Sei sulla pagina 1di 108

INFORMAZIONI

Prossime lezioni
Giorno Ora Dove
26/01 14:30 P50
28/01 14:30 Laboratorio (via Loredan)
02/02 14:30 P50

– p. 1/24
Ricapitolando....
A causa dell’ineliminabile presenza degli errori
accidentali, la ripetizione delle misure −→ risultati
diversi. Alcune misure più verosimili, altre meno.

– p. 2/24
Ricapitolando....
A causa dell’ineliminabile presenza degli errori
accidentali, la ripetizione delle misure −→ risultati
diversi. Alcune misure più verosimili, altre meno.
Come fare per arrivare a m ± ∆m ?

– p. 2/24
Ricapitolando....
A causa dell’ineliminabile presenza degli errori
accidentali, la ripetizione delle misure −→ risultati
diversi. Alcune misure più verosimili, altre meno.
Come fare per arrivare a m ± ∆m ?
Il problema della misura in presenza di errori accidentali
va impostato in termini statistico-probabilistici.

– p. 2/24
Ricapitolando....
A causa dell’ineliminabile presenza degli errori
accidentali, la ripetizione delle misure −→ risultati
diversi. Alcune misure più verosimili, altre meno.
Come fare per arrivare a m ± ∆m ?
Il problema della misura in presenza di errori accidentali
va impostato in termini statistico-probabilistici.
La teoria della probabilità si occupa della costruzione di
modelli probabilistici (matematici) che descrivano i
fenomeni aleatori/casuali. ( Es. funzione di densità di
probabilità di un dado).

– p. 2/24
Ricapitolando....
A causa dell’ineliminabile presenza degli errori
accidentali, la ripetizione delle misure −→ risultati
diversi. Alcune misure più verosimili, altre meno.
Come fare per arrivare a m ± ∆m ?
Il problema della misura in presenza di errori accidentali
va impostato in termini statistico-probabilistici.
La teoria della probabilità si occupa della costruzione di
modelli probabilistici (matematici) che descrivano i
fenomeni aleatori/casuali. ( Es. funzione di densità di
probabilità di un dado).
La statistica si occupa di verificare l’aderenza di un
modello rispetto ai dati sperimentali. (Es. dato un certo
dado, stabilire se è conforme alle previsioni probabilistiche o se è
truccato).
– p. 2/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

– p. 3/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

Fenomeno casuale: fenomeno possibile ripetibile infinite volte ma


con esito imprevedibile. Es. Lancio del dado, moneta, estrazione dei numeri
al lotto.

– p. 3/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

Fenomeno casuale: fenomeno possibile ripetibile infinite volte ma


con esito imprevedibile. Es. Lancio del dado, moneta, estrazione dei numeri
al lotto.

Evento casuale: una o più modalità del fenomeno.

– p. 3/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

Fenomeno casuale: fenomeno possibile ripetibile infinite volte ma


con esito imprevedibile. Es. Lancio del dado, moneta, estrazione dei numeri
al lotto.

Evento casuale: una o più modalità del fenomeno.


Spazio dei risultati S: insieme di tutte le possibili
realizzazioni/modalità di un fenomeno.

– p. 3/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

Fenomeno casuale: fenomeno possibile ripetibile infinite volte ma


con esito imprevedibile. Es. Lancio del dado, moneta, estrazione dei numeri
al lotto.

Evento casuale: una o più modalità del fenomeno.


Spazio dei risultati S: insieme di tutte le possibili
realizzazioni/modalità di un fenomeno.
Spazio degli eventi: insieme tutti i possibili sottoinsiemi di S,
compresi tra 0 (evento impossibile) e S (evento certo).

– p. 3/24
Elementi di teoria della probabilità
La probabilità è una misura del grado di fiducia (degree of belief) che
una qualsiasi affermazione risulti essere vera. Il grado di probabilità va da
0 a 1 per affermazioni che vanno dall’ impossibile al certo.

Fenomeno casuale: fenomeno possibile ripetibile infinite volte ma


con esito imprevedibile. Es. Lancio del dado, moneta, estrazione dei numeri
al lotto.

Evento casuale: una o più modalità del fenomeno.


Spazio dei risultati S: insieme di tutte le possibili
realizzazioni/modalità di un fenomeno.
Spazio degli eventi: insieme tutti i possibili sottoinsiemi di S,
compresi tra 0 (evento impossibile) e S (evento certo).

Variabile casuale: variabile che associa in modo univoco un numero


ad ogni realizzazione di un fenomeno casuale.

