Recap

Regola moltiplicativa:

P( E1 ∩E 2 ∩E 3 ∩...∩E n )=P ( E1 ) P(E 2|E 1 ) P(E 3|E 1 ∩E 2 ) P ( E 4|E 1 ∩E 2 ∩E3 )⋯P (E n|E 1 ∩E 2∩...∩E n−1 )

Regola additiva:

P ( E∪F∪G )= P (E )+ P ( F )+ P (G)−P ( E∩F )−P ( E∩G)−P ( F∩G )+ P (E∩ F∩G)

Calcolo delle Probabilità 1

 Recap

Variabili aleatorie: funzioni dallo spazio campione S alla retta reale.

Variabili aleatorie discrete: se il codominio di X (cioè i possibili valori di X)

sono un insieme (finito o infinito) di punti.

Funzione di densità discreta: definita come

Proprietà
f X :ℝ →[0,1] ,
1) f X ( x )≥0
f X ( x )= P ( X =x ) se x ∈C
{ 0 altrimenti 2) ∑ f X ( x)=1
x ∈C

Calcolo delle Probabilità 2

 Recap

Variabili aleatorie: funzioni dallo spazio campione S alla retta reale.

Variabili aleatorie continue: se il codominio di X (cioè i possibili valori di X)

sono un intervallo (finito o infinito) della retta reale.

Funzione di densità: definita come

Proprietà
f X :ℝ → [ 0 ,+∞ ) ,
1) f X ( x )≥0
P ( X ∈F )=∫F f X ( x)dx +∞
2) ∫ f X ( x)=1
−∞

Calcolo delle Probabilità 3

 Recap
Proprietà

1) lim F X ( x)=0 , lim F X ( x)=1

Funzione di ripartizione: definita come x →−∞ x →+∞

F X :ℝ →[0,1], 2) lim F X ( x+h)=F X ( x)

+
h→ 0

F X ( x)=P ( X ≤ x) 3) monotona non-decrescente

Nel caso discreto: f X ( x )= F X ( x)−lim h→0 F X ( x−h)

+

F X ( x)=∑ x ≤x f X ( x j )
j

dF X
Nel caso continuo: f X ( x )= (x)
dx
x
F X ( x)=∫−∞ f X (u)du

Calcolo delle Probabilità 4

 Media
(o valore atteso, o speranza)

Calcolo delle Probabilità 5

 Media (o valore atteso, o speranza)

Se X è una variabile aleatoria discreta, si definisce media (o “valore atteso”, o

“speranza”) di X

E [ X ]=∑ x ∈C xf X ( x )

Se invece X è una variabile aleatoria continua, allora la sua media (o “valore

atteso”, o “speranza”) è
+∞
E [ X ]= ∫ xf X ( x)dx
−∞

Calcolo delle Probabilità 6

 Media (o valore atteso, o speranza)
Esempio

Lancio di un dado ben bilanciato. X rappresenta il numero uscito.

1 1 1 1 1 1
E [ X ]=∑ x ∈C xf X ( x )=1⋅ +2⋅ +3⋅ +4⋅ +5⋅ +6⋅ =3.5
6 6 6 6 6 6

1 1 1 1 1 1
6 6 6 6 6 6

1 2 3 4 5 6

Calcolo delle Probabilità 7

 Media (o valore atteso, o speranza)
Esempio

Lancio di due dadi ben bilanciati. Y rappresenta il massimo dei punteggi

ottenuti.

1 3 5 7 9 11 154
E [Y ]=∑ y ∈C yf Y ( y )=1⋅ +2⋅ +3⋅ +4⋅ +5⋅ +6⋅ = ≈ 4.28
36 36 36 36 36 36 36

1 3 5 7 9 11
36 36 36 36 36 36

1 2 3 4 5 6

Calcolo delle Probabilità 8

 Media (o valore atteso, o speranza)
Esempio

Durata di un componente elettronico. X è una variabile aleatoria continua

con densità −λ x
e se x>0
f X ( x )= λ
0 {
se x≤0
+∞ 0 +∞
−λ x
E [ X ]=∫−∞ xf X ( x )dx=∫−∞ 0 dx +∫0 x λ e dx

z
−λ x
= lim ∫0 x λ e dx
z →+∞

z
−λ x z
{
= lim [ −x e
z →+∞
0 ] +∫0 e−λ x dx }

z
1 −λ x
= lim −x e
z →+∞
[ −λ x
− e
λ ] 0

1 1 1
z →+∞
{
= lim −z e− λ z − e− λ z +0 + =
λ λ λ }
Calcolo delle Probabilità 9
 Media (o valore atteso, o speranza)
Esempio

