa, ricca) possiamo
affermare che vale la relazione:
p(casa)=p(casa povera) + p(casa dignitosa ) + p(casa ricca)
Ma, ricordando le relazioni sugli eventi composti:
p(casa povera)=p(povera) p(casa / povera) = 0.15 0.2 = 0.03
p(casa dignitosa)=p(dignitosa) p(casa / dignitosa) = 0.6 0.5 = 0.3
p(casa ricca)=p(ricca) p(casa / dignitosa) = 0.25 0.92 = 0.23
Mettendo assieme i risultati:
p(casa) = 0.03 + 0.3 + 0.23 = 0.56 = 56%
Quindi, scegliendo a caso una famiglia della comunit, abbiamo
il 56% di probabilit di aver selezionato una famiglia con casa di
propriet.
Andrea Prevete, 2016
PROBABILITA TOTALI
Il risultato ottenuto per lo specifico esempio considerato pu essere
generalizzato con la importantissima formula delle probabilit totali:

= ( )
=
La formula consente di calcolare la probabilit di un evento qualsiasi X,
conoscendo la probabilit del suo verificarsi a condizione che siano
verificati gli eventi disgiunti A1, A2, A3, ..., AN eventi di cui si conosce la
probabilit e che nel loro assieme esauriscono lo spazio delle
probabilit (cio non pu accadere niente che non sia A1 o A2 o A3 o
AN).
Andrea Prevete, 2016
IL TEOREMA DI BAYES
Riconsideriamo le formule ricavate per le cosiddette probabilit condizionate:
p(X Y)
p(Y/X) =
p(X)
p(X Y)
p(X/Y) =
p(Y)
Se dalla prima ricaviamo p(X Y) e la sostituiamo nella seconda, otteniamo:
p(Y/X)p(X)
p(X/Y) =
p(Y)
Questa la formulazione pi semplice del cosiddetto teorema di Bayes e pu essere interpretata
cos:
Se X un evento che pu essere causa dellevento Y, allora posso calcolare la probabilit che una
volta accaduto Y questo sia stato causato proprio da X ..
a condizione di conoscere la probabilit p(Y/X) che accada Y ogni qualvolta accade X e le probabilit
a-priori (cio indipendenti dagli altri eventi) per X ed Y.

Andrea Prevete, 2016


IL TEOREMA DI BAYES
Come al solito, utilizziamo un esempio appropriato per familiarizzare con la teoria.
Le statistiche di un certo istituto dicono che gli episodi pi frequenti e gravi di violazione delle
regole scolastiche hanno come protagonisti il 10% degli studenti maschi ed il 2% delle studentesse.
Con il linguaggio della teoria delle probabilit possiamo quindi dire che
p( violazione / maschio) = 10%
p( violazione / femmina) = 2%
Cio, dato uno studente scelto a caso, se maschio la probabilit che prima o poi si macchier di
una violazione delle regole del 10%, del 2% se una femmina.
Supponiamo ora che in una classe vi siano 5 studenti maschi e 15 femmine.
Di fronte ad un episodio di violazione delle regole sicuramente avvenuto in quella classe per
esempio una pagina strappata nel registro di classe durante il cambio dellinsegnante - lecito
indagare soprattutto sul comportamento di uno dei 5 studenti maschi?
Per quanto non fondato scientificamente esattamente questo che avviene nella norma. Si tende,
cio, quando si indaga sulla possibile causa di un evento accaduto, a privilegiare le informazioni che
si hanno sulle cosiddette probabilit causa->effetto. Quindi dato che i maschi sono responsabili di
violazione delle regole con probabilit molto pi alta che le femmine il colpevole un maschio!

