Frequenza relativa e probabilità

La probabilità e' un numero che indica con quale frequenza si presentano eventi
associati ad un insieme di possibili risultati di un “esperimento”.

Esempio:
• Esperimento: Lancio “casuale” di un dado
• Risultato: Numero sulla faccia superiore del dado
• Insieme dei possibili risultati (elementari): S={1,2,3,4,5,6}
• Evento: qualsiasi sottoinsieme dell’insieme dei risultati A={1,2}; B={2,4,6}; ecc.

Se si esegue un numero N di prove sufficientemente elevato, sia l’esperienza

sia la teoria della probabilità mostrano che la frequenza relativa dei singoli
risultati (k=1,2,3,4,5,6) (o di un qualsiasi evento) è prossima alla loro
probabilità:
≈ P ( A)
NA
fA =
N
16/05/2014 C. Prati 1
 Probabilità: proprietà e regole di calcolo

0 ≤ P ( A) ≤ 1
La probabilità è un numero
compreso tra 0 (evento
impossibile) e 1 (evento certo)

P(S ) = 1
L’insieme S di tutti i possibili
risultati è l’evento certo

La probabilità dell’unione (or) di 2

eventi è uguale alla somma delle
probabilità meno la probabilità P( A + B ) = P( A) + P(B ) − P( AB )
della loro intersezione

La probabilità dell’intersezione
(and) di 2 eventi è uguale alla
probabilità di un evento
condizionato alla realizzazione
P( AB) = P( A / B ) ⋅ P(B )
del secondo, moltiplicata per la
probabilità dell’evento

16/05/2014 C. Prati 2
Esempio del calcolo di probabilità dell’unione
Calcolare la probabilità dell’unione dei seguenti eventi:
A = uscita dei numeri {1,2,3} sulla roulette
B = uscita di un numero pari sulla roulette

P( A + B ) = P( A) + P(B ) − P( AB ) = + − P( AB )
3 18
37 37

P( AB ) = P ( A / B ) ⋅ P (B ) =
1 18 1
⋅ =
18 37 37

P( AB ) = P(B / A) ⋅ P( A) = ⋅ =
1 3 1
3 37 37

P( A + B ) = P( A) + P(B ) − P( AB ) =
3 18 1 20
+ − =
37 37 37 37

16/05/2014 C. Prati 3
 Teorema di Bayes

P( AB) = P( A / B ) ⋅ P(B )
P ( A)
P ( A / B ) = P ( B / A) ⋅
P( B)
P( AB) = P(B / A) ⋅ P( A)

16/05/2014 C. Prati 4
 Esempio 1 teorema di Bayes

60% biglietti vincenti (V) 40% biglietti perdenti (P)

70% dei biglietti vincenti e tutti quelli perdenti sono rossi (R)
Calcolare la probabilità che scelto un biglietto rosso sia vincente

P(V )
P(V / R ) = P(R / V ) ⋅ =
P( R)
P(V )
= P (R / V ) ⋅ =
P( R / V ) P(V ) + P( R / P) P( P)
0,6
= 0,7 × = 0,51
0,7 × 0,6 + 1× 0,4

16/05/2014 C. Prati 5
 Esempio 2 teorema di Bayes

Su 3 buste (1,2,3), una sola è vincente (V).

Il giocatore (G) sceglie una busta e il conduttore (C) ne apre un’altra senza
premio.
Se il giocatore sceglie la busta 1 e il conduttore apre la busta 3 (GC13),
calcolare la probabilità che il premio sia nella busta 1 (V1) o nella busta 2 (V2).

P(V 1)
P(V 1 / (C 3 G1)) = P((C 3 G1) / V 1) ⋅
13 1
= ⋅
1 =
P(C 3 G1) 2 12 3
P(V 2)
P(V 2 / (C 3 G1)) = P((C 3 G1) / V 2) ⋅
13 2
= 1⋅ =
P(C 3 G1) 12 3

16/05/2014 C. Prati 6
 Esempio 3 teorema di Bayes

Su 3 buste (1,2,3), una sola è vincente (V).

Il conduttore (C) ne apre una senza premio (C3).
Calcolare la probabilità che il premio sia nella busta 1 (V1) o nella busta 2 (V2).

P(V 1) 1 1 3 1
P(V 1 / C 3) = P(C 3 / V 1) ⋅ = ⋅ =
P(C 3) 2 13 2
P(V 2) 1 1 3 1
P(V 2 / C 3) = P(C 3 / V 2) ⋅ = ⋅ =
P(C 3) 2 13 2

16/05/2014 C. Prati 7
 Variabile casuale
x numero reale associato ad un evento

Funzione di distribuzione Fx (a ) = P( x ≤ a)
1 – Monotona non decrescente

2- Fx (− ∞ ) = 0 Fx (∞ ) = 1

P (a ≤ x ≤ a + da ) d
Densità di probabilità p x (a ) = = Fx (a )
da da
1– p x (a ) ≥ 0
+∞

2- ∫ p (a )da = 1
−∞
x

16/05/2014 C. Prati 8
 Variabile casuale discreta
• Le variabili casuali sono discrete quando possono assumere un insieme
x i possibili risultati sono in numero finito o
discreto di valori (e quindi
comunque numerabile).

