Modello Matematico

per descrivere la realtà di un fenomeno costruiamo un modello

matematico, esso rappresenta comunque una esemplificazione della

realtà.

Possiamo distinguere due tipi di fenomeni:

● deterministici – a conoscenza delle condizioni iniziali siamo in

grado di descrivere tale fenomeno es. moto di una particella

ecc..

● aleatori – non siamo in grado di stabilire a priori i possibili stati

del fenomeno es. lancio del dado, lancio moneta,

investimenti ...

Fenomeni Aleatori

Costruiamo un particolare modello matematico, generico che

racchiuda tutti i possibili casi --> Spazio di Probabilità

Lancio di un dado.

Tutti i possibili casi? {1,2,3,4,5,6} indichiamolo con  , detto anche insieme

dei possibili casi di una prova, risultati di una prova, “eventi elementari” ...

E se fossimo interessati al risultato (evento) “esce un pari” “esce un numero

minore di 3” ... ci dobbiamo dotare di uno spazio che contenga questi tipi di

eventi, indichiamolo con A , dal punto di vista matematico è “L'insieme di

tutti i possibili sottoinsiemi di  ”

{(),(1) ... (6), (1,2), (1,3) ... (1,3,4) ... (1,2,3,4) ... (1,2,3,4,5,6)}

questi sottoinsiemi sono detti “eventi”.

Manca una misura che quantifichi “il grado di fiducia” che assegnamo ad ogni

evento --> Probabilità P, misura di Probabilità.

Abbiamo costruito il nostro spazio di probabilità intorno al “lancio del dado”,

ma dato che ci siamo mantenuti sul generico questo è applicabile a tutti i

fenomeni.

Infatti A contiene eventi che probabilmente non richiederemo mai, ma va bene

così.
Lo spazio di probabilità è adatto alla descrizione di un fenomeno

aleatorio

(  , A, P)

 spazio degli eventi elementari

A spazio degli eventi, strutturato come l'insieme delle parti di  .

P misura di probabilità.

Alcune proprietà di A e P.

∀ E ,F∈A

i) E∪F ∈ A

ii) E∩F ∈A

iii) E c ∈ A

P com'è fatta? Prima di tutto cos'è (dal punto di vista matematico)?

E' una misura, funzione di insieme:

P:A-->[0,1]

tale che:

i) P(  ) = 1

ii) ∀ E , F ∈A : E∩F =∅ eventi incompatibili P  E∪F =P  E P  F 

Esempio di Spazio di Probabilità Uniforme.

Un fenomeno aleatorio che per sua natura ha gli eventi elementari

che si verificano tutti con la stessa probabilità.

Prendiamo  = { 1 ,... , n } spazio degli eventi elementari

data l'ipotesi:

P({ i }) = p ∀ i=1... n

considerando la proprietà di P

P(  ) = 1

dato che:

=.∪i i , 1 = P( .∪i i )

gli eventi elementari sono incompatibili (se ne verifica uno

soltanto),insieme alla proprietà (ii) di P avremo

1= i P i  =  i=1... n p = np

quindi

p=1/n ricordando che n=∣∣

Calcolare P(a) a generico sottoinsieme di  quindi a ∈A

Ancora proprietà di P

Scriviamo sempre il nostro spazio di probabilità

 , A , P 

i) ∀ E ∈A  E c ∈A

diamo un significato intuitivo:

il complementare di un evento è come dire “non si verifica tale

evento”. E∪E
c
è come dire “si verifica a oppure no!” “oggi piove o

non piove” sicuramente avrò ragione, quindi la probabilità di questo

evento è 1, inoltre sono incompatibili “o piove o non piove”; il

nostro modello matematico non prende in considerazione il

verificarsi di un evento del tipo “oggi piove e non piove”.

[Esempio FUZZY]

Tutto questo per dire che

c c
E∪E = con E∩ E =∅ eventi esaustivi

allora
c c
P  E∪E =P  E P  E = P =1

ii) ∀ E ∈ A E= E∩F ∪ E∩ F c  significato della formula!

iii) P  E∪F =P  E P  F −P  E ∩F 

Probabilità condizionate.