Andrea Prevete, 2016


IL TEOREMA DI BAYES
Applichiamo il teorema di Bayes:

p(violazione / maschio)p(maschio)
p(maschio / violazione) =
p(violazione)
.. .%
= =
p(violazione) p(violazione)

p(violazione / femmina)p(femmina)
p(femmina / violazione) =
p(violazione)
.. .%
= =
p(violazione) p(violazione)

Andrea Prevete, 2016


IL TEOREMA DI BAYES
Gi cos evidente come, quando si tiene conto del contesto degli avvenimenti (cio del
fatto che nella classe dove avvenuto il misfatto ci sono molte pi femmine che maschi), la
probabilit che la pagina del registro sia stata strappata da un maschio solo di poco
superiore alla probabilit che sia stata strappata da una femmina.
Se si volesse conoscere il valore esatto delle probabilit occorrerebbe calcolare
p(violazione), ossia la probabilit che una violazione delle regole avvenga proprio in
quella classe.
Questo si pu fare con il teorema della probabilit totale:
p(violazione) = p(maschio) p(violazione / maschio)+
p(femmina) p(violazione / femmina) = 2.5% + 1.75% = 4.25%
Sostituendo nelle relazioni precedenti:
.%
p(maschio / violazione) = ~ %
.%
.%
p(femmina / violazione) = ~ %
.%

Andrea Prevete, 2016


IL TEOREMA DI BAYES
Nella sua formulazione pi generale, il teorema di Bayes,
considerate tutte le possibili cause dellevento Y (cio gli
eventi X1, X2, X3, .., XN a due a due incompatibili e cos che X1
X2 X3 .. XN coincida con lintero spazio campionario )
pu essere cos espresso:
p(Y/Xk)p(Xk)
p(Xk/Y) =
= p(Y/Xi)p(Xi)
dove k uno qualsiasi dei valori 1, 2, .. N.
Andrea Prevete, 2016
EVENTI RIPETUTI
Un problema molto comune quello della valutazione della probabilit che un certo
evento si manifesti con esito positivo un numero esatto di volte in seguito ad un numero
prefissato di tentativi.
Definiamo con pi precisione i contorni del problema utilizzando, al solito, un esempio.
Supponiamo che un bravo arciere abbia nel corso dellultimo anno di gare dimostrato di
fare centro con una frequenza pari al 60%. In base alla definizione frequentista delle
probabilit, possiamo quindi supporre, ogni qualvolta larciere si appresta a scoccare la
freccia, che la sua probabilit di fare centro p=0.6.
Ammettiamo ora che una gara sia composta da una sequenza di 10 tiri. Qual la
probabilit che il nostro arciere centri il bersaglio un numero esatto di volte, per esempio
8?
Se chiamiamo S levento successo ed F levento fallimento, le sequenze
SFSSSSSSFS, SSSSSSSSFF, FFSSSSSSSS, etc
saranno tutte buone perch contengono otto centri e due fallimenti.
Andrea Prevete, 2016
EVENTI RIPETUTI
Concentriamoci sulla prima delle suddette sequenze e valutiamo la sua probabilit.
p(SFSSSSSSFS) = p(S) p(F) p(S) p(S) p(S) p(S) p(S) p(S) p(F) p(S)
La probabilit dellevento composto sequenza di tiri la moltiplicazione dei singoli eventi
elementari perch indipendenti (infatti il sussesso o non di un tiro non influenza la
probabilit di successo degli altri!)
Ma,
p(S) = 0.6 per ipotesi,
p(F) = 0.4 perch ovviamente S+F= e p()=1.
Quindi
p(SFSSSSSSFS) = 0.68 0.420.003 = 0.3% cio 3 per mille!!!
Com possibile che per un arciere cos bravo sia cos bassa la probabilit di concludere una
gara da 10 tiri con 8 successi?