Durata di un componente elettronico. X è una variabile aleatoria continua

con densità −λ x
e se x>0 1
f X ( x )= λ
0 { se x≤0
E [ X ]=
λ

0.5
0.4
0.3
f_X(x)

0.2
0.1
0.0

0 2 4 6 8 10 12 14 16

Calcolo delle Probabilità 10

 Media (o valore atteso, o speranza)
Esempio

Durata di un componente elettronico. X è una variabile aleatoria continua

con densità
2
1/ x se x >1
f X ( x )=
0 { se x≤1

Conrolliamo che sia una densità: è sempre maggiore o uguale a zero e

+∞
1 1
[ ]
+∞ +∞
∫−∞ f X ( x )=∫1 x2
dx= −
x
=1
1

+∞ 1 +∞ 1
E [ X ]=∫−∞ xf X ( x )dx=∫−∞ 0 dx +∫1 x 2
dx
x

+∞ 1
=∫1 dx=∞
x

Calcolo delle Probabilità 11

 Media (o valore atteso, o speranza)

Nota: se X è una variabile aleatoria e g :ℝ→ℝ è una funzione, allora anche

g ( X ): S →ℝ è una variabile aleatoria.

Esempio

Lancio di un dado omogeneo. X è la variabile aleatoria che registra il numero

uscito, e g ( x)=( x−1)2 . Allora Y =g ( X )=( X −2)2 è una variabile aleatoria!

x 1 2 3 4 5 6 y

1 1 1 1 1 1
fX(x) fY(y)
6 6 6 6 6 6

Calcolo delle Probabilità 12

 Media (o valore atteso, o speranza)

Per definizione

∑ x f ( x j) se g ( X ) discreta
{x possibile valore di g( X ) j g( X )
E [g ( X )]= + ∞ j

∫−∞ xf g (X ) ( x) dx se g ( X ) continua

Ma c’è una scorciatoia per evitare di calcolare la legge di g(X)!!!

∑ g ( x j ) f X ( x j) se X discreta
E [g ( X )]= + ∞
{
x possibile valore di X
j

∫−∞ g ( x ) f X ( x) dx se X continua

Calcolo delle Probabilità 13

 Media (o valore atteso, o speranza)

Esempio

Lancio di un dado omogeneo. X è la variabile aleatoria che registra il numero

uscito, e g ( x)=( x−1)2 . Allora Y =g ( X )=( X −2)2 è una variabile aleatoria.

x 1 2 3 4 5 6 y 0 1 4 9 16
1 1 1 1 1 1 1 2 1 1 1
fX(x) fY(y)
6 6 6 6 6 6 6 6 6 6 6
Abbiamo
1 2 1 1 1 31
E [Y ]= ∑ yf Y ( y)=0⋅ +1⋅ +4⋅ +25⋅ +16⋅ =
y possibili 6 6 6 6 6 16

Ma avremmo più semplicemente potuto scrivere

1 1 1 1 1 1 31
E [Y ]=E [( X −2)2 ]= ∑ ( x−2)2 f X ( x)=1⋅ +0⋅ +1⋅ +4⋅ +25⋅ +16⋅ =
x possibili 6 6 6 6 6 6 16

Calcolo delle Probabilità 14

 Media (o valore atteso, o speranza)

Proprietà: se c , c 1 , c 2 ,... , c n sono costanti reali, allora

1) E [c ]=c

2) E [c g ( X )]=c E [g ( X )]

3) E [c 1 g1 ( X )+c 2 g2 ( X )+...+c n g n ( X )]=c 1 E [g1 ( X )]+c 2 E [g 2 ( X )]+...+c n E [ gn ( X )]

4) E [g1 ( X )]≥E [ g 2 ( X )] se g1 ( x)≥g 2 ( x ) per ogni x∈ℝ

5) In particolare, E [g ( X )]≥0 se g ( x)≥0 per ogni x∈ℝ

Calcolo delle Probabilità 15

Varianza

Calcolo delle Probabilità 16

 Varianza

Se X è una variabile aleatoria, si definisce varianza di X

Var ( X )= E [( X −E [ X ])2 ]

Quindi: Var ( X )≥0

Inoltre:
2
∑ x X f X ( x j) se X discreta
{
Var ( X )= +∞
x possibile valore di X

∫−∞ (
j

x−E [ X ])
2
( j

f X ( x)dx
−E [ ])
se X continua

Infine: Var ( X )= E [( X −E [ X ])2 ]=E [ X 2 −2 E [ X ] X +E [ X ]2 ]

2 2
=E [ X ]− E [2 E [ X ] X ]+ E [ E [ X ] ]

=E [ X 2 ]−2 E [ X ] E [ X ]+ E [ X ]2 =E [ X 2 ]−E [ X ]2
Calcolo delle Probabilità 17
 Varianza
Esempio

