Lez 01-20 Calcolo Delle Probabilità

Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità

Lezione n°: 001
Titolo: presentazione. Software R
Presentazione del Docente
Cari Studenti,
permettetemi di presentarmi. Sono Luigi Panetta Docente di Statistica Economica e di
Calcolo delle Probabilità presso la Nostra Università - eCampus University di Novedrate –
I miei indirizzi e-mail sono: luigi.panetta@uniecampus.it
luigipanetta@libero.it
Faccio presente, comunque, che è preferibile che mi contattiate tramite il sistema di

messagistica interna.
Per quanto riguarda il ricevimento on-line esso è stabilito il martedì alle ore 17,00.
Per quanto riguarda eventuali incontri Skype essi sono da concordare di volta in volta con
gli studenti.
Faccio presente che nel corso dei ricevimenti settimanali affronterò i seguenti temi:
Calcolo combinatorio, Concetti di Probabilità. Teorema di Bayes, Variabili casuali discrete
e continue, Distribuzioni di probabilità di v.c. discrete e continue.
Lezione n°: 001
Bibliografia, sussidi didattici e propedeuticità necessarie

Libro di Testo consigliato(1)
R. Coccarda, L. Panetta (2021) Libro di Statistica con R, II Ed. EBS Print(2) (tranne i
capitoli 14, 16, 17 e 18)
Sussidi didattici presenti in piattaforma:

• Paniere
• Scheda Corso
Gli studenti devono conoscere e saper apllicare i concetti base della statistica descrittiva,
inferenziale e della teoria e calcolo delle probabilità nonché saper utilizzare il software R a
livello base(2)
Nota(1):il libro è acquistabile solo attraverso il sito www.didatticainterattiva.it previa registrazione.
Nota(2): per chi non conosce affatto il software R si consiglia il libro di Statistica con R. di R. Coccarda, L.Panetta
(2021) EBS Print
Lezione n°: 001
Modalità di svolgimento esame
a) 21 domande a risposta chiusa (con punteggio 0 per risposta errata o non data e 1 per
risposta corretta) e 3 a risposta aperta (con punteggio massimo di 3 punti ciascuna); la
lode sarà a discrezione della Commissione;
N.B. a seguito di indicazioni da parte del MIUR in ordine alla necessaria verifica della
qualità dell’apprendimento, si comunica che a partire dal nuovo a.a. ogni studente potrà
effettuare un massimo di 2 prenotazioni d’esame a sessione.
Lezione n°: 001
Metodi di accertamento dei risultati di apprendimento e modalità di

valutazione
Con riferimento all’applicazione delle conoscenze e capacità acquisite l’esame finale
valuterà la capacità dello studente di collegare i diversi temi trattati e la capacità di
risolvere dei semplici quesiti ed esercizi di argomento statistico.
• Con riferimento alle abilità comunicative, l’esame finale valuterà, oltre ai contenuti delle
risposte, anche la capacità di utilizzare con appropriatezza i termini del linguaggio
scientifico e di esporre efficacemente gli argomenti studiati.
Le risposte alle domande aperte vengono valutate su scala 0-3 punti, secondo i seguenti
criteri:
• 0 = risposta mancante o errata;
• 1 = prevalere complessivo di elementi non corretti con isolati spunti corretti;
• 2 = contestualizzazione della risposta corretta, ma con presenza di elementi non
corretti o esposta in modo non efficace o incompleto;
• 3 = risposta corretta, ben esposta
Le risposte alle domande chiuse vengono valutate su una scala 0/1.
Nella prova scritta non è prevista l’attribuzione di penalità alle risposte errate.
Lezione n°: 001
Propedeuticita’, Bibliografia e Sussidi Didattici

Propedeuticità: lo studente deve possedere le conoscenze matematiche di base.
Deve saper usare il computer e conoscere in modo elementare il software R.
Bibliografia: Libro di Testo consigliato

R. Coccarda, L. Panetta (2021) Libro di Statistica con R, EBSLibri
Sussidi didattici presenti sulla piattaforma dell’eCampus :

• Prove di esame tipo con soluzione
• Quiz composti da domande a risposta multipla
• Paniere
Lezione n°: 001
Consigli del Docente
Consiglio di leggere attentamente la presente scheda corso
Consiglio di studiare attentamente il libro di Statistica con R soprattutto ai fini della

