Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
RICHIAMI DI CALCOLO
DELLE PROBABILITÀ
Le misure di tipo probabilistico sono più complesse ma allo stesso tempo più realistiche, dal
momento che tengono conto delle variabilità e delle incertezze dei parametri da cui la sicurezza
della struttura dipende.
Domanda Sd Rd Richiesta
7 4
2 1 1 1 1 1 7
fa 1
7 ( 3 ) 7 ( 6 ) 7 ( 2 ) 7 (1) 7 ( 5 ) 7 ( 4 ) 7
PROBABILITÀ: VARIABILE ALEATORIA DISCRETA
p(a ) lim (n a / n )
n
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
1 29 7 29
2 32 8 30
3 31 9 28
4 30 10 32
5 30 11 33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30
5 30 11 33
31-33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30
5 30 11 33
31-33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30
5 30 11 33
31-33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30
5 30 11 33
31-33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30 7 Fa=7/12=0,583
5 30 11 33
31-33
6 29 12 27
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre
dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il
numero di volte in cui ciascuno dei valori cade all’interno dell’intervallo considerato.
Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti:
4 30 10 32
28-30 7 Fa=7/12=0,583
5 30 11 33
31-33 4 Fa=4/12=0,333
6 29 12 27
FREQUENZA RELATIVA PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
f(x) lim i
n
di 0
PROBABILITÀ: VARIABILE ALEATORIA CONTINUA
a
F(a) f(x)dx
F(a) = p ( x < a )
INTERPRETAZIONE GRAFICA
Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può
essere rappresentata graficamente
f(x)dx 1
f(x)
x
INTERPRETAZIONE GRAFICA
Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può
essere rappresentata graficamente
f(x)dx 1
f(x)
x
INTERPRETAZIONE GRAFICA
Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può
essere rappresentata graficamente
f(x)dx 1
f(x)
P(X x0 ) F(x0 )
Probabilità che la variabile
aleatoria assuma valori
compresi tra –∞ ed X0
x0 x
INTERPRETAZIONE GRAFICA
Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può
essere rappresentata graficamente
f(x)dx 1
f(x)
P(X x3 ) 1 F(x3 )
Probabilità che la variabile aleatoria
assuma valori compresi tra X3 +∞
x3 x
INTERPRETAZIONE GRAFICA
Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può
essere rappresentata graficamente
f(x)dx 1
f(x)
P(x1 X x2 ) F(x2 ) F(x1)
x1 x2 x
DEFINIZIONE DI FRATTILE
Assegnato un valore P* della probabilità, esisterà uno ed un solo valore xk della
variabile x per il quale vale
P* P(x xk ) F(xk )
Si definisce frattile della probabilità P* il valore xk della variabile aleatoria x che
soddisfa tale uguaglianza.
f(x)
Si definisce “frattile superiore al p%” quel valore della variabile
aleatoria cui corrisponde la probabilità p% di non essere superato
x0 = frattile superiore al 5%
5%
x0 x
DEFINIZIONE DI FRATTILE
Assegnato un valore P* della probabilità, esisterà uno ed un solo valore xk della variabile x
per il quale vale
P * P ( x xk ) F ( xk )
Si definisce frattile della probabilità P* il valore xk della variabile aleatoria x che soddisfa
tale uguaglianza.
95%
x0 x
DEFINIZIONE DI MEDIA, MEDIANA E MODA
Fra tutti i valori che una variabile casuale può assumere ce ne sono alcuni
che sono più frequenti di altri, in qualche modo “tipici” e vengono
generalmente posti al centro dell’intervallo di variabilità.
Con riferimento ad una variabile aleatoria continua x, con una funzione di densità di
probabilità f(x), la media μ della popolazione indicata anche come valore atteso
vale:
E( x )
xf ( x )dx
I valori di media, mediana e moda coincidono nel caso di distribuzioni f(x) simmetriche
DEFINIZIONE DI VARIANZA E DEVIAZIONE STANDARD
( x ) f ( x )dx
2 2
2
TEORIA DEI CAMPIONI
Ci si pone spesso davanti al problema di determinare conclusioni valide per un ampio gruppo di
individui o di oggetti; in questi casi, invece di esaminare l’intero gruppo, detto POPOLAZIONE,
esame che può comportare diverse difficoltà e diventare anche impossibile, si può far ricorso all’esame
di una piccola parte della popolazione: questa piccola parte viene chiamata un CAMPIONE.
ES: Desideriamo trarre conclusioni circa la statura (o il peso) di 12.000 studenti adulti (la popolazione)
esaminando solo 100 studenti (il campione) estratti dalla popolazione
ES: Desideriamo trarre conclusioni circa la percentuale dei bulloni difettosi costruiti da una certa
fabbrica durante i sei giorni di una settimana, esaminando ogni giorno 20 bulloni prodotti in diverse
ore della giornata lavorativa. In questo caso la popolazione sono i bulloni prodotti nella settimana
lavorativa mentre il campione sono i 120 bulloni scelti.
1 29 7 29
2 32 8 30
3 31 9 28
4 30 10 32
5 30 11 33
6 29 12 27
29 32 31 30 30 29 29 30 28 32 33 27
E 30
12
TEORIA DEI CAMPIONI
ESEMPIO
Supponiamo che la popolazione sia composta da 2066 intervistati a cui chiediamo l’età. L’età
media calcolata su tutta la popolazione di intervistati è 22,7 anni.
Supponendo di non conoscerla, si vuole stimare l’età media estraendo a caso un
campione di dieci intervistati.
Le osservazioni sono le seguenti: 27; 22; 26; 22; 23; 28;29; 27; 25; 22
La loro età media è = (27+22+26+22+23+28+29+27+25+22)/10=25,1.
Il campione oltre a essere troppo piccolo, non contiene nessun intervistato di età
inferiore a 20 anni e comprende un numero sproporzionato rispetto alla realtà di
persona con età superiore a 26anni.
22,9
MODELLI DI DISTRIBUZIONI DI VARIABILI
CASUALI
1 ( x )2
f(x) f ( x)
1
e 2 2
2
x
xf ( x)dx ( x ) 2 f ( x)dx
MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI
f ( t ) e t 0t
3) Distribuzione Esponenziale t t
F (t ) f (t )dt e t dt (1 e t )
0 0
1,2
0,8
PDF
0,6
0,4
0,2
0
0 1 2 3 4 5
tem po
MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI
4) Distribuzione di Weibull
1 t
(t )
f (t ) e
MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI
5) Distribuzione LogNormale
Distribuzioni lognormali con uguale valore dello scarto quadratico medio s(y) e
diverso valore (maggiore per la distribuzione b) della media m(y)