Se due eventi sono incompatibili E 1∩E 2=∅ allora

p E 1∪E 2 = p E 1  p E 2  altrimenti
p E 1∪E 2 = p E 1  p E 2 − p E 1∩E 2 

Probabilità composta
Due eventi sono indipendenti se P  E 1∩E 2 =P  E 1 ⋅P  E 2  .
In tal caso P  E 2 / E 1 =P  E 2 / E 1 

Probabilità condizionata
Dato uno spazio di probabilità, sia F ∈F un evento tale che P  F 0 Dato un qualsiasi evento
P  E∩F 
E ∈F si chiama probabilità condizionata di E dato F il numero P  E∣F := e la si
PF 
interpreta come la probabilità che si verifichi E sapendo che si è verificato F.

Formula delle probabilità totali

n
Siano F 1, F 2,  , F n ∈F tali che ∑ F k = e F h∩F k =∅ se h≠k e P  F k 0 allora per ogni
k =1
evento E ∈F si ha:
n
P  E =∑ P  E∣F k  P  F k 
k =1

Formula di Bayes
(Sotto le stesse ipotesi della formula delle probabilità totali, e in più P  E 0 )
Se un evento E può essere originato dalla causa H1 o dalla causa H2 tra loro incompatibili, la
probabilità che sia stato generato da H1 è
p  H 1 ⋅p  E∣H 1 
p  H 1∣E = =
p  H 1 ⋅p  E∣H 1  p  H 2  p  E∣H 2 
probabilità che agisca H 1 e che in dipendenza di ciò si verifichi E
=
probabilità che si verifichi E non importa per quale causa

Variabili aleatorie
Densità
Sia X una variabile aleatoria. La funzione p X :=P  X = x si chiama si chiama densità discreta.

Funzione di ripartizione
F X  x= ∑ p X  x k  ∀ x∈ℝ
k : x k ≤x

Tramite la funzione di ripartizione si può definire la densità come p X  x k =F X  x k −F X  x k −1

Valore atteso (o media)

E  X :=∑ x k p X  x k 
k ∈I

Esiste solo se è finito, in particolare se ∑ ∣x k∣ p X  x k ∞

k ∈I
Proprietà del valore atteso
Il valore atteso è lineare.
1. Se P(X=c) = 1 allora E(X)=c
2. E  X = E  X 
3. E  g  X h X =E  g  X E h X 
Varianza
Presuppone l'esistenza della media.
È la media degli spostamenti dalla media elevati al quadrato, indica quindi quanto tende ad
allontanarsi una variabile aleatoria dalla propria media.
Var  X :=E  X −E  X 2 
La radice quadrata della varianza,  Var  X  , si chiama deviazione standard.
Proprietà della varianza
La varianza è quadratica.
1. Var  X = 2 Var  X 
2. Var  X =Var  X 
3. Var  X = E  X 2 − E  X 2
Disuguaglianza di Chebychev
Se X è una variabile aleatoria che ammette media e varianza, per ogni ε>0:
Var  X 
P ∣X −E  X ∣≤
2

Vettori aleatori
Vettori aleatori discreti
Un vettore aleatorio si dice discreto se tutte le sue componenti sono variabili aleatorie discrete

Densità
La funzione p X  x :=P  X 1= x 1,  , X n =x n  con x= x 1,  , x n 

Vettori aleatori assolutamente continui

Il vettore aleatorio X n-dimensionale definito su di uno spazio di probabilità è un vettore aleatorio
assolutamente continuo se esiste una funzione f X : ℝ n  ℝ + integrabile tale che la funzione di
ripartizione FX di X per ogni x=(x1, ..., xn) si può scrivere come

Varianza
Var [ X Y ]=Var [ X ]Var [Y ]2 Cov [ X ,Y ]

Covarianza
Se la varianza di X1 e X2 è finita: Cov  X 1, X 2 =E [ X 1−E  X 1  X 2−E  X 2 ]

Coefficiente di correlazione
Se Var  X 1  ,Var  X 2 0 si definisce coefficiente di correlazione
Cov  X 1, X 2 
 X1 , X2 =
 Var  X 1 Var  X 2 
Media campionaria
X 1 X n
= X n
n

Legge debole dei grandi numeri

X1, X2, ..., i.i.d ∃=E  X i ∞ ∃ 2=Var  X i ∞
∀ 0 lim P [∣X n −∣≤]=1
n ∞
Legge dei grandi numeri
X1, X2, ..., i.i.d ∃=E  X i 
[
P lim X n = =1
n ∞ ]
Teorema centrale del limite (o teorema del limite centrale)
Date n variabili aleatorie X1, ..., Xn con media  e varianza  2 finite
∀ x∈ℝ
∞
lim P
n 
 n X n−

≤ x = x 
 n X n−
Cioè, pur di prendere un numero elevato di variabili, la funzione di ripartizione è

approssimabile con quella gaussiana standard.

Metodi pratici
Calcolo della probabilità nota la densità
b

P a X B=∫ f X  x dx
a

Calcolo della Funzione Di Ripartizione nota la densità

{
f 1  X  a x≤b
f 2  x b x≤c
Se f X  x= f 3  x cx≤d

0 altrove

{
0 x≤a
x

∫ f 1  x a x≤b
a
b x
Allora F X  x= ∫ f 1  x∫ f 2  x b x≤c
a b
b c x

∫ f 1  x∫ f 2  x∫ f 3  x c x≤d

a b c


Scelta Binomiale/Poisson
Si sceglie una distribuzione di poisson Poi(λ) se λ=np t.c. n grande e p piccolo.
Altrimenti è preferibile la binomiale Bi(n, p).

Correzione di continuità
Per il calcolo della probabilità di una binomiale approssimata con una gaussiana
P  S ≤ x=P S ≤x0,5=P

S −E S  x0,5−E S 
 Var  S 
≤
 Var S  
Oppure, più direttamente e in modo più completo
 P k ≤S ≤r ≈
 r0,5−E S 
 Var S  
−
k −0,5−E S 
 Var  S  
Uso della distribuzione esponenziale
X ~exp
P  X x=e− x ⇒ Se =2 , allora P  X 40=e−2⋅40 =e−80

Covarianza
Cov  X 1, X 2 =E  X 1 X 2 −E  X 1  E  X 2 
Cov=0 è una condizione necessaria (ma non sufficiente) per l'indipendenza di due variabili
aleatorie.

Densità marginali (discreto)

Tabella delle densità

Densità marginali (continuo)

Data la densità congiunta f X , Y  x , y , le densità marginali f X  x e f Y  y sono:
b

f X  x=∫ f X ,Y dy Con a e b estremi di definizione su y

a
d

f Y  y=∫ f X ,Y dx Con a e b estremi di definizione su y

c

Calcolo della media nota la densità (continuo)

b

E  X =∫ x f X  x dx con a e b estremi di definizione di x

a
Se, data una densità congiunta fX,Y, X è una funzione di variabili, lo sarà allo stesso modo anche x.
Es:
E  1
X Y
=∬
ℝ
1
f
x y X , Y
2
 x dx dy con gli estremi di definizione di x e y per i due integrali