preparazione sulle domande a risposta aperta riguardanti il software R
Consiglio di utilizzare tutti i sussidi didattici presenti in piattaforma
Consiglio di tener in conto quanto descritto nella Sezione sussidi didattici in modo
particolare per quanto riguarda le credenziali che il sito concede gratuitamente a Voi
studenti su richiesta del Direttore scientifico Prof. Coccarda Raoul e che permettono la
gestione e soprattutto la personalizzazione degli script di R anche in modalità mobile con
smart-phone e tablet
Lezione n°: 001
Software R
Il software R è una insieme integrato di strumenti software per la elaborazione dei dati, il
calcolo e la grafica. Dispone, tra le altre cose, di un efficace sistema di gestione e
memorizzazione dei dati; di un insieme di operatori per i calcoli, in particolare sulle
matrici; di una grande, coerente e integrata raccolta di strumenti intermedi per l'analisi
dei dati; di strutture grafiche per l'analisi dei dati e visualizzazione direttamente sul
computer o su carta.
Dispone, altresì, di un linguaggio di programmazione ben sviluppato, semplice ed efficace
(chiamato 'S') che include condizionamenti, cicli, funzioni ricorsive definite dall'utente e
strutture di input e output (infatti la maggior parte delle funzioni fornite dal sistema sono
scritte nel linguaggio S). R è un veicolo per i nuovi metodi di analisi dei dati interattivi.
Esso si è sviluppato rapidamente ed ha una vasta collezione di pacchetti.
Dal punto di vista storico R può essere considerato come un'implementazione del
linguaggio S sviluppato presso i Laboratori Bell da Rick Becker,da John Chambers e da
Allan Wilks, e costituisce anche la base dei sistemi S-Plus.
Per R il riferimento di base è la nuova lingua S che può essere considerato un ambiente
di programmazione per l'analisi dei dati e per la grafica.
Lezione n°: 001
Struttura dell’ambiente di R
Si ritiene opportuno iniziare con i comandi di aiuto in R che possono essere: qt; help(qt);
help.start (); help.search ("covarianza"). Con il primo si fornisce al comando la sua
descrizione, il suo utilizzo e la sua funzionalità; con il secondo si visualizza un menu di
opzioni di aiuto; con il terzo si avvia il comando di aiuto; con il quarto si cerca nei le di
aiuto la parola o la frase data come argomento.
Molte volte, però, il miglior aiuto disponibile può essere trovato da una ricerca online.
Per cercare nel Sito Web R funzioni e riferimenti, ad esempio "Filtro di Kalman" utilizzare
la seguente linea di codice: RSiteSearch ("Filtro di Kalman").
I risultati della ricerca vengono evidenziati nel browser web.
Nell'ambiente R sono implementate le moderne tecniche statistiche. Alcune nell'ambiente
base ma molte altre sono fornite come pacchetti. Sono circa 25 i pacchetti forniti con R
(chiamati "standard" e "consigliati") e molti altri sono disponibili tramite il CRAN del sito
Internet (https://CRAN.R-project.org) e altrove. La maggior parte delle statistiche
classiche e gran parte delle metodologie più recenti sono disponibili ed utilizzabili
attraverso l'ambiente di R, previa una piccola ricerca. C’è una differenza importante tra R
e gli altri principali sistemi statistici. In R un'analisi statistica è normalmente fatta come
una serie di passaggi, con i risultati intermedi che vengono memorizzati negli oggetti.
Lezione n°: 001
Struttura dell’ambiente di R
Mentre SAS e SPSS danno un output più articolato, ad esempio svolgendo un'analisi di
regressione, R si limita a dare un output essenziale e compatto privilegiando la memorizzazione
di oggetti adatti per interrogazioni successive attraverso le sue ulteriori funzioni. Si tratta, come
detto sopra, di un linguaggio di programmazione libero.
Fondamentalmente R è un pacchetto statistico che permette di elaborare dati, eseguire calcoli
dai più semplici ai più complessi, ottenere rappresentazioni grafiche e molto altro ancora. Il
software R è un punto di riferimento per tutto ciò che riguarda le analisi statistiche; ma è
anche e soprattutto un linguaggio di programmazione che è in grado di creare istruzioni
personalizzate utilizzando l'apposita R Console. Rende l'Utente indipendente da una costosa
licenza software. Il programma di installazione R può essere scaricato liberamente dal sito
http://www.r-project.org La maggior parte delle funzioni a cui si può essere interessati sono
disponibili attraverso le librerie (a volte chiamate pacchetti) presenti sul sito Web R.
Per scaricare ed installare una libreria, che non viene fornita con l'installazione standard,
occorre seguire il link CRAN sopra riportato dove si trova un elenco di librerie compresse
pronte per il download. Per installare un pacchetto si clicca su "Installa pacchetto" dalla
directory locale sotto il menu del pacchetto stesso. Quindi si seleziona il file scaricato ed il
pacchetto sarà disponibile per l'uso in futuro. Se si sta usando R sotto linux si installano nuove
librerie attraverso il seguente comando da digitare sul prompt: "R CMD INSTALL nome
pacchetto".
Lezione n°: 001
Utilizzo interattivo di R
Si può interagire direttamente con R attraverso il suo prompt dei comandi.
Sotto Windows il prompt di imput nella R Console normalmente è di colore rosso mentre
l'output restituito è di colore blu preceduto dal numero progressivo tra parentesi quadre.
Si noti che R è "case sensitive" per cui è importante, ad esempio, utilizzare sempre il
punto e mai la virgola per la parte decimale dei numeri; chiudere sempre le parentesi e
controllare che siano inserite correttamente.
I file degli script hanno generalmente l'estensione ".R
Per caricare uno script chiamato "vendite.R" si deve usare il comando:
source ("vendite.R")
Le linee di codice (script) possono essere inserite o direttamente nel prompt della
Rconsole oppure utilizzando la tendina "File", posta in alto sulla barra delle opzioni.
cliccando su "Nuovo script" si possono copiare e incollare se lo si vuole importare
dall'interno. Se invece si vuole utilizzare uno script dall’interno si clicca sull’opzione "Apri
file"
In entrami i casi si apre "Senza titolo-Editor di R".
Lezione n°: 001
Utilizzo interattivo di R
Se nessun file è specificato R assume che lo stesso si trovi nella directory di lavoro
corrente. Molto importante è settare la directory di lavoro giusta quando si vuole
importare uno script dall'esterno.
Essa può essere visualizzata o modificata cliccando sulla RConsole e aprire da File
l'opzione "Cambia directory" oppure tramite il comando di R:
getwd ()
Per settare una nuova directory si può usare il comando:
setwd()
Poiche ogni comando usato e una funzione memorizzata in una delle librerie, si ha la
necessita di caricare le librerie prima di lavorare.
Molte delle funzioni comuni si trovano nelle librerie, che vengono caricate da predefinito
(di default).
Per accedere a qualsiasi altra funzione, tuttavia, si deve caricare la libreria appropriata
come prima riga di codice.
Ad esempio library(labstatR)
Per saperne di più utilizza il seguente link: http://www.didatticainterattiva.it/r.html

