02 - Elementi Di Statistica e Di Calcolo Delle Probabilita

Elementi di statistica e di calcolo delle probabilità
Elementi di statistica e di
calcolo delle probabilità
Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 1

Statistica
Statistica
• È una scienza che si propone di classificare una
popolazione composta da 𝑁 individui in
relazione ad un unico aspetto (attributo) che
interessa l’indagine.
• Def: popolazione: è l’insieme di individui sui
quali si effettua l’indagine statistica. Gli individui
devono possedere l’attributo che si intende
studiare.

Statistica
• Def: attributo: generalmente indicato con 𝑋, è

una particolare caratteristica degli individui della
popolazione che si manifesta in essi con forme
(valori argomentali) differenti. L’attributo, per
essere tale, deve soddisfare le seguenti
caratteristiche:
– Ogni individuo deve poter possedere una e una sola forma
dell’attributo.
– Più individui possono possedere la stessa forma dell’attributo
(concetto di classe).
– L’attributo deve essere presente con almeno due forme
diverse, cioè la popolazione deve essere eterogenea rispetto
all’attributo.
Statistica
• L’attributo X può altresì essere:

– discreto, se assume un numero finito di forme;
– continuo, se assume tutte le possibili forme con
continuità.

Variabile statistica ad una dimensione

• Consideriamo un attributo discreto che può
assumere 𝑛 forme (o valori argomentali).
𝑥1 , 𝑥2 , … , 𝑥𝑛
• La variabile statistica è rappresentata con una

doppia successione in corrispondenza biunivoca
tra le forme dell’attributo e la frequenza con cui
l’attributo si è manifestato nella popolazione
𝑥1 𝑥2 … 𝑥𝑛 forme dell’attributo
𝑋 ቐ
𝑓1 𝑓2 … 𝑓𝑛 frequenze assolute
• Oppure, in termini di frequenze relative
𝑋 𝑓1 𝑓2 𝑓𝑛
… frequenze relative
𝑁 𝑁 𝑁
• Valgono le seguenti relazioni
෍ 𝑓𝑖 = 𝑁
𝑖=1
𝑛
𝑓𝑖
෍ =1
𝑁
𝑖=1

• Le frequenze godono della proprietà additiva.

• Quindi, se si crea una classe
𝐶1 = 𝑥1 , 𝑥2 , 𝑥3
• La sua frequenza assoluta sarà
𝑓𝐶1 = 𝑓1 + 𝑓2 + 𝑓3

Rappresentazione grafica di una variabile statistica
Rappresentazione grafica di una variabile

statistica
• Fornisce una rappresentazione qualitativa della
variabile statistica.
• Si riportano i valori argomentali sulle ascisse e le
frequenze (assolute o relative) sulle ordinate,
ottenendo la distribuzione delle frequenze.
• Le altezze delle linee sono proporzionali alla
frequenza.

x1 x2 xn x

• Quando i valori argomentali sono parecchi,

conviene definire delle classi e passare alla
rappresentazione ad istogrammi.
• Data la valenza della proprietà additiva, la
frequenza di una classe è la somma delle
frequenze dei valori argomentali contenuti nella
classe stessa.
• Si deve dapprima definire una unità di misura, ad
esempio 𝑚0 .

• Le altezze degli istogrammi sono quindi date

dalla relazione
𝑓𝐶𝑖 𝑓𝐶𝑖 1
𝑦𝑖 = 𝑚 = = ∙ ෍ 𝑓𝑘
𝑖 𝑘𝑖 𝑘𝑖
𝑚0 𝑥𝑘 ∈𝐶𝑖
dove
𝑚𝑖
𝑘𝑖 =
𝑚0
rappresenta l’ampiezza della classe 𝑖-esima in
termini di numero di unità di misura.
• Si possono avere classi di ampiezza costante.

(nel caso rappresentato di valore pari alla misura 𝑚0 )
f
y1
x1 x2 xn x
C1 C2 Cp
m0

• Può essere a volte utile definite classi di

ampiezza diversa.
f
y1
x1 x2 xn x
C1 C2 Cq
m1
m0
Cumulativa di frequenze
Cumulativa di frequenze (o funzione di

distribuzione)
• Si indica con 𝐹, ed è rappresentata dalla
seguente doppia successione in corrispondenza
biunivoca
𝑥1 𝑥2 … 𝑥𝑛
𝑋 𝑓1 𝑓1 + 𝑓2 𝑓1 + 𝑓2 + ⋯ + 𝑓𝑛
𝐹1 = 𝐹2 = … 𝐹𝑛 = =1
𝑁 𝑁 𝑁

• La 𝐹𝑖 è quindi definita come

𝑖
𝑓𝑘
𝐹𝑖 = ෍
𝑁
𝑘=1
• Si osserva inoltre che 0 ≤ 𝐹 𝑋 ≤ 1, essendo

𝑛
𝑓𝑘
𝐹𝑛 = ෍ = 1
𝑁
𝑘=1
• Per la proprietà additiva delle frequenze, il concetto

di cumulativa può essere esteso alle classi.
f
N
x1 x2 xn x
C1 C2 Cp
F
0
C1 C2 Cp

Moda, mediana e quantili
Moda, mediane e quantili

• Def: moda. È il valore argomentale a cui
corrisponde la massima frequenza rispetto ai
valori argomentali che lo precedono e lo seguono.
f
x1 x2 xn x
C1 C2 Cp

• Possono esistere varabili statistiche plurimodali

(come quella della slide precedente), unimodali o
zeromodali.
f f
unimodale zeromodale
x x

• Def: mediana. È quel valore argomentale 𝑥𝑀 (o

𝐶𝑀 ) tale che il 50% della popolazione assume
valori argomentali ≤ 𝑥𝑀 (o ≤ 𝐶𝑀 ).
F
0.75
0.5
M Q3
0.25
Q1
0
C1 C2 C3 C6 C7 Cp

• I quantili sono definiti come la mediana, solo che

sono riferiti a:
– 𝐹 ≤ 0.25, primo quantile 𝑄1 ;
– 𝐹 ≤ 0.5, secondo quantile 𝑄2 , coincidente con
la mediana 𝑀 per definizione;
– 𝐹 ≤ 0.75, terzo quantile 𝑄3 ;

Rappresentazione sintetica di una variabile statistica
Rappresentazione sintetica di una variabile

statistica
• Fornisce una rappresentazione quantitativa della

variabile statistica e ci permette di studiarla con
regole matematiche.
• La rappresentazione sintetica è basata sui
cosiddetti momenti.

• Def: momento di ordine 𝒌 rispetto al polo 𝝑

𝑛
𝑘
𝑓𝑖
𝑚𝑘,𝜗 = ෍ 𝑥𝑖 − 𝜗 ∙
𝑁
𝑖=1
• I momenti più significativi sono tre:

1) Media: momento di ordine 1 rispetto al polo 0:
𝑛 𝑛
1
𝑓𝑖 𝑓𝑖
𝑀 = 𝑥ҧ = 𝑚1,0 = ෍ 𝑥𝑖 − 0 ∙ = ෍ 𝑥𝑖 ∙
𝑁 𝑁
𝑖=1 𝑖=1

2) Valore quadratico medio: momento di ordine 2

rispetto al polo 0:
𝑛 𝑛
2
𝑓𝑖 2 𝑓𝑖
𝑀2 = 𝑚2,0 = ෍ 𝑥𝑖 − 0 ∙ = ෍ 𝑥𝑖 ∙
𝑁 𝑁
𝑖=1 𝑖=1
3) Varianza: momento di ordine 2 rispetto al polo

𝑀:
𝑛
2 2
𝑓𝑖
𝜎 = 𝑚2,𝑀 = ෍ 𝑥𝑖 − 𝑀 ∙
𝑁
𝑖=1
• La media indica la posizione dell’attributo

all’interno della popolazione, mentre la varianza
indica come i valori argomentali si disperdono
attorno alla media.
• Si hanno inoltre altri parametri significativi:
Scarto: rappresenta la distanza tra il valore
argomentale e la media:
𝜐𝑖 = 𝑥𝑖 − 𝑀

