Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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’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
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
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
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).
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(− ∞ < 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
16/05/2014 C. Prati 11
Valore atteso di una funzione di v.c.
∞
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
−∞
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
−∞
σ x2 = E[( x − mx )2 ] = E[x2 ] − mx 2
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 )
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
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
b 1 a
p y / x = a (b ) = rect
1 1/L
− −
L L 2 L a L+a b
0
b
2L
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
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