Lezione n°: 001
Importazione dei dati in R

Per importare dei dati su R è necessario scegliere il tipo di file che si vuole importare e
allo stesso tempo si debbono analizzare tre elementi:
1. l'estensione del file;
2. la prima riga che può contenere o meno i nomi delle variabili;
3. i separatori come la virgola, il punto e le parentesi.
Le funzioni base per importare i dati su R sono in particolare tre, e possono essere
utilizzate per importare dei dati in formati quali .csv, .tsv o .txt. Si tratta delle funzioni
read.table(), read.csv() e read.delim().\\
Se il file che si vuole leggere si chiama prova.txt (contenente vettori colonna di dati senza
il nome della colonna nella prima riga) che si trova nella directory mydat del disco C:/ il
codice da utilizzare è:
prova <- scan(«C:/mydat/prova.txt")
Se il file che si vuole leggere contiene, invece, il nome della colonne nella prima riga il
codice è:
prova <- read.table(“C:/mydat/prova.txt", header=TRUE, row.names=1)
Lezione n°: 001

Dopo aver stabilito i codici per l’importazione dei file in formato testo si prendono in
considerazione quelli in formato Excel. E' opportuno ricordare che il file origine Excel deve
essere salvato con l’estensione .csv oppure .csv2.Se il file prova.csv (salvato con una
versione italiana di Excel, vale a dire come separatore decimale la virgola) contiene due e
più colonne con nome delle colonne nella prima riga il comando da utilizzare è il
seguente:
prova <- read.csv2(«C:/mydat/prova.csv", header=TRUE)
Se nella prima colonna ci sono i nomi di riga il comando è:
prova <- read.csv2(«C:/mydat/prova.csv", header=TRUE, row.names=1)
Se il file prova.csv è stato salvato con la versione inglese di Excel, vale a dire come
separatore decimale, il comando è:
prova <- read.csv(«C:/mydat/prova.csv", header=TRUE)} \\
Se nella prima colonna ci sono i nomi di riga il comando può essere anche il seguente:\\
prova <- read.csv(«C:/mydat/prova.csv", header=TRUE, row.names=1)
Per importare un data frame dal Cran di R, ad esempio «airquality», per rendere
autonome le colonne,
Lezione n°: 001

Per importare un data frame dal Cran di R, ad esempio «airquality», per rendere
autonome le colonne, per sostituire nella colonna corrispondente alla v.c. «Ozone» i
valori mancanti (NA) con 0 e quindi calcolare la relativa media (altrimenti impossibile da
calcolare), per calcolare la media di un’altra colonna , ad esempio quella corrispondente
alla v.c. «Temp», per rappresentarne il relativo box-plot, per attaccare di nuovo le
colonne, le linee di codice sono:
data.frame(airquality)
attach(airquality)
omit
x(is.not(NA))<-0
mean(Ozone)
mean(Temp)
detach(airquality)
Lezione n°: 001
Interattività con sito www.didatticainterattiva.it
Il consiglio di acquistare il libro di testo è legata al fatto che in esso sono contenute le
parti propedeutiche alle risposte sulle domande a risposta multipla e aperte riguardanti il
software R che costituiscono una parte considerevole della prova di esame a cui il
Docente associa una grande importanza. E che tali contenuti non sono riportati nelle
slides in quanto lo Studente, con questa innovativa didattica interattiva attraverso il sito
www.didatticainterattiva.it, ha un percorso di studio molto più facilitato a costi ridotti.
Lo Studente, acquistando il libro di testo, disporrà, infatti, di proprie credenziali rilasciate

dal sito www.didatticainterattiva.it che gli permetteranno di gestire una serie di script
interattivi su tutti i contenuti dell’Insegnamento attraverso l’utilizzo del software R “open
source” in remoto, in modalità “mobile” con smartphone o tablet “ovunque si trovi”. Lo
Studente potrà verificare la conoscenza degli argomenti di Statistica Economica
mandando in esecuzione gli stessi script che potrà personalizzare con propri dati. Ciò gli
permette di accorciare e di controllare il percorso conoscenza-applicazione e al contempo
acquisire un primo livello di competenze nella gestione di un software statistico, che oltre
ad essere libero, e non è poco, è uno di quelli più utilizzati nel panorama statistico e non.
Lo Studente potrà disporre di un Servizio dedicato sulla Rubrica del Direttore Scientifico
dello stesso sito.
Lezione n°: 001