Andrea Prevete, 2016


EVENTI RIPETUTI
Ma certo! Abbiamo calcolato la probabilit della sequenza SFSSSSSSFS, ma esistono
tanti altri modi di fare esattamente 8 centri per esempio SSSSSSSSFF, FFSSSSSSSS,
etc.
E immediato convincersi che ognuna di queste sequenze ha la stessa probabilit di
verificarsi, nel nostro caso 0.3%. Quindi non dobbiamo fare altro che contare il
numero di sequenze che danno 8 centri e 2 fallimenti e moltiplicare questo numero
per 0.3%.
Facile! Basta calcolare il numero di permutazioni di 10 elementi suddivisi in due
gruppi identici, il primo di 8 elementi (i successi), il secondo di 10-8=2 elementi (i
fallimenti). Quindi:
!
p(SFSSSSSSFS) = 0.68 0.42 = 45 0.68 0.42 12%
!!
Questo il risultato che cercavamo!
Andrea Prevete, 2016
FORMULA DI BERNOULLI

Quanto appena visto pu essere generalizzato con le celeberrime


formule di BERNOULLI:
!
p(k successi su n tentativi) = pk (1-p)n-k
!()!
!
p(al pi k successi su n tentativi) =
= pi (1p)ni
!()!

dove p la probabilit di successo del singolo tentativo ed, ovviamente,


(1-p) la rispettiva probabilit di fallimento.

Andrea Prevete, 2016


PROBLEMI RISOLTI
1. Un libro in quattro volumi disposto a caso sullo scaffale di una libreria. Qual la probabilit che lordine sia
quello giusto quindi, da sinistra a destra, primo volume, secondo volume, etc?
Considerate equiprobabili tutte le disposizioni possibili, basta contarle e calcolare la probabilit voluta come:
1 ( )
p=
( )
Ma N=P4=4!=24, quindi
1
p = 24 0.04 = 4%
2. Una password di lunghezza 5 caratteri stata impostata utilizzando lettere minuscole dellalfabeto e cifre
decimali. Sapendo che la password contiene almeno una cifra decimale, qual la probabilit - digitando a caso
- di centrare la sequenza corretta?
Dati i 36 (26 lettere dellalfabeto latino + 10 cifre decimali) caratteri disponibili, possiamo comporre

36,5 = 365 = 60466176 password distinte
Quelle composte da soli simboli alfabetici sono:

26,5 = 265 = 11881376
Le possibili password valide sono, quindi:
N= 60466176 11881376 = 48584800
Da cui la probabilit cercata:
1
p = 48584800 0.00000002

Andrea Prevete, 2016


PROBLEMI RISOLTI
3. In due partite le quote offerte da unagenzia di scommesse per il pareggio sono rispettivamente 4 e 2. Qual
la probabilit che solo una delle partite finisca con un pareggio? E quella che almeno una delle partite finisca
con un pareggio? E quella, infine, che non ci sia nessun pareggio? Quale dovrebbe essere la quota offerta per
questultimo evento?
Ricaviamo le probabilit riferite alle singole partite calcolando i reciproci delle quote. Se chiamiamo X1 ed X2, rispettivamente levento prima
partita finisce in parit e seconda partita finisce in parit, avremo:
1 1
p(X1) = = 0.25; p(X2) = = 0.5
4 2
Costruiamo ora gli eventi di cui la traccia ci chiede la probabilit, a partire da X1 ed X2 :
1 =(1 2 ) (2 1 )
2 =1 2
3 =2
Prestando attenzione alla compatibilit di X1 ed X2, si avr:
p(1 ) = (0.250.5)+(0.50.75) = 0.125 + 0.375 = 0.5 = 50%
p(2 ) = 0.25 + 0.5 0.250.5 = 0.75 0.125 = 0.625 = 62.5%
p(3 ) = 1-0.625=0.375 = 37.5%
1
3 = 2.7
(3 )

Andrea Prevete, 2016


PROBLEMI RISOLTI
4. Unazienda dispone di tre tipi di macchinari A, B e C per assemblare un dato prodotto. Ogni prodotto richiede 5
minuti di lavoro con un macchinario A, oppure 15 con un macchinario B, oppure 6 con C. A, B e C lavorano
continuamente e mediamente commettono unimperfezione ogni ora di attivit. Quanti saranno, in media, i pezzi
difettosi ogni cento prodotti dallazienda?