– p. 3/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi
Spazio degli eventi: {“uscita di un numero pari”, “uscita
di un numero dispari”, “numero compreso tra 3 e 6”,
ecc.}

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi
Spazio degli eventi: {“uscita di un numero pari”, “uscita
di un numero dispari”, “numero compreso tra 3 e 6”,
ecc.}
Evento casuale: “uscita di un numero dispari”

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi
Spazio degli eventi: {“uscita di un numero pari”, “uscita
di un numero dispari”, “numero compreso tra 3 e 6”,
ecc.}
Evento casuale: “uscita di un numero dispari”
Variabile casuale: 1 se esce numero dispari, 0 se esce
numero pari.

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi
Spazio degli eventi: {“uscita di un numero pari”, “uscita
di un numero dispari”, “numero compreso tra 3 e 6”,
ecc.}
Evento casuale: “uscita di un numero dispari”
Variabile casuale: 1 se esce numero dispari, 0 se esce
numero pari.
A causa delgi errori accidentali la misura di una
grandezza fisica è un evento casuale.

– p. 4/24
Elementi di teoria della probabilità
Fenomeno casuale: “lancio di un dado”
Spazio dei risultati: 6 elementi
Spazio degli eventi: {“uscita di un numero pari”, “uscita
di un numero dispari”, “numero compreso tra 3 e 6”,
ecc.}
Evento casuale: “uscita di un numero dispari”
Variabile casuale: 1 se esce numero dispari, 0 se esce
numero pari.
A causa delgi errori accidentali la misura di una
grandezza fisica è un evento casuale.
Il risultato numerico di tale misura è una variabile
casuale.

– p. 4/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.

– p. 5/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.
Eventi compatibili: il verificarsi di uno non esclude l’altro.

– p. 5/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.
Eventi compatibili: il verificarsi di uno non esclude l’altro.

indipendenti: il verificarsi di uno non altera la probabilità dell’altro.

– p. 5/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.
Eventi compatibili: il verificarsi di uno non esclude l’altro.

indipendenti: il verificarsi di uno non altera la probabilità dell’altro.


dipendenti: il verificarsi di uno condiziona la probabilità dell’altro.

– p. 5/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.
Eventi compatibili: il verificarsi di uno non esclude l’altro.

indipendenti: il verificarsi di uno non altera la probabilità dell’altro.


dipendenti: il verificarsi di uno condiziona la probabilità dell’altro.
Eventi incompatibili: il verificarsi di uno esclude il verificarsi

dell’altro.

– p. 5/24
Classificazione degli eventi
Evento complementare E: mancata realizzazione dell’evento E.
Eventi compatibili: il verificarsi di uno non esclude l’altro.

indipendenti: il verificarsi di uno non altera la probabilità dell’altro.


dipendenti: il verificarsi di uno condiziona la probabilità dell’altro.
Eventi incompatibili: il verificarsi di uno esclude il verificarsi

dell’altro.
Evento complesso: verificarsi di due o più eventi simultaneamente
(eventi compatibili) o verificarsi di uno solo dei possibili eventi
elementari (eventi incompatibili).
– p. 5/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:

– p. 6/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:
1. A = "la somma dei punti sia pari"

– p. 6/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:
1. A = "la somma dei punti sia pari"
2. B = "la somma dei punti sia dispari"

– p. 6/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:
1. A = "la somma dei punti sia pari"
2. B = "la somma dei punti sia dispari"
3. C = "la somma dei punti sia divisibile per tre".

– p. 6/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:
1. A = "la somma dei punti sia pari"
2. B = "la somma dei punti sia dispari"
3. C = "la somma dei punti sia divisibile per tre".
Gli eventi A e B sono incompatibili.

– p. 6/24
Classificazione degli eventi: esempi
Si abbiano due dadi identici, aventi le facce
contrassegnate coi numeri da uno a sei.
Scegliamo tre eventi possibili, conseguenti al lancio di
entrambi:
1. A = "la somma dei punti sia pari"
2. B = "la somma dei punti sia dispari"
3. C = "la somma dei punti sia divisibile per tre".
Gli eventi A e B sono incompatibili.
Gli eventi A e C e gli eventi B e C sono compatibili.

– p. 6/24
Classificazione degli eventi: esempi
Da un’urna contenente palline bianche e nere si
estraggano successivamente due palline.
Scegliamo 2 eventi possibili:

– p. 7/24
Classificazione degli eventi: esempi
Da un’urna contenente palline bianche e nere si
estraggano successivamente due palline.
Scegliamo 2 eventi possibili:
1. A = “La prima pallina estratta sia bianca”

– p. 7/24
Classificazione degli eventi: esempi
Da un’urna contenente palline bianche e nere si
estraggano successivamente due palline.
Scegliamo 2 eventi possibili:
1. A = “La prima pallina estratta sia bianca”
2. B = “La seconda pallina estratta sia bianca”

– p. 7/24
Classificazione degli eventi: esempi
Da un’urna contenente palline bianche e nere si
estraggano successivamente due palline.
Scegliamo 2 eventi possibili:
1. A = “La prima pallina estratta sia bianca”
2. B = “La seconda pallina estratta sia bianca”
Se la prima pallina bianca viene rimessa nell’urna dopo
l’estrazione −→ gli eventi A e B sono compatibili
independenti.