Scarto quadratico medio (o deviazione

standard):
𝑛
𝑓𝑖
𝜎= 𝜎2 = 2
෍ 𝑥𝑖 − 𝑀 ∙
𝑁
𝑖=1

Osservazioni
1) La variabile statistica formata dagli scarti (𝜐) ha
valor medio nullo:
𝑛 𝑛
1
𝑓𝑖 𝑓𝑖
𝑚1,0 𝜐 = ෍ 𝜐𝑖 − 0 ∙ = ෍ 𝑥𝑖 − 𝑀 ∙ =
𝑁 𝑁
𝑖=1 𝑖=1
𝑛 𝑛
𝑓𝑖 𝑓𝑖
= ෍ 𝑥𝑖 ∙ − 𝑀 ∙ ෍ = 𝑀 − 𝑀 ∙ 1 = 0
𝑁 𝑁
𝑖=1 𝑖=1

2) La media 𝑀 è il valore del polo 𝜗 per cui è

minimo il momento del secondo ordine:
𝑛
2
𝑓𝑖
𝑚2,𝜗 = ෍ 𝑥𝑖 − 𝜗 ∙
𝑁
𝑖=1
𝑛
𝑑𝑚2,𝜗 𝑓𝑖
= −2 ∙ ෍ 𝑥𝑖 − 𝜗 ∙ = 0
𝑑𝜗 𝑁
𝑖=1
𝑛 𝑛 𝑛
𝑓𝑖 𝑓𝑖 𝑓𝑖
෍ 𝑥𝑖 − 𝜗 ∙ ෍ = 0 ⇒ 𝜗 = ෍ 𝑥𝑖 = 𝑀
𝑁 𝑁 𝑁
𝑖=1 𝑖=1 𝑖=1

3) Vale la relazione 𝜎 2 = 𝑀2 − 𝑀2
𝑛
2
𝑓
2 𝑖
𝜎 = ෍ 𝑥𝑖 − 𝑀 =
𝑁
𝑖=1
𝑛 𝑛 𝑛
2 𝑓𝑖 𝑓𝑖 2
𝑓𝑖
= ෍ 𝑥𝑖 − 2 ∙ 𝑀 ∙ ෍ 𝑥𝑖 + 𝑀 ∙ ෍ =
𝑁 𝑁 𝑁
𝑖=1 𝑖=1 𝑖=1
= 𝑀2 − 2 ∙ 𝑀 ∙ 𝑀 + 𝑀2 ∙ 1 = 𝑀2 − 𝑀2

Esercizio
• Un’indagine statistica eseguita su di una classe di
30 individui per studiare la distribuzione dell’età
ha dato i seguenti risultati:
età 18 20 23 24 25 28 29 30 37 40 42
frequenza 3 4 6 5 2 3 1 2 2 1 1
• Si calcolino media, valore quadratico medio,

varianza e deviazione standard.

Soluzione
𝑛
𝑓𝑖
𝑀 = ෍ 𝑥𝑖 ∙ =
𝑁
𝑖=1
18 ∙ 3 + 20 ∙ 4 + 23 ∙ 6 + 24 ∙ 5 + 25 ∙ 2 + 28 ∙ 3 + 29 ∙ 1 + 30 ∙ 2 + 37 ∙ 2 + 40 ∙ 1 + 42 ∙ 1
= =
3+4+6+5+2+3+1+2+2+1+1
= 25.7 anni
𝑛
𝑓𝑖
𝑀2 = ෍ 𝑥𝑖2 ∙ =
𝑁
𝑖=1
182 ∙ 3 + 202 ∙ 4 + 232 ∙ 6 + 242 ∙ 5 + 252 ∙ 2 + 282 ∙ 3 + 292 ∙ 1 + 302 ∙ 2 + 372 ∙ 2 + 402 ∙ 1 + 422 ∙ 1
= =
3+4+6+5+2+3+1+2+2+1+1
= 699
𝜎 2 = 𝑀2 − 𝑀2 = 699 − 25.72 = 38.51
𝜎 = 𝜎 2 = 38.51 = 6.21 anni

Calcolo delle probabilità

• Lo studio statistico visto finora è riferito ad una
serie di valori argomentali e frequenze note a
priori.
• In particolare, si definisce un esperimento (es:
misura delle età degli individui della classe), poi
si effettuano le misurazioni ed infine, sulla base
dei dati ottenuti, si possono definire alcune
caratteristiche come 𝑀, 𝑀2 , e 𝜎 2 .

• Ora invece supponiamo di avere a che fare con

un esperimento ripetibile, il cui risultato sia
governato da variabili casuali, cioè che non è
possibile prevedere a priori. Nella pratica, le
variabili casuali sono i disturbi che modificano il
valore della misura.
• Se si effettua l’esperimento una sola volta, non si
è sicuri che il risultato ottenuto sia quello “vero”.

Esempio
• consideriamo che l’esperimento sia il lancio di un
dado.
• Se al primo lancio esce il numero 2, non significa
che ad ogni altro lancio uscirà sempre il 2.
• Questo perché il risultato è governato da
variabili casuali imprevedibili.

• Per aggirare il problema, effettuiamo prove

ripetute dello stesso esperimento e acquisiamo
tutti i possibili risultati e le frequenze con cui
questi si sono manifestati.
• Effettuiamo poi un’analisi statistica dei risultati.
• Quindi:
• popolazione: l’insieme delle 𝑁 prove effettuate;
• argomento 𝑋 (o variabile casuale): tutti i possibili
risultati dell’esperimento;
𝑓𝑖
• : frequenze relative dei valori argomentali 𝑥𝑖 .
𝑁
• Definiamo:
𝐴 l’insieme di tutti i possibili risultati
dell’esperimento.
𝐵 un sottoinsieme di 𝐴 che rappresenta i
risultati che corrispondono ad un esito
positivo dell’esperimento.
Esempio: Consideriamo il lancio del dado, e definiamo
come esito positivo dell’esperimento l’uscita del
numero 2, quindi:
𝐴 = 1,2,3,4,5,6
𝐵= 2
• Se effettuiamo l’esperimento un numero

grandissimo di volte, notiamo che la frequenza
𝑓𝐵
relativa con la quale l’esperimento risulta
𝑁
verificato tende ad un limite costante.
• Cioè, esiste un numero 𝑝 tale che, se
l’esperimento è ripetuto un numero infinito di
volte, la frequenza relativa con la quale
l’esperimento risulta verificato tende a 𝑝.

• Matematicamente:
𝑓𝐵
∃𝑝 ∶ ∀𝑁 →∞ ⟹ ⟶𝑝
𝑁
• Questa legge è detta legge empirica del caso e
rappresenta una regolarità statistica.
• Pur avendo a che fare con esperimenti governati
da fenomeni casuali che portano a risultati
diversi, elaborando un grande numero di risultati
si può notare che questi ultimi si distribuiscono
con una certa regolarità.
• Dalla legge empirica del caso è stata derivata la

teoria assiomistica della probabilità, che,
essendo un assioma, non può essere dimostrata.
• Questa teoria definisce la funzione di probabilità
e la probabilità che un evento ha di verificarsi.

• Def: funzione probabilità e probabilità

Siano
𝐸1 , 𝐸2 , … , 𝐸𝑛 tutti i possibili eventi (risultati) che si
possono verificare in un esperimento;
𝐸𝑖 ed 𝐸𝑗 , con 𝑖 ≠ 𝑗, due eventi che si escludono a
vicenda;
𝐸𝑖 + 𝐸𝑗 un nuovo evento in cui 𝐸𝑖 ed 𝐸𝑗 sono
considerati in modo indifferenziato;
𝑆 = 𝐸1 + 𝐸2 + ⋯ + 𝐸𝑛 l’evento certo, cioè quello che
comprende tutti i possibili risultati e che quindi si
verifica ad ogni ripetizione dell’esperimento.
Si dice che 𝑃 è una funzione probabilità, e che

𝑃 𝐸𝑖 è la probabilità dell’evento 𝐸𝑖 , se
1) 𝑃 𝐸𝑖 ≥ 0
2) 𝑃 𝐸𝑖 + 𝐸𝑗 = 𝑃 𝐸𝑖 + 𝑃 𝐸𝑗
3) 𝑃 𝑆 = 1

• Come si può notare, la teoria assiomistica della

probabilità non fornisce nessun metodo per
stabilire la probabilità di un evento.
• La probabilità di un evento è quindi qualcosa che
può essere fissata arbitrariamente purché
soddisfi i 3 principi precedentemente esposti.

