Sei sulla pagina 1di 14

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