– p. 7/24
Classificazione degli eventi: esempi
Da un’urna contenente palline bianche e nere si
estraggano successivamente due palline.
Scegliamo 2 eventi possibili:
1. A = “La prima pallina estratta sia bianca”
2. B = “La seconda pallina estratta sia bianca”
Se la prima pallina bianca viene rimessa nell’urna dopo
l’estrazione −→ gli eventi A e B sono compatibili
independenti.
Se la prima pallina bianca non viene rimessa nell’urna
dopo l’estrazione −→ gli eventi A e B sono compatibili
dipendenti.

– p. 7/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.
Ne segue che:

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.
Ne segue che:
0 ≤ p(E) ≤ 1 → la probabilità di un evento casuale è un numero
compreso tra 0 e 1.

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.
Ne segue che:
0 ≤ p(E) ≤ 1 → la probabilità di un evento casuale è un numero
compreso tra 0 e 1.
p(E) = 0 per eventi impossibili.

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.
Ne segue che:
0 ≤ p(E) ≤ 1 → la probabilità di un evento casuale è un numero
compreso tra 0 e 1.
p(E) = 0 per eventi impossibili.
p(E) = 1 per eventi certi.

– p. 8/24
DEFINIZIONI DI PROBABILITÀ
ASSIOMATICA o CLASSICA Definizione a priori.
nfav
p(E) =
ntot
rapporto tra il numero di casi favorevoli al presentarsi dell’evento e il
numero di casi possibili, purchè tutti questi casi possibili
siano equi-probabili.
Ne segue che:
0 ≤ p(E) ≤ 1 → la probabilità di un evento casuale è un numero
compreso tra 0 e 1.
p(E) = 0 per eventi impossibili.
p(E) = 1 per eventi certi.
Osservazioni
Utile per calcolare probabilità nei casi di eventi semplici con un numero finito di casi
possibili (es. dadi, carte, ecc.)
Contiene in sè una tautologia nell’implicita definizione di equiprobabilità. È possibile
stimare la probabilità di un evento a partire dalla simmetria del problema.
– p. 8/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.
La probabilità empirica dell’evento E: estensione della frequenza
relativa ad un numero altissimo prove:
p(E) ∼ limN →∞ f (E) = limN →∞ nE /N

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.
La probabilità empirica dell’evento E: estensione della frequenza
relativa ad un numero altissimo prove:
p(E) ∼ limN →∞ f (E) = limN →∞ nE /N
Osservazioni

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.
La probabilità empirica dell’evento E: estensione della frequenza
relativa ad un numero altissimo prove:
p(E) ∼ limN →∞ f (E) = limN →∞ nE /N
Osservazioni

Le N prove possono essere effettuate sia ripetendo N volte successivamente lo


stesso esperimento, sia effettuando simultaneamente N esperimenti identici.

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.
La probabilità empirica dell’evento E: estensione della frequenza
relativa ad un numero altissimo prove:
p(E) ∼ limN →∞ f (E) = limN →∞ nE /N
Osservazioni

Le N prove possono essere effettuate sia ripetendo N volte successivamente lo


stesso esperimento, sia effettuando simultaneamente N esperimenti identici.

La definizione è utilizzabile solo nei casi in cui si disponga di un evento ripetibile o


di un gran numero di eventi simili.

– p. 9/24
DEFINIZIONI DI PROBABILITÀ
EMPIRICA Definizione a posteriori.
nE
Frequenza relativa dell’evento E: f (E) =
N
rapporto tra il numero nE di volte in cui l’evento si è verificato e il
numero totale N di prove.
La probabilità empirica dell’evento E: estensione della frequenza
relativa ad un numero altissimo prove:
p(E) ∼ limN →∞ f (E) = limN →∞ nE /N
Osservazioni

Le N prove possono essere effettuate sia ripetendo N volte successivamente lo


stesso esperimento, sia effettuando simultaneamente N esperimenti identici.

La definizione è utilizzabile solo nei casi in cui si disponga di un evento ripetibile o


di un gran numero di eventi simili.

La probabilità di un evento risulta essere una caratteristica unitamente dell’evento


e dell’insieme degli N casi considerati, cioè del campione scelto.
– p. 9/24
TEOREMA DI BERNOULLI
LEGGE DEI GRANDI NUMERI

Assumendo come definizione di probabilità quella


assiomatica, è possibile dimostrare che
al crescere del numero di prove, la frequenza relativa di
un evento casuale converga verso la probabilità
dell’evento stesso.