Lancio di un dado ben bilanciato. X rappresenta il numero uscito. Sappiamo

che E [ X ]=3.5 . Allora:

2
Var ( X )= ∑x possibile valore di X
( x j −E [ X ]) f X(xj)
j

2 1 2 1 2 1
=(1−3.5) ⋅ +(2−3.5) ⋅ +...+(6−3.5) ⋅ =...≈2.92
6 6 6

Alternativamente, e forse più velocemente:

Var ( X )= E [ X 2 ]+ E [ X ]2 =( ∑ x possibile valore di X

x 2j f X ( x j )) −(3.5)2
j

1 1 1 1
=1⋅ +4⋅ +9⋅ +...+36⋅ −12.25≈2.92
6 6 6 6

Calcolo delle Probabilità 18

 Varianza

Proprietà: se c 1 , c 2 sono costanti reali, allora

Var (c 1 +c 2 X )=c 22 Var ( X )

Infatti:

Var (c 1 +c 2 X )= E [(c 1 +c 2 X )2 ]−E [c 1 +c 2 X ]2

= E [c 21 +2 c 1 c 2 X +c 22 X 2 ]−(c 1 +c 2 E [ X ])2

=c 21 +2 c 1 c 2 E [ X ]+c 22 E [ X 2 ]−c 12−2 c1 c 2 E [ X ]−c 22 E [ X ]2

=c 22 (E [ X 2 ]− E [ X ]2 )=c 22 Var ( X )

Calcolo delle Probabilità 19

 Varianza
2
La varianza Var ( X )= E [( X −E [ X ]) ] misura quanto ci si discosta dal valor medio.

Calcolo delle Probabilità 20

 Varianza
2
La varianza Var ( X )= E [( X −E [ X ]) ] misura quanto ci si discosta dal valor medio.

Problema: se X è una variabile aleatoria che misura una distanza in metri, allora
Var ( X )= E [ X 2 ]− E [ X ]2
sarà in metri quadri. Quindi non si può direttamente usare come indicazione di
quant metri tipicamente ci discostiamo dal valore atteso.

Soluzione: si utilizzalo lo scarto quadratico medio, o deviazione standard,

definito come
σ X = √ Var ( X )

Domanda: perché non utilizzare direttamente qualcosa tipo E [|X −E [ X ]|] ?

In alcuni contesti si fa, ma la varianza è largamente utilizzata perché ha maggiori

proprietà matematiche, e la vedremo comparire in molti teoremi.

Calcolo delle Probabilità 21

Disuguaglianza di Tchebycheff

Calcolo delle Probabilità 22

 Disuguaglianza di Tchebycheff

Sia X una variabile aleatoria e g :ℝ→ℝ una funzione non-negativa (cioè g ( x)≥0
per ogni x∈ℝ ). Allora
E [ g ( X )]
P ( g ( X )≥k )≤
k

per ogni costante k positiva.

Infatti, nel caso continuo (quello discreto è analogo):

+∞
E [g ( X )]=∫−∞ g ( x) f X ( x) dx

=∫x : g( x)≥k g ( x) f X ( x)dx +∫x : g ( x )≤k g ( x ) f X ( x) dx

≥∫x : g( x)≥k g ( x) f X ( x)dx

≥∫x : g( x)≥k kf X ( x)dx

≥k ∫x : g( x)≥k f X ( x) dx=k P (g ( X )≥k )

Calcolo delle Probabilità 23
 Corollario della disuguaglianza di Tchebycheff

Sia X una variabile aleatoria con varianza finita. Allora:

1
P (|X −E [ X ]|≥t σ X )≤
t2
O, equivalentemente,
1
P (|X −E [ X ]|<t σ X )≥1−
t2

Infatti:

2 2 2 E [( X −E [ X ])2 ] Var ( X ) 1
P (|X −E [ X ]|≥t σ X )=P (( X −E [ X ]) ≥t σ )≤
X 2 2
= 2
= 2
t σX t Var ( X ) t

Calcolo delle Probabilità 24

 Corollario della disuguaglianza di Tchebycheff

f X(x)
1
P (|X −E [ X ]|<t σ X )≥1−
t2

E [ X ]−t σ X E[X] E [ X ]+t σ X x

Illustrazione grafica del corollario alla disuguaglianza di Tchebycheff

Calcolo delle Probabilità 25

 Corollario della disuguaglianza di Tchebycheff

Se per esempio scegliamo t=2 abbiamo

3
P ( E [ X ]−2 σ X < X < E [ X ]+2 σ X )≥
4

Calcolo delle Probabilità 26

 Corollario della disuguaglianza di Tchebycheff

Se per esempio scegliamo t=2 abbiamo

3
P ( E [ X ]−2 σ X < X < E [ X ]+2 σ X )≥
4

Calcolo delle Probabilità 27