• Esempio: v.c. Legata al numero sulla faccia superiore del dado.

Funzione di distribuzione

Fx (a ) = P ( x ≤ a ) = u (a − 1) + u (a − 2) + ... + u (a − 6)
1 1 1
6 6 6
Densità di probabilità

p x (a ) = Fx (a ) = δ (a − 1) + δ (a − 6) + ... + δ (a − 6)
d 1 1 1
da 6 6 6

16/05/2014 C. Prati 9
 Variabile casuale continua
• Le variabili casuali sono
x continue quando possono assumere un insieme
continuo di valori (e quindi i possibili risultati sono in numero infinito).

• Esempio: v.c. Uniforme 0-1 - Posizione di una biglia che si muove a velocità costante
su una pista circolare lunga 1 metro. Assume con la stessa probabilità un qualsi
valore reale valore compreso tra 0 e 1

Funzione di distribuzione Fx (a ) = P( x ≤ a) = a

p x (a ) = Fx (a ) = 1
d
Densità di probabilità
da

16/05/2014 C. Prati 10
 Uso della densità di probabilità
Dalla densità di probabilità p(a) è facile calcolare la probabilità che la variabile
casuale x assuma un valore compreso in un intervallo a1, a2. Basta sommare! si
ottiene l’area sottesa dalla ddp nell’intervallo d’interesse.

a2 0.5

P(a1 < x ≤ a2 ) = ∫ px (a)da

0.4
a1

Si noti che 0.3

∞
P(− ∞ < x < ∞) = ∫ px (a)da = 1 0.2

−∞
0.1

0
Dunque l’area sottesa dalla ddp di una -5 -4 -3 -2 -1 0 1 2 3 4 5

qualunque variabile casuale è unitaria. a1 a2

16/05/2014 C. Prati 11
 Valore atteso di una funzione di v.c.

Il valore atteso di una funzione g(x) di una variabile casuale

x è definito come segue.

∞
E [g ( x )] = ∫ g (a )⋅ p (a )⋅ da
x
−∞

16/05/2014 C. Prati 12
 Valor medio di una variabile casuale
Il valor medio mx , detto anche valore atteso E [x] o momento (statistico) di ordine
uno, di una variabile casuale x è definito come segue.

∞
m x = E [x ] = ∫ a ⋅ p (a) ⋅ da
x
−∞

Il valor medio di una variabile casuale è l’ascissa del “baricentro” dell’area

sottesa dalla densità di probabilità.

p(a) p(a)

mX a mX a

Il valor medio della somma di 2 variabili casuali è la somma dei valori medi
16/05/2014 C. Prati 13
 Valore quadratico medio e varianza
[ ]
Il valor quadratico medio E [x2], detto∞anche potenza statistica o momento
σ X2 2,
(statistico) di ordine =Edi( una X ) = ∫ (acasuale
X − mvariabile
2
− mx )2 ⋅ x
f X (èa): ⋅ da =
−∞

[ ] [ ] [ ]
= E X 2 − 2 ⋅ mX ⋅ E[ X ] + m2X = E X ∞− 2 ⋅ mX ⋅ mX + m2X = E X 2 − m2X
2

E[x2 ] = ∫ a2 ⋅ px(a)⋅ da
−∞

La varianza σ x2 (detta anche momento centrale di ordine 2) di una variabile

casuale x è il valore quadratico medio della differenza tra x e il suo valor medio mx

σ x2 = E[( x − mx )2 ] = E[x2 ] − mx 2

La radice quadrata della varianza è detta deviazione standard (o scarto quadratico

medio) della variabile casuale x
σ x = σ x2

16/05/2014 C. Prati 14
 Densità di probabilità Gaussiana

p x (a) =
1 
exp−
(a − mx ) 
2


2πσ x
2
 2σ x 
2

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
-5 -4 -3 -2 -1 0 1 2 3 4 5

16/05/2014 C. Prati 15
 Ddp congiunta di 2 variabili casuali
Densità di probabilità congiunta delle 2 variabili casuali x e y:

P (a ≤ x ≤ a + da, b ≤ y ≤ b + db)
p xy (a, b ) =
da ⋅ db
-5
0.5
-4
0.45
-3
0.4
-2
0.35
-1
0.3
0
0.25
a
1
0.2
2 0.15
3 0.1
4 0.05

5 0
-5 0 5

b
16/05/2014 C. Prati 16
La densità di propabilità congiunta si puo' ottenere come densità di propabilità di una
sola v.c. condizionata al valore assunto dall'altra v.c. (es: x=1) moltiplicata per la
probabilità che la variabile casuale condizionante abbia assunto quel preciso valore.

