Sei sulla pagina 1di 67

Foundations of Probability and Statistics

PROBABILITY

Elena Siletti – elena.siletti@unimib.it


Probabilità: concetti
E: esperimento casuale

È un esperimento che, nonostante sia condotto condizioni uguali


può avere diversi risultati possibili
e il cui risultato non è prevedibile con certezza

• nel lancio di una moneta il risultato dell’esperimento può essere T (testa) o C


(croce), cioè uno degli elementi dell’insieme {T, C}
• nel lancio di un dado il risultato può essere uno dei numeri dell’insieme
{1,2,3,4,5,6}
• in due lanci di una moneta il risultato può essere uno degli elementi
dell’insieme {TT,CC,TC,CT}

i possibili risultati dell'esperimento si possono esplicitare a priori


ma non si può dire con certezza quale si verificherà
Probabilità: concetti
Ω: spazio campionario
è l’insieme contenente tutti i possibili risultati di un esperimento casuale

Gli spazi campionari vengono classificati in base al numero degli elementi che
contengono:
• Lo spazio campionario corrispondente al lancio di un dado contiene 6 elementi
Ω = {1,2,3,4,5,6} e costituisce un esempio di spazio campionario finito

• Se si considera come evento il numero di volte che un dado deve essere lanciato
prima di ottenere un 6, si ha invece uno spazio campionario infinito: infatti
ogni numero intero positivo è un possibile risultato. Il numero degli elementi è
un’infinità numerabile

• Se l’esperimento consiste nel misurare la lunghezza di un segmento, lo spazio Ω


può corrispondere a tutti i punti di un intervallo della retta reale: si ha in questo
caso uno spazio campionario continuo

Uno spazio campionario è detto discreto


se ha un numero finito o un’infinità numerabile di elementi
Se gli elementi di uno spazio campionario costituiscono un insieme continuo
(i punti di una retta, di una curva, di un piano) è detto continuo
Probabilità: concetti
ciascun risultato di un esperimento casuale
è un singolo elemento di Ω
è un evento elementare:

un evento A è un sottoinsieme dello spazio campionario A ⊆ Ω


cioè un insieme di risultati possibili

se il risultato di un esperimento è un elemento di A


si dice che l’evento si è verificato

anche l’intero spazio Ω è un evento: l’evento certo

nel lancio di un dado l’evento certo è che esca uno dei numeri {1,2,3,4,5,6}

anche l’insieme vuoto ∅ è un evento: l’evento impossibile

nel lancio di un dado l’evento impossibile è che esca un numero diverso da questi {1,2,3,4,5,6}
Probabilità: concetti

gli eventi sono insiemi


ogni affermazione concernente gli eventi
può essere tradotta nel linguaggio della teoria degli insiemi e viceversa

usando le operazioni insiemistiche sugli eventi di Ω


si possono ottenere nuovi eventi di Ω

Se A e B sono eventi di Ω, allora:

• unione: A∪B è l’evento “A oppure B o entrambi” - OR


• intersezione: A∩B è l’evento “sia A che B” - AND
• complementare: A è l’evento “non A”
• differenza: A − B è l’evento “A ma non B”
Probabilità: concetti
Due eventi A e B sono mutuamente esclusivi
incompatibili
se non possono verificarsi contemporaneamente

Se gli eventi A e B sono incompatibili, essi sono disgiunti, ossia A∩B = ∅


Probabilità: concetti
Proprietà delle operazioni insiemistiche:

Siano A, B, C sottoinsiemi dello spazio Ω, allora

1. proprietà commutativa di ∪ e ∩: ∪ = ∪ ; ∩ = ∩
2. proprietà associativa di ∪ e ∩:
∪ ∪ = ∪ ∪ ; ∩ ∩ = ∩ ∩

3. proprietà distributiva di ∪ rispetto a ∩:


A∪(B∩C) = (A∪B)∩(A∪C)
proprietà distributiva di ∩ rispetto a∪:
A∩(B∪C) = (A∩B)∪(A∩C)

4. Leggi di De Morgan
̅ ∪ =( ∩ )
̅ ∩ =( ∪ )
Probabilità: concetti
Esempio

Si effettuano due lanci di moneta


• Spazio campionario:
Ω = {TT,CC,TC,CT}
• Evento A = “si presenta almeno una C”:
A = {CC,TC,CT}
• Evento B = “il risultato del secondo lancio è C”:
B = {CC,TC}
• A∪B e A∩B
A∪B = {CC,TC,CT} ; A∩B = {CC,TC} = B
• A
A = {TT}
• A−B
A − B = {CT}
Probabilità: concetti

Esempio

Si effettua un lancio di un dado


• Spazio campionario Ω
• Evento A = “uscita di un numero pari”
• Evento B = “uscita di un numero dispari”
• Evento C = “ uscita di un numero maggiore di 4”
• Evento A∪B
• Evento A∩B
• Evento A∩C
Probabilità: concetti

Esempio

Si effettua un lancio di un dado


• Spazio campionario Ω = {1,2,3,4,5,6}
• Evento A = “uscita di un numero pari”: A = {2,4,6}
• Evento B = “uscita di un numero dispari”: B = {1,3,5}
• Evento C = “ uscita di un numero maggiore di 4” : C = {5,6}
• Evento A∪B = Ω - evento certo
• Evento A∩B = ∅ - evento impossibile. Gli eventi A e B sono incompatibili,
disgiunti
• Evento A∩C = {6}
Probabilità: concetti
Esempio

Si estrae una carta a caso da un mazzo di 52 carte; siano dati gli eventi:

• Evento A = “è uscita una regina”.


• Evento B = “è uscita una carta fiori”.

I seguenti eventi si descrivono così:

• Evento A∪B
• Evento A∩B
• Evento A ∪ B
• Evento A ∪ B
• Evento A − B
Probabilità: concetti
Esempio

Si estrae una carta a caso da un mazzo di 52 carte; siano dati gli eventi:

• Evento A = “è uscita una regina”.


• Evento B = “è uscita una carta fiori”.

I seguenti eventi si descrivono così:

• Evento A∪B = “regina o fiori o entrambi (cioè regina di fiori)”


• Evento A∩B = “regina di fiori”
• Evento A ∪ B = “regina o cuori o quadri o picche”
• Evento A ∪ B = “non regina di fiori” = “ogni carta diversa dalla regina di fiori”. Legge
di De Morgan ̅ ∪ = ( ∩ )
• Evento A − B = “una regina, ma non di fiori”
Calcolo combinatorio
Il calcolo combinatorio fornisce dei metodi per calcolare il numero di elementi di un
insieme, ovvero di Ω o di qualsiasi evento A

• Se gli insiemi A1 ,A2 ,..., Ak contengono rispettivamente n1 ,n2 ,...,nk oggetti, il


numero di modi diversi di scegliere prima un oggetto di A1 , poi un oggetto di A2 ,…,
infine un oggetto di Ak è
N = n1 ⋅ n2 ⋅ ...⋅ nk
Esempio
In quanti modi diversi una commissione di 5 persone può scegliere un presidente e un
segretario ?

