Concetti generali

•  Statistica Descrittiva
Indagine totale: tutte le unità della popolazione vengono
rilevate (cioè osservate) prima parte del corso

•  Inferenza Statistica
Indagine campionaria: un sottoinsieme delle unità della
popolazione viene rilevato e si cerca di ottenere indicazioni
sul fenomeno nel suo complesso seconda parte del corso

1
 Statistica descrittiva

F: fenomeno (carattere/i) di interesse

P: popolazione
fi: funzioni (operazioni algebriche o logiche)
R: insieme caratteristico (insieme degli indici di sintesi ottenuti applicando le funzioni fi)
2
 Inferenza statistica

C: campione di manifestazioni del fenomeno F (carattere/i di interesse)

ti: funzioni (operazioni algebriche o logiche)
Rc: insieme caratteristico del campione C 3
INFERENZA STATISTICA
Probabilità

Variabili
Casuali

Distribuzioni
campionarie

Verifica di
Stima
ipotesi

Stima
Medie
puntuale

Stima
Proporzioni 4
intervallare
Elementi di Teoria e Calcolo
delle Probabilità

5
 Fatti ed Esperimenti Casuali

La teoria delle probabilità considera solo fatti ed

esperimenti casuali.

• Fatto casuale à qualsiasi avvenimento suscettibile di

manifestazioni secondo una pluralità di alternative e
del quale non è noto l’esito;

• Esperimento casuale à è un esperimento di cui non è

noto l’esito. Come tutti gli esperimenti è ripetibile e
avviene in condizioni uniformi.
6
Alcuni esempi di Esperimenti Casuali

•  Il lancio di una singola moneta;

•  Il lancio di due monete;

•  Il lancio ripetuto di una moneta;

•  Il lancio di un dado, o di due dadi;

•  L’estrazione di una carta da un mazzo, ecc…;

7
 Alcuni esempi di Fatti Casuali

•  Il sesso di un nascituro;
•  L’altezza che un bambino raggiungerà da adulto;
•  Il valore del tasso di cambio euro/dollaro che si
registrerà domani alle 12;
•  Il prezzo del barile di petrolio tra un mese esatto;
•  ecc ecc..

8
 Lo Spazio Campionario
Per poter definire in termini matematici un fatto o un
esperimento casuale è necessario definire esattamente
l'insieme dei suoi risultati possibili. Questo insieme prende
il nome di Spazio Campionario e si indica con il simbolo S
(o con W).

In molti casi il procedimento è banale.

Ad esempio per quanto riguarda il lancio della moneta o di

un dado, è immediato che i risultati possibili siano
rispettivamente 2 (testa e croce) e 6 (quante sono le facce
del dado).
9
Esempio di Spazio Campionario

10
Esempio di Spazio Campionario

11
 Lo Spazio Campionario
In altri casi la determinazione dei risultati possibili è un
procedimento più complesso e molto meno immediato.

Ad esempio, l’altezza di una persona è un fatto casuale

che ha come risultato un numero senz'altro positivo ma del
quale non è noto l'estremo superiore.

Volendo essere - ma solo in apparenza - realistici, si

potrebbero supporre possibili solo altezze non superiori a
2,5 metri; tuttavia anche in questo caso si commetterebbe
l'assurdo di considerare possibili altezze sino a 2,5 metri ed
impossibili altezze di 2,5 metri più un millimetro. 12
 Lo Spazio Campionario

In questa ed in situazioni analoghe è quindi conveniente

(sebbene non vi sia nessuna regola prefissata al
proposito) considerare come possibile qualsiasi valore
positivo delle altezze, salvo assegnare poi probabilità
pressoché nulle a valori che non sono assolutamente
riscontrabili nella realtà.

13
Classificazione degli Spazi Campionari

Discreti Finiti
Spazi Campionari Numerabili
Continui

14
 Spazi campionari discreti

S è detto finito se contiene un numero finito di

eventi elementari.

Esempi: spazi campionari associati al lancio di un

dado e al lancio di una moneta.

15
 Spazi campionari discreti

Supponiamo di lanciare in aria una moneta fino a

che si verifichi testa.

Testa può uscire al primo lancio, al secondo, o ad

un qualunque altro lancio.

In pratica S = {1, 2, ...,∞} ovvero S è numerabile,

in quanto formato da un numero di eventi infinito,
che può essere messo in corrispondenza
biunivoca con i numeri naturali.
16
 Spazi campionari continui

Lo spazio campionario è detto continuo se

contiene un'infinità non numerabile di eventi
elementari.

Esempio: lo spazio campionario relativo all'altezza

o al peso di una persona è continuo in quanto
contiene tutti i possibili valori reali tra 0 e ∞.