• Nella pratica, la probabilità può essere assegnata

nei seguenti modi:
1. in base alla frequenza relativa con cui l’evento si
verifica, se si hanno a disposizione i risultati di molti
esperimenti;
2. in base al rapporto tra il numero di possibili risultati
in cui l’esperimento è verificato ed il numero totale
dei possibili risultati, se i risultati sono equiprobabili
(es: dado);
3. in base al grado di fiducia che si ha nel verificarsi di
un certo evento.

• Teorema di Bernouilli (anche detto legge dei

grandi numeri)
Fissato un numero 𝜀 piccolo a piacere, la probabilità che
la differenza tra la probabilità 𝑝 dell’evento e la
𝑓
frequenza relativa con cui l’evento si è verificato negli
𝑁
𝑁 esperimenti sia minore di 𝜀 è uguale a 1 se 𝑁 tende
all’infinito (praticamente, se 𝑁 è molto grande).
𝑓
lim 𝑃 𝑝− <𝜀 =1
𝑁→∞ 𝑁

Probabilità totali e composte
• Sia 𝑆 l’insieme di tutti gli 𝑛 possibili risultati

dell’esperimento.
• Ipotizziamo che tutti i risultati abbiano la stessa
probabilità di verificarsi (equiprobabilità).
• Consideriamo un evento 𝐸1 che rappresenta tutti
i risultati positivi dell’esperimento.

S
n
E1
n1

• Quando vige l’ipotesi di equiprobabilità, la

probabilità dell’evento 𝐸1 è data da:
𝑛1
𝑃 𝐸1 =
𝑛
Nel caso del lancio del dado, se il dado non è

truccato (equiprobabilità), la probabilità che esca
1
uno qualunque dei numeri in un lancio è .
6

• Si considerino ora due eventi 𝐸1 e 𝐸2 correlati tra

loro, cioè che vi sia la possibilità che si verifichino
entrambi in un esperimento.
S
n
E2 n2
𝑛1′ = 𝑛1 − 𝑛12
n2
E1
n12
𝑛2′ = 𝑛2 − 𝑛12
n1
n1

• Si possono determinare le seguenti probabilità:
𝑛1′ + 𝑛2′ + 𝑛12

𝑃 𝐸1 ∪ 𝐸2 =
𝑛
𝑛1′ + 𝑛2′ + 2 ∙ 𝑛12

𝑃 𝐸1 + 𝑃 𝐸2 =
𝑛
𝑛12
𝑃 𝐸1 𝐸2 =
𝑛

• Vale la relazione:
𝑃 𝐸1 ∪ 𝐸2 = 𝑃 𝐸1 + 𝑃 𝐸2 − 𝑃 𝐸1 𝐸2
• Se i due eventi 𝐸1 ed 𝐸2 sono tra loro

incompatibili, cioè, se si verifica l’uno non si può
verificare l’altro (insiemi disgiunti), si ha che:
𝑃 𝐸1 ∪ 𝐸2 = 𝑃 𝐸1 + 𝑃 𝐸2

Esempio
• Si considerino due dadi. Si vuole determinare la
probabilità che in un lancio dei due dadi esca il 7.
′
1,1 1,2 1,3 1,4 1,5 1,6 Ω
2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6 6 1
𝑃 7 = =
4,1 4,2 4,3 4,4 4,5 4,6 36 6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6
Ω
Probabilità condizionata
• Si considerino due eventi 𝐸1 ed 𝐸2 , definiti come
negli insiemi mostrati in precedenza.
• Si supponga per ipotesi che in un esperimento si
sia verificato l’evento 𝐸2 .
• Si vuole conoscere la probabilità che in
quell’esperimento si sia verificato anche l’evento
𝐸1 .

• Si vuole cioè determinare la probabilità che si

verifichi 𝐸1 dato che si è verificato 𝐸2 .
𝑛12 𝑛12 𝑛 𝑃 𝐸1 𝐸2
𝑃 𝐸1 |𝐸2 = = ⋅ =
𝑛2 𝑛 𝑛2 𝑃 𝐸2
Si può anche scrivere:
𝑃 𝐸1 𝐸2 = 𝑃 𝐸1 |𝐸2 ⋅ 𝑃 𝐸2
oppure
𝑃 𝐸2 𝐸1 = 𝑃 𝐸2 |𝐸1 ⋅ 𝑃 𝐸1
• Ovviamente, se gli insiemi di 𝐸1 ed 𝐸2 sono

disgiunti, cioè gli eventi sono incompatibili, si ha
che:
𝑃 𝐸1 |𝐸2 = 𝑃 𝐸2 |𝐸1 = 0
• Si dice che 𝐸1 è indipendente da 𝐸2 se:
𝑃 𝐸1 |𝐸2 = 𝑃 𝐸1
In questo caso, e solo in questo caso, si ha che:

𝑃 𝐸1 𝐸2 = 𝑃 𝐸1 ⋅ 𝑃 𝐸2
Esempio
• Si abbiano 40 transistor, di cui 5 sono difettosi e
10 parzialmente difettosi, mentre i rimanenti 25
sono di qualità standard.
• Ogni transistor ha la stessa probabilità di essere
pescato dal contenitore.
• Estraiamo un transistor e vediamo che non è
difettoso.
• Vogliamo conoscere la probabilità che esso sia di
qualità standard.
Soluzione
Definiamo
𝑛 = 40
𝐷 = 5, l’insieme dei difettosi
𝑍 = 10, l’insieme dei parzialmente difettosi
𝑄 = 25, l’insieme degli standard
Dato che il transistor non è difettoso, può essere di

qualità standard oppure parzialmente difettoso.

𝑃 𝑄𝐷𝐶
𝑃 𝑄|𝑍 + 𝑄 = 𝑃 𝑄|𝐷𝐶 =
𝑃 𝐷𝐶
Dato che 𝐷 𝐶 = 𝑍 + 𝑄, allora 𝑄 è interamente

contenuto in 𝐷 𝐶 , quindi:
𝑃 𝑄𝐷𝐶 = 𝑃 𝑄
Perciò si ottiene:
25
𝑃 𝑄 40 5
𝑃 𝑄|𝐷𝐶 = = = = 71.4%
𝑃 𝐷 𝐶 35 7
40
Formula di Bayes
• Si considerino i seguenti insiemi di risultati
equiprobabili.
𝐸 𝐹
𝐸𝐹 Ω

𝐸 𝐹
𝐶 𝐸𝐹 Ω
𝐸 = 𝐸𝐹 ∪ 𝐸𝐹 𝐸𝐹 𝐶
𝑃 𝐸 = 𝑃 𝐸𝐹 + 𝑃 𝐸𝐹 𝐶
Sviluppando si ottiene:
𝑃 𝐸 = 𝑃 𝐸|𝐹 ∙ 𝑃 𝐹 + 𝑃 𝐸|𝐹 𝐶 ∙ 1 − 𝑃 𝐹
Si nota come questa formula rappresenti una
media pesata rispetto a 𝑃 𝐹 .
Esempio
• Un laboratorio di analisi analizza il sangue per
verificare la presenza di un determinato virus.
• Il test ha una efficienza del 99%, cioè il test può
rilevare un falso positivo (presenza del virus in
un individuo sano) con probabilità del 1%.
• Il virus è presente nello 0.5% della popolazione.
• Si calcoli la probabilità che un individuo a cui
viene diagnosticato il virus sia effettivamente
malato.
Soluzione
Definiamo
𝑀, insieme degli individui malati
𝑇, insieme degli individui per i quali il test
fornisce il risultato positivo
Si richiede di calcolare la seguente probabilità:

𝑃 𝑀𝑇 𝑃 𝑇𝑀
𝑃 𝑀|𝑇 = =
𝑃 𝑇 𝑃 𝑇

Osserviamo che
𝑇 = 𝑇𝑀 ∪ 𝑇𝑀𝐶
in quanto l’insieme degli individui per i quali il test
fornisce il risultato positivo è dato dall’unione di
quelli malati per i quali il test ha funzionato
correttamente, più quelli sani 𝑀𝐶 per i quali il
test ha dato un falso positivo.
Possiamo quindi esprimere 𝑃 𝑇 utilizzando la
formula di Bayes:
𝑃 𝑇 = 𝑃 𝑇|𝑀 ∙ 𝑃 𝑀 + 𝑃 𝑇|𝑀𝐶 ∙ 1 − 𝑃 𝑀
Quindi
𝑃 𝑇𝑀 𝑃 𝑇|𝑀 ∙ 𝑃 𝑀
𝑃 𝑀|𝑇 = = =
𝑃 𝑇 𝑃 𝑇|𝑀 ∙ 𝑃 𝑀 + 𝑃 𝑇|𝑀𝐶 ∙ 1 − 𝑃 𝑀
0.99 ∙ 0.005
= = 0.332
0.99 ∙ 0.005 + 0.01 ∙ 1 − 0.005
Il test è quindi in grado di rilevare un malato vero

con una probabilità di solo il 33.2%, in quanto una
probabilità di avere falsi positivi del 1%, applicata
ad una popolazione che è sana per il 99.5%, rende
comunque il test non sufficientemente preciso.
Variabile casuale a una dimensione

• Def: variabile casuale.
una quantità variabile 𝑋 suscettibile di assumere
valori argomentali 𝑥1 , 𝑥2 , … , 𝑥𝑛 ciascuno dei
quali può essere estratto a caso rispettivamente
𝑛
σ
con probabilità 𝑝1 , 𝑝2 , … , 𝑝𝑛 tali che 𝑖=1 𝑝𝑖 = 1.
𝑋 ቐ
𝑝1 𝑝2 … 𝑝𝑛 probabilità

• La variabile statistica e la variabile casuale sono

concettualmente diverse.
• La prima è il risultato di una classificazione
effettiva eseguita su individui concreti, la
seconda è il risultato di una classificazione
ipotetica che non riguarda la composizione della
popolazione ma le modalità con cui le estrazioni
sono fatte sulla popolazione.
• Anche le variabili casuali possono essere
rappresentate in modo grafico o sintetico come
si è già visto per le variabili statistiche.
Variabile casuale discreta
• Un variabile casuale è discreta quando può

assumere un numero finito di valori argomentali
in un intervallo.
• In una variabile casuale discreta, ad ogni valore
argomentale corrisponde un valore di probabilità
finito.

p n
 pi = 1
i =1
p2
p1 pn
x1 x2 xn x

Variabile casuale continua

• Una variabile casuale è continua quando assume
infiniti valori argomentali in un determinato
intervallo.
• Quando una variabile casuale è continua non ha più
senso parlare di probabilità di estrazione di un
determinato valore argomentale.
• Ciò è dovuto al fatto che, dovendo essere pari a 1 la
somma delle probabilità di tutti i valori ed essendo
questi in numero infinito, la probabilità di ogni
singolo valore argomentale non può che essere
infinitesima.
• Quindi, nel caso di variabile casuale continua si

parla solo di probabilità che il valore estratto
appartenga ad un intervallo finito.
• Si definiscono quindi:
𝑓 𝑥 funzione densità di probabilità
𝑓 𝑥 𝑑𝑥 probabilità infinitesima del generico valore 𝑥
𝐹 𝑥 = න 𝑓 𝜏 𝑑𝜏 funzione di distribuzione cumulata

𝐴
f (x ) f (x ) dx
A a b B x
dx
F (x )
1
F (b )
F (a )
0
A a b B

• Quindi la probabilità è rappresentata dall’area

sottesa dalla curva.
• Valgono le seguenti relazioni:
𝑏
𝑝 𝑎 ≤ 𝑥 ≤ 𝑏 = 𝐹 𝑏 − 𝐹 𝑎 = න 𝑓 𝑥 𝑑𝑥
𝑎
𝐵
𝑝 𝐴 ≤ 𝑥 ≤ 𝐵 = 𝐹 𝐵 − 𝐹 𝐴 = 𝐹 𝐵 = න 𝑓 𝑥 𝑑𝑥 = 1
𝐴
• L’estremo A può anche valere −∞, così come

l’estremo B può anche valere +∞.
Rappresentazione sintetica di una variabile casuale
Rappresentazione sintetica di una variabile

casuale
• Anche per le variabili casuali sono definiti i
momenti.
Variabile casuale discreta Variabile casuale continua
𝑛 𝐵
𝑘 𝑘
𝑚𝑘,𝜗 = ෍ 𝑥𝑖 − 𝜗 ∙ 𝑝𝑖 𝑚𝑘,𝜗 = න 𝑥 − 𝜗 ∙ 𝑓 𝑥 𝑑𝑥
𝑖=1 𝐴

Rappresentazione sintetica di una variabile casuale

Variabile casuale discreta Variabile casuale continua
Media
𝑛 𝐵
𝑀 = ෍ 𝑥𝑖 ∙ 𝑝𝑖 𝑀 = න 𝑥 ∙ 𝑓 𝑥 𝑑𝑥
𝑖=1 𝐴
Valore quadratico medio

𝑛 𝐵
𝑀2 = ෍ 𝑥𝑖2 ∙ 𝑝𝑖 𝑀2 = න 𝑥 2 ∙ 𝑓 𝑥 𝑑𝑥
𝑖=1 𝐴
Varianza
𝑛 𝐵
𝜎 2 = ෍ 𝑥𝑖 − 𝑀 2 ∙ 𝑝𝑖 𝜎2 = න 𝑥 − 𝑀 2 ∙ 𝑓 𝑥 𝑑𝑥
𝑖=1 𝐴
𝜎 2 = 𝑀2 − 𝑀2
Variabili casuali a più dimensioni

• Variabile casuale somma:
𝑍 = 𝑋 + 𝑌 + ⋯+ 𝑊
• Variabile casuale prodotto:
𝑍 = 𝑋 ∙ 𝑌 ∙ ⋯∙ 𝑊
• In generale, possono esistere variabili casuali che

sono derivate da una serie di operazioni
matematiche su altre variabili casuali.
• Si possono definire diverse proprietà delle

variabili casuali a più dimensioni.
𝑀 𝑘∙𝑋 =𝑘∙𝑀 𝑋 con 𝑘 numero reale
𝑀 𝑋 ± 𝑌 ± ⋯± 𝑊 = 𝑀 𝑋 ± 𝑀 𝑌 ± ⋯± 𝑀 𝑊
• Le seguenti proprietà sono valide se e solo se è

soddisfatta l’ipotesi di variabili casuali
indipendenti.
𝑀 𝑋 ∙ 𝑌 ∙ ⋯∙ 𝑊 = 𝑀 𝑋 ∙ 𝑀 𝑌 ∙ ⋯∙ 𝑀 𝑊
𝜎2 𝑋 ± 𝑌 ± ⋯ ± 𝑊 = 𝜎2 𝑋 + 𝜎2 𝑌 + ⋯ + 𝜎2 𝑊
Se
𝑍 = 𝑎1 ∙ 𝑋 ± 𝑎2 ∙ 𝑌 ± ⋯ ± 𝑎𝑛 ∙ 𝑊 ± 𝑏
si ha che
𝑀 𝑍 = 𝑎1 ∙ 𝑀 𝑋 ± 𝑎2 ∙ 𝑀 𝑌 ± ⋯ ± 𝑎𝑛 ∙ 𝑀 𝑊 ± 𝑏
𝜎 2 𝑍 = 𝑎12 ∙ 𝜎 2 𝑋 + 𝑎22 ∙ 𝜎 2 𝑌 + ⋯ + 𝑎𝑛2 ∙ 𝜎 2 𝑊

Si consideri una relazione del tipo:

𝑍 =𝛼∙𝑋∙𝑌±𝑘
si ha che
𝑀 𝑍 =𝛼∙𝑀 𝑋 ∙𝑀 𝑌 ±𝑘
𝜎2 𝑍 = 𝛼2 ∙ 𝜎2 𝑋 ∙ 𝜎2 𝑌

Funzioni di distribuzione
Funzioni di distribuzione
• Sono funzioni matematiche che permettono di
rappresentare e di calcolare, la probabilità di
eventi casuali in funzione del tipo di evento
stesso.
• nel caso di variabili casuali discrete, consentono
di determinare la probabilità dello specifico
valore argomentale, nel caso di variabili casuali
continue, esprimono la funzione di densità di
probabilità.