– p. 10/24
TEOREMA DI BERNOULLI
LEGGE DEI GRANDI NUMERI

Assumendo come definizione di probabilità quella


assiomatica, è possibile dimostrare che
al crescere del numero di prove, la frequenza relativa di
un evento casuale converga verso la probabilità
dell’evento stesso.
La convergenza va intesa in senso statistico, ossia
aumentando il numero di prove diventa sempre meno
improbabile che frequenza relativa differisca molto dalla
probabilità dell’evento.

– p. 10/24
TEOREMA DI BERNOULLI
LEGGE DEI GRANDI NUMERI

Assumendo come definizione di probabilità quella


assiomatica, è possibile dimostrare che
al crescere del numero di prove, la frequenza relativa di
un evento casuale converga verso la probabilità
dell’evento stesso.
La convergenza va intesa in senso statistico, ossia
aumentando il numero di prove diventa sempre meno
improbabile che frequenza relativa differisca molto dalla
probabilità dell’evento.
La legge afferma che
∀ǫ piccolo a piacere esiste un intero M tale che per
N >M
limN →∞ p(|f (E) − p(E)| < ǫ) = 1
– p. 10/24
TEOREMA DI BERNOULLI: un esempio
Supponiamo di lanciare in aria una moneta e di
considerare l’evento casuale “TESTA”. Sappiamo che la
probabilità assiomatica è p(T ) = 0.5.

– p. 11/24
TEOREMA DI BERNOULLI: un esempio
Supponiamo di lanciare in aria una moneta e di
considerare l’evento casuale “TESTA”. Sappiamo che la
probabilità assiomatica è p(T ) = 0.5.
Passiamo all’ambito sperimentale e consideriamo
l’andamento della frequenza relativa dell’evento in
funzione del numero di lanci.

– p. 11/24
TEOREMA DI BERNOULLI: un esempio
Supponiamo di lanciare in aria una moneta e di
considerare l’evento casuale “TESTA”. Sappiamo che la
probabilità assiomatica è p(T ) = 0.5.
Passiamo all’ambito sperimentale e consideriamo
l’andamento della frequenza relativa dell’evento in
funzione del numero di lanci.
Si nota che per N
basso la frequenza
presenta delle flut-
tuazioni mentre
all’aumentare del
numero di lanci essa
tende a stabilizzarsi
attorno ad un valore
prossimo a 0.5.
– p. 11/24
TEOREMA DI BERNOULLI: considerazioni
In altri termini, maggiore è il numero di prove e “meno
frequentemente succede” di osservare grandi scarti
della frequenza dal valore della probabilità.

– p. 12/24
TEOREMA DI BERNOULLI: considerazioni
In altri termini, maggiore è il numero di prove e “meno
frequentemente succede” di osservare grandi scarti
della frequenza dal valore della probabilità.
La legge dei grandi numeri stabilisce il comportamento
asintotico della frequenza relativa, mentre non dice
nulla sulla probabilità di successo della singola prova
(che resta sempre p).

– p. 12/24
TEOREMA DI BERNOULLI: considerazioni
In altri termini, maggiore è il numero di prove e “meno
frequentemente succede” di osservare grandi scarti
della frequenza dal valore della probabilità.
La legge dei grandi numeri stabilisce il comportamento
asintotico della frequenza relativa, mentre non dice
nulla sulla probabilità di successo della singola prova
(che resta sempre p).
Questa legge non dice che l’osservazione di 10 teste
aumenta la probabilità che venga croce all’undicesima
prova. Fraintendimento comune dei giocatori d’azzardo
(lotto), che scommettono sull’evento che non si verifica
da più tempo, convinti che, per questo fatto, esso si
debba verificare.

– p. 12/24
PROPRIETÀ DELLA PROBABILITÀ
Si possono ricavare a partire da ciascuna delle due
definizioni. Utilizziamo qui la definizione empirica.

– p. 13/24
PROPRIETÀ DELLA PROBABILITÀ
Si possono ricavare a partire da ciascuna delle due
definizioni. Utilizziamo qui la definizione empirica.
Probabilità dell’evento complementare E
Nota p(E), quanto vale p(E) ?
N −n n
f (E) = =1− = 1 − f (E)
N N
Passando al limite per N → ∞
p(E) = 1 − p(E) da cui p(E) + p(E) = 1

– p. 13/24
PROPRIETÀ DELLA PROBABILITÀ
Si possono ricavare a partire da ciascuna delle due
definizioni. Utilizziamo qui la definizione empirica.
Probabilità dell’evento complementare E
Nota p(E), quanto vale p(E) ?
N −n n
f (E) = =1− = 1 − f (E)
N N
Passando al limite per N → ∞
p(E) = 1 − p(E) da cui p(E) + p(E) = 1
I due eventi E ed E si escludono mutuamente ed
esauriscono l’insieme di tutti i possibili risultati di un
esperimento.