17
Alcuni esperimenti casuali con i relativi
spazi campionari

Esperimento Spazio campionario

e1, e2
Lancio di una moneta
S={T,C}

e1, ........... , e6
Lancio di un dado
S = { 1, 2, 3, 4, 5, 6 }

Estrazione di una carta da un

S = { e1 , ... , e40 }
mazzo di 40 carte
e1 e2 e3 e4
Doppio lancio di una moneta S = { ( T, T ), ( T, C ), ( C, T ), ( C, C ) }
18
 Eventi: elementari e composti

Gli elementi di S, ovvero i possibili risultati

dell’esperimento, sono detti eventi elementari, in
quanto non ulteriormente decomponibili.

Tutti gli altri possibili eventi sono invece detti eventi

composti, perché costituiti da un insieme di eventi
elementari.

19
 Esempio di Eventi Composti

Nel lancio di un dado sono eventi composti:

E1 = { Si verifica una faccia pari } = { 2, 4, 6 }

E2 = { Si verifica una faccia ≥ 5 } = { 5, 6 }

In pratica ogni evento composto E, in quanto costituito da

elementi di S, è un sottoinsieme dello spazio campionario.

Ovviamente anche ogni evento elementare ei è un

sottoinsieme di S costituito da un solo elemento.

20
 Eventi: elementari e composti

Usando la nota simbologia degli insiemi, dato in

generale un evento composto E ⊂ S , si dice che
tale evento si verifica se si verifica un evento
elementare e che gli appartiene, cioè e ∈ E .

Ritornando all’ultimo esempio, l’evento

E1 = { faccia pari del dado } si verifica quando
esce una qualsiasi delle 3 facce pari: 2, 4, 6.

21
 Eventi: elementari e composti
Dato un esperimento casuale con relativo spazio campionario,
quanti eventi (elementari e composti) si possono definire?

Esempio: Dato S = { T, C }; tutti i suoi sottoinsiemi sono:

{ T }; { C }; { T, C } = S; Ø
E’ immediato constatare che sono 22 = 4
Esempio: Dato S = { 1, 2, 3, 4, 5, 6 }, tutti i suoi sottoinsiemi sono:
{ 1 }; { 2 }; ..... ; { 6 }; { 1, 2 }; { 1, 3 }; ..... ; { 1, 2, 3 };
{ 1, 2, 4 }; ..... ; S; Ø
Si dimostra che sono 26 = 64
In generale, dato un qualsiasi spazio campionario S formato da n
eventi elementari, tutti i possibili eventi (sottoinsiemi di S) che si
possono definire, sono 2n. 22
 Evento impossibile ed evento certo

Un evento E è detto impossibile quando non contiene

nessun evento elementare, cioè E = Ø.

Ad esempio, nel lancio di un dado, l’evento che si

verifichi una faccia contraddistinta da 7 punti o più è
impossibile.

Poiché lo spazio campionario S è formato da tutti i

possibili risultati dell'esperimento casuale, esso si
verifica sempre e pertanto viene anche detto evento
certo.
23
 Implicazione di eventi
Dati due eventi (E1, E2) ⊂ S, si dice che E2 implica E1, e si
indica con E2 ⊂ E1, quando tutti gli eventi elementari di E2
appartengono anche a E1, ovvero quando il verificarsi di E2
comporta anche il verificarsi di E1.

Esempio: Lancio di un
E1 dado.
E2 L’evento E2 = {2, 4} implica
S che si verifichi una faccia
pari data dall’evento E1 =
{2, 4, 6}.

24
 Eventi uguali

Si dice che E1 è uguale a E2, cioè E1=E2 se e solo

se E1 ed E2 sono formati dagli stessi eventi
elementari.

Ovvero quando il verificarsi di E1 implica il

verificarsi di E2 e viceversa.

25
 Evento complementare
Il complementare di un evento E è l’evento formato da
tutti e soli gli eventi elementari che non appartengono ad E.
Esso si indica con E’ (o E ).
In altri termini E’ è l’evento che si verifica se non si verifica
E.
Esempio: Lancio di un dado.
E'
Considerando il lancio di un dado:
E S siano A = { 1, 3, 5 }, B = { 4, 6 };

si ha: A' = { 2, 4, 6 },
B' = { 1, 2, 3, 5 };
26
 Evento complementare

Osservazione n°1:
Il complementare dello spazio campionario è
l’evento impossibile: S' = Ø, viceversa: Ø' = S

Osservazione n°2:
Per qualsiasi evento E si verificano sempre le due
seguenti uguaglianze:
i) E ∪ E' = S
ii) E ∩ E' = Ø
27
 Evento unione
L’unione di n eventi si indica con E1 ∪ E2 ∪... ∪ En
n
oppure con U E i
i =1

È l’evento composto dagli eventi elementari che

appartengono a E1, o a E2, o a En.
In altri termini è l'evento che si verifica quando si
verifica almeno uno degli eventi Ei .
E1∪ E2: si verifica al verificarsi di E1 o E2.
E1 ∪ E2

S N.B: invece di E1 ∪ E2 si può anche

E1 E2 scrivere: E1 o E2.