Il presidente può essere scelto in 5 modi diversi, quindi il segretario in 4 modi diversi; ci
sono in tutto N = 5 ⋅ 4 = 20 modi diversi in cui la scelta può essere fatta
Calcolo combinatorio
Il calcolo combinatorio fornisce dei metodi per calcolare il numero di elementi di un
insieme, ovvero di Ω o di qualsiasi evento A

• Se gli insiemi A1 ,A2 ,..., Ak contengono rispettivamente n1 ,n2 ,...,nk oggetti, il


numero di modi diversi di scegliere prima un oggetto di A1 , poi un oggetto di A2 ,…,
infine un oggetto di Ak è
N = n1 ⋅ n2 ⋅ ...⋅ nk
Esempio
Se un test consiste di 10 domande con risposta multipla a), b), c) e d), in quanti modi
diversi uno studente può svolgere l’intero test con una risposta per ciascuna domanda ?

Poiché a ogni domanda si può rispondere in 4 modi, le possibilità sono

= 4 · 4 · 4 · 4 · 4 · 4 · 4 · 4 · 4 · 4 = 4 = 1,048,576
quando n1 = n2 = .... = nk = n , si ha che N =nk , che rappresenta il numero delle
disposizioni con ripetizione di n oggetti a gruppi di k, ossia dei gruppi che si possono
formare scegliendo k oggetti, anche ripetibili, fra n oggetti disponibili (#$,% (&) )
Calcolo combinatorio
Dati n oggetti distinti, si chiamano disposizioni semplici (senza ripetizione) i gruppi
che si possono formare scegliendo k (k ≤ n) degli n oggetti; i gruppi devono differire o
per qualche oggetto o per l’ordine in cui sono disposti.
La prima scelta è fatta dall’intero insieme di n oggetti, la seconda è fatta fra gli n − 1
oggetti rimanenti dopo la prima scelta, in generale la k-esima scelta è fatta fra gli
n − (k − 1) = n − k +1 oggetti rimanenti dopo le prime k − 1 scelte, pertanto il numero
delle disposizioni è
Dn,k = n(n −1)(n − 2)....(n − k +1)
utilizzando la notazione del fattoriale n! = 1⋅2⋅3⋅...⋅n
moltiplicando e dividendo per (n − k)!

(n − k)! '!
Dn,k = n(n −1)(n − 2)....(n − k +1) · =
(n − k)! (n − k)!
Esempio
In quanti modi 6 persone possono sedersi in un auto che ha solo 2 posti ?

Il numero dei modi è dato dalle disposizioni semplici di 6 elementi a gruppi di 2


6!
D6,2 = =6 · 5 = 30
4!
Calcolo combinatorio
Dati n oggetti distinti, si chiamano disposizioni semplici (senza ripetizione) i gruppi
che si possono formare scegliendo k (k ≤ n) degli n oggetti; i gruppi devono differire o
per qualche oggetto o per l’ordine in cui sono disposti.
La prima scelta è fatta dall’intero insieme di n oggetti, la seconda è fatta fra gli n − 1
oggetti rimanenti dopo la prima scelta, in generale la k-esima scelta è fatta fra gli n − (k − 1)
= n − k +1 oggetti rimanenti dopo le prime k − 1 scelte, pertanto il numero delle disposizioni
è
Dn,k = n(n −1)(n − 2)....(n − k +1)
che utilizzando la notazione del fattoriale n! = 1⋅2⋅3⋅...⋅n e moltiplicando e dividendo
per (n − k)!
(n − k)! '!
Dn,k = n(n −1)(n − 2)....(n − k +1) · =
(n − k)! (n − k)!
Esempio
In una gara con 90 concorrenti, quante sono le possibili classifiche dei primi tre?
Per il 1° posto possiamo scegliere tra 90 possibilità; per il 2° posto possiamo scegliere
fra 89 possibilità e per il 3° posto fra 88 possibilità. In tutto quindi le classifiche possibili
per i primi tre sono
90!
D90,3 = =90⋅89⋅88 = 704,880
87!
Calcolo combinatorio
Nel caso particolare in cui k = n le disposizioni semplici si chiamano
permutazioni
Le permutazioni di n oggetti distinti sono tutti i gruppi formati ciascuno da tutti
gli n oggetti dati e che differiscono solo per l’ordine degli oggetti
Ponendo k = n nella formula delle disposizioni semplici, allora il numero delle
permutazioni di n oggetti distinti è dato da
Pn = n!

Esempio
Quante parole (anche senza senso) si possono scrivere con le 5 vocali ?

Il numero delle parole è dato dalle permutazioni di 5 elementi


P5 = 5! = 120
Calcolo combinatorio
Nel caso particolare in cui k = n le disposizioni semplici si chiamano
permutazioni
Le permutazioni di n oggetti distinti sono tutti i gruppi formati ciascuno da tutti
gli n oggetti dati e che differiscono solo per l’ordine degli oggetti
Ponendo k = n nella formula delle disposizioni semplici, allora il numero delle
permutazioni di n oggetti distinti è dato da
Pn = n!

Esempio
Gli anagrammi, cioè le parole che si ottengono da una parola cambiando solo il
posto delle lettere, sono permutazioni.
Consideriamo il caso in cui le parole sono formate da lettere tutte diverse:
gli anagrammi della parola CAOS sono
P4 = 4 ! = 24
Calcolo combinatorio
Per risolvere il problema degli anagrammi nel caso in cui la parola contenga
lettere uguali/ripetute, occorre un’altra formula. Supponiamo che un insieme sia
formato da n oggetti non tutti distinti, dei quali cioè n1 sono di un tipo, n2 di un
secondo tipo, ..., nk del k-esimo tipo, con n1 + n2 + ...+ nk = n .
Si dimostra che il numero delle permutazioni di n oggetti non tutti distinti è
dato da
'!
=
n1! · n2! · '+ !

Esempio
Contare gli anagrammi della parola STATISTICA

Ci sono 10 lettere di cui 2 S, 3 T, 2 A, 2 I, 1 C; gli anagrammi sono

10! 3628800
= = = 75600
2! · 3! · 2! · 2! · 1! 48
Calcolo combinatorio
Per risolvere il problema degli anagrammi nel caso in cui la parola contenga
lettere uguali/ripetute, occorre un’altra formula. Supponiamo che un insieme sia
formato da n oggetti non tutti distinti, dei quali cioè n1 sono di un tipo, n2 di un
secondo tipo, ..., nk del k-esimo tipo, con n1 + n2 + ...+ nk = n .
Si dimostra che il numero delle permutazioni di n oggetti non tutti distinti è
dato da
'!
=
n1! · n2! · '+ !
Esempio
5 palline rosse, 2 bianche e 5 blu devono essere sistemate in fila
quante sistemazioni sono possibili?
Il numero delle possibili sistemazioni è

12! 479001600
= = = 16632
5! · 2! · 5! 28800
Calcolo combinatorio
In una disposizione semplice si è interessati all’ordine degli oggetti, quindi ad esempio il gruppo
“abc” è un gruppo diverso da “bca”; se invece l’ordine di scelta non interessa, cioè “abc” e “bca”
sono lo stesso gruppo, si ottengono le combinazioni