– p. 13/24
PROPRIETÀ DELLA PROBABILITÀ
Si possono ricavare a partire da ciascuna delle due
definizioni. Utilizziamo qui la definizione empirica.
Probabilità dell’evento complementare E
Nota p(E), quanto vale p(E) ?
N −n n
f (E) = =1− = 1 − f (E)
N N
Passando al limite per N → ∞
p(E) = 1 − p(E) da cui p(E) + p(E) = 1
I due eventi E ed E si escludono mutuamente ed
esauriscono l’insieme di tutti i possibili risultati di un
esperimento.
In un lancio di un dado qual è la probabilità che non esca il 4 ?
p(4) = 1 − p(4) = 1 − 1/6 = 5/6.
– p. 13/24
LEGGE DELLA PROBABILITÀ TOTALE
Consideriamo il risultato di un esperimento che comporti il verificarsi di 2
eventi simultanei (detti E, F ). Vogliamo calcolare la probabilità che si
verifichi almeno uno di essi a partire dalla probabilità che si verifichi
ciascuno di essi.
Si hanno 4 possibili risultati:
E·F si verifica E e si verifica F n11 freq. ass.
E·F si verifica E e non si verifica F n12 “
E·F non si verifica E e si verifica F n21 “
E·F non si verifica E e non si verifica F n22 “

– p. 14/24
LEGGE DELLA PROBABILITÀ TOTALE
Consideriamo il risultato di un esperimento che comporti il verificarsi di 2
eventi simultanei (detti E, F ). Vogliamo calcolare la probabilità che si
verifichi almeno uno di essi a partire dalla probabilità che si verifichi
ciascuno di essi.
Si hanno 4 possibili risultati:
E·F si verifica E e si verifica F n11 freq. ass.
E·F si verifica E e non si verifica F n12 “
E·F non si verifica E e si verifica F n21 “
E·F non si verifica E e non si verifica F n22 “

n11 + n12 + n21 + n22 = N numero totale di prove

– p. 14/24
LEGGE DELLA PROBABILITÀ TOTALE
Consideriamo il risultato di un esperimento che comporti il verificarsi di 2
eventi simultanei (detti E, F ). Vogliamo calcolare la probabilità che si
verifichi almeno uno di essi a partire dalla probabilità che si verifichi
ciascuno di essi.
Si hanno 4 possibili risultati:
E·F si verifica E e si verifica F n11 freq. ass.
E·F si verifica E e non si verifica F n12 “
E·F non si verifica E e si verifica F n21 “
E·F non si verifica E e non si verifica F n22 “

n11 + n12 + n21 + n22 = N numero totale di prove


Le frequenze relative sono date da:
f (E · F ) = n11 /N f (E · F ) = n12 /N
f (E · F ) = n21 /N f (E · F ) = n22 /N
f (E) = (n11 + n12 )/N = f (E · F ) + f (E · F )
f (F ) = (n11 + n21 )/N = f (E · F ) + f (E · F )
– p. 14/24
LEGGE DELLA PROBABILITÀ TOTALE
La frequenza dell’evento complesso somma logica E + F – verificarsi
di E o di F o di entrambi – è data da: f (E + F ) = (n11 + n12 + n21 )/N
= (n11 + n12 + n21 + n11 − n11 )/N
= (n11 + n12 )/N + (n11 + n21 )/N − n11 /N
= f (E) + f (F ) − f (E · F )

– p. 15/24
LEGGE DELLA PROBABILITÀ TOTALE
La frequenza dell’evento complesso somma logica E + F – verificarsi
di E o di F o di entrambi – è data da: f (E + F ) = (n11 + n12 + n21 )/N
= (n11 + n12 + n21 + n11 − n11 )/N
= (n11 + n12 )/N + (n11 + n21 )/N − n11 /N
= f (E) + f (F ) − f (E · F )
Utilizzando la definizione di probabilità empirica, passando al limite
N →∞
p(E + F ) = p(E) + p(F ) − p(E · F )
la probabilità totale di due eventi E e F , è pari alla somma delle
singole probabilità p(E) e p(F ) diminuita della probabilità della loro
intersezione (verificarsi simultaneamente).

– p. 15/24
LEGGE DELLA PROBABILITÀ TOTALE
La frequenza dell’evento complesso somma logica E + F – verificarsi
di E o di F o di entrambi – è data da: f (E + F ) = (n11 + n12 + n21 )/N
= (n11 + n12 + n21 + n11 − n11 )/N
= (n11 + n12 )/N + (n11 + n21 )/N − n11 /N
= f (E) + f (F ) − f (E · F )
Utilizzando la definizione di probabilità empirica, passando al limite
N →∞
p(E + F ) = p(E) + p(F ) − p(E · F )
la probabilità totale di due eventi E e F , è pari alla somma delle
singole probabilità p(E) e p(F ) diminuita della probabilità della loro
intersezione (verificarsi simultaneamente).

