Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
• La teoria della probabilità e della statistica sono alla base del trattamento dei
dati osservati in qualsiasi esperimento e ne permettono un’interpretazione
corretta
•
Richiami
ffi
Richiami
• Esempio di probabilità
Hai una moneta non truccata (uguale probabilità di testa o croce). La lanci 100
volte. Qual è la probabilità di ottenere 60 o più teste? C'è solo una risposta ed
esistono formule per calcolarla. (il processo casuale è completamente noto,
l’obiettivo è trovare la probabilità di un determinato risultato derivante dal
processo casuale)
• Esempio di statistica
Hai una moneta di provenienza sconosciuta. Per veri care se è non truccata si
lancia 100 volte e si conta il numero di teste (supponiamo che si contino 60 teste).
(il risultato è noto e l'obiettivo è quello di comprendere il processo casuale
sconosciuto).
Definizione assiomatica di probabilità
assiomi
fi
Teoremi sulle distribuzioni di probabilità
teorema della probabilità totale
• La probabilità dell’unione di due eventi è pari alla somma della loro probabilità
meno la probabilità della loro intersezione
P(A ∩ B) P(AB)
• P(A | B) = =
P(B) P(B)
• DEF: si dice che un evento A è stocasticamente indipendente da B se
P(A | B) = P(A) (se A e B sono indipendenti il veri carsi di B non ha in uenza
sull’evento A)
∑
P(B) = P(B | Ei)P(Ei)
i=1
Teoremi sulle distribuzioni di probabilità
teorema della probabilità totale o assoluta ESEMPIO 2
• Una classe ha 50 studenti, tra questi 20 sono maschi (M) e 25 hanno gli occhi scuri (B).
Scegliendo uno studente della classe a caso in che intervallo varia la probabilità che sia
un maschio o che abbia gli occhi scuri?
20 25
• P(M) = 50 , P(B) = 50 ⟶ P(M) + P(B) = 0.9
• il massimo si ha quando l’intersezione è vuota (tutti i maschi non hanno occhi scuri), il minimo
20
si ha quando tutti i maschi hanno gli scuri quindi P(M ∩ B) = = 0.4
50
• risposta corretta: 0.5 ≤ p ≤ 0.9
Variabile casuale 1D
caso mono-dimensionale
• X:S→ℜ
fi
Variabile casuale 1D
• la funzione di distribuzione
∫−∞
FX(x) =: P(X ≤ x) = fX(t)
∫−∞
F(x) = f(t)dt
+∞
∫−∞
Vale inoltre sempre la condizione di normalizzazione 1 = f(x)dx
•
b
• ∫
f(x)dx = F(b) − F(a) = P(a ≤ x ≤ b)
a

Variabile casuale 1D
osservazioni
fi
fi
La variabile statistica
•
fi
La variabile statistica
• N1 + N2 = 10
La variabile statistica
• Ogni de nizione e ogni proprietà delle variabili casuali (in particolare per le
variabili casuali discrete) vale anche per le variabili statistiche, poiché
formalmente le due variabili coincidono
fi
La variabile statistica
{N1 N2 ⋯ Nn
x1 x2 ⋯ xn
chiamati frequenze assolute X=
x1 x2 ⋯ xn
n ∑i Ni
∑
Osservando che fi = = 1 e che fi ≥ 0 si de nisce formalmente
• N
i=1
una distribuzione di probabilità concentrata sui valori {x1, x2, ⋯, xn} ponendo
P(X = xi) = fi
i
N
{46 54
0 1
moneta” è descritta da X = (frequenze assolute) oppure da
{0.46 0.54
0 1
X= (frequenze relative)
La variabile statistica
La variabile statistica
• Si considera una variabile casuale discreta con solo due realizzazioni (per
esempio = 0,1):
• P(X = 1) = probabilità successo = p
• P(X = 0) = probabilità fallimento = 1 − p
La variabile statistica
l’istogramma
• In gura i dati di una variabile statistica sono organizzati in classi. I valori sono
compresi nell’intervallo [0.25, 2.25] e sono suddivisi in classi di ampiezza
uguale.
1, 1.1, 1.2, 1.3, 1.6, 1.6, 2.1, 2.2, 2.6, 2.7, 3.1, 3.2, 3.4, 3.8, 3.9, 3.9
N = length(dati); % numerosità
datisort = sort(dati); % dati ordinati in senso crescente
La variabile statistica
l’istogramma - esempio
deltax = 0.01
x = min(dati):deltax:max(dati)
La variabile statistica
l’istogramma - esempio
La variabile statistica
l’istogramma - esempio
% La distribuzione di Frequenza
cumulativa è usata per determinare quanti
o quale percentuale di valori del campione
sono al di sotto (o uguali) ad un pre ssato
valore ;
fi
La variabile statistica
l’istogramma - esempio
• una variabile casuale è una variabile che assume un certo valore numerico
determinato dal risultato di un fenomeno casuale
• una variabile casuale continua assume tutti i valori un certo intervallo reale; la
sua distribuzione di probabilità è una curva e la probabilità di un evento è
l’area sottesa da questa curva
variabili casuali discrete e continue
key points
• Sia X una variabile casuale de nita sull’intervallo [0,2] con funzione densità
di probabilità fX(x) = cx 2
• quale è il valore di c?
• si calcoli F(x)
• si calcoli P(1 ≤ X ≤ 2)
fi
variabili casuali discrete e continue
Esercizio proposto 2
9
• quanto vale b?
fi
Variabile casuale funzione di un’altra
Misure dirette e indirette
• Si consideri la corrispondenza
y = g(x) ; x pari → y = testa x dispari → y = croce
={
testa croce
• Si è costruita una nuova variabile casuale Y
1/2 1/2
• nota la corrispondenza y = g(x) si è de nita una nuova distribuzione di
probabilità sui valori di Y
Variabile casuale funzione di un’altra
caso continuo
fX(x)
fY(y) = con x = g −1(y)
| g′(x) |

ff
Variabile casuale funzione di un’altra
esempio: caso lineare
y−b y−b
• FY(y) = P(Y ≤ y) = P(aX + b ≤ y) = P(X ≤ a ) = FX( a )
fX(x) 1 y−b
fY(y) = = fX( )
| g′(x) | |a| a

Variabile casuale funzione di un’altra
fX(x)
fY(y) = d
= 1 cioè Y è uniformemente distribuita su [0,1]
• F (x)
dx X
La distribuzione uniforme (*)
1
f(x) = ∈ [a, b]
b−a
• parte del materiale è stato tratto da MIT OpenCourseWare https://ocw.mit.edu 18.05 Introduction
to Probability and Statistics Spring 2014