Sei sulla pagina 1di 3

DISTRIBUZIONI DI PROBABILITÁ

Distribuzione UNIFORME GEOMETRICA

Def. Si dice che una variabile casuale discreta X, con valori k = 1, 2, …, n, ha una distribuzione di
1
P( X  k ) 
probabilità uniforme se tutti i suoi valori hanno la stessa probabilità n
n 1 n 1
2
M[X ]    var[ X ] 
Si può dimostrare che 2 12

Distribuzione BINOMIALE (o di Bernoulli)

Def. Si dice che una variabile casuale discreta X, con valori k = 0, 1, 2, …, n, ha una distribuzione di
n
P( X  k )    p k 1  p 
nk

probabilità binomiale di parametri n e p se k 


Una variabile casuale con distribuzione binomiale descrive il numero di volte che si può verificare un evento
aleatorio di probabilità p su n prove.

UNA SOLA PROVA: X 0 1


P(X) q p

M[X ]    0  q  1 p  p
VAR[ X ]  M ( X  M ( X ) )  p 2  q  1  p   p  p 2  q  q 2  p  pq p  q   pq
2 2

n PROVE corrispondono alla somma di n variabili casuali indipendenti

Distribuzione di POISSON di parametro 

Problema: supponiamo che il numero medio di persone che in una mattina vanno all’ufficio postale sia
  10 . Qual è la probabilità che in una mattina all’ufficio postale arrivino 8 persone?

Il problema potrebbe essere risolto con la legge della variabile binomiale fissando un N abbastanza

p
grande che indica il numero massimo di persone in un giorno e prendendo N come probabilità
che si verifichi l’evento “una persona va all’ufficio postale”. In realtà N non ha limite superiore
(tende all’infinito) quindi è preferibile impostare il problema in modo diverso.

Def. Si chiama distribuzione di Poisson di parametro   0 la distribuzione di probabilità di una variabile


aleatoria che assume valori in 0, 1, 2, …… così definita:
k 
p( X  k )  e
k!
Indicheremo questa variabile aleatoria con X = P (  )
 E’ possibile dimostrare che, come in ogni distribuzione di

k 
 e 1
probabilità, k 0 k!

La distribuzione di probabilità di Poisson associata ad una


variabile aleatoria è illimitata ed è spesso utilizzata per
approssimare la distribuzione binomiale di parametri n e p
quando n è molto grande e/o p è piccolo. In questo caso  è
il valor medio della binomiale cioè   np . La distribuzione di
Poisson viene anche chiamata distribuzione degli eventi rari perché è utilizzata per eventi con probabilità
molto piccola.

E’ possibile dimostrare che nella distribuzione di Poisson

  M [ X ]  VAR[ X ]

e che all’aumentare di  la distribuzione di probabilità tende a diventare simmetrica attorno al valore medio.

Soluzione problema iniziale.


Considerata la legge di Poisson P (10) si avrà
10 8 10
p ( X  8)  e  0,112599
8!
Volendo calcolare la probabilità che nella mattinata non arrivi nessuno si ottiene:
10 0 10
p ( X  0)  e  4,5  10 5
0!

DISTRIBUZIONE GEOMETRICA di parametro p

Consideriamo un processo di Bernoulli di parametro p, illimitato. La variabile aleatoria X che “conta il


numero di prove necessarie per avere il primo successo” si chiama variabile aleatoria geometrica di
parametro p, e si indica con X = G(p).
La variabile aleatoria geometrica può essere rappresentata nel seguente modo:

X 1 2 3 4 ……… k ……………
P(X) p pq pq2 pq3 ………. pqk-1 ……….

k 1
con k = 1, 2,……. (la dimostrazione è lasciata come esercizio) quindi si ha che p ( X  k )  pq .
Il grafico che rappresenta la variabile geometrica è del tipo (in questo caso particolare si ha p=0,3) :

0.35
0.3
0.25
0.2 X=G(
0.15 0,3)
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11

Oss. Si dimostra che il valor medio di una variabile geometrica di parametro p vale

1
M[X]= p .

Esempio Si consideri il lancio di un dado a 6 facce e l’evento esce il numero 4. Qual è la probabilità che il
primo 4 si ottenga al decimo lancio?
1
 
Si tratta di una variabile geometrica X = G  6  . La probabilità richiesta si calcola
9
1 5
P( X  10)  p  q 9       
 6   6  0,0323.
1. Una macchina di precisione produce pezzi di ricambio per auto con una percentuale pari all’1% dei
pezzi difettosi. Su una produzione giornaliera di 300 pezzi, si chiede qual è la probabilità di avere 4
pezzi difettosi. Calcolare la speranza matematica, la varianza e la deviazione standard della v.
aleatoria considerata. 0,1689; 3; 2,97; 1,723
2. All’arrivo nell’aeroporto internazionale di Cagliari, i passeggeri transitano per la dogana alla media
di 2 ogni 30 secondi. Assumendo che il numero dei passeggeri che attraversano la dogana in un dato
intervallo di tempo abbia una distribuzione di Poisson, determinare la probabilità che a) non più di 2
passeggeri abbiano attraversato la dogana, sempre in un periodo di 30 secondi; b) il numero di
passeggeri che attraversano la dogana in un periodo di 30 secondi sia compreso tra 1 e 4
0,677; 0,812
3. Il numero medio di chiamate che arrivano ad un centralino telefonico in un’ora è 300. Sapendo che il
numero di chiamate che arrivano allo stesso centralino in un minuto segue una distribuzione di
Poisson, calcolare la probabilità che in un minuto non arrivino più di 2 chiamate 0,125
4. La distribuzione degli errori in un testo dattiloscritto si può ritenere con buona approssimazione una
variabile di Poisson. Supponendo che in un libro si riscontri la presenza, in media, di 1.4 errori per
pagina determinare la probabilità di avere non più di 2 errori per pagina 0,833
5. Una coppia si sottopone alla inseminazione artificiale e la probabilità di una gravidanza è di 0.15 per
ogni tentativo. Quanto vale la probabilità che si abbia una gravidanza al quinto tentativo? Quanto
vale la probabilità di avere un esito positivo tra il secondo e il quarto tentativo?
0,0783; 0,328
6. Un arciere ha la probabilità di fare centro pari all’80% e tira tre frecce. Costruire la variabile
aleatoria che conta il numeri di centri fatti e determinare media e varianza (verificando che valgono
np e npq)
7. Un’urna contiene 5 palline che portano i numeri 1,2,3,6,7. Estraiamo consecutivamente due palline
senza rimettere nell’urna la prima pallina estratta e consideriamo come variabile casuale x il valore
minore dei due numeri estratti. Calcolare la media e la varianza di X
2,2;2,16
X 
Y
Modificare ora la variabile X costruendo la variabile  e calcolare la nuova media e la
nuova varianza.