Equivale a calcolare l’unione di due insiemi.


– p. 15/24
PROBABILITÀ TOTALE
Se gli eventi E e F sono incompatibili (p(E · F ) = 0)
p(E + F ) = p(E) + p(F ) Legge della probabilità totale

– p. 16/24
PROBABILITÀ TOTALE
Se gli eventi E e F sono incompatibili (p(E · F ) = 0)
p(E + F ) = p(E) + p(F ) Legge della probabilità totale
Equivale al caso di due insiemi disgiunti.

– p. 16/24
PROBABILITÀ TOTALE
Se gli eventi E e F sono incompatibili (p(E · F ) = 0)
p(E + F ) = p(E) + p(F ) Legge della probabilità totale
Equivale al caso di due insiemi disgiunti.

ESEMPI

– p. 16/24
PROBABILITÀ TOTALE
Se gli eventi E e F sono incompatibili (p(E · F ) = 0)
p(E + F ) = p(E) + p(F ) Legge della probabilità totale
Equivale al caso di due insiemi disgiunti.

ESEMPI
Ottenere T o C nel lancio di una moneta:
1 1
p(T o C) = p(T ) + p(C) = + = 1
2 2

– p. 16/24
PROBABILITÀ TOTALE
Se gli eventi E e F sono incompatibili (p(E · F ) = 0)
p(E + F ) = p(E) + p(F ) Legge della probabilità totale
Equivale al caso di due insiemi disgiunti.

ESEMPI
Ottenere T o C nel lancio di una moneta:
1 1
p(T o C) = p(T ) + p(C) = + = 1
2 2
Estrarre da un mazzo di 52 carte un Q o una carta di
fiori:
4 13 1 4
p(Q o ♣) = p(Q) + p(♣) − p(Q♣) = + − =
52 52 52 13
– p. 16/24
PROBABILITÀ TOTALE
Estrarre una sfera bianca o nera da un’urna con a sfere
bianche, b sfere nere, c sfere di altri colori:
p(bianca o nera) = p(bianca) + p(nera) =
a b
+
a+b+c a+b+c

– p. 17/24
PROBABILITÀ TOTALE
Estrarre una sfera bianca o nera da un’urna con a sfere
bianche, b sfere nere, c sfere di altri colori:
p(bianca o nera) = p(bianca) + p(nera) =
a b
+
a+b+c a+b+c
Si lanciano due dadi e si indicano con E l’evento "il
primo dado dà 6", con F l’evento "il secondo dado dà
6". L’evento "almeno un dado dà 6" è l’unione di due
eventi compatibili, in quanto può verificarsi anche la loro
intersezione ("entrambi i dadi danno 6"). La probabilità
1 1 1 11
di ottenere almeno un 6 è quindi: + − =
6 6 36 36

– p. 17/24
PROBABILITÀ CONDIZIONATA
Nel caso di eventi compatibili dipendenti, è utile definire
la probabilità condizionata che si verifichi un evento,
essendosi verificato l’altro:
p(E|F ) probabilità di E dato F , cioè la probabilità che
si verifichi E essendosi verificato F .

– p. 18/24
PROBABILITÀ CONDIZIONATA
Nel caso di eventi compatibili dipendenti, è utile definire
la probabilità condizionata che si verifichi un evento,
essendosi verificato l’altro:
p(E|F ) probabilità di E dato F , cioè la probabilità che
si verifichi E essendosi verificato F .
Se gli eventi E ed F sono compatibili indipendenti:
p(E|F ) = p(E)
p(F |E) = p(F )

– p. 18/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).

– p. 19/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).
Equivale a calcolare l’intersezione di due insiemi.

– p. 19/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).
Equivale a calcolare l’intersezione di due insiemi.
Calcoliamo la frequenza di E dato F :
f (E|F ) = n11 /(n11 + n21 ) = (n11 /N ) · N/(n11 + n21 )
= f (E · F )/f (F )

– p. 19/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).
Equivale a calcolare l’intersezione di due insiemi.
Calcoliamo la frequenza di E dato F :
f (E|F ) = n11 /(n11 + n21 ) = (n11 /N ) · N/(n11 + n21 )
= f (E · F )/f (F )
Analogamente, la frequenza di F dato E :
f (F |E) = n11 /(n11 + n12 ) = (n11 /N ) · N/((n11 + n12 )
= f (E · F )/f (E)

– p. 19/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).
Equivale a calcolare l’intersezione di due insiemi.
Calcoliamo la frequenza di E dato F :
f (E|F ) = n11 /(n11 + n21 ) = (n11 /N ) · N/(n11 + n21 )
= f (E · F )/f (F )
Analogamente, la frequenza di F dato E :
f (F |E) = n11 /(n11 + n12 ) = (n11 /N ) · N/((n11 + n12 )
= f (E · F )/f (E)
Da cui si ricava:
f (E · F ) = f (F ) f (E|F ) = f (E) f (F |E).