Le combinazioni sono tutti i gruppi di k oggetti, che si possono formare da un insieme di n oggetti
distinti, in modo che i gruppi differiscano per almeno un oggetto

Il numero delle combinazioni di n oggetti a gruppi di k è


' #$,% '!
= = =
$,% - -! -! ' − - !
'
è chiamato coefficiente binomiale (sviluppo della potenza del binomio di Newton (a + b)n )
-

Esempio
Quante quintetti di basket si possono formare con una rosa di 15 giocatori?
15 /!
Il numero è dato dalle combinazioni di 5 giocatori scelti tra 15: /,/ = = = 3,003
5 /! !
Calcolo combinatorio
In una disposizione semplice si è interessati all’ordine degli oggetti, quindi ad esempio il gruppo
“abc” è un gruppo diverso da “bca”; se invece l’ordine di scelta non interessa, cioè “abc” e “bca”
sono lo stesso gruppo, si ottengono le combinazioni

Le combinazioni sono tutti i gruppi di k oggetti, che si possono formare da un insieme di n oggetti
distinti, in modo che i gruppi differiscano per almeno un oggetto

Il numero delle combinazioni di n oggetti a gruppi di k è


' #$,% '!
= = =
$,% - -! -! ' − - !
'
è chiamato coefficiente binomiale (sviluppo della potenza del binomio di Newton (a + b)n )
-

Esempio
In una mano di poker ogni giocatore riceve 5 delle 52 carte del mazzo. In quanti modi può essere
servito?
Il numero dei servizi possibili è dato dalle combinazioni di 5 oggetti scelti fra 52
52 52!
/,/ = = = 2,598,960
5 5! 47!
Probabilità: definizione
La teoria della probabilità studia concetti e metodi per esprimere quantitativamente il
grado di fiducia sul verificarsi i certi eventi. A ciascun evento può essere associata una
probabilità, che, dal punto di vista matematico, è una funzione definita sull'insieme degli
eventi.

Ci sono più modi mediante i quali è possibile definire la probabilità di un evento: la


probabilità classica, la probabilità frequentista e la probabilità soggettivista.

numero casi favorevoli


Probabilità classica P, (Bernoulli e Laplace) è 0 =
numero casi possibili

Questa definizione assume che tutti i risultati possibili di un esperimento siano


ugualmente probabili (equiprobabili) e che lo spazio campionario sia finito. Detta anche
probabilità a priori.

Ogni probabilità P è un numero compreso fra 0 e 1


(0 l’evento è impossibile, 1 l’evento è certo)
Talvolta la probabilità P viene moltiplicata per 100 ed espressa in percentuale 0 % ≤ P ≤ 100 %
Probabilità: definizione
Esempio
Si effettua un lancio di un dado. Calcolare
1) la probabilità di ottenere 4
2) la probabilità di ottenere un numero dispari

Esempio
Si estrae una carta da un mazzo di 52 carte. Calcolare
1. La probabilità di estrarre un re;
2. La probabilità di estrarre un re oppure un 8 di cuori oppure un 2 di fiori

Esempio
Si effettuano due lanci di una moneta.
Calcolare la probabilità che si presenti C (croce) almeno una volta.

Esempio
Intorno a un tavolo si dispongono a caso 5 uomini e 5 donne: calcolare la probabilità che
ogni donna si trovi seduta tra due uomini
Probabilità: definizione
Esempio
Si effettua un lancio di un dado. Calcolare
1) la probabilità di ottenere 4
2) la probabilità di ottenere un numero dispari

I casi possibili sono 6 e sono gli elementi dell’insieme {1,2,3,4,5,6}


1) I casi favorevoli si riducono a 1, la probabilità cercata è 0 = ⁄1 = 0.167
2) I casi favorevoli sono 3. La probabilità cercata è 0 = +⁄1 = 0.5

Esempio
Si estrae una carta da un mazzo di 52 carte. Calcolare
1. La probabilità di estrarre un re;
2. La probabilità di estrarre un re oppure un 8 di cuori oppure un 2 di fiori

4
1. Nel mazzo ci sono 4 re, quindi 4 casi favorevoli; la probabilità cercata è 0 = = = 0.0769
/5 +
2. Nel mazzo ci sono 4 re, un 8 di cuori e un 2 di fiori, quindi 6 casi favorevoli; la probabilità
1
cercata è 0 = = 0.1154
/5
Probabilità: definizione

Esempio
Si effettuano due lanci di una moneta.
Calcolare la probabilità che si presenti C (croce) almeno una volta.

Casi possibili: TT TC CT CC
Casi favorevoli: CC TC CT
+
La probabilità cercata è 0 = 4 = 0.75

Esempio
Intorno a un tavolo si dispongono a caso 5 uomini e 5 donne: calcolare la probabilità che
ogni donna si trovi seduta tra due uomini

Le 10 persone possono disporsi in 10! modi diversi (casi possibili).


Le donne possono disporsi in 5! modi diversi (permutazioni); così anche gli uomini,
quindi i casi favorevoli sono 5! ⋅ 5!
/!·/!
La probabilità richiesta 0 = !
= 0.0040
Probabilità: definizione
Esempio
Da un’urna contenente 30 palline, 18 nere e 12 bianche vengono estratte a caso
10 palline.
Determinare la probabilità che 6 fra le palline estratte siano nere.

Esempio
Se su 30 pezzi prodotti, 3 sono difettosi, e si scelgono 5 pezzi a caso per un
controllo di qualità, qual è la probabilità che uno solo di quelli difettosi sia
incluso tra quelli scelti ?

Esempio
Determinare la probabilità che, in lanci successivi di un dado, i risultati siano in
ordine strettamente crescente.
Probabilità: definizione
Esempio

Da un’urna contenente 30 palline, 18 nere e 12 bianche vengono estratte a caso 10 palline.


Determinare la probabilità che 6 fra le palline estratte siano nere.

I casi possibili sono le combinazioni di 30 palline a gruppi di 10

30 30!
+ , = = = 30,045,015
10 10! 20!

I casi favorevoli si hanno quando in un gruppo ci sono 6 palline nere e 4 bianche.

Il numero di gruppi di 6 palline nere che si possono formare con 18 palline nere è dato dalle combinazioni

18 18!
6,1 = = = 18564
6 6! 12!

Il numero dei gruppi di 4 palline bianche che si possono formare con 12 palline bianche è dato dalle combinazioni

12 12!
5,4 = = = 495
4 4! 8!

In totale i casi favorevoli sono 6,1 · 5,4 = 9,189,180

7 67 6
La probabilità cercata è 0 = = 0.3058
+ 4/ /
Probabilità: definizione
Esempio
Se su 30 pezzi prodotti, 3 sono difettosi, e si scelgono 5 pezzi a caso per un controllo di
qualità, qual è la probabilità che uno solo di quelli difettosi sia incluso tra quelli scelti ?

I casi possibili sono le combinazioni di 30 oggetti a gruppi di 5; ci sono cioè


30 + !
+ ,/ = = /!5/! = 142,506
5
modi ugualmente probabili di scegliere 5 pezzi su 30.