28
 Evento intersezione
L’intersezione di n eventi si indica con E1 ∩ E2 ∩ ... ∩ En
n
oppure con ∩ Ei.
i =1
È l'evento composto dagli eventi elementari che
appartengono a E1, e a E2, e a En.
In altri termini è l'evento che si verifica quando si verificano
tutti gli eventi Ei .
E1 ∩ E 2
S
E1
E2

29
 Evento intersezione
Esempio: Lancio di un dado
Dati gli eventi A = { 1, 3, 5 }; B = { 3, 4, 5, 6 }

si ha: A ∪ B = { 1, 3, 4, 5, 6 }, A∩ B = { 3, 5 }

NOTA BENE:
A ∩ B accade quando si verificano simultaneamente sia A che B, dal
momento che è formato dagli eventi elementari in comune ad A e B;
pertanto, l'evento A ∩ B si può indicare indifferentemente anche con
( A e B ).

A ∪ B accade non soltanto quando si verificano A e B

simultaneamente, ma anche quando si verifica uno soltanto dei due
eventi; esso si può indicare indifferentemente anche con ( A o B ).
30
 Eventi incompatibili
Due eventi (E1, E2) ⊂ S sono detti incompatibili se
E1 ∩ E 2 = Ø, ovvero quando il verificarsi di E1 esclude il
verificarsi di E2 e viceversa.
Esempio
Dati gli eventi A = { 1, 3, 5 },
B = { 4, 6 }, C = { 1, 2, 3 }
risulta che A ∩ B = Ø ;
E1 E2
A ∩ C = { 1, 3 }; B ∩ C = Ø;
Pertanto solo gli eventi A e C
risultano tra loro compatibili, mentre
sia A che C risultano incompatibili
con B.
31
 Eventi incompatibili
Dati n eventi E1, E2, ... , En essi sono detti incompatibili se per ogni
coppia di eventi Ei, Ej ( i, j = 1, 2, ... , n ) si verifica che Ei ∩ Ej = Ø,
ovvero quando il verificarsi di un evento esclude il verificarsi dei
rimanenti n-1.
Ovviamente gli eventi elementari sono tra loro incompatibili poiché il
verificarsi dell'uno esclude il verificarsi dell'altro.

E2

S
E3
E1

32
 Eventi esaustivi
E1 E2 Dati n eventi E1, E2, ... , En essi
n
S sono detti esaustivi se U Ei = S,
i =1
E3 ovvero quando uno degli n eventi si
deve necessariamente verificare.

Partizione di S
n eventi E1, E2 , ... , En sono detti una
E1
partizione di S se sono incompatibili ed
E2 S esaustivi, ovvero quando si deve verificare
sempre uno ed uno solo di tali eventi.
E3
E' ovvio che l’insieme degli eventi
elementari è una partizione di S. 33
 LA PROBABILITA’
•  In modo estremamente generico la probabilità può
essere definita come una misura di quanto è
verosimile che si verifichi un dato evento
•  La probabilità è un concetto primitivo, nel senso
che non può essere definito senza ricorrere a qualche
sinonimo come verosimiglianza, plausibilità,
possibilità.
•  Il legame tra i concetti di prova (esperimento casuale),
evento e probabilità si riassume nella seguente
proposizione:
la prova genera l’evento con una data probabilità
34
 Le teorie della probabilità
•  La teoria della probabilità ha un aspetto
filosofico ed uno matematico.
•  L'approccio filosofico si chiede: che cos'è la
probabilità?
•  Fondamentalmente si distinguono 3 teorie (o
approcci o impostazioni) filosofiche, dette:

Classica Frequentista Soggettiva

35
 (o simmetrica o
TEORIA CLASSICA della probabilità a
priori)

•  Nacque in relazione allo studio dei giochi di

azzardo che presentava problemi del tipo:
•  qual è la probabilità che il lancio di una moneta
ben bilanciata (cioè regolare o simmetrica) dia
come risultato 'testa' ?
•  Se si pensa che ci sono due possibili risultati, i
quali sono ugualmente plausibili, è ragionevole
1
che essi abbiano la stessa probabilità, cioè
2
1
•  S = { T, C }; P(T) = P(C) = 2 Ragionamento
deduttivo
36
 TEORIA CLASSICA
•  Definizione di probabilità (a priori)
•  Sia dato un esperimento casuale che può dar
luogo ad n risultati incompatibili ed
ugualmente possibili.
•  Se nA di questi hanno l'attributo A, allora:
n. di eventi elementari che
compongono A

nA numero dei casi favorevoli al verificarsi di A

•  P(A) = =
n numero dei casi possibili
n. di eventi elementari di S
Probabilità di A 37
 TEORIA CLASSICA
•  Esempio - Lancio di un dado:

S = {1, 2, 3, 4, 5, 6}, n = 6 ; A = {faccia pari}, nA = 3

3 1
P(A) = =
6 2
2 1
Sia B = { faccia ≥ 5 } ; nB = 2 à P(B) = =
6 3

•  Esempio - Estrazione di una carta da un mazzo di 40:

S = { e1, ..... , e40 }; A = {carta di cuori}

10 1
P(A) = =
40 4
38
 Limiti della teoria classica
1  La definizione si basa su un ragionamento
circolare, in quanto il concetto di casi
"ugualmente possibili" rimanda a quello di
probabilità.
2  La teoria classica non funziona in tutti quei casi in
cui S non è formato da eventi ugualmente
possibili;
Essa non ci aiuta, ad esempio, a calcolare la
probabilità di ottenere "testa" con una moneta non
bilanciata o la probabilità di una faccia pari con un
dado truccato.
39
 Limiti della teoria classica
3  Più in generale, la teoria classica non si applica a tutti
quei problemi in cui la probabilità di un evento non può
essere dedotta in base ad un ragionamento.