– p. 19/24
PROBABILITÀ COMPOSTA
Si vuole calcolare la probabilità che entrambi i 2 eventi
E ed F si verifichino, ovvero p(E e F ).
Equivale a calcolare l’intersezione di due insiemi.
Calcoliamo la frequenza di E dato F :
f (E|F ) = n11 /(n11 + n21 ) = (n11 /N ) · N/(n11 + n21 )
= f (E · F )/f (F )
Analogamente, la frequenza di F dato E :
f (F |E) = n11 /(n11 + n12 ) = (n11 /N ) · N/((n11 + n12 )
= f (E · F )/f (E)
Da cui si ricava:
f (E · F ) = f (F ) f (E|F ) = f (E) f (F |E).
Passando al limite N → ∞:

p(E · F ) = p(F ) p(E|F ) = p(E) p(F |E)


– p. 19/24
PROBABILITÀ COMPOSTA: esempi
Estrarre 2 carte di fiori da un mazzo di 52 carte:
13 12
p(♣) e p(♣) = p(♣) × p(♣|♣) = ×
52 51

– p. 20/24
PROBABILITÀ COMPOSTA: esempi
Estrarre 2 carte di fiori da un mazzo di 52 carte:
13 12
p(♣) e p(♣) = p(♣) × p(♣|♣) = ×
52 51
I primi tre estratti al lotto siano 3 numeri assegnati:
p(n1 e n2 e n3 ) = p(n1 ) × p(n2 |n1 ) × p(n3 |n2 n1 ) =
1 1 1
× ×
90 89 88

– p. 20/24
PROBABILITÀ COMPOSTA
Se gli eventi E ed F sono compatibili indipendenti
p(E · F ) = p(E) · p(F ) Legge della probabilità composta

– p. 21/24
PROBABILITÀ COMPOSTA
Se gli eventi E ed F sono compatibili indipendenti
p(E · F ) = p(E) · p(F ) Legge della probabilità composta
Avere in 2 lanci di una moneta entrambi T:
1 1
p(T e T ) = p(T ) × p(T ) = × .
2 2  n
1
In generale in n lanci: p(T eT ...) = .
2

– p. 21/24
PROBABILITÀ COMPOSTA
Se gli eventi E ed F sono compatibili indipendenti
p(E · F ) = p(E) · p(F ) Legge della probabilità composta
Avere in 2 lanci di una moneta entrambi T:
1 1
p(T e T ) = p(T ) × p(T ) = × .
2 2  n
1
In generale in n lanci: p(T eT ...) = .
2
Ottenere 5 in 3 lanci successivi di un dado:
1 1 1 1
p(5 e5 e 5) = p(5) × p(5) × p(5) = × × = .
6 6 6 216

– p. 21/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4
3. Sia un 10 di picche p(10♠) = 1/52

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4
3. Sia un 10 di picche p(10♠) = 1/52
4. Non sia nè un 4 nè un picche
p(4 + ♠) = 1 − p(4 + ♠) = 1 − (p(4) + p(♠) − p(4♠)) =
1 − (1/13 + 1/4 − 1/52) = 1 − 4/13 = 9/13

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4
3. Sia un 10 di picche p(10♠) = 1/52
4. Non sia nè un 4 nè un picche
p(4 + ♠) = 1 − p(4 + ♠) = 1 − (p(4) + p(♠) − p(4♠)) =
1 − (1/13 + 1/4 − 1/52) = 1 − 4/13 = 9/13
Si estraggono due carte, determinare la probabilità che
siano entrambe assi se a) la prima è rimessa nel
mazzo; b) non è rimessa nel mazzo

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4
3. Sia un 10 di picche p(10♠) = 1/52
4. Non sia nè un 4 nè un picche
p(4 + ♠) = 1 − p(4 + ♠) = 1 − (p(4) + p(♠) − p(4♠)) =
1 − (1/13 + 1/4 − 1/52) = 1 − 4/13 = 9/13
Si estraggono due carte, determinare la probabilità che
siano entrambe assi se a) la prima è rimessa nel
mazzo; b) non è rimessa nel mazzo
a) p(E eF ) = p(E) · p(F |E) = p(E) · p(F ) = 4/52 · 4/52 =
1/169 ≃ 0.00592 ≃ 0.6%