Il numero di casi favorevoli è il numero di modi in cui si possono scegliere 4 pezzi non
difettosi e 1 difettoso, cioè

27 3 27! 3!
58,4 +, = = · = 52,650
4 1 4! 23! 1! 2!

/51/
Quindi la probabilità è 0 = 45/ 1
= 0.3695
Probabilità: definizione

Esempio
Determinare la probabilità che, in lanci successivi di un dado, i risultati siano in ordine
strettamente crescente.

I casi possibili sono le disposizioni con ripetizione di 6 oggetti a gruppi di 4:


#1,4(&) = 64 = 1,296

I casi favorevoli si hanno quando i risultati dei 4 lanci sono distinti e in ordine crescente.
il numero di tali casi è dato dal numero delle combinazioni di 6 oggetti a gruppi di 4,
perché come gruppo rappresentativo si può scegliere quello in cui i 4 numeri sono
disposti in ordine crescente

6 6!
1,4 = = = 15
4 4! 2!

/
La probabilità cercata è 0 = = 0.0115
571
Probabilità: definizione
Ci sono molti casi in cui i vari risultati possibili di un esperimento non sono equiprobabili.
In tal caso si può definire la probabilità per mezzo di una stima frequentista, possibile solo dopo
aver esaminato un gran numero di casi

Si definisce in questo modo la probabilità frequentista (von Mises, 1928), detta anche
probabilità a posteriori

Se, dopo aver ripetuto n volte un esperimento, con n sufficientemente grande, un evento si è
9
verificato h volte, si dice che la probabilità di questo evento è 0 =
$

Affinché questa definizione sia valida, occorre che tutte le prove avvengano nelle stesse condizioni,
cosa che in realtà non è sempre ottenibile quando si analizzano fenomeni statistici.

Esempio
Si è verificato che su 1000 lanci successivi di una moneta, T (testa) si è presentata 580 volte; qual è
la probabilità che nel prossimo lancio si presenti C (croce)?

Se T si è presentata 580 volte su 1000, allora C si è presentata 420 volte su 1000 e la probabilità
45
cercata è uguale alla frequenza relativa osservata: 0 = = 0.42
Probabilità: definizione
Esempio
Si è osservata la durata di un campione di 800 batterie, ottenendo i dati riportati nella tabella.
Per una batteria dello stesso tipo e marca si vuole stimare la probabilità relativa a ciascuno dei
seguenti eventi:
• Evento A = “la batteria dura almeno tre anni”
• Evento B = “la batteria dura meno di un anno”
• Evento C = “la batteria dura almeno due anni”
Durata Meno di 1 Tra 1 e 1.5 Tra 1.5 e 2 Tra 2 e 2.5 Tra 2.5 e 3 Da 3 in su
Numero di batterie 25 65 160 250 280 20

Se si considera sufficientemente grande il numero di batterie osservate, si può utilizzare il criterio


della stima frequentista della probabilità. Si ottiene così
20
0 = = 0.025
800
25
0 = = 0.0313
800
Per calcolare la probabilità dell'evento C occorre considerare il numero delle batterie la cui
durata è stata almeno uguale a due anni: 250+280+20 =550; si ha quindi
550
0 = = 0.6875
800
Probabilità: definizione

Sia l’approccio classico, sia quello frequentista vanno incontro a difficoltà:


• il primo a causa dell’espressione “equiprobabile”
• il secondo per aver presupposto “n molto grande”
concetti di palese vaghezza

Probabilità soggettivista (De Finetti, 1929):


Probabilità = posta che si è disposti a pagare a fronte di una vincita unitaria

A causa delle difficoltà delle definizioni precedenti,


si preferisce l’approccio assiomatico alla probabilità (Kolmogorov, 1933),
che fa uso degli insiemi
Probabilità: definizione assiomatica
Sia Ω uno spazio campione finito. Ad ogni evento A di Ω si associa un numero reale P(A), detto
probabilità dell’evento A, che soddisfa i seguenti assiomi

1. 0 ≤ P(A) ≤ 1
2. P(Ω) = 1
3. Se A e B sono eventi disgiunti di Ω (cioè A ∩ B = ∅ ), allora P(A ∪ B) = P(A) + P(B)

P è una funzione definita sull’insieme degli eventi di Ω e a valori reali, detta funzione di
probabilità
P : Ω →ℝ
ℝ indica l’insieme dei numeri reali: ovvero l’unione tra l’insieme dei numeri razionali ℚ e quello
dei numeri irrazionali I

Dal 1° assioma segue che P(A) è un numero reale appartenente all’intervallo [0,1]
Dal 2° assioma segue che la probabilità dell’evento certo è 1
Dal 3° assioma segue che le funzioni di probabilità sono funzioni additive

Gli assiomi non devono naturalmente essere dimostrati, ma si può mostrare che essi sono coerenti
con la definizione classica di probabilità

ℤ numeri interi (- e +) ℕ numeri naturali


un numero ℚ è un numero ottenibile come rapporto tra due numeri interi a / b
un numero I è un numero ℝ che non è ℚ, cioè non può essere scritto come una frazione a / b
Probabilità: definizione assiomatica

Esempio
Un esperimento ha tre possibili risultati a, b, e c
In ciascuno dei casi seguenti verificare se i valori assegnati alle probabilità sono accettabili

1. P(a)= ⁄+ , P(b)= ⁄+ , P(c)= ⁄+


Soluzione
I valori assegnati alle probabilità sono accettabili, perché sono compresi nell’intervallo [0,1] e la
loro somma vale 1

2. P(a) = 0.64 , P(b) = 0.38 , P(c) = −0.02


Soluzione
Il valore di P(c) = −0.02 non è accettabile perché negativo

3. P(a) = 0.35 , P(b) = 0.52 , P(c) = 0.26


Soluzione
I valori non sono accettabili perché la loro somma è 0.35+0.52+0.26 = 1.13 > 1
Probabilità: definizione assiomatica
Teoremi elementari che seguono dagli assiomi

Teorema 1 (generalizzazione del terzo assioma)


Se A1, A2, ..., An sono eventi disgiunti di uno spazio campionario Ω, allora:
P( A1 ∪ A2∪ ... ∪ An ) = P(A1) + P(A2) + .... + P(An)

Teorema 2 (regola additiva)


Se A e B sono due eventi qualsiasi di Ω, allora
P(A∪ B) = P(A) + P(B) − P (A ∩ B)
consente di calcolare la probabilità dell'unione di due eventi qualsiasi, anche nel caso in cui gli eventi non sono
disgiunti

Se gli eventi sono disgiunti, il teorema 2 si riduce al terzo assioma della definizione.

Teorema 3 (complemento)
Se A è un qualunque evento di Ω, allora:
0 ̅ = 1 − 0( )

In particolare l’evento impossibile ha probabilità nulla P(∅) = 0


Probabilità: definizione assiomatica
Esempio
Siano A e B due eventi disgiunti, con P(A) = 0.5 e P(A∪B) = 0.8.
Calcolare P(B)

Esempio
Una pallina viene estratta da un’urna che ne contiene 6 rosse, 2 bianche e 7 nere.
Calcolare la probabilità che la pallina estratta sia
1. nera;
2. non rossa;
3. rossa o bianca.
Probabilità: definizione assiomatica
Esempio
Siano A e B due eventi disgiunti, con P(A) = 0.5 e P(A∪B) = 0.8.
Calcolare P(B)

Poiché gli eventi sono disgiunti, si ha P(A∪B) = P(A) + P(B)


quindi P(B) = P(A∪B) − P(A) = 0.8− 0.5 = 0.3

Esempio
Una pallina viene estratta da un’urna che ne contiene 6 rosse, 2 bianche e 7 nere.
Calcolare la probabilità che la pallina estratta sia
1. nera;
2. non rossa;
3. rossa o bianca.