Distribuzione binomiale (o di Bernouilli)

• Si consideri un evento 𝐸 ripetibile che ammette
solo due possibili risultati, cioè, o risulta
verificato o risulta non verificato.
• Siano:
𝑝 probabilità che 𝐸 si verifichi
nell’esperimento (costante in tutti gli
esperimenti)
𝑞 =1−𝑝 probabilità che 𝐸 non si verifichi
nell’esperimento (costante in tutti gli
esperimenti)
• Definiamo una variabile casuale 𝑋𝑖 tale che il suo

valore argomentale rappresenti il numero di
volte in cui l’evento 𝐸 si può verificare in un
singolo esperimento.
• Dato che, nell’ambito di un solo esperimento,
l’evento può non verificarsi oppure verificarsi
una sola volta, la variabile casuale 𝑋𝑖 ammetterà
solo due valori argomentali.
0 1
𝑋𝑖 ቐ
𝑞 𝑝
• Ora considero una nuova variabile casuale

definita nel seguente modo:
𝑛
𝑋 = ෍ 𝑋𝑖
𝑖=1
dove 𝑛 rappresenta il numero di ripetizioni
dell’esperimento.
• I valori argomentali della variabile casuale 𝑋
rappresentano quindi il numero di volte che
l’esperimento si è verificato nell’ambito delle 𝑛
ripetizioni effettuate, cioè sono la serie dei
numeri interi da 0 a 𝑛.
• La probabilità del generico valore argomentale

𝑥𝑘 dipenderà da tutti i diversi modi con cui 𝐸
potrà verificarsi 𝑘 volte su 𝑛.
• Esempio, 2 volte su 4:
𝑝 𝑝 𝑞 𝑞 Ogni diverso modo ha
𝑝 𝑞 𝑝 𝑞 sempre probabilità pari a
𝑝 𝑞 𝑞 𝑝 𝑝2 ∙ 𝑞 2
𝑞 𝑝 𝑝 𝑞
𝑞 𝑝 𝑞 𝑝 che deve essere sommato
𝑞 𝑞 𝑝 𝑝 su tutte le possibili diverse
combinazioni.
• Si ottiene quindi:
𝑛
𝑝𝑘 = ∙ 𝑝𝑘 ∙ 𝑞𝑛−𝑘
𝑘
𝑛
dove 𝑘 è il valore argomentale in esame e è
𝑘
il fattore binomiale, che fornisce il numero di
tutte le possibili diverse combinazioni:
𝑛 𝑛!
=
𝑘 𝑛 − 𝑘 ! ∙ 𝑘!

• La variabile casuale 𝑋 è quindi rappresentata nel

seguente modo:
0 1 … 𝑘 … 𝑛
𝑋 ൞ 𝑛 𝑛 𝑘 𝑛−𝑘
𝑞𝑛 𝑝𝑞𝑛−1 … 𝑝 𝑞 … 𝑝𝑛
1 𝑘

• La rappresentazione sintetica di 𝑋𝑖 è:
𝑀 𝑋𝑖 = 0 ∙ 𝑞 + 1 ∙ 𝑝 = 𝑝
𝜎 2 𝑋𝑖 = 0 − 𝑝 2
∙𝑞+ 1−𝑝 2
∙𝑝 =
= 𝑝2 ∙ 𝑞 + 𝑞 2 ∙ 𝑝 = 𝑝 ∙ 𝑞 ∙ 𝑝 + 𝑞 =
=𝑝∙𝑞

• La rappresentazione sintetica di 𝑋 è:
𝑛
𝑀 𝑋 = ෍ 𝑀 𝑋𝑖 = 𝑛 ∙ 𝑀 𝑋𝑖 = 𝑛 ∙ 𝑝
𝑖=1
𝜎 2 𝑋 = ෍ 𝜎 2 𝑋𝑖 = 𝑛 ∙ 𝑝 ∙ 𝑞
𝑖=1
𝜎 𝑋 = 𝜎2 𝑋 = 𝑛 ∙ 𝑝 ∙ 𝑞

• La distribuzione binomiale è tanto più

simmetrica quanto più 𝑝 → 0.5
p=0.2 p=0.5
0.450 0.350
5 5
0.400
10 0.300 10
0.350 20 20
40 0.250 40
0.300
0.250 0.200
0.200 0.150
0.150
0.100
0.100
0.050 0.050
0.000 0.000
0 10 20 30 40 0 10 20 30 40
k k

Esercizio
• Determinare la probabilità che, lanciando 3 volte
una moneta, si verifichi:
a) 3 volte testa
b) 2 volte croce, 1 volta testa
c) almeno 1 volta testa
d) non più di 1 volta croce
Soluzione
• Se la moneta non è truccata, si ha:
𝑝 = 0.5 𝑞 = 0.5
a) applicando l’equazione
3 3 3−3
3!
𝑝 3 = 0.5 0.5 = 0.53 = 1 ∙ 0.125 = 0.125
3 3! 0!
b) 2 croce e 1 testa è equivalente a 2 testa e 1

croce
3 2 3−2
3!
𝑝 2 = 0.5 0.5 = 0.52 0.5 =
2 2! 3 − 2 !
= 3 ∙ 0.125 = 0.375

c) si verifica almeno 1 testa quando non si verifica

3 volte croce
𝑝 almeno 1 testa = 1 − 𝑝 3 = 1 − 0.125 = 0.875
d) o 0 volte o 1 volta croce
𝑝 =𝑝 0 +𝑝 1 =𝑝 3 +𝑝 2 =
= 0.125 + 0.375 = 0.5

Esercizio
• Il 12% dei bulloni prodotti da una macchina sono
difettosi.
• Determinare la probabilità che, su 4 bulloni
prodotti, vi siano:
a) 1 bullone difettoso
b) 2 bulloni difettosi
c) al massimo 2 bulloni difettosi

Soluzione
• Si ha
𝑛=4 𝑝 = 0.12 𝑞 = 0.88
a) applicando l’equazione
4 1 4−1
4!
𝑝 1 = ∙ 0.12 ∙ 0.88 = ∙ 0.12 ∙ 0.883 =
1 1! 4 − 1 !
= 0.327

b) applicando l’equazione
4
𝑝 2 = ∙ 0.122 ∙ 0.884−2 = 0.0669
2
c) o 0, o 1, o 2
4
𝑝 0 = ∙ 0.120 ∙ 0.884−0 = 0.599
0
𝑝 = 𝑝 0 + 𝑝 1 + 𝑝 2 = 0.599 + 0.327 + 0.0669 =
= 0.992

Distribuzione di Poisson
Distribuzione di Poisson (o degli eventi rari)

• Si applica in quei casi in cui la probabilità che il
singolo evento ha di verificarsi è estremamente
bassa.
• Es: il numero di suicidi che può avvenire in un
mese in una città; il numero degli incidenti che
può accadere in un giorno agli operai di una
fabbrica.
• È importante definire l’estensione dell’intervallo
di osservazione, che può essere spaziale e/o
temporale.
• I valori argomentali della variabile casuale

rappresentano il numero di volte che l’evento si
è verificato nell’intervallo di osservazione.
• La forma della distribuzione è determinata dal
parametro 𝜆, definito come il numero medio di
eventi che si verificano nell’unità di tempo (o di
spazio) di osservazione.
• Affinché una variabile casuale possa essere
distribuita secondo una distribuzione di Poisson
deve soddisfare 3 requisiti (vedi slide seguente).