Esempi: - Qual è la probabilità che un bambino che nasce

domani a Roma sia maschio?
- Qual è la probabilità che una persona di sesso
maschile che oggi ha 10 anni viva almeno fino a 70
anni?
•  A problemi di questo tipo risponde invece la Teoria
frequentista.

40
 Teoria frequentista

•  Nell'approccio frequentista la probabilità di un

evento viene stabilita in base all'osservazione
empirica, cioè in base alla frequenza relativa
con cui tale evento si manifesta quando
l'esperimento casuale viene ripetuto un numero
abbastanza alto di volte (sempre in condizioni
uniformi).

41
 Teoria frequentista
•  Esempio: lanciando una moneta 100 volte potremmo
osservare le seguenti frequenze relative:

f T = 0,56 , f C = 0,44

che possiamo considerare come approssimazioni

delle probabilità dei due eventi.

•  Un simile procedimento induttivo è applicabile anche

al caso di una moneta non bilanciata o a quello di un
dado truccato, per i quali la teoria classica non è utile.

42
 Teoria frequentista
•  Supponiamo di voler prevedere se il primo bambino
che nascerà in un certo luogo sarà maschio o
femmina;

•  si può pensare di assimilare la nascita di un

bambino in quel luogo ad un esperimento casuale
che si ripete in condizioni abbastanza uniformi.

•  Allora, se esaminando il registro delle nascite

scopriamo che il 54% dei nati sono maschi,
possiamo prendere il numero 0,54 come
approssimazione della probabilità che ci interessa
43
 Teoria frequentista
•  nell'impostazione frequentista quello che conta è
che possiamo concepire una serie di osservazioni
o esperimenti in condizioni uniformi;
•  allora può essere postulata l'esistenza di un
numero P che rappresenta la probabilità che
l'evento A si verifichi;
•  P può essere approssimato dalla frequenza
relativa di A in una serie di osservazioni o
esperimenti ripetuti.

44
 Teoria frequentista
Definizione di probabilità (approccio frequentista)

nA nA
P(A) = Lim , dove = frequenza relativa di A
n →∞ n n

Dunque, per trovare la probabilità di un evento A (elementare o

composto che sia) dovremmo effettuare l’esperimento casuale per
infinite volte, al fine di osservare il valore a cui converge la
frequenza relativa di A.

45
 Teoria frequentista

•  Ma poiché è ovvio che non potremo mai

effettuare infinite prove, in concreto ci dobbiamo
accontentare di prendere come
approssimazione di P(A) la frequenza relativa di
A, ottenuta su un numero finito di prove.
•  E’ intuitivo che l’approssimazione sarà tanto
migliore quanto più elevato è il numero delle
prove.

46
 Teoria soggettiva
•  Le Probabilità classica e frequentista hanno una cosa
importante in comune: richiedono entrambe un esperimento
concettuale nel quale gli eventi possono verificarsi in
condizioni piuttosto uniformi.
•  La Teoria generale della Probabilità comprende però anche
situazioni che non possono essere ridotte entro tale schema.
•  Esempi: - Qual è la probabilità che il Governo cada entro la
fine dell'anno?
- Qual è la probabilità che il prezzo del petrolio
aumenti di $ 10 nel prossimo mese?
•  Tali eventi vengono valutati comunemente come probabili o
improbabili, ma non vi è nessuna speranza di stimare le loro
probabilità osservando le frequenze relative.
47
 Teoria soggettiva
•  Tuttavia tali probabilità influenzano notevolmente le
decisioni politiche e finanziarie; di conseguenza è
necessario stimarle in qualche modo ed inserirle in
modelli matematici che aiutino a capire qual è la
decisione migliore da prendere a seconda del valore che
esse assumono.