Soluzione
8
1. 0 nera =
/
= 0.4667 casi possibili = 15 casi favorevoli = 7
1
2. 0 non rossa = 1 − 0 rossa = 1 −
/
= 0.6
1 5 6
3. 0 rossa o bianca = 0 rossa ∪ bianca = 0(rossa) + 0 bianca =
/
+
/
=
/
= 0.5333
(rossa e bianca sono eventi incompatibili)
Probabilità: definizione assiomatica
Esempio
Trovare la probabilità di non ottenere come somma del lancio di due dadi né 7 né 11.

Esempio
Due dadi hanno le facce numerate in questo modo: (1 1 2 2 2 3)
Trovare la probabilità che il punteggio totale sia
1. uguale a 4;
2. minore di 4;
3. maggiore di 4.

Esempio
Si effettua il lancio di un dado. Calcolare:
1. La probabilità che esca un 1 oppure un 4;
2. La probabilità che esca un numero dispari;
3. La probabilità che esca un numero divisibile per 3.
4. Dati gli eventi A1 e A2 calcolare P(A1 ∪ A2)
Evento A1 = “esce 1 oppure 2” A1 = {1,2}
Evento A2 = “esce 2 oppure 3” A2 = {2,3}
Probabilità: definizione assiomatica
Esempio
Trovare la probabilità di non ottenere come somma del lancio di due dadi né 7 né 11.

Lo spazio campionario Ω è costituito da 36 coppie di numeri, che rappresentano le possibili uscite


su ciascuno dei due dadi Ω = {(1,1),(1,2),...,(1,6),(2,1),...,(6,1),...,(6,6)}

* Somma 7 e + Somma 11

Evento A = “ somma uguale a 7 oppure a 11”


Evento A = “ somma né 7 né 11”

6 8
0 ̅ =1−0 =1− = = 0.7778
+1 7
Probabilità: definizione assiomatica
Esempio
Due dadi hanno le facce numerate in questo modo: (1 1 2 2 2 3)
Trovare la probabilità che il punteggio totale sia
1. uguale a 4;
2. minore di 4;
3. maggiore di 4.
Soluzione
1. Casi possibili: 36. Casi favorevoli: 13 (+).
+
La probabilità che il punteggio sia uguale a 4 è 0 = = 0.3611
+1

2. Casi possibili: 36. Casi favorevoli: 16 (rosso).


1
La probabilità che il punteggio sia minore di 4 è 0 = = 0.4444
+1

3. La probabilità che il punteggio totale sia minore o uguale a 4 (rosso e +) è


+ 1 57
0= + = = 0.8056
+1 +1 +1
quindi la probabilità che il punteggio sia maggiore di 4 (nero) è
29 7
0 =1− = = 0.1944
36 36
Probabilità: definizione assiomatica
Esempio
Si effettua il lancio di un dado. Calcolare:
1. La probabilità che esca un 1 oppure un 4;
2. La probabilità che esca un numero dispari;
3. La probabilità che esca un numero divisibile per 3.
4. Dati gli eventi A1 e A2 calcolare P(A1 ∪ A2)
Evento A1 = “esce 1 oppure 2” A1 = {1,2}
Evento A2 = “esce 2 oppure 3” A2 = {2,3}

Soluzione
1. Si ha 0(1) = P(2) = ... = P(6) =
1
L’evento che si verifica quando esce un 1 o un 4 si indica con 1 ∪ 4
1 1 1
P(1 ∪ 4) = P(1) + P(4) = + = = 0.3333
6 6 3
+
2. 0(1 ∪ 3 ∪ 5) = P(1)+ P(3) +P(5) = 1 = 0.5
5
3. 0(3 ∪ 6) = P(3) + P(6) = 1 = 0.3333
4. Gli eventi A1 e A2 non sono disgiunti, perché la loro intersezione non è vuota, quindi
2 2 1 3
0 A ∪ A5 = 0 A + 0 A5 − 0 A ∩ A5 = + − = = 0.5
6 6 6 6
Probabilità: definizione assiomatica
Esempio
Supponiamo che i pezzi prodotti da un macchinario possano avere due tipi di difetti.
E’ noto che:
• la probabilità che un pezzo presenti il primo difetto è 0.1
• la probabilità che non presenti il secondo difetto è 0.8
• la probabilità che li presenti entrambi è 0.01

Calcolare la probabilità che un pezzo non abbia alcun difetto

Esempio
Se in una stanza sono presenti 60 persone qual è la probabilità che nessuna di esse
festeggi il compleanno nello stesso giorno dell’anno?
Probabilità: definizione assiomatica
Esempio
Supponiamo che i pezzi prodotti da un macchinario possano avere due tipi di difetti.
E’ noto che:
• la probabilità che un pezzo presenti il primo difetto è 0.1
• la probabilità che non presenti il secondo difetto è 0.8
• la probabilità che li presenti entrambi è 0.01

Calcolare la probabilità che un pezzo non abbia alcun difetto

Posto che:
Evento A = “è presente il primo difetto”
Evento B = “è presente il secondo difetto”
dai dati si ha
P(A) = 0.1 P(B) = 0.8 P(A∩B) = 0.01

P( ̅∩ )=?

P( ̅) = 0.9 P(B) = 0.2

Applicando la regola additiva (teorema 2) si ha


P(A∪B) = P(A) + P(B) − P(A∩B) = 0.1+ 0.2 − 0.01 = 0.29

Per la legge di De Morgan si ha


0 ̅∩ = 0( ∪ ) = 1 − P(A∪B) = 1 − 0.29 = 0.71
Probabilità: definizione assiomatica
Esempio
Se in una stanza sono presenti 60 persone qual è la probabilità che nessuna di esse festeggi il
compleanno nello stesso giorno dell’anno?

Soluzione
Evento A = “ tutti compiono gli anni in giorni diversi”

Per calcolare i casi possibili osserviamo che ogni persona può compiere gli anni in uno qualsiasi dei
365 giorni dell’anno (non consideriamo gli anni bisestili), perciò per 60 persone si hanno
complessivamente 3651 casi possibili

I casi favorevoli si hanno quando tutti compiono gli anni in giorni diversi; la prima persona ha 365
possibilità, la seconda persona 364 possibilità, …, la 60-esima persona ha 365−(60-1) = 306
possibilità; complessivamente i casi favorevoli sono:
365⋅364 ⋅363⋅ ...⋅ 306.

Si ha quindi
365 · 364 · 636 · ⋯ · 306
0 = = 0.0059
3651
Probabilità: condizionata
Il concetto di probabilità condizionata traduce formalmente l'idea intuitiva di probabilità di un
evento, calcolata sapendo che si è verificato un altro evento.