1) Stazionarietà: in un intervallo infinitesimo

𝑡, 𝑡 + 𝑑𝑡 la probabilità cha un evento ha di
verificarsi deve essere 𝜆 ∙ 𝑑𝑡 per ogni 𝑡.
2) Non multiplicità: in un intervallo infinitesimo
𝑡, 𝑡 + 𝑑𝑡 la probabilità che due o più eventi
hanno di verificarsi è trascurabile rispetto alla
probabilità che un solo evento ha di verificarsi.
3) Indipendenza: in un intervallo finito 𝑡1 , 𝑡2 gli
eventi si presentano indipendentemente l’uno
dall’altro.

• Se queste condizioni sono verificate, la

probabilità in una distribuzione di Poisson è data
da:
𝜆𝑘 −𝜆
𝑝𝑘 = ∙𝑒 con 𝑘 = 0,1, … , +∞
𝑘!
• La variabile casuale secondo Poisson è quindi
definita nel seguente modo:
0 1 2 … 𝑘 …
𝑋 𝜆2 −𝜆 𝜆𝑘 −𝜆
𝑒 −𝜆 𝜆 ∙ 𝑒 −𝜆 ∙𝑒 … ∙𝑒 …
2! 𝑘!
• La rappresentazione sintetica di 𝑋 è data da:

+∞
𝑀 𝑋 = ෍ 𝑘 ∙ 𝑝𝑘 = 𝜆
𝑘=0
+∞
𝑀2 𝑋 = ෍ 𝑘 2 ∙ 𝑝𝑘 = 𝜆2 + 𝜆
𝑘=0
𝜎 2 𝑋 = 𝑀2 − 𝑀2 = 𝜆

• Come si nota, la poissoniana è caratterizzata dal

fatto che ha una media uguale alla varianza.
• Ciò può essere utile per verificare se una
variabile casuale può essere rappresentata con la
distribuzione di Poisson.

Poisson
1.0
0.9 0.005
0.8 0.2
6
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0 5 10 15 20
k

Esercizio
• Si è osservata la produzione di un impianto per
100 giorni, e si è monitorata la produzione di
pezzi difettosi:
n. pezzi difettosi al giorno n. di giorni

0 45
1 37
2 11
3 5
4 1
5 1

• Si richiede di:
– Esprimere analiticamente la probabilità di
produrre 𝑘 pezzi difettosi in una generica
giornata.
– Calcolare la probabilità di avere 0 pezzi
difettosi in una generica giornata
Soluzione
• Consideriamo la «giornata» come intervallo di
osservazione e proviamo a vedere se si può
applicare la distribuzione di Poisson.
• Calcoliamo il valor medio delle osservazioni:

45 ∙ 0 + 37 ∙ 1 + 11 ∙ 2 + 5 ∙ 3 + 1 ∙ 4 + 1 ∙ 5
𝑀= = 0.83
100
• Calcoliamo la varianza delle osservazioni:
45 ∙ 02 + 37 ∙ 12 + 11 ∙ 22 + 5 ∙ 32 + 1 ∙ 42 + 1 ∙ 52
𝑀2 = = 1.67
100
𝜎 2 = 𝑀2 − 𝑀2 = 1.67 − 0.832 = 0.98

• Con un minimo grado di approssimazione

possiamo considerare 𝑀 ≃ 𝜎 2 , quindi
rappresentiamo la probabilità con la
distribuzione di Poisson.
• Il parametro 𝜆 rappresenta il valor medio, quindi:
𝜆 = 𝑀 = 0.83
0.83𝑘 −0.83
𝑝𝑘 = ∙𝑒
𝑘!

• La probabilità di avere 0 pezzi difettosi in una

giornata è quindi pari a:
0.830 −0.83
𝑝0 = ∙𝑒 = 𝑒 −0.83 = 0.436
0!
• Abbiamo quindi una probabilità del 43.6% di

avere una giornata senza produzione di pezzi
difettosi.
• Come si può notare si avvicina molto alla
frequenza osservata di 45 giorni su 100.
Distribuzione Gaussiana
Distribuzione Gaussiana (o Normale)

• Si usa per variabili casuali di tipo continuo.
• Questa distribuzione rappresenta bene gli errori
dovuti a fenomeni naturali.
• Una variabile casuale 𝑋 è distribuita
normalmente quando la sua funzione densità di
probabilità è del tipo:
1 𝑥−𝑀 2
−
𝑓 𝑥 = ∙ 𝑒 2∙𝜎2 con −∞ < 𝑥 < +∞
2𝜋 ∙ 𝜎
• La funzione cumulata
𝑥
1 𝜏−𝑀 2
−
𝐹 𝑥 = න ∙ 𝑒 2∙𝜎2 𝑑𝜏
2𝜋 ∙ 𝜎
−∞
• Per indicare una variabile casuale 𝑋 distribuita

normalmente con media 𝑀 e deviazione
standard 𝜎 si usa la notazione:
𝑋 ~ 𝒩 𝑀, 𝜎

• La probabilità che un valore argomentale 𝑥

ricada nell’intervallo 𝑥1 , 𝑥2 è quindi pari a:
𝑝 𝑥 ∈ 𝑥1 , 𝑥2 = 𝐹 𝑥2 − 𝐹 𝑥1 =
𝑥2
1 𝜏−𝑀 2
−
= න ∙ 𝑒 2∙𝜎2 𝑑𝜏
2𝜋 ∙ 𝜎
𝑥1

• Graficamente
0.14 1
f(x) F(x)
s2=10 0.9
0.12 s2=30
0.8
s2=100
0.1 0.7
s
0.6
0.08
s 0.5
0.06
0.4
0.04 0.3
s2=10
0.2
s2=30
0.02
0.1 s2=100
0 0
-20 -10 0 10 20 30 40 -20 -10 0 10 20 30 40
x x

1
• La 𝑓 𝑥 presenta un massimo pari a per
2𝜋∙𝜎
𝑥 = 𝑀, e presenta due flessi per 𝑥 = 𝑀 − 𝜎 e
𝑥 = 𝑀 + 𝜎.
• Come si può facilmente notare, la 𝑓 𝑥 è
funzione della media 𝑀 e della deviazione
standard 𝜎.
• Ogni volta che quei due valori cambiano, si è
costretti a risolvere di nuovo l’integrale per poter
calcolare le probabilità.

Variabile casuale normale standardizzata

• Definiamo la seguente variabile casuale:
𝑋−𝑀
𝑍=
𝜎
dove
𝑋 ~ 𝒩 𝑀, 𝜎
• Anche 𝑍 è quindi una variabile casuale, in

quanto è una combinazione lineare di 𝑋.
• Ci chiediamo quale sia la sua distribuzione.
• Possiamo scrivere:
1 𝑀
𝑍 = ∙𝑋−
𝜎 𝜎
• Quindi
1 𝑀 1 𝑀
𝑀 𝑍 = ∙𝑀 𝑋 − = ∙𝑀− =0
𝜎 𝜎 𝜎 𝜎
1 1
𝜎 𝑍 = 2 ∙ 𝜎 𝑋 = 2 ∙ 𝜎2 = 1
2 2
𝜎 𝜎

• Per determinare la sua funzione di distribuzione,

partiamo da:
𝑥∗
1 𝑥−𝑀 2
−
𝐹 𝑥∗ = න ∙ 𝑒 2∙𝜎2 𝑑𝑥
2𝜋 ∙ 𝜎
−∞
• Sostituendo
𝑥−𝑀
𝑧= ⟹ 𝑥 = 𝑀 + 𝑧 ∙ 𝜎 ⟹ 𝑑𝑥 = 𝜎 ∙ 𝑑𝑧
𝜎
∗
∗
𝑥 −𝑀
𝑧 =
𝜎
• Otteniamo:
𝑧∗
1 𝑧∙𝜎 2
∗ −
𝐹 𝑧 = න ∙ 𝑒 2∙𝜎2 ∙ 𝜎 ∙ 𝑑𝑧 =
2𝜋 ∙ 𝜎
−∞
𝑧∗
1 𝑧2
= න ∙ 𝑒− 2 ∙ 𝑑𝑧
2𝜋
−∞
• 𝑍 è quindi detta variabile casuale normale

standardizzata in quanto è così distribuita
𝑍~ 𝒩 0,1
• Riassumendo:
𝑍~ 𝒩 0,1
1 𝑧2
−
𝑓 𝑧 = ∙ 𝑒 2
2𝜋
𝑧
1 𝜏2
−
𝐹 𝑧 = න ∙ 𝑒 2 ∙ 𝑑𝜏
2𝜋
−∞
0.5
f(z) 1
2 
0.4
0.3
0.2
0.1
0
-5 -4 -3 -2 -1 0 1 2 3 4 z 5