•  Definizione di probabilità (approccio soggettivo)

La probabilità soggettiva di un evento viene definita
semplicemente come il grado di fiducia che un
individuo coerente ha nel verificarsi dell’evento
stesso, in base alle informazioni di cui è in possesso.
48
 Le teorie della probabilità
•  In questo corso ci concentreremo
sull’approccio matematico alla probabilità
(approccio assiomatico).
•  Per quanto riguarda gli approcci filosofici,
all’interno dell’approccio assiomatico faremo
riferimento alla teoria classica della
probabilità

49
 Teoria assiomatica
•  La definizione assiomatica della Probabilità consente lo sviluppo
di modelli astratti di probabilità.
•  Gli assiomi su cui si basa sono abbastanza generali e tali da
comprendere i presupposti delle definizioni classica, frequentista
e soggettiva (per noi: classica).
•  In essa non viene detto che cosa sia la probabilità di un
evento, ma ne vengono solo descritte le proprietà
fondamentali (assiomi) sulle quali si possono costruire modelli
matematici utili a calcolare la probabilità di eventi di tipo
complesso.
•  Esempio: Data la probabilità che un neonato sia maschio,
possiamo calcolare la probabilità che su 10 nati almeno 3 siano
maschi, oppure la probabilità che ci siano 3 maschi consecutivi
nelle prossime 5 nascite.
50
 Teoria assiomatica
Definizione assiomatica di Probabilità
Dato uno spazio campionario finito S = { e1, e2, ... , en }, la Probabilità
viene definita come una funzione che ha come dominio l'insieme di tutti i
sottoinsiemi di S (cioè tutti gli eventi elementari e composti) e come
codominio l’insieme dei numeri reali, R, e che soddisfa i seguenti
assiomi:
1) P(ei) ≥ 0, ∀i = 1, ..... , n Il terzo assioma stabilisce che
la probabilità di un evento
2) P(e1) + P (e2 ) + ..... + P(en) = 1 composto si calcola
sommando le probabilità di
3) P(E) = ∑ P(ei ) , ∀ E ⊂ S tutti gli eventi elementari che
lo compongono
ei∈E
N.B. Nel caso di spazi campionari infiniti, gli assiomi della probabilità richiedono nozioni di algebra
avanzata, motivo per cui ci limitiamo qui a considerare il caso finito.

51
 Teoria assiomatica

A questo punto ragioniamo in modo da prescindere da

qualunque teoria filosofica e, partendo dai tre
assiomi, dimostriamo i seguenti teoremi:
•  Dal 2° e 3° assioma si ha che:
P(S) = ∑ P(ei ) = 1 L'evento certo ha probabilità = 1
ei∈S

•  0 ≤ P(E) ≤ 1, ∀E⊂ S La probabilità di un qualsiasi evento è

sempre compresa tra 0 e 1.

In pratica il codominio della funzione P si restringe da tutto

R al solo intervallo [0,1].

52
 Teoria assiomatica

Consideriamo un evento E ⊂ S ed il suo complementare E'.

Per definizione: E ∩ E' = Ø e E ∪ E' = S.
Supponendo che E sia composto dai primi j elementi (j ≤ k) di S, e E'
dai restanti k - j, di modo che S = {e1, e2, ….., ej, ej+1, …., ek}

E E’
è evidente che:
P(E) + P(E') = ∑ P(ei ) + ∑ P(ei ) = P(S) = 1
da cui: ei∈E ei∈E '

•  P(E') = 1 - P(E) , ∀E ⊂ S
53
 Teoria assiomatica
Dal precedente risultato discende che:

P(Ø) = 1 - P(S) = 0

Quindi, un evento impossibile ha probabilità zero.

Attenzione! L'inverso non è sempre vero: un

evento che ha probabilità zero può anche essere
possibile (ciò accade nel caso di spazi campionari
continui).

54
 Esempio: lancio di 3 monete
(o di una stessa moneta per 3 volte)
Se le monete sono regolari si
e1 = (T, T, T) e5 = (C, T, T) tratta di eventi equiprobabili:
P(e1) = .....= P(e8) = 1/8

e2 = (T, T, C) e6 = (C, T, C)
Verifichiamo che P(E') = 1 - P(E):

e3 = (T, C, T) e7 = (C, C, T) Sia E = {T si presenta due volte}

= {e2, e3, e5}, quindi
e4 = (T, C, C) e8 = (C, C, C) P(E) = 3/8
P(E') = P {e1, e4, e6, e7, e8} = 5/8
= 1 - P(E)
55
 Combinazione di eventi

Sia G l'evento di ottenere meno di 2 teste e sia H l'evento

che tutte le monete presentino la stessa faccia:
H
{ e 1, e 2, e 3, e 4, e 5, e 6, e 7, e 8}
G
L'evento (che si verifichi) G o H è dato da:
G ∪ H = { e 1, e 4, e 6, e 7, e 8 }
Tale evento è formato da tutti gli eventi elementari che
appartengono a G o ad H (inclusa la loro intersezione).

56
 Combinazione di eventi
Per l'assioma 3) è evidente che:
5
P (G ∪ H ) = ∑ P (ei ) =
ei ∈G ∪H 8
L'evento (che si verifichi) G e H è invece dato da:

G ∩H = {e8},
dato che e8 è l'unico punto in comune a G e ad H.