Consiglio di utilizzare un sussidio che, anche se non riconosciuto dall’ANVUR, si inserisce
nell’attività didattica dello studente ovvero l’interattività con il sito
www.didatticainterattiva.it. Si fa presente, infatti, che:
l’obbligatorietà del libro di testo è legata al fatto che in esso sono contenute le parti
propedeutiche alle risposte sulle domande a risposta multipla e aperte riguardanti il
software R che costituiscono una parte considerevole della prova di esame a cui il
Docente associa una grande importanza. E che tali contenuti non sono riportati nelle
slides in quanto lo Studente, con questa innovativa didattica interattiva ha un percorso di
studio molto più facilitato a costi ridotti. L’acquisto del libro di testo, solo attraverso il sito
sopracitato, è legato al fatto che lo studente riceverà, previa registrazione, le credenziali
che gli permetteranno di disporre degli scripts in formato pdf. Disporrà, inoltre, di un
RCode di accesso ad una piattaforma di R attraverso la quale potrà gestire gli script
anche con smartphone e tablet; va da sé che tutto ciò è impossibile da inserire nelle
slides del corso;
con il percorso didattico sopradescritto lo Studente potrà verificare la conoscenza degli
argomenti di Statistica mandando in esecuzione gli stessi script che potrà personalizzare
con propri dati.
Lezione n°: 001

Ciò gli permette di accorciare e di controllare il percorso conoscenza-applicazione e al
contempo acquisire un primo livello di competenze nella gestione di un software
statistico, che oltre ad essere libero, e non è poco, è uno di quelli più utilizzati nel
panorama statistico e non, tenendo conto che oggi è anacronistico un insegnamento di
statistica senza l’ausilio di un opportuno software;
lo Studente, oltre ai servizi erogati dall’Università eCampus, potrà disporre di un Servizio
dedicato da parte del Docente.
Si ribadisce che gli script e tutto ciò che riguarda R non sono inseriti nelle slide in
quanto ad essi sono collegate le credenziali personali che si possono ottenere soltanto
con l’acquisto del libro di testo attraverso il sito www.didatticainterattiva.it . Lo
studente, qualora decidesse di non acquistare il libro ha comunque la
possibilità di prepararsi sulle domande sul software R scaricandolo
gratuitamente dal sito htpps:\\www.r-project.org\
Consiglio di leggere attentamente la presente scheda corso.
Consiglio di studiare attentamente il libro di testo consigliato soprattutto ai fini della
preparazione sulle domande riguardanti il software R.
Consiglio di utilizzare tutti i sussidi didattici presenti in piattaforma.
Lezione n°: 001
Poiché il libro è acquistabile solo attraverso il sito www.didatticainterattiva.it previa

registrazione nelle immagini che vengono riportate di seguito si illustra allo Studente la
procedura:
1. Accesso al sito www.didatticainterattiva.it e successiva registrazione al sito
Lezione n°: 001

Lezione n°: 001
3. Dopo aver aperto il sito cliccare sulla Sezione «Contatti» per la registrazione
Lezione n°: 001

4. Appare la seguente schermata e lo Studente deve compilare i campi obbligatori e nel
riquadro messaggio scrivere quanto riportato nell’immagine sottostante:
5. Lo Studente riceverà dall’Amministratore del sito www.didatticainterattiva.it una mail di

accettazione con l’indicazione del prezzo di acquisto del Compendio comprese le spese di
spedizione nonché le indicazioni relative al pagamento
6. Lo Studente, dopo aver provveduto al pagamento, riceverà il Compendio comprese le
credenziali con cui accedere, tramite il sito www.didatticainterattiva.it, agli script
propedeutici alla preparazione sulle domande aperte relative ai contenuti
dell’Insegnamento di Statistica Economica.
Lezione n°: 001
Struttura del corso
Nell’immagine successiva vengono riportate le indicazioni che lo Studente deve seguire al

termine dello studio di ciascuna lezione.
Lezione n°: 002
Titolo: Disposizioni; Permutazioni; Combinazioni
Disposizioni; Permutazioni; Combinazioni
Nella pratica statistica esiste un metodo di calcolo per descrivere alcuni fenomeni. Nella teoria
del calcolo delle probabilità il problema si può risolvere calcolando il numero di modi in cui si
determina un evento che rappresenta un sottoinsieme dello spazio campionario composto da
un numero finito o infinito di punti campione. Quando si è in presenza di una enorme mole di
osservazioni, non è possibile o resta estremamente difficoltoso computarle e quindi si ricorre
al calcolo combinatorio e alla sua legge fondamentale. Essa stabilisce che se si realizzano due
esperimenti con n e m risultati possibili si determinano in tutto (n)*(m) esiti possibili, se le
loro sequenze distinte producono esiti finali distinti.
Gli strumenti che si utilizzano nella teoria del calcolo combinatorio sono le:
 Disposizioni
 Permutazioni
 Combinazioni
Lezione n°: 002
Disposizioni semplici o senza ripetizione