Esempio
Si effettua un lancio di un dado; consideriamo i seguenti eventi
Evento A = “esce un numero pari” A = {2,4,6}
Evento B = “esce un numero maggiore di 3” B = {4,5,6}
Calcoliamo la probabilità di ottenere un numero maggiore di 3, sapendo che il risultato è un numero pari

P(A) = 1/2 P(B) = 1/2


Se sappiamo che l'evento A si è già verificato, quindi i casi possibili per l'evento B non sono più 6, ma 3 (la
conoscenza del verificarsi dell’evento A riduce lo spazio campionario), e i casi favorevoli sono 2, perciò la
probabilità di ottenere un numero maggiore di 3, sapendo che il risultato è pari, è
2
0 = = 0.6667
3
La probabilità così ottenuta è detta probabilità condizionata P(B|A)

Il fatto di aggiungere l’informazione che il numero estratto è pari, fa aumentare la probabilità di B

Osserviamo che si ha
A∩B = {4,6} P(A∩B) =2/6=1/3

J K∩L 5
quindi 0 | = = = 0.6667
J(K) +
Probabilità: condizionata

Siano A e B due eventi qualsiasi dello spazio campionario Ω e sia P(A) ≠ 0

La probabilità dell'evento B, nell’ipotesi che si sia già verificato l’evento A, è chiamata probabilità
di B condizionata ad A ed è definita da
0 ∩
0 | =
0( )

Analogamente, se P(B) ≠ 0, la probabilità di A condizionata a B è definita da


0 ∩
0 | =
0( )

Conseguenza immediata della definizione di probabilità condizionata è la Regola di Moltiplicazione

P(A∩B) = P(A) ⋅ P(B| A) se P(A) ≠ 0

P(A∩B) = P(B) ⋅ P(A | B) se P(B) ≠ 0


Probabilità: condizionata
Esempio
Data un’urna contenente 15 palline bianche e 5 palline nere, indichiamo con A l’evento “estrazione
di pallina bianca” e con B l’evento “estrazione di pallina nera”. Calcoliamo la probabilità di
ottenere in due estrazioni consecutive prima una pallina bianca e poi una nera, nell’ipotesi che la
prima pallina estratta non venga rimessa nell’urna.
/
La probabilità di estrarre una pallina bianca alla prima estrazione è 0 = = 0.6667
5
La probabilità di estrarre una pallina nera dopo aver già estratto una pallina bianca, senza
/
reinserimento, è , perchè ci sono soltanto più 19 palline nell'urna fra le quali estrarre
7
/
Pertanto la probabilità condizionata vale 0 = = 0.2632
7

La probabilità P(A∩B) di ottenere in due estrazioni consecutive una pallina bianca e poi una nera,
senza rimettere nell’urna la bianca già estratta è

P(A∩B) = P(A) ⋅ P(B|A) = 0.1974

Se invece la prima pallina estratta venisse rimessa nell'urna, la probabilità di ottenere in due
estrazioni consecutive prima una pallina bianca e poi una nera sarebbe
15 5
0(A∩B) = · = 0.1875
20 20
Probabilità: condizionata

Esempio

Qual è la probabilità che, lanciando una moneta 5 volte, non esca mai “croce”?
Qual è la probabilità dello stesso evento, supponendo di aver già lanciato la
moneta 4 volte e di aver ottenuto sempre “testa”?
Probabilità: condizionata
Esempio
Qual è la probabilità che, lanciando una moneta 5 volte, non esca mai “croce”?
Qual è la probabilità dello stesso evento, supponendo di aver già lanciato la moneta 4 volte e di
aver ottenuto sempre “testa”?

Svolgimento
Sia A l'evento “in 5 lanci non esce mai croce”; il numero dei casi possibili è 2/ = 32
c'è un unico caso favorevole, quindi
1
0 = = 0.0313
32
Sia B l'evento “nei primi 4 lanci non è mai uscita croce”; come prima si ha
1
0 = 4 = .0625
2
La probabilità di A, sapendo che si è verificato B, è
0( ∩ ) 0( )
0 = = = 0.5
0( ) 0( )

Possiamo osservare come l'informazione ulteriore in nostro possesso abbia cambiato in modo
evidente la valutazione della probabilità di uno stesso evento
Probabilità: indipendenza
Può però accadere che la probabilità condizionata P(B|A) sia uguale alla probabilità P(B); questa
condizione significa intuitivamente che sapere che A si è verificato non cambia la valutazione della
probabilità di B

Due eventi A e B si dicono indipendenti se:


P(B|A) = P(B)
in tal caso si ha pure
P(A|B) = P(A)

Nel caso di due eventi indipendenti, la Regola di moltiplicazione diventa:

Se due eventi A e B sono indipendenti: P(A∩B) = P(A) ⋅ P(B)

Questa regola può essere usata per determinare se due eventi sono indipendenti

Esempio
Qual è la probabilità di ottenere due volte croce in due lanci successivi di una moneta?

Poiché la probabilità di ottenere croce è P(C) =1/2 per ciascun lancio e i due lanci sono
indipendenti, la probabilità di ottenere due volte testa è
1 1
0 , = · = 0.25
2 2
Probabilità: indipendenza

Esempio
Si lancia due volte un dado.
Calcolare la probabilità di ottenere 4, 5 o 6 al primo lancio e 1, 2, 3 o 4 al secondo.

Esempio
Le probabilità che due eventi indipendenti si realizzino è rispettivamente 0.8 e 0.9
Trovare la probabilità che
1. entrambi si realizzino;
2. nessuno dei due si realizzi;
3. almeno uno dei due si realizzi.
Esempio
Si estraggono due carte da un mazzo di 52 carte. Calcolare la probabilità di estrarre due regine se
1. la prima carta viene rimessa nel mazzo prima della seconda estrazione;
2. la prima carta non viene rimessa nel mazzo prima della seconda estrazione.
Probabilità: indipendenza

Esempio
Si lancia due volte un dado.
Calcolare la probabilità di ottenere 4, 5 o 6 al primo lancio e 1, 2, 3 o 4 al secondo.

Svolgimento
Siano A = {4,5,6} B = {1,2,3,4}

È necessario calcolare la probabilità P(A∩B)

Il risultato del secondo lancio è indipendente dal primo, cioè i due eventi A e B sono indipendenti,
+ 4
quindi 0(A∩B) = P(A) ⋅ P(B) = · = 0.3333
1 1
Probabilità: indipendenza

Esempio
Le probabilità che due eventi indipendenti si realizzino è rispettivamente 0.8 e 0.9
Trovare la probabilità che
1. entrambi si realizzino;
2. nessuno dei due si realizzi;
3. almeno uno dei due si realizzi.