Sempre per l'assioma 3):

1
P (G ∩ H ) = ∑ P (ei ) = P (e8 ) =
ei ∈G ∩H 8
57
 Combinazione di eventi
Teorema. Dati due eventi incompatibili A e B, si può
dimostrare che:
P (A ∪ B) = P(A) + P(B)

Verifichiamolo empiricamente sempre in riferimento

all'esperimento precedente delle 3 monete:

S={ e 1, e 2, e 3, e 4, e 5, e 6, e 7, e 8}
A B
4 2
P (A) = ; P (B) =
8 8
6
P (A ∪ B) = P { e1, e2, e3, e5, e7, e8 } = = P(A) + P(B)
8 58
 Combinazione di eventi
Teorema (più generale del precedente).
Dati due eventi A e B qualunque:
P (A∪ B) = P(A) + P(B) - P (A ∩ B).

Nel caso particolare in cui A e B siano incompatibili, si ha:

A ∩ B = Ø g P (A ∪B) = P(A) + P(B) + P(Ø) = P(A) + P(B)

Da cui si vede che il teorema precedente è un caso particolare di

questo.

59
 Combinazione di eventi
Consideriamo ora il caso in cui A ∪ B ≠ Ø,
riprendendo l’esempio degli eventi H e G:
H
{ e 1, e 2, e 3, e 4, e 5, e 6, e 7, e 8}
G

Avevamo già calcolato P(G o H) facendo uso del 3°

assioma.
Adesso verifichiamo che lo stesso risultato si ottiene
applicando il teorema:
4 2 1 5
P (G ∪ H) = P(G) + P(H) - P(G ∩H) = + − =
8 8 8 8 60
Esercizio: Lancio di due dadi regolari
2° dado

1 2 3 4 5 6
1°
dado 1 (1,1) (1,2) (1,3) (1,4) (1,5) (1,6)

2 (2,1) (2,2) (2,3) … …

S è formato da 36
3 (3,1) (3,2) (3,3) … coppie ordinate ed
equiprobabili con
4 (4,1) … (4,4) … 1
P(ei, ej) =
36
5 (5,1) (5,5) …
∀ ei, ej = 1, ….. ,6
6 (6,1) … … … … (6,6)

61
Esercizio: Lancio di due dadi regolari
3 1
a) P{ Totale di 4 punti } = P{(1,3); (3,1); (2,2)} = 36 =
12
b) P{ Totale di 7 punti } =
6 1
P{(1,6); (6,1); (2,5); (5,2); (3,4); (4,3)} = = 6
36
c) P{ Totale di 7 o 11 punti } :
2
P{ Totale di 11 punti } = P{(5,6); (6,5)} =
36
P[{ 7 punti }∪ { 11 punti }] = In quanto i due
eventi sono
8 2 incompatibili
P{ 7 punti } + P{ 11 punti } = =
36 9
62
Esercizio: Lancio di due dadi regolari
1
d) P{ due facce uguali } = P{(1,1), … , (6,6)} =
6

e) P{ al più 4 punti } = P[{ 2 punti } ∪ { 3 punti } ∪{ 4 punti }]

o o
6 1
= P{(1,1); (1,2); (2,1); (2,2); (1,3); (3,1)} =
36
= 6

f) P{1 punto} = P{ più di 12 punti } = 0

Infatti, tirando 2 dadi, non si può ottenere né 1 né più di 12,

che sono, dunque, eventi impossibili

63
 Esercizio: estrazione a sorte
Una classe di 100 studenti è suddivisa in alcuni gruppi nelle
seguenti proporzioni:

Uomo Donna Totale Supponendo di

estrarre a sorte uno
17 38 55 studente, in modo che
Bravo ciascuno abbia la
100 100 100
stessa probabilità
23 22 45
Non bravo 1
100 100 100 (= ) di essere
100
40 60 selezionato
Totale 1
100 100

64
 Esercizio: Estrazione a sorte
a)  P{ uomo } = P{ e1, e2, ….. , e40 } = 40/100

dove ei = { estrazione dell'i-esimo uomo }; P(ei) = 1/100

b)  P{ donna } = 1 - P{ uomo } = 60/100

c)  P{ bravo } = 55/100

d)  P{ uomo e bravo } = 17/100

e)  P{ uomo o bravo } =

P{ uomo } + P{ bravo } - P{ uomo e bravo } =

40 55 17 78
+ − =
100 100 100 100 65
 Esercizio: Estrazione a sorte
f) Se si è estratto un uomo, qual è la probabilità che egli
sia bravo?
Sapendo che lo studente è uomo, tale probabilità va calcolata
non più sui 100 studenti totali, ma solo in riferimento ai 40 di
loro che sono uomini.
In pratica, sapere che lo studente estratto è uomo, mi
ridimensiona lo spazio campionario da 100 a 40 elementi.
Sappiamo che 17 su 100 sono uomini e bravi, ma se ci si
restringe ai soli uomini, i bravi sono 17 su 40.

Quindi la probabilità richiesta è 17/40

Questo ragionamento ci introduce al prossimo argomento.

66
 Probabilità condizionata
Riprendiamo l’esperimento consistente nel lancio di
3 monete e supponiamo di sapere che si è verificato
l’evento G = { meno di 2 teste }.