Si supponga di avere n oggetti distinti (ad es: n palline numerate progressivamente da 1
a n, oppure n lettere dell'alfabeto, ecc.).
Sia ora k un intero con k ≤ n. Le k-uple ordinate, costruite utilizzando k fra gli n oggetti
dati che si assume non contengano oggetti ripetuti (senza ripetizione), sono definite
"disposizioni semplici degli n oggetti dati, presi a k a k" o anche "le disposizioni di classe
k, di quegli n oggetti". Ne deriva la seguente formula:
Dn,k = N (N-1) (N-2)………..(N-k+1) (2.1)
Da cui si evince che esse sono date dal prodotto dei primi k numeri interi a decrescere a
partire da n. La notazione trasformata in fattoriali diventa:
Dn,k = N!/(N-k)! (2.2)
Un esempio aiuta a capire meglio il concetto teorico. Sia n=4 e k=2 l’interpretazione della
notazione 2.1 è: D4,2=4*3=12 che trasformato in fattoriali secondo la notazione 2.2
diventa: D4,2 = 4!/(4-2)! =(4*3*2*1)/2*1=24/2=12
Lezione n°: 002
Disposizioni con ripetizione

Si supponga di avere n oggetti distinti (ad es: n palline numerate progressivamente da 1
a n, oppure n lettere dell'alfabeto, ecc.).
Sia ora k un intero con k ≤ n. Le k-uple ordinate, costruite utilizzando k fra gli n oggetti
dati, che contengano oggetti ripetuti (con ripetizione), sono definite "disposizioni con
ripetizione degli n oggetti dati, presi a k a k" o anche "le disposizioni di classe k, di quegli
n oggetti". Il concetto espresso in simboli assume la seguente notazione:
Dn,kr=nk (2.3)
per k=n diventa:
DN,nr = Nn (2.4)
Un esempio aiuta a capire meglio il concetto teorico. Sia n=4 e k=2 l’interpretazione della
notazione 2.3 è: Dr4,2=42=16
Lezione n°: 002
Permutazioni semplici o senza ripetizione

E’ opportuno premettere che il concetto di permutazione può essere considerato un caso
particolare di quello di disposizione semplice. Più specificatamente possono essere
individuate come disposizioni di n oggetti distinti di classe n (ad es: n palline numerate
progressivamente da 1 a n, oppure n lettere dell'alfabeto, ecc.).
In questo caso le n-uple ordinate, costruite utilizzando gli n oggetti dati che si assume
non contengano oggetti ripetuti (senza ripetizione), sono definite «permutazioni semplici
degli n oggetti dati, presi a n a n" o anche "le permutazioni di classe n, di quegli n oggetti
stessi». Il concetto espresso in simboli assume la seguente notazione:
Pn= Dn,n =N (N-1) (N-2)………..(N-N+1) (2.5)
che trasformato in fattoriali diventa:
Pn= Dn,n = N! (2.6)
Un esempio aiuta a capire meglio il concetto teorico. Sia n=4 l’interpretazione della
notazione 2.6 è: P4 = D4,4=4!=4*3*2*1=24 che trasformato in fattoriali secondo la
notazione 24.2 diventa : P4= D4,4= 4!=(4*3*2*1)=24
Lezione n°: 002
Permutazioni con ripetizione

Si supponga di avere n oggetti (ad es: n palline numerate progressivamente da 1 a n,
oppure n lettere dell'alfabeto, ecc.) che a loro volta sono suddivisi in sottogruppi
n1, n2, ….. nk. I modi di ordinare tali oggetti si ottengono applicando il concetto di
permutazione con ripetizione espresso dalla seguente formula:
Pnr=N!/ n1!, n2!, ….. n!k (2.7)
per n1+n2+ ….. +nk ≤ N
Un esempio aiuta a capire meglio il concetto teorico. Quanti modi esistono per
anagrammare la parola Fittizio. Gli elementi costituiti da vocali e consonanti sono 7, i
sottogruppi sono:1F; 2T; 3I; 1O. Applicando la notazione 2.7 si avrà:
Pnr=7!/1!*2!*3!1!=(7*6*5*4*3*2*1)/(1)*(2*1)*(3*2*1)*(1)=5040/1*2*6*1=420
Lezione n°: 002
Combinazioni semplici o senza ripetizione

Le k-uple non ordinate che si possono costruire utilizzando senza ripetizione k oggetti fra
gli n oggetti dati debbono essere diverse tra loro per almeno un oggetto e sono definite
combinazioni semplici o senza ripetizione, ovvero combinazioni degli n oggetti dati, presi
a k a k" od anche "combinazioni di classe k, di quegli n oggetti stessi".
Il numero di tali k-uple non ordinate, ovvero il numero delle combinazioni di n oggetti,
presi a k a k, si indica con Cn,k ed è espresso dalla seguente notazione:
Cn,k= Dn,k / Pk= Dn,k / k!=[n……(n-k+1)]/k!=n!/k! (n-k)! (2.8)
L’ultimo passaggio è stato ottenuto moltiplicando sia il numeratore che il denominatore

per (n-k)!; tale passaggio è possibile anche per k=n, perché, per convenzione, si pone
0!=1. La quantità n!/k! (n-k)! coincide con il cosiddetto “coefficiente binomiale” che si
denota con il simbolo
Lezione n°: 002
Combinazioni semplici o senza ripetizione