a=1
1.4 -5
0.5
-4
1.2 0.45
-3
0.4
1
-2
0.35
-1
0.8 0.3
0
0.25
0.6
1
0.2
2
a
0.4 0.15
3 0.1
0.2
4 0.05

0 5 0
-5 0 5 -5 0 5
b
b

p xy (1, b ) = p y / x =1 (b ) ⋅ p x (1)

16/05/2014 C. Prati 17
La densità di propabilità congiunta si puo' ottenere come densità di propabilità di una
sola v.c. condizionata al valore assunto dall'altra v.c. (es: x=-1) moltiplicata per la
probabilità che la variabile casuale condizionante abbia assunto quel preciso valore.

a=-1
1.4
-5
1.2 0.5
-4
0.45
1 -3
0.4
-2
0.35
0.8
-1
0.3
0
0.6 0.25
1
0.2
0.4 2
a
0.15
3 0.1
0.2
4 0.05
0 5 0
-5 0 5 -5 0 5
b
b

p xy (− 1, b ) = p y / x = −1 (b ) ⋅ p x (− 1)

16/05/2014 C. Prati 18
 Legame tra ddp congiunta e condizionata

1.4
-5
0.5
1.2 -4
0.45
-3
1 0.4
-2
0.35
0.8 -1
0.3
0
0.6 0.25
1
0.2
0.4 2
a
0.15
3 0.1
0.2
4 0.05
0 5 0
-5 0 5 -5 0 5
b
b

p xy (a, b ) = p y / x = a (b ) ⋅ p x (a )
16/05/2014 C. Prati 19
 Ddp congiunta di 2 variabili casuali
Densità di probabilità congiunta delle 2 variabili casuali x e y:

P (a ≤ x ≤ a + da, b ≤ y ≤ b + db)
p xy (a, b ) =
da ⋅ db
Densità di probabilità della variabile x condizionata al valore assunto dalla variabile y:

p x / y =b (a )
Legame ddp congiunta e ddp condizionata

p xy (a, b ) = p x / y =b (a ) ⋅ p y (b )

Se le 2 v.c. sono tra loro indipendenti p x / y =b (a ) = p x (a )

p xy (a, b ) = p x (a ) ⋅ p y (b )
16/05/2014 C. Prati 20
 Esempio 1 ddp congiunta e condizionata
Esperimento: 2 biglie che si muovono a velocità costante su 2 piste circolari
lunghe L metri.
 a 1
p x (a ) = rect  − 
1 1/L
x posizione della prima biglia
L  L 2
0 L
y posizione della seconda biglia

Densità di probabilità della variabile y condizionata al valore assunto dalla variabile x:

1  b 1 1/L
py/x=a ( b) = rect  − 
L L 2 b
0
Legame ddp congiunta e ddp condizionata
1  b 1  a 1
pxy ( a, b) = py/x=a ( b) ⋅ px ( a) = py ( b) ⋅ px ( a) = 2 rect  −  ⋅ rect  − 
b
L L 2 L 2 L

0 L a

16/05/2014 C. Prati 21
 Esempio 2 ddp congiunta e condizionata
Esperimento: 2 biglie che si muovono a velocità costante su 2 piste circolari
lunghe L metri.
 a 1
p x (a ) = rect  − 
1 1/L
x posizione della prima biglia
L  L 2 a
0 L
y somma delle posizioni delle 2 biglie

Densità di probabilità della variabile y condizionata al valore assunto dalla variabile x:

b 1 a
p y / x = a (b ) = rect
1 1/L
 − − 
L L 2 L a L+a b
0
b
2L

Legame ddp congiunta e ddp condizionata

1  b 1 a  a 1
pxy ( a, b) = py/x=a ( b) ⋅ px ( a) = rect  − −  ⋅ rect  − 
L
L2
L 2 L L 2

0
L a
16/05/2014 C. Prati 22
 Densità di probabilità marginali
0.4

0.35

p x (a )
p y (b ) = ∫ p xy (a, b )da
0.3

0.25

0.2

p x (a ) = ∫ p xy (a, b )db
0.15

0.1

0.05

0
-5 -4 -3 -2 -1 0 1 2 3 4 5

p y (b )
-5
0.5
-4
0.45
-3
0.4
-2
0.35
-1
0.3
0
0.25
1
0.2
2
a
0.15
3 0.1
4 0.05

5 0
-5 0 5

b
16/05/2014 C. Prati 23
 Esempio ddp marginale
Esperimento: 2 biglie che si muovono a velocità costante su 2 piste circolari
lunghe L metri.
b
x posizione della prima biglia 2L

y somma delle posizioni delle 2 biglie

1  b 1 a  a 1
pxy ( a, b) = py/x=a ( b) ⋅ px ( a) = rect  − −  ⋅ rect  −  L
L2
L 2 L L 2

0
L a

1/L
 a 1
p x (a ) = ∫ p xy (a, b )db = rect  − 
1
a
L  L 2 0 L

1 b 
p y (b ) = ∫ p xy (a, b )da = tri  − 1
1/L

L L  L
0 b

16/05/2014 C. Prati 24