P  E / F =P  E∩F / P  F 

con P  F ≠0

se gli eventi E e F sono indipendenti

P  E∩F =P  E  P  F 
Variabili Aleatorie

Consideriamo il lancio di due dadi

=1,1 ,1,2...6,6

invece che ai singoli eventi elementari potremmo essere interessati

alla somma del risultato.

Questa è una variabile aleatoria (X), una rielaborazione

(matematica) del risultato della prova;

dal punto di vista matematico è una funzione, applicazione dello

spazio degli eventi elementari:

X :  ℝ

Fenomeno aleatorio: lancio di due dadi.

Lo spazio degli eventi elementari =1,1 ,1,2...6,6

Variabile Aleatoria: somma dei risultati

X : [ 2 ... 12]

Definizione (più o meno rigorosa) di Variabile Aleatoria

Dato uno spazio di probabilità  , A , P  si dice variabile aleatoria

un'applicazione

X :  ℝ

tale che ∀ t ∈ℝ { ∈: X t ≤t } .∈ A cioè è un evento

solitamente questo evento si indica con

{ X ≤t }
Possiamo pensare ad una trasformazione dello spazio originario in

un nuovo spazio, quello in cui operano le variabili aleatorie:

 , A , P  ->  X  valori della v.a  , B  X classe di Borel? ? , P∗ misura di prob su X 

la nuova misura di probabilità è definita come segue:

P∗ X =t=P ∈ : X =t

P∗ X ≤t=P ∈ : X ≤t

la classe di Borel non è altro che l'insieme di tutti gli intervalli chiusi

a destra ed aperti a sinistra:

−∞ , t ]∈ B X 

quindi la classe di Borel conterrà tutti gli intervalli del tipo:

{ X ≤t }

comunque questa viene utilizzata per le v.a. a valori continui; per

ora ignoriamola.

V.a. Discrete

sono quelle v.a. che assumono un insieme di valori numerabili*;

considereremo solo insiemi finiti; in questo caso specifico al posto

della classe di Borel (applicata nel continuo) avremo la potenza di X

(Po(X), tutti i possibili sottoinsiemi di X)

 X , Po X  , P∗
 X ={x 1, x 2, ... x n } Questi sono i valori assunti dalla v.a. , indichiamo

tale insieme con la stessa lettera con cui indichiamo la v.a.

Ad ogni valore assunto dalla v.a. corrisponderà un inseme di eventi

elementari (Evento E ∈A ) sullo spazio di origine: ci stiamo

costruendo la “Distribuzione di Probabilità della v.a. X”

P∗ X =x 1 =P ∈: X =x 1 = p1

P∗ X =x 2 = P ∈ : X =x 2 = p 2
...
...
...
P∗ X = x n = P ∈ : X =x n = p n

Rappresentiamo la distribuzione di probabilità nel seguente modo:

X x1 , x2 , . . . , xn
P  X =x i  P  X =x 1  P  X =x 2  P  X =x n 

Per come ho costruito la misura di probabilità:

P  X =x i = p i≥0 e pi≤1

dato che almeno uno dei valori assunti dalla v.a. si presenterà

 ∈: X =x 1 ∪ ∈: X = x 2 ∪...∪ ∈: X =x n =

inoltre questi eventi sono incompatibili (intersezione vuota), quindi

∑i=1...n  p i=1

possiamo calcolare anche eventi del tipo

P  X ≤k =P  X = x 1... P  X =k k 
Media di una variabile aleatoria

Indichiamo la media con E(.) un operatore, applicazione o funzione

che, presi i valori assunti dalla v.a. gli associa un solo valore, la

media.

E : [ X ]insieme dei valori assunti da v.a. X ⊂ℝ n  ℝ

quindi:
n n
E  X =∑ x i P  X = xi =∑ xi pi
i =1 i=1

presa una costante c ∈ℝ scrivere cX significa prendere i valori

che assume X e moltiplicarli uno ad uno per la costante:

cX cx 1 , cx 2 , . . . , cx n
P  X =x i  P  X =x 1  P  X =x 2  P  X =x n 

Ora facciamo la media di questa trasformazione:

n n
E cX =∑ cx i P  X =x i =∑ cx i pi=cE  X 
i=1 i=1

si dice che la media è un operatore omogeneo.