Svolgimento
Evento A = “si realizza A”
Evento B = “si realizza B”
Essendo A e B eventi siano indipendenti:
1. P(entrambi si realizzino) = P(A∩B) = P(A) ⋅ P(B) = 0.8 ⋅ 0.9 = 0.72
2. P(nessuno dei due si realizzi) = P(A ∩ B) = P(A) ⋅ P(B) = 0.2 ⋅ 0.1 = 0.02
3. P(almeno uno dei due si realizzi) = 1 − P(nessuno dei due si realizzi) = 1 − 0.02 = 0.98
Probabilità: indipendenza

Esempio
Si estraggono due carte da un mazzo di 52 carte. Calcolare la probabilità di estrarre due regine se
1. la prima carta viene rimessa nel mazzo prima della seconda estrazione;
2. la prima carta non viene rimessa nel mazzo prima della seconda estrazione.

Svolgimento
1. In questo caso gli eventi sono indipendenti

4 5
ci sono 4 regine nel mazzo, quindi 0 = = 0.0059
/5

2. In questo caso gli eventi non sono indipendenti

fra le 51 carte rimaste dopo l’estrazione della prima regina ci sono solo più 3 regine,
quindi la probabilità di estrarre una di queste è 3/51
4 +
la probabilità richiesta è 0 = = 0.0045
/5 /
Probabilità: indipendenza
Esempio
Data la tabella, esaminare in quali casi (1,2,3,4) gli eventi
sono indipendenti
Caso P(A) P(B) P(A∪B)
1 0.2 0.6 0.68
2 0.1 0.99 0.80
3 0.6 0.4 0.76
4 0.8 0.8 0.96

Esempio
Un’urna contiene 8 palline rosse, 3 palline bianche e 9 palline nere. Si estraggono tre palline a caso
senza rimetterle nell’urna dopo ogni estrazione. Determinare le probabilità che siano:
1. tre rosse;
2. almeno una bianca;
3. una per ciascun colore, senza tenere conto dell’ordine di estrazione;
4. due rosse e una nera, senza tenere conto dell’ordine di estrazione;
5. una rossa, una bianca e una nera, nell’ordine.
Probabilità: indipendenza
Esempio
Data la tabella, esaminare in quali casi (1,2,3,4) gli eventi
sono indipendenti
Caso P(A) P(B) P(A∪B)
1 0.2 0.6 0.68
2 0.1 0.99 0.80
3 0.6 0.4 0.76
4 0.8 0.8 0.96

Ricordando che P(A∪ B) = P(A) + P(B) − P (A ∩ B), allora P (A ∩ B) = P(A) + P(B) − P(A∪ B)

Se indipendenti: P (A ∩ B) = P(A) P(B)

Caso P (A ∩ B) P(A)P(B) Indipendente


1 0.12 0.12 sì
2 0.29 0.10 no
3 0.24 0.24 sì
4 0.64 0.64 sì
Probabilità: indipendenza
Esempio
Un’urna contiene 8 palline rosse, 3 palline bianche e 9 palline nere. Si estraggono tre palline a caso senza rimetterle
nell’urna dopo ogni estrazione. Determinare le probabilità che siano:
1. tre rosse;
2. almeno una bianca;
3. una per ciascun colore, senza tenere conto dell’ordine di estrazione;
4. due rosse e una nera, senza tenere conto dell’ordine di estrazione;
5. una rossa, una bianca e una nera, nell’ordine.

Soluzione
Evento R1 = “rossa alla prima estrazione” Evento B1 = “bianca alla prima estrazione”
Evento N1 = “nera alla prima estrazione” Evento R2 = “rossa alla seconda estrazione”
Evento R3 = “rossa alla terza estrazione”
1. Evento R1∩ R2∩ R3 = “tre rosse”
8 7 6 14
0(R1 ∩ R2 ∩ R3) =P(R1) · 0 M2 M1 · 0 M3 M1 ∩ M2 = = = 0.049
20 19 18 285
2. P(“almeno una bianca”) = 1 − P(“nessuna bianca”)
8
NOP,Q + +4
P(“nessuna bianca”) = = 5 = = 0.596 P(“almeno una bianca”) = 1 − 0.596 = 0.404
NRS,Q /8
+
NT,O ·NQ,O ·NU,O 6
3. No ordine - P(“una rossa, una bianca e una nera”) = = = 0.189
NRS,Q 7/
NT,R ·NU,O 5
4. No ordine - P(“due rossa e una nera”) = = = 0.221
NRS,Q 7/
6 + 7 +
5. Si tiene conto dell’ordine - 0 M1 ∩ 2 ∩ 3 = 0 M1 · 0 2 M1 · 0 3 M1 ∩ 2 = = = 0.0316
5 7 6 7/
Probabilità: teorema di Bayes
Gli eventi B1 e B2 sono tali che B1∩B2 = ∅ e B1∪B2 = Ω

Gli insiemi A∩B1 e A∩B2 sono mutuamente esclusivi, perciò


P(A) = P(A∩B1)+ P(A∩B2)

Applicando la regola di moltiplicazione si ottiene


P(A) = P(B1)⋅ P(A| B1)+ P(B2)⋅ P(A| B2)

Questa formula esprime la regola della probabilità totale nel caso particolare di due eventi
La regola può essere generalizzata al caso di una famiglia di n eventi B1, B2,.....,Bn disgiunti e esaustivi

Teorema della probabilità totale


Sia A un evento e {B1, B2,.....,Bn } una famiglia di eventi dello spazio campionario Ω incompatibili e tali
che uno e uno solo di essi si verifichi, ossia tali che
V ∩ W =∅ per X ≠ Z (incompatibili)
∪ 5 ∪ ⋯∪ $ =Ω (esaustivi)
0( V ) ≠ 0 per ogni i
Allora si dimostra che
$

0 =0 ·0 +0 5 ·0 5 +⋯+ 0 $ ·0 $ = \0 V ·0 V
V]
Probabilità: teorema di Bayes
Esempio
Siano date due urne che contengono rispettivamente:
U1: 2 palline rosse e 1 nera U2: 3 palline rosse e 2 nere
Scegliamo a caso un'urna ed estraiamo a caso una pallina dall'urna scelta. Qual è la probabilità di
estrarre una pallina nera?

Evento B1 = “è stata scelta U1” Evento B2 = “è stata scelta U2”


∩ 5=∅ ∪ 5=Ω

Evento A = “è stata estratta una pallina nera ”

Applicando il teorema della probabilità totale 0 =0 ·0 +0 5 ·0 5

5
0 = 0 5 = 0 = 0 5 =
5 5 + /

1 1 2 1
0 = · + · = 0.367
3 2 5 2
Probabilità: teorema di Bayes

Teorema di Bayes

Sia A un evento con P(A) > 0 e {B1, B2,.....,Bn } una famiglia di eventi dello spazio campionario Ω
soddisfacenti le ipotesi del teorema della probabilità totale

Allora per ogni k


0 % ·0 %
0 %| =
∑$V] 0 V ·0 V

Esempio
Riferendoci all'esempio precedente possiamo ora porre il seguente quesito: se è stata estratta una pallina
nera, qual è la probabilità di aver scelto la prima urna ?