Sotto questa condizione ci chiediamo: qual è la

probabilità dell'evento { nessuna testa } ?
Tale probabilità condizionata si indica con:

P{ nessuna testa | meno di 2 teste } = P{e8 | G}

evento evento
67
condizionato condizionante
 Probabilità condizionata
Lo spazio dei possibili risultati (sotto questa condizione) si riduce a
G.
H
S = { e 1, e 2, e 3, e 4, e 5, e 6, e 7, e 8 }
G

Infatti, sapendo che si è verificato G, gli evento elementari

che non ne fanno parte diventano impossibili.

Pertanto è evidente che:

P{ nessuna testa | meno di 2 teste } = P{e8 | G} = 1/4

68
 Probabilità condizionata

Chiediamoci adesso quale è

P{ 3 monete uguali | meno di 2 teste } = P{H | G}

Questo è un problema equivalente al precedente,

dato che sotto la condizione G, l'unica parte
rilevante (possibile) di H diventa: H ∩ G = {e8}.
1
Quindi: P(H | G) =
4
69
 Probabilità condizionata

In generale, la probabilità di un evento A condizionata

a B si definisce come segue:

P (A ∩ B )
P (A | B ) = , se P (B ) > 0
P (B )
Applichiamo la precedente definizione di probabilità
condizionata al calcolo di P(H|G):
P (H ∩ G ) P (e8 ) 1/8 1
P (H | G ) = = = =
P (G ) P (G ) 4/8 4

70
 Probabilità condizionata
P( A ∩ B)
P( A | B) =
P( B)
Dalla definizione di Probabilità Condizionata
si ricavano immediatamente i due seguenti risultati:

1) P ( A | B ) = 0 sse P(A ∩ B) = 0, sse A ∩ B = Ø

2) P ( A ∩ B) = P(A | B) P(B) = P(B|A) P(A)

La (2) viene detta regola della Probabilità Composta.

71
 Esercizio

Estraendo a sorte 2 carte (senza reimmissione) da un

mazzo di 52, qual è la probabilità che entrambe siano assi?
Ricorrendo al calcolo combinatorio, si può dimostrare che
lo spazio campionario è formato da 2652 coppie.

Siano A = { 1a carta = asso }, B = { 2a carta = asso }

A è formato da tutte le coppie di carte (eventi elementari) di

cui la 1a è un asso.

B è formato da tutte le coppie in cui la 2a carta è un asso.

72
 Esercizio

A noi interessa calcolare la probabilità di:

A ∩ B = { 1a carta = asso } e { 2a carta = asso }.

Per calcolare P(A ∩ B) usando il 3° assioma dovrei andare a

contare gli eventi elementari che compongono tale evento, e
1
fare: # (A ∩ B) ×
2652
Il calcolo combinatorio ci permette di trovare che # (A∩ B) = 12;
Pertanto P( A ∩ B) = 12
= 0.0045
2652
N.B: # è il simbolo che indica la cardinalità di un insieme, ovvero il numero di elementi che lo
compongono.
73
 Esercizio
Ma essendo lo spazio campionario assai numeroso, conviene
senz’altro ricorrere alla formula:

P ( A ∩ B ) = P (B | A ) ⋅ P ( A )
Infatti, la probabilità di estrarre due assi è uguale alla probabilità
di estrarre un asso come 2a carta, dato che la 1a carta è un asso,
moltiplicata per P(A):

4 3 4 3
P ( A) = ; P (B | A ) = ; P( A ∩ B) = × = 0,0045
52 51 52 51

74
 Esercizio
Una società impiega 100 persone, 75 uomini e 25 donne; il
reparto contabilità dà lavoro al 12% degli uomini a al 20% delle
donne.

Scegliendo un nome a caso dal reparto contabilità, qual è la

probabilità che esso corrisponda ad un uomo?

E quella che corrisponda ad una donna?

In pratica, si vuole calcolare:

P{ uomo | contabilità } e P{ donna | contabilità },

che indichiamo rispettivamente con P(M | C) e P(F | C).

75
 Esercizio
Il problema ci fornisce:
P(M) = 0,75; P(F) = 0,25;
P(C | M) = 0,12; P(C | F) = 0,20;
Usando questi dati, dobbiamo calcolare:
P( M ∩ C ) P( F ∩ C )
P( M | C ) = e P( F | C ) =
P(C ) P(C )

P (M ∩ C ) = P (C | M ) ⋅ P (M ) = 0,12 × 0,75 = 0,09

P (F ∩ C ) = P (C | F ) ⋅ P (F ) = 0,20 × 0,25 = 0,05

76
 Esercizio
Si noti che:

C = (M ∩ C ) ∪ ( F ∩ C ) e dunque:

P (C ) = P ( M ∩ C ) + P ( F ∩ C ) = 0,09 + 0,05 = 0,14

e allora:

0,09
P(M | C) = = 0,64; P ( F | C ) = 1 − P ( M | C ) = 0,36
0,14
77
Indipendenza statistica (o stocastica)

Dati due eventi A e B, si dice che A è indipendente da B

se e solo se si verifica: Cioè se la probabilità di A
non cambia sapendo che
P(A | B) = P(A), con P(B)>0 si è verificato B (1)