• Come si può notare, la distribuzione normale

standardizzata non dipende direttamente da 𝑀 e
da 𝜎, quindi il suo integrale è stato calcolato una
volta per tutte e si trova riportato in opportune
tabelle.
• Data quindi una generica variabile casuale
distribuita come 𝒩 𝑀, 𝜎
𝑝 𝑥 ∈ 𝑥1 , 𝑥2 = 𝐹 𝑥2 − 𝐹 𝑥1 =
𝑥1 − 𝑀 𝑥2 − 𝑀
=𝑝 𝑧∈ , = 𝐹 𝑧2 − 𝐹 𝑧1
𝜎 𝜎

• Calcoliamo alcuni valori notevoli.

𝑝 𝑥 ∈ 𝑀 − 𝜎, 𝑀 + 𝜎 =
𝑀+𝜎 1
= න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑧 𝑑𝑧 ≃ 0.6826 = 68.27%
𝑀−𝜎 −1
𝑝 𝑥 ∈ 𝑀 − 2𝜎, 𝑀 + 2𝜎 =
𝑀+2𝜎 2
= න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑧 𝑑𝑧 ≃ 0.9545 ≃ 95.45%
𝑀−2𝜎 −2
𝑝 𝑥 ∈ 𝑀 − 3𝜎, 𝑀 + 3𝜎 =
𝑀+3𝜎 3
= න 𝑓 𝑥 𝑑𝑥 = න 𝑓 𝑧 𝑑𝑧 ≃ 0.9974 ≃ 99.74%
𝑀−3𝜎 −3
0.5
f(z)
0.4
0.3
0.2
0.1
0
-5 -4 -3 -2 -1 0 1 2 3 4 z 5

Teorema centrale della statistica

(Central limit theorem)
• Siano 𝑋1 , 𝑋2 , … 𝑋𝑛 variabili casuali distribuite in
modo non necessariamente normale, aventi
media e varianza rispettivamente pari a 𝑀𝑖 e 𝜎𝑖2 ,
∀ 𝑖 = 1, … , 𝑛.
• Si consideri la nuova variabile casuale Ψ definita
come
𝑛
Ψ = ෍ 𝑋𝑖
𝑖=1
• Il teorema centrale della statistica sancisce che

Ψ = σ𝑛𝑖=1 𝑋𝑖 è asintoticamente normale se 𝒏 è
sufficientemente elevato, con
𝑛
𝑀 Ψ = ෍ 𝑀 𝑋𝑖
𝑖=1
𝜎 2 Ψ = ෍ 𝜎 2 𝑋𝑖
𝑖=1

se vigono le seguenti ipotesi

1) le variabili casuali 𝑋𝑖 hanno più o meno lo
stesso ordine di grandezza;
2) le variabili casuali 𝑋𝑖 sono indipendenti tra
loro;
3) deve esistere, per la funzione somma,
almeno un momento del secondo ordine
finito.

Esercizio
• Su di un lotto di produzione di 200 guarnizioni è
stato fatto un rilevamento statistico del diametro
interno ottenendo i seguenti risultati:
𝑀 = 0.502 in
𝜎 = 0.005 in
• Il campo di tolleranza accettato è ± 0.006 in.
• Supponendo che i diametri nel lotto di
produzione siano distribuiti in modo normale, si
determini la percentuale attesa degli scarti.
Svolgimento
• Definiamo 𝑋 come la variabile casuale che
rappresenta il diametro interno:
𝑋~ 𝒩 0.502, 0.005
• Calcoliamo la probabilità che il generico
diametro 𝑥 ricada all’interno del campo di
tolleranza
0.502 − 0.006 ≤ 𝑥 ≤ 0.502 + 0.006
0.496 ≤ 𝑥 ≤ 0.508
• Per facilitare il calcolo delle probabilità ci

riferiamo alla normale standardizzata 𝑍:
0.496 − 0.502
𝑧1 = = −1.2
0.005
0.508 − 0.502
𝑧2 = = 1.2
0.005
• Dobbiamo quindi calcolare:
𝑝 𝑧 ∈ 𝑧1 , 𝑧2 = 𝐹 𝑧2 − 𝐹 𝑧1


• Quindi:
𝑝 𝑧 ∈ 𝑧1 , 𝑧2 = 0.8849 − 0.1151 = 0.7698
• La probabilità di avere uno scarto 𝑝𝑆 sarà quindi

il complementare a 1 della probabilità sopra
calcolata:
𝑝𝑆 = 1 − 𝑝 𝑧 ∈ 𝑧1 , 𝑧2 = 1 − 0.7698 = 0.2302
𝑝𝑆 ≃ 23%

Esercizio
• Si supponga di dover lanciare una moneta non

truccata per 100 volte.
• Si vuole conoscere la probabilità di ottenere
testa da un minimo di 45 ad un massimo di 63
volte.

Svolgimento
• Un primo modo di risolvere il problema è quello
di utilizzare la distribuzione di Bernouilli, visto
che abbiamo a che fare con un esperimento
ripetuto che ammette solo 2 possibili soluzioni.
𝑝 = 0.5 ; 𝑞 = 1 − 𝑝 = 1 − 0.5 = 0.5
100 100
𝑝= ∙ 0.545 ∙ 0.5100−45 + ⋯ + ∙ 0.563 ∙ 0.5100−63
45 63

• Un altro modo, che consente una stima più

veloce, è quello di applicare il teorema centrale
della statistica.
• Definiamo 𝑋𝑖 come la variabile casuale che
rappresenta il singolo lancio della moneta
0 1
𝑋𝑖 ቐ con 𝑝 = 0.5 e 𝑞 = 0.5
𝑞 𝑝
• Consideriamo che venga lanciata per un numero
𝑛 di volte pari a 100.
• Sappiamo che
𝑀 𝑋𝑖 = 𝑝 𝜎 2 𝑋𝑖 = 𝑝 ∙ 𝑞
• Definiamo ora Λ tale che
100
Λ = ෍ 𝑋𝑖
𝑖=1
• Il teorema centrale della statistica ci dice che Λ
sarà distribuita in modo asintoticamente
normale con media pari alla somma delle medie
e varianza pari alla somma delle varianze.
• Quindi:
𝑛 𝑛
𝑀 Λ = ෍ 𝑀 𝑋𝑖 = ෍ 𝑝 = 𝑛 ∙ 𝑝
𝑖=1 𝑖=1
𝑛 𝑛
𝜎 2 Λ = ෍ 𝜎 2 𝑋𝑖 = ෍ 𝑝 ∙ 𝑞 = 𝑛 ∙ 𝑝 ∙ 𝑞
𝑖=1 𝑖=1
Λ → 𝒩 𝑛 ∙ 𝑝, 𝑛 ∙ 𝑝 ∙ 𝑞

• Sostituendo i valori:
𝑀 Λ = 𝑛 ∙ 𝑝 = 100 ∙ 0.5 = 50
𝜎 2 Λ = 𝑛 ∙ 𝑝 ∙ 𝑞 = 100 ∙ 0.5 ∙ 0.5 = 25
𝜎 Λ = 𝜎 2 Λ = 25 = 5
• Dobbiamo calcolare la probabilità che il valore
argomentale sia compreso tra
44.5 63.5
……
45 63
• Riferendosi alla normale standardizzata:

44.5 − 50
𝑧44.5 = = −1.1
5
63.5 − 50
𝑧63.5 = = 2.7
5
• Perciò:
𝑝 = 𝐹 2.7 − 𝐹 −1.1 = 0.996533 − 0.1357 = 0.8608
𝑝 ≃ 86%