Dai dati del problema semplice ricavare:


1
p(danneggiato / lavorato da A)= 0.08 = 8%
12
1
p(danneggiato / lavorato da B)= = 0.25 = 25%
4
1
p(danneggiato / lavorato da C)= = 0.1 = 10%
10
12 12
p(lavorato da A)= = 0.46 = 46%
12+4+10 26
4 4
p(lavorato da B)= = 0.155 = 15.5%
12+4+10 26
10 10
p(lavorato da C)= = 0.385 = 38.5%
12+4+10 26
Applicando il teorema delle probabilit totali, otteniamo il risultato voluto:
p(danneggiato) = 0.080.46+0.250.155+0.10.38 . = . %

Andrea Prevete, 2016


PROBLEMI RISOLTI
5. Riconsideriamo il problema precedente. Qual la probabilit che, trovato un prodotto
danneggiato, sia stato assemblato dal macchinario B?

Adoperando il formalismo delle probabilit condizionate, la domanda della traccia significa chiedersi quanto vale p(lavorato da B /
danneggiato). Applichiamo il teorema di Bayes:
p(danneggiato / lavorato da B ) p(lavorato da B)
p(lavorato da B / danneggiato) =
p(danneggiato )
Sostituendo i valori ricavati precedentemente:
0.25 0.155
p(lavorato da B / danneggiato) = 0.335 = 33.5%
0.115
Se calcoliamo le probabilit che la causa del guasto rilevato sia stata la lavorazione del macchinario A oppure quella del macchinario C,
troviamo:
0.08 0.46
p(lavorato da A / danneggiato) = 0.32 = 32%
0.115
0.1 0.385
p(lavorato da C / danneggiato) = 0.335 = 33.5%
0.115
Sostanzialmente i calcoli effettuati ci informano del fatto che, trovando un pezzo guasto, non abbiamo nessuna ragione per incolpare uno dei
tre macchinari pi degli altri dato che le probabilit relative alle tre ipotesi sono equivalenti! Questo risultato, ad una prima superficiale
analisi del problema, pu essere considerato sorprendente. Infatti il macchinario B sembra il colpevole predestinato, vista lalta percentuale
statistica di pezzi difettosi che rilascia (1 su 4)! Questa frettolosa conclusione non terrebbe per conto del fatto che B lavora pochi pezzi
rispetto agli altri macchinari, quindi , a-priori, improbabile come causa del problema riscontrato. Il teorema di Bayes consente, appunto, di
ottenere risultati che tengano correttamente conto della probabilit a-priori delle cause.

Andrea Prevete, 2016


PROBLEMI RISOLTI
6. Una societ di trasporti organizza ogni mese 1 viaggio turistico con meta una capitale europea e vorrebbe dare
una copertura assicurativa a questi viaggi. La societ assicuratrice a cui si rivolge, utilizzando dati statistici in
suo possesso, calcola che questo tipo di viaggi pu essere turbato da un incidente serio con probabilit p=5%.
Propone, quindi, alla societ di trasporti una polizza con validit annuale che prevede un risarcimento nel caso
che durante lanno si siano verificati almeno tre incidenti seri.
Qual la probabilit che, a fronte di incidenti, la societ di trasporti non riceva alcun risarcimento? E quella
per cui riceva un risarcimento?

E evidente che bisogna applicare lo schema delle prove ripetute di Bernoulli.


12!
p1 = p(1 incidente su 12 viaggi) = 0.051 (1-0.05)12-1 = 12 0.05 (0.95)11 0.34 = 34%
1!(121)!
12!
p2 = p(2 incidenti su 12 viaggi) = 0.052 (1-0.05)12-2 = 66 0.0025 (0.95)10 0.10 = 10%
2!(122)!
Quindi:
p(incidenti senza risarcimento) = p1 + p2 = 34% + 10% = 44%
12!
p0 = p(0 incidenti su 12 viaggi) = 0.050 (1-0.05)12-0 = 1 1 (0.95)12 0.05 = 0.54 = 54%
0!(120)!
Quindi:
p(incidenti con risarcimento) = 1 p0 - p1 - p2 = 100% 54% - 34% - 10% = 2%

Andrea Prevete, 2016


THE END

Andrea Prevete, 2016