– p. 22/24
ESERCIZI
Si consideri un mazzo di 52 carte. Si estragga una carta
a caso e si determini la probabilità che:
1. Sia un asso p(1) = 4/52 = 1/13
2. Sia un picche p(♠) = 13/52 = 1/4
3. Sia un 10 di picche p(10♠) = 1/52
4. Non sia nè un 4 nè un picche
p(4 + ♠) = 1 − p(4 + ♠) = 1 − (p(4) + p(♠) − p(4♠)) =
1 − (1/13 + 1/4 − 1/52) = 1 − 4/13 = 9/13
Si estraggono due carte, determinare la probabilità che
siano entrambe assi se a) la prima è rimessa nel
mazzo; b) non è rimessa nel mazzo
a) p(E eF ) = p(E) · p(F |E) = p(E) · p(F ) = 4/52 · 4/52 =
1/169 ≃ 0.00592 ≃ 0.6%
b) p(E) · p(F |E) = 4/52 · 3/51 = 1/221 ≃ 0.00452 ≃ 0.4%.
– p. 22/24
ESERCIZI
Determinare la probabilità che un numero di 4 cifre, in
base 10, abbia almeno 2 cifre uguali.

– p. 23/24
ESERCIZI
Determinare la probabilità che un numero di 4 cifre, in
base 10, abbia almeno 2 cifre uguali.
p(almeno 2 cifre uguali) = 1 − p(tutte cifre diverse) =
1 − (10/10 × 9/10 × 8/10 × 7/10) = 1 − 0.504 = 0.496

– p. 23/24
ESERCIZI
Determinare la probabilità che un numero di 4 cifre, in
base 10, abbia almeno 2 cifre uguali.
p(almeno 2 cifre uguali) = 1 − p(tutte cifre diverse) =
1 − (10/10 × 9/10 × 8/10 × 7/10) = 1 − 0.504 = 0.496
L’apertura di una porta è comandata dal segnale
congiunto di due fotocelle. Se ciascuna fotocella ha
un’inefficienza del 3% (probabilità di non rivelare
l’avvicinarsi di una persona), qual è la probabilità che la
porta non si apra quando si avvicina una persona ?

– p. 23/24
ESERCIZI
Determinare la probabilità che un numero di 4 cifre, in
base 10, abbia almeno 2 cifre uguali.
p(almeno 2 cifre uguali) = 1 − p(tutte cifre diverse) =
1 − (10/10 × 9/10 × 8/10 × 7/10) = 1 − 0.504 = 0.496
L’apertura di una porta è comandata dal segnale
congiunto di due fotocelle. Se ciascuna fotocella ha
un’inefficienza del 3% (probabilità di non rivelare
l’avvicinarsi di una persona), qual è la probabilità che la
porta non si apra quando si avvicina una persona ?
p(non si apra) = 1 − p(si apra) = 1 − (p(fc1) · p(fc2)) =
1 − [(1 − 0.03) · (1 − 0.03)] = 1 − (0.97 · 0.97) = 0.0591

– p. 23/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10
2.3 + 4.760 + 60.2356 = 67.3

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10
2.3 + 4.760 + 60.2356 = 67.3
9.8 + 80.76 + 6.07510 = 96.6

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10
2.3 + 4.760 + 60.2356 = 67.3
9.8 + 80.76 + 6.07510 = 96.6
356.88 − 54.3790 = 302.50

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10
2.3 + 4.760 + 60.2356 = 67.3
9.8 + 80.76 + 6.07510 = 96.6
356.88 − 54.3790 = 302.50
Trovare le dimensioni della costante di gravitazione universale G in
funzione delle dimensioni delle grandezze fondamentali nel S.I. Si
m1 · m2
ricorda che la forza di gravitazione è data da: F = G
r2

– p. 24/24
Esercizi
Con quante cifre significative si deve riportare il risultato ?
(3.6 103 ) × (5.645 10−2 ) = 20 · 10
2.3 + 4.760 + 60.2356 = 67.3
9.8 + 80.76 + 6.07510 = 96.6
356.88 − 54.3790 = 302.50
Trovare le dimensioni della costante di gravitazione universale G in
funzione delle dimensioni delle grandezze fondamentali nel S.I. Si
m1 · m2
ricorda che la forza di gravitazione è data da: F = G
r2
I seguenti valori sono il risultato di calcoli numerici:
127.3 14.26 3.07 × 10−6 1123.1 21.007 83.03 × 103 .
Si sa che l’errore relativo su ogni valore è il 1%. Tenendo conto che
l’incertezza sull’errore è il 30% dell’errore, esprimere il valore vero
usando l’appropriato numero di cifre significative per il miglior valore
e l’incertezza.
– p. 24/24