Distribuzione esponenziale
• È una variabile casuale continua.
• Nella pratica può essere utilizzata per
rappresentare il tempo di attesa prima che si
verifichi un certo evento casuale.
• Ad esempio, il tempo di interarrivo dei clienti
allo sportello di una banca.
• La distribuzione esponenziale è l’unica
distribuzione continua che possiede la proprietà
memoryless, cioè definisce un processo casuale
senza memoria del passato.
• La funzione densità di probabilità è definita nel

seguente modo:
𝑓 𝑥 = 𝜆 ∙ 𝑒 −𝜆∙𝑥 con 0 ≤ 𝑥 < +∞
dove 𝜆 > 0 è il parametro che rappresenta

l’intensità del fenomeno.
• La funzione cumulata:
𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = න 𝜆 ∙ 𝑒 −𝜆∙𝜏 𝑑𝜏 = 1 − 𝑒 −𝜆∙𝑥
0
• Graficamente:
0.006 1
𝒇(𝒙) 𝑭(𝒙) 0.9
0.005
0.8
0.7
0.004
0.6
0.003 0.5
0.4
0.002
0.3
0.2
0.001
0.1
0 0
0 100 200 300 400 500 600 0 100 200 300 400 500 600
𝒙 𝒙

• La rappresentazione sintetica:
1
𝑀 𝑋 =
𝜆
2
𝑀2 𝑋 = 2
𝜆
2
1 2
𝜎 𝑋 = 𝑀2 − 𝑀 = 2
𝜆

• Il parametro 𝜆 rappresenta il reciproco della

media del fenomeno, quindi se il fenomeno che
modelliamo è, ad esempio, il tempo di
interrarrivo dei clienti ad uno sportello bancario,
𝜆 rappresenta il reciproco del tempo medio degli
interarrivi dei clienti, anche detto rateo medio di
interrarrivo.
• Se il fenomeno è il guasto di una macchina, 𝜆
rappresenta il reciproco del tempo medio al
guasto, anche detto rateo medio di guasto.

Proprietà memoryless
• La variabile casuale esponenziale è l’unica
variabile continua che possiede la proprietà di
assenza di memoria.
• Detta 𝑋 una variabile casuale esponenziale,
l’assenza di memoria può essere così
matematicamente formulata:
𝑃 𝑋 > 𝑠 + 𝑡|𝑋 > 𝑡 = 𝑃 𝑋 > 𝑠 ∀ 𝑠, 𝑡 ≥ 0

• Riferendoci all’esempio di una macchina

soggetta a rotture, la proprietà ci dice che se al
tempo 𝑡 la macchina non si è ancora rotta
𝑋 > 𝑡 , la probabilità che continui a funzionare
per un ulteriore tempo 𝑠, cioè 𝑃 𝑋 > 𝑠 + 𝑡 , è
semplicemente uguale alla probabilità che
funzioni per un tempo 𝑠, cioè 𝑃 𝑋 > 𝑠 .
• Quindi, indipendentemente dal tempo 𝑡 al quale
si osserva il sistema, se la macchina non è rotta,
la probabilità che continui a funzionare per un
tempo 𝑠 è sempre pari a 𝑃 𝑋 > 𝑠 .
• Per dimostrare la proprietà memoryless, ci

ricordiamo, dalle probabilità composte, che:
𝑃 𝑋 > 𝑠 + 𝑡, 𝑋 > 𝑡
𝑃 𝑋 > 𝑠 + 𝑡|𝑋 > 𝑡 =
𝑃 𝑋>𝑡
• Dobbiamo quindi dimostrare che:
𝑃 𝑋 > 𝑠 + 𝑡, 𝑋 > 𝑡
=𝑃 𝑋>𝑠
𝑃 𝑋>𝑡
• Che equivale a:
𝑃 𝑋 >𝑠+𝑡 =𝑃 𝑋 >𝑠 ∙𝑃 𝑋 >𝑡
• Ma dato che:
𝑃 𝑋 > 𝑥 = 1 − 𝐹 𝑥 = 1 − 1 − 𝑒 −𝜆∙𝑥 = 𝑒 −𝜆∙𝑥

• Si ha che:
𝑃 𝑋 > 𝑠 + 𝑡 = 𝑒 −𝜆∙ 𝑠+𝑡
• Che, per le proprietà delle potenze, equivale a

𝑒 −𝜆∙ 𝑠+𝑡
= 𝑒 −𝜆∙𝑠−𝜆∙𝑡 = 𝑒 −𝜆∙𝑠 ∙ 𝑒 −𝜆∙𝑡
• Che è equivalente a scrivere
𝑃 𝑋 >𝑠+𝑡 =𝑃 𝑋 >𝑠 ∙𝑃 𝑋 >𝑡
Coefficiente di variazione
• Il coefficiente di variazione ci dà una indicazione
su quanto l’effetto delle variabilità è rilevante
rispetto alla media.
• Esso è quindi definito come:
𝜎
𝐶𝑉 =
𝑀
• Il coefficiente quadratico di variazione:
𝜎2
𝑆𝐶𝑉 = 2
𝑀
• Valori tipici del coefficiente di variazione:
• Si può osservare che la distribuzione esponenziale

ha un coefficiente di variazione pari a 1.
Ciò implica che un processo memoryless,
derivando da una esponenziale, ha un livello di
variabilità moderata, quindi decisamente
significativa.

02 - Elementi Di Statistica e Di Calcolo Delle Probabilita

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

02 - Elementi Di Statistica e Di Calcolo Delle Probabilita

Caricato da

Copyright:

Formati disponibili

Elementi di statistica e di calcolo delle probabilità

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 1

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 2

• Def: attributo: generalmente indicato con 𝑋, è

• L’attributo X può altresì essere:

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 4

Variabile statistica ad una dimensione

Variabile statistica ad una dimensione

• La variabile statistica è rappresentata con una

Variabile statistica ad una dimensione

• Oppure, in termini di frequenze relative

Variabile statistica ad una dimensione

• Valgono le seguenti relazioni

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 7

Variabile statistica ad una dimensione

• Le frequenze godono della proprietà additiva.

• La sua frequenza assoluta sarà

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 8

Rappresentazione grafica di una variabile statistica

Rappresentazione grafica di una variabile

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 9

Rappresentazione grafica di una variabile statistica

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 10

Rappresentazione grafica di una variabile statistica

• Quando i valori argomentali sono parecchi,

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 11

Rappresentazione grafica di una variabile statistica

• Le altezze degli istogrammi sono quindi date

Rappresentazione grafica di una variabile statistica

• Si possono avere classi di ampiezza costante.

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 13

Rappresentazione grafica di una variabile statistica

• Può essere a volte utile definite classi di

Cumulativa di frequenze (o funzione di

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 15

• La 𝐹𝑖 è quindi definita come

• Si osserva inoltre che 0 ≤ 𝐹 𝑋 ≤ 1, essendo

• Per la proprietà additiva delle frequenze, il concetto

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 17

Moda, mediana e quantili

Moda, mediane e quantili

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 18

Moda, mediana e quantili

• Possono esistere varabili statistiche plurimodali

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 19

Moda, mediana e quantili

• Def: mediana. È quel valore argomentale 𝑥𝑀 (o

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 20

Moda, mediana e quantili

• I quantili sono definiti come la mediana, solo che

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 21

Rappresentazione sintetica di una variabile statistica

Rappresentazione sintetica di una variabile

• Fornisce una rappresentazione quantitativa della

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 22

Rappresentazione sintetica di una variabile statistica

• Def: momento di ordine 𝒌 rispetto al polo 𝝑

• I momenti più significativi sono tre:

Prof. Andrea Grassi, Ph.D. © 2020 - Corso di Impianti Meccanici 23

Rappresentazione sintetica di una variabile statistica

2) Valore quadratico medio: momento di ordine 2

3) Varianza: momento di ordine 2 rispetto al polo

Rappresentazione sintetica di una variabile statistica

• La media indica la posizione dell’attributo