Se A è indipendente da B, considerando che:

P (A ∩ B )
P (A | B ) = = P ( A)
P (B )
Allora si avrà anche che:
P ( A ∩ B ) = P ( A ) ⋅ P (B ) (2)
78
Indipendenza statistica (o stocastica)

Ma dalla (2) discende che:

P (A ∩ B ) P ( A ) P (B )
P (B | A ) = = = P (B ) (3)
P ( A) P ( A)
Dunque, si è dimostrato che se A è indipendente da B, anche B
è indipendente da A; quindi, l’indipendenza è una caratteristica
reciproca.
Poiché da una qualsiasi delle tre relazioni precedenti derivano le
altre due, allora la (1), la (2) e la (3) possono essere considerate
tutte condizioni necessarie e sufficienti per l’indipendenza.

79
Esercizio: Lancio di 2 dadi regolari

2°dado
Siano:
1 2 3 4 5 6 A = { totale dispari }
1 2 3 4 5 6 7 B = { 1 con il 1° dado }
C = { totale = 7 }
2 3 4 5 6 7 8
1° dado

D = { 6 con il 2° dado }
3 4 5 6 7 8 9
4 5 6 7 8 9 10 B e D sono formati
5 6 7 8 9 10 11 ognuno da 6 eventi
elementari, quindi:
6 7 8 9 10 11 12
P(B) = P(D) = 1/6

80
 Esercizio: Lancio di 2 dadi regolari
Intuitivamente si capisce che B e D sono indipendenti,
ma vogliamo verificarlo probabilisticamente:

1
P( B ∩ D) P{(1,6)} 36 = 6 = 1
P(D|B) = = = 1 = P(D)
P( B) P( B) 36 6
6

e dunque è verificata la (1).

E’ invece meno intuitiva la risposta ai seguenti

problemi:

81
 Esercizio: Lancio di 2 dadi regolari

i)  A e B sono indipendenti?

P( A ∩ B) P{ (1,2); (1,4); (1,6) } 3 1

P( A | B) = = = ×6 =
P( B) 1 36 2
6

Essendo P(A) = 1/2, allora A e B sono indipendenti, la

condizione (1) è verificata.

82
 Esercizio: Lancio di 2 dadi regolari

ii) A e C sono indipendenti?

1 1
P ( A) = ; P(C) = P { (1,6); (6,1); (2,5); (5,2); (3,4); (4,3) } =
2 6

1
A ∩ C = C ⇒ P ( A ∩ C ) = P (C ) = ≠ P ( A) P (C )
6

Quindi A e C non sono indipendenti, poiché non è verificata la

(2).

83
 Esercizio: Lancio di 2 dadi regolari

iii) B e C sono indipendenti?

1
P (B ∩ C ) = P { (1,6) } =
36
;

1 1 1
P(B) ⋅P(C) = ⋅ =
6 6 36

quindi B e C sono indipendenti, la (2) è verificata.

84
 Esempio: controllo dell’indipendenza
Campione casuale di 500 soggetti
La pubblicità influenza
A A’! l’acquisto?
In altre parole la
probabilità di acquistare
cambia in presenza della
pubblicità?
B
In simboli:
P(B|A) = o ≠ P(B)?
B’!
275
P( A) = = 0,55
500
220
P( B) = = 0,44
500
85
 Esempio: controllo dell’indipendenza

>
Concludiamo che l’acquisto è influenzato (cioè dipende) dalla pubblicità.
Più precisamente l’esposizione alla pubblicità fa aumentare la probabilità
di acquisto.
86
 Regola della probabilità composta
con eventi indipendenti
Consideriamo di nuovo l'esperimento casuale consistente
nell'estrarre a sorte due carte da un mazzo di 52.

Questa volta, però, supponiamo di reinserire la prima carta

estratta nel mazzo, prima di procedere all'estrazione della
seconda.

Siano di nuovo:

A = {asso alla 1a estrazione} ; B = {asso alla 2a estrazione}

E' ovvio che P(A) = 4/52
mentre P(B | A) = 4/52 ≠ 3/51
Infatti, il reinserimento nel mazzo della
1a carta estratta, fa sì che la 2a
estrazione avvenga nelle medesime
condizioni della prima, senza nessuna
alterazione dello spazio campionario.
87
 Regola della probabilità composta
con eventi indipendenti
Quindi:

P{ asso alla 2a estrazione | asso alla 1a estrazione } = 4/52

In generale, la probabilità di estrarre un asso si mantiene costante e
pari a 4/52 qualunque sia l'esito dell'estrazione precedente.

Usando la regola della probabilità composta, vogliamo di nuovo

calcolare la probabilità di estrarre due assi:

P {asso alla 1a estrazione e asso alla 2a estrazione } =

= P(A ∩ B) = P(A) P(B | A) ma, dato che le due estrazioni

sono indipendenti, si ha:

4 4
P(A ∩ B) = P(A) Ÿ P(B) = ⋅ ≅ 0,0059
52 52 88