Date due variabili aleatorie X ,Y abbiamo

E  X Y =E  X E Y 

quest'ultima proprietà può essere generalizzata per n v.a. , quindi

presa una combinazione lineare di v.a. , la media

E  c 1 X 1c 2 X 2...c n X n =c 1 E  X 1 c 2 E  X 2 ...c n E  X n 

con c 1, c 2, ... , c n ∈ℝ costanti.

Varianza

La media è un indice che può essere poco significativo, ad esempio,

una distribuzione del tipo

X 1 , 20000 , 23 , 233423212

ha una variabilità molto alta, quindi alla media dobbiamo affiancare

un indice di variabilità, la Varianza:

n
Var  X =∑  x i− EX 2 pi
i =1

il membro di destra ha la forma di una media, media dell'oggetto

quindi possiamo scrivere:

2
 x i−EX 

2
Var  X =E [ X −EX  ]

Alcune proprietà della Varianza

presa una costante c ∈ℝ

Var cX =E [ cX −E cX 2 ]=E [cX −cE  X 2 ]=c 2 E [ X −E  X 2 ]=c2 Var  X 

se aggiungo una costante ad ognuno dei valori assunti dalla v.a. la

variabilità della stessa non cambia:

Var c X =Var  X 

e la varianza della somma di due v.a.?

Var  X Y =Var  X Var Y 2.Cov X , Y 

se le due v.a. sono indipendenti, cioè non si influenzano, la

Covarianza è nulla.

Per completezza diamo la forma della covarianza:

 Cov  X ,Y =∑  x i −EX  y j−EY  p i , j
i, j

cioè la media di quest'oggetto  x i−EX  y j −EY  , quindi:

Cov  X ,Y = E [ X −EX Y −EY ]

ma p i , j  cos'è? Proprio così, è la probabilità di { X =x i ∩Y = y j }

P { X =x i∩Y = y j }= p i , j 

detta anche Distribuzione di Probabilità congiunta. Se le due v.a.

sono indipendenti (dalla proprietà che abbiamo dato)

P { X =x i∩Y = y j }=P { X =x i }{Y = y j }= p i p j

Ipotizzando l'indipendenza avremo:

Cov  X ,Y =∑  x i −EX  y j−EY  p i p j =∑  x i−EX  p i∗∑  y j−EY  p j=0

i, j i j

perché la media degli scarti dalla media è nulla; proprietà della

media.

Introdotta la distribuzione congiunta diamo anche la seguente

proprietà della media; prese due v.a. indipendenti

E  XY =E  X  E Y  .
Costruzione di una Binomiale.

Consideriamo il lancio di n monete, se esce Testa vinco una Lira

altrimenti niente, ho dei sospetti sulla regolarità della moneta

quindi la probabilità che venga Testa la indico con p .

Spazio di Probabilità del lancio di una moneta.

={T ,C }, A={∅ , T ,C , TC } P={ p , q }

Costruisco una v.a. che assegna 1 a Testa e 0 a Croce.

X ={ 1 T
0 C

per essere zelanti X T =1 e X C =0

Spazio di Probabilità indotto dalla v.a.

={0,1 }, A={∅,1 ,0 ,01} P∗{ p , q }

Ritornando agli n lanci, alla fine dei lanci avremo stringhe di questo

genere

TTT... TCT

CCT...CTT

.........

dal punto di vista della v.a.

1100...0010

0010...0001

..........
ora ci chiediamo: “qual'è la probabilità di UN particolare evento che

ha k teste e n-k croci” ad esempio:

“prime k teste” o “ultime k teste” o .... :

 CCC...C
P TTTTT..TT  =P T  P T  P T  P T ... P T  P T  P C  ... P C = pk q n−k
k  n−k 

ciò che accade in un lancio non influenza il successivo, eventi

indipendenti.

Ora concentriamoci su questo evento:

〚 X =k 〛

“escono k teste”, quanti sono gli eventi che hanno esattamente k

n
teste sparse nei vari n posti ? k

In fine:

P 〚 X =k 〛 = n p k q n− k
k

Per completezza diamo la probabilità anche di altri eventi:

h
P 〚 X ≤h 〛= ∑ n pk q n−k
k=0 k
n
n p k q n−k 
1−P 〚 X ≤h 〛 = ∑
k= h1 k

e la media? Calcoliamola:
n
E  X =∑ n p k q n−k ∗k =np
k=1 k