Per rispondere a questa domanda bisogna calcolare la probabilità P(B1| A)

1 1
0 ·0 ·
0 | = = 3 2 ≅ 0.455
0( ) 11
30
Probabilità: teorema di Bayes
Esempio
Un’industria ha installato un sistema per il controllo di qualità, che garantisce che, se un
pezzo è difettoso, viene eliminato con probabilità 0.999. C’è una probabilità pari a 0.002 che
anche un pezzo non difettoso venga eliminato. Si sa anche che la probabilità che un pezzo
sia difettoso è 0.05

Calcoliamo la probabilità che un pezzo che non sia stato eliminato al controllo di qualità sia
difettoso

Esempio
Sapendo che la percentuale di persone che hanno i capelli rossi in Piemonte, in Sardegna e
nelle Marche è rispettivamente del 5%, 1% e 2%, e che le tre regioni hanno rispettivamente
4.5, 2 e 1.5 milioni di abitanti. Calcolare la probabilità che la regione di origine di una
persona, scelta a caso tra gli abitanti delle tre regioni, sia la Sardegna, supposto che:
1. abbia i capelli rossi
2. non abbia i capelli rossi
Probabilità: teorema di Bayes
Esempio
Un’industria ha installato un sistema per il controllo di qualità, che garantisce che, se un pezzo è
difettoso, viene eliminato con probabilità 0.999. C’è una probabilità pari a 0.002 che anche un pezzo
non difettoso venga eliminato. Si sa anche che la probabilità che un pezzo sia difettoso è 0.05

Calcoliamo la probabilità che un pezzo che non sia stato eliminato al controllo di qualità sia difettoso

Evento E = “il pezzo viene eliminato” Evento D = “il pezzo è difettoso”

Sappiamo che: 0 ` # = 0.999 0 ` # = 0.002 P(D) = 0.05

J `# ·J a
Con il teorema di Bayes vogliamo calcolare 0 #|` =
J `# ·J a bJ `# ·J a

Abbiamo
0 ` # = 1 − 0 ` # = 1 − 0.999 = 0.001
0 ` # = 1 − 0 ` # = 1 − 0.002 = 0.998
0 # = 1 − 0 # = 1 − 0.05 = 0.95
Utilizzando il teorema otteniamo

0 ` # ·0 # 0.001 · 0.05
0 #|` = = = 0.0000527
0 ` # ·0 # +0 ` # ·0 # 0.001 · 0.05 + 0.998 · 0.95
Probabilità: teorema di Bayes
Esempio
Sapendo che la percentuale di persone che hanno i capelli rossi in Piemonte, in Sardegna e nelle Marche è
rispettivamente del 5%, 1% e 2%, e che le tre regioni hanno rispettivamente 4.5, 2 e 1.5 milioni di abitanti. Calcolare la
probabilità che la regione di origine di una persona, scelta a caso tra gli abitanti delle tre regioni, sia la Sardegna,
supposto che:
1. abbia i capelli rossi
2. non abbia i capelli rossi
Definiti gli eventi come: R: capelli rossi
P: regione di origine Piemonte S: regione di origine Sardegna M: regione di origine Marche

I dati forniti del testo si possono così riportare:


P(R|P) = 0.05, P(R|S) = 0.01, P(R|M) = 0.02, P(P) = 4.5/8 = 9/16, P(S) = 2/8 = 4/16, P(M) = 1.5/8 = 3/16

1. Abbiamo gli elementi per applicare la formula di Bayes e ricavare la probabilità richiesta:

0 M c 0(c) 0.01 · 0.25


0 cM = = = 0.0727
0 M 0 0 0 + 0 M c 0 c + 0 M d 0(d) 0.05 · 9 + 0.01 · 4 + 0.02 · 3
16 16 16

2. Per risolvere il secondo punto dobbiamo considerare l’evento complementare , ed utilizzare la formula

0 M 0 = 0.95, 0 M c = 0.99 e 0 M d = 0.98

0 M c 0(c) 0.99 · 0.25


0 cM = = = 0.2563
0 M 0 0 0 + 0 M c 0 c + 0 M d 0(d) 0.95 · 9 + 0.99 · 4 + 0.98 · 3
16 16 16
Probabilità: teorema di Bayes
Esempio
In una fabbrica ci sono tre linee di produzione: A, B e C; le quali forniscono
rispettivamente il 55%, 30% e il 15% della produzione totale. Supposto che le percentuali
di prodotti difettosi che provengono dalle tre linee siano rispettivamente il 2%, il 3% ed il
6%, calcolare:
1. la probabilità che un prodotto scelto a caso dalla produzione totale sia difettoso
2. la probabilità che un prodotto difettoso provenga dalla linee A

Esempio
Il responsabile marketing di una società sta analizzando le probabilità di successo sul
mercato di un nuovo prodotto. Nell’esperienza passata della ditta il 65% dei nuovi prodotti
ha avuto successo di mercato, mentre il restante 35% non l’ha ottenuto. Si sa inoltre che
l’80% dei prodotti di successo avevano ricevuto un giudizio positivo da parte degli esperti
di marketing della società prima dell’immissione del prodotto sul mercato, mentre lo
stesso giudizio era stato attribuito solo al 30% dei prodotti che si sarebbero poi rivelati un
insuccesso di mercato.

Il responsabile è interessato a calcolare la probabilità che il nuovo prodotto sia premiato


dal mercato, sapendo che gli esperti della società lo hanno valutato positivamente.
Probabilità: teorema di Bayes
Soluzione

Definiti gli eventi come: D: prodotto difettoso


A: il prodotto proviene dalla linea A B: il prodotto proviene dalla linea B C: il prodotto proviene dalla linea C

I dati forniti del testo si possono così riportare:


P(A) = 0.55, P(B) = 0.3, P(C) = 0.15, P(D|A) = 0.02, P(D|B) = 0.03, P(D|C) = 0.06

Dalla formula della probabilità condizionata possiamo ricavare:


0 0 # = 0 ∩ # = 0.55 · 0.02 = 0.011 0 0 # =0 ∩ # = 0.3 · 0.03 = 0.009
0 0 # = 0 ∩ # = 0.15 · 0.06 = 0.009

1. la probabilità che un prodotto scelto a caso dalla produzione totale sia difettoso, si ricava quindi dal teorema delle
probabilità totali come: h

0 # = \ 0(#|eX'fg) · 0(eX'fg) = 0.011 + 0.009 + 0.009 = 0.029


h
2. per calcolare la probabilità che un prodotto difettoso provenga dalla linea A è necessario utilizzare Bayes

0 # 0( ) 0.02 · 0.55
0 # = = = 0.3793
0 # 0 +0 # 0 +0 # 0( ) 0.029
Probabilità: teorema di Bayes
Soluzione

Evento S = “prodotto di successo” Evento S = “prodotto non di successo”


Evento Pos = “giudizio positivo degli esperti”

Sappiamo che: 0 c = 0.65, 0 c̅ = 0.35, 0 0jk c = 0.80, 0 0jk c̅ = 0.30

Con il teorema di Bayes calcoliamo

0 0jk c 0(c) 0.80 · 0.65


0 c 0jk = = = 0.832
0 0jk c 0 c + 0 0jk c̅ 0 c̅ 0.80 · 0.65 + 0.30 · 0.35

La probabilità dell’evento complementare, ossia che il prodotto valutato positivamente dagli esperti
della società non abbia poi successo di mercato, vale
P(S | Pos)= 1− P(S | Pos) = 1− 0.832 = 0.168

Potrebbero piacerti anche