Le k-uple non ordinate che si possono costruire utilizzando senza ripetizione k oggetti fra
gli n oggetti dati debbono essere diverse tra loro per almeno un oggetto e sono definite
combinazioni semplici o senza ripetizione, ovvero combinazioni degli n oggetti dati, presi
a k a k" od anche "combinazioni di classe k, di quegli n oggetti stessi".
presi a k a k, si indica con Cn,k ed è espresso dalla seguente notazione:
Cn,k= Dn,k / Pk= Dn,k / k!=[n……(n-k+1)]/k!=n!/k! (n-k)! (2.8)
L’ultimo passaggio è stato ottenuto moltiplicando sia il numeratore che il denominatore

per (n-k)!; tale passaggio è possibile anche per k=n, perché, per convenzione, si pone
0!=1. La quantità n!/k! (n-k)! coincide con il cosiddetto “coefficiente binomiale” che si
denota con il simbolo
Lezione n°: 002
Combinazioni con ripetizione

Sono le k-uple non ordinate che si possono costruire utilizzando con ripetizione k oggetti
fra gli n oggetti a k a k (uguali o diversi).
Esse possono essere definite: "Le combinazioni degli n oggetti dati, presi a k a k" o anche
"le combinazioni di classe k, di quegli n oggetti che differiscono tra loro per almeno un
oggetto e per la ripetizione".
presi a k a k, si indica con Cn,k ed è espresso dalla seguente notazione :
 n  k -1   n  k -1 
Crn,k=Cn+k-1,k=  = 
 n -1 
 = (n+k-1)!/(n-1)!(n+k-1-n+1)!
 k 
   
che per semplificazione diviene:
Cn+k-1,k =(n+k-1)!/(n-1)! k! (2.9)

Lezione n°: 002
Combinazioni con ripetizione
Un’importante proprietà delle combinazioni, facilmente verificabile, è la seguente:
n   n 
  =   (2.10)
k  n - k 
   
Infatti svolgendo il primo membro si ha n!/k!(n-k)! e svolgendo il secondo si ha

n!/(n-k)!(n-n-k)! che per semplificazione coincide con la quantità al primo membro stesso
e quindi è dimostrata la 2.10.
Un esempio aiuta a comprendere meglio i concetti teorici. Si voglia calcolare il numero di

tutte le possibili cinquine in un gioco e quindi le combinazioni di 90 numeri presi 5 a 5:
n 
Cn,k =  
k 
= n!/k!(n-k)!=90!/ 5! (90-5)!*=4.394.268
 
Lezione n°: 003
Titolo: Coefficiente binomiale; Coefficiente multinomiale
Coefficiente binomiale e Coefficiente Multinomiale
Coefficiente binomiale
Come visto precedentemente la notazione che definisce il coefficiente binomiale è la
seguente :
𝑛
= n!/k!(n-k)! (3.1)
𝑘
Il coefficiente binomiale risponde alla domanda: “dati n oggetti, in quanti modi se ne

possono scegliere k? ” con k≤n ed esprime una identità combinatoria. Se si osserva un
insieme di n oggetti e si prende in considerazione uno di essi, ad esempio l’oggetto 1,
 n -1 
 
 k -1 
si può dire che vi sono   sottoinsiemi di k elementi che contengono l’oggetto 1
considerato che ognuno di tali insiemi è formato dalla scelta di k-1 oggetti tra i rimanenti
n-1
 n -1 
 
Vi sono inoltre  k -1 sottoinsiemi di k elementi che non contengono l’oggetto 1
 
Lezione n°: 003
Coefficiente binomiale e Coefficiente Multinomiale
Se si considera la seguente notazione:
n   n -1   n -1 
  =  +   per 1 ≤ k ≤ n
k   k -1   k 
     
n 
allora si può concludere che i sottoinsiemi di k elementi sono in tutto  k 
 
Si riportano di seguito alcuni coefficienti binomiali caratteristici:
n  n  n  n n   n 
  n    1
 n -1   n
    n   
1 
   
0
  n k   
   n k 
che sono tutti dimostrabili applicando la notazione 3.1

Lezione n°: 003
Coefficiente binomiale e Coefficiente multinomiale
Coefficiente multinomiale
Se si devono distribuire n oggetti distinti in k contenitori, ognuno dei quali contiene a

sua volta nell’ordine n1, n2 ,…………..nk oggetti ovvero la sommatoria ∑ki=1ni=n
può porsi il seguente interrogativo: quanti modi esistono per sistemare i contenitori?
Seguendo il principio fondamentale del calcolo combinatorio i modi sono:
𝑛 𝑛!
𝑛1 , 𝑛2,….., 𝑛𝑘 =𝑛1 !,𝑛2!,…,𝑛𝑘! (3. 2)
che coincidono con le permutazioni per sottogruppi con ripetizione

Lezione n°: 004
Titolo: Concetto di evento Booleano; Diagrammi Eulero-Venn
Concetto di evento Booleano e Diagrammi Eulero-Venn
Dalla frase “è probabile che esca il nero in una puntata al gioco della roulette in un
Casinò” si possono evincere i concetti di:
 esperimento empirico
 prova
 spazio degli eventi o evento certo o spazio campionario
 evento elementare
 evento composto
 probabilità dell’evento
L’esperimento empirico è la realizzazione di un'operazione empirica atta ad individuare,

accertare o precisare qualche aspetto specifico di un fenomeno osservabile che potrebbe
riguardare qualunque branca della conoscenza (fisica, chimica, materiali, geologia,
biologia, psicologia, economia, archeologia, ecc.). In questo caso il fenomeno da
osservare è il gioco alla roulette.
La prova o esperimento aleatorio è un qualsivoglia processo che produce un esito incerto
ovvero in questo caso la singola esecuzione del croupier
Lezione n°: 004
Per evento si intende qualsiasi fatto o avvenimento che può essere osservato. Un evento
è descritto da un enunciato, che può essere vero o falso.
L’evento elementare, denotato E, è uno dei possibili esiti di un esperimento che in questo
caso coincide con l’esito incerto della puntata sul rosso o nero. Lo spazio campionario
denotato Ω è l’insieme di tutti gli esiti possibili di un esperimento che nel caso in
questione sono soltanto due: rosso o nero.
L’evento composto è un qualunque sottoinsieme di Ω e si definisce più semplicemente
evento.
La probabilità dell’evento E denotato P(E) è la probabilità dell’esito incerto della puntata
Si utilizza un esempio per comprendere meglio i concetti soprarichiamati.
Esempio 1. Lancio di un dado regolare
Lo spazio campionario è costituito dall’insieme degli eventi elementari o punti campione.
In questo caso si è in presenza di uno spazio campionario discreto costituito da un
numero finito di eventi o punti pari a 6 tanti quante sono le facce di un dado regolare.
Se si lanciasse tale dado regolare in modo ripetuto si avrebbe uno spazio campionario
sempre discreto ma costituito da una infinità numerabile di punti o eventi elementari.
Lezione n°: 004
Esempio 2. Se invece si considerasse un fenomeno come la durata di una batteria in

giorni.
L’esperimento produrrebbe esiti costituiti da tutti i punti compresi in un intervallo di
tempo compreso ad esempio fra 1 e 1200 giorni, legato alla durata in gg. della garanzia
della batteria stessa. In questo caso lo spazio campionario è costituito da un numero
infinito di punti e si definisce continuo. Basta rifarsi al concetto matematico-geometrico di
quanti punti sono contenuti in un segmento dato e cioè un numero infinito. Nell’esempio
il segmento è quello ricompreso tra 1 e 1200 giorni.
Esempio 3. Si consideri il fenomeno lancio di due dadi regolari e si voglia distinguere tra
evento elementare ed evento composto.
Lo spazio campionario o insieme dei punti è contenuto in un piano ed è pari a 62=36
sulla base del concetto del calcolo combinatorio relativo alla disposizione con ripetizione
di sei elementi (facce) di classe due (due dadi regolari).
L’evento elementare è il singolo risultato: ad esempio l’uscita della faccia 1 nei due lanci.
L’evento composto è un insieme di risultati: ad esempio l’uscita delle facce che danno una
somma pari a 7
Lezione n°: 004
I concetti teorici sopraesposti possono essere rappresentati in modo visivo attraverso

alcune rappresentazioni grafiche denominate diagrammi di Eulero-Venn. In buona
sostanza si svolgono operazioni sugli insiemi. Si raffigura su un piano delimitato (ad
esempio un rettangolo) lo spazio campionario, che di seguito viene denotato Ω,
all’interno del quale si trovano gli insiemi considerati o eventi.
Ω Ω
Ω
E E F
Ec
Figura A Figura B F E
Nella Figura A è rappresentato l’evento E ed il suo complementare espresso anche come
1-E
Nella Figura A sono rappresentati i due eventi E ed F in cui F è ricompreso in E ed
entrambi appartengono allo spazio campionario Ω.
Master:Economics Scienze Matematiche
Insegnamento:
Statistics Calcolo delle Probabilità
Lezione18n°: 004
Titolo: CombinatorixConcetto di Probabilistic
calculation. evento Booleano; Diagrammi
concepts. Eulero-Venn
Eulero-Venn diagrams
18.01 Theoretic Lesson
Diagrammi di Eulero-Venn
Si rappresentano di seguito i seguenti diagrammi di Venn
Ω (spazio campionario) Ω (spazio campionario)
FFE
EE FF F
E
Figura C E U F Figura D E U F
Ω (spazio campionario)
E E ∩F F
Figura E E ∩F
Nelle Figure C e D è rappresentata l’operazione Unione per eventi disgiunti e congiunti e
che non hanno nessun elemento in comune.
Nella Figura E è rappresentata l’operazione Intersezione colorata in rosso.
Lezione n°: 004
Sui diagrammi di Eulero-Venn si possono riportare anche le operazioni di insiemi somma

e differenza che qui non vengono rappresentate. E’ importante invece individuare le
proprietà più significative (ancorché non dimostrate matematicamente) delle operazioni
sugli insiemi. Esse sono:
 di idempotenza
 commutativa;
 associativa:
 distributiva;
 di De Morgan
Le notazioni che caratterizzano tali proprietà sono rispettivamente:
E U E=E ; E E=E
E U F=F U E ; E F=F E
E U (F U G)=(E U F) U G; E (F  G)=(E  F) G
E U (F G)=(E U F)  (E U G) ; E (F U G)=(E F) U (F G)
(E U F)= E F; (E F) = E U F (E)=E
Lezione n°: 004
Gli Eventi secondo l’approccio “booleano”
Ogni evento si può identificare come un insieme e può essere rappresentato in tre
diversi modi: attraverso una proposizione, una enumerazione dei casi o con il diagramma
di Eulero-Venn. Con il primo modo si individuano le tre operazioni della struttura
matematica dell’algebra di Boole applicata agli eventi:
 negazione di un evento E, ovvero l’evento negazione o complemento di E che in

simboli si indica E
 intersezione tra due eventi E ed F, in simboli E F (tutti e due gli eventi si verificano
contemporaneamente)
 unione tra due eventi E e F, in simboli E U F (o l’uno o l’altro o entrambi gli eventi si
verificano)
La notazione E  Ω significa che l’evento E appartiene o è incluso nello spazio

campionario.
Lezione n°: 004
Riprendendo i concetti di evento certo, eventi impossibili ed eventi incompatibili nell’ottica

dell’algebra booleana si può affermare che:
 l’evento impossibile può essere definito come l’intersezione fra un qualsiasi evento e la
sua negazione E  E = Ø;
 l’evento certo può essere definito come la negazione dell’evento impossibile Ø = Ω
 l’evento incompatibile si ha quando si verifica che E F= Ø, ossia i due eventi non
possono verificarsi contemporaneamente; i due eventi si definiscono anche
mutuamente esclusivi
L’affermazione gli eventi formano un’algebra di Boole completa conduce ad una
conclusione e cioè che l’algebra degli eventi booleana è una struttura formale che viene
utilizzata per studiare il collegamento tra gli eventi stessi. Si riportano di seguito i concetti
base dell’algebra booleana:
 l’Unione tra due eventi E ed F conduce ad un evento risultante G che si verifica
quando almeno uno dei due eventi E e F si verifica (ovvero si verifica E, si verifica F o
si verificano E ed F); in simboli si rappresenta E U F (si legge E o F oppure E unito a
F)
Lezione n°: 004
 l’Intersezione tra due eventi E ed F conduce ad un evento risultante G che si verifica

se e solo se si verificano contemporaneamente sia E che F, ovvero se E e F formano il
risultato della prova; in simboli si rappresenta E F ( si legge E e F oppure E
intersecato a F)
 la Negazione dell’evento E conduce ad un evento che si verifica quando non si
verifica E e si indica con
 lo Spazio campionario rappresenta l’evento certo (Ω=Evento certo) e il suo
complemento l’evento impossibile ( Ω =Evento impossibile= Ø)
ESEMPIO. Si è detto sopra l’evento incompatibile si ha quando si verifica che
E F = Ø, ossia i due eventi non possono verificarsi contemporaneamente, allora i due
eventi si definiscono a due a due mutuamente esclusivi”.
Si può facilmente osservare che i due eventi sono incompatibili perché non sono uniti tra
di loro ovvero non hanno punti di contatto in comune e quindi si comprende meglio il
motivo per cui un insieme di eventi E1, E2,……., Ek, sono definiti a due a due
mutualmente esclusivi ovvero che l’uno esclude l’altro. Tali eventi possono anche essere
definiti: eventi disgiunti. In caso contrario di definiscono: eventi congiunti.
Lezione n°: 004

Riassumendo:
1) La negazione di un evento A (o il suo contrario), ossia Ā, detto anche complemento
di A, è data dal evento : "A non si verifica".
2) Dati due eventi A e B, la loro intersezione: A ∩ B è data dall'evento "Tutti e due gli
eventi A e B si verificano contemporaneamente".
3) Dati due eventi A e B, la loro unione: A U B è data dall'evento "Almeno uno degli
eventi A e B si verifica".
4) Dati due eventi A e B, l'evento A implica B si indicherà con A ⊆ B se "Ogni volta che
A è verificato, anche B lo sarà" .
L'unione, l'intersezione, l'implicazione si possono estendere a un numero finito o

numerabile di eventi.
Possiamo dunque definire l'evento impossibile Ø (che non può mai verificarsi) come
l'intersezione fra un qualsiasi evento e la sua negazione: Ø=A∩Ā
Lezione n°: 005
Titolo: Approcci al concetto di probabilità
Approcci al concetto di probabilità

Nomenclatura dei termini probabilistici
E’ importante svolgere una premessa terminologica ovvero capire il significato letterale
dei seguenti termini legati ai concetti di probabilità:
 definizione
 assioma e postulato
 proprietà
 teorema
Secondo il dizionario Garzanti:
la definizione è l’insieme delle parole usate per definire……. la probabilità (n.d.a.);
l’assioma e il postulato costituiscono verità evidenti per sé stesse, che non hanno bisogno
di dimostrazione e che servono a dimostrare altre proposizioni ……relative alla probabilità
(n.d.a.);
la proprietà è la qualità particolare propria ….che si fa assumere alla probabilità (n.d.a.);
il teorema è ogni proposizione che si rende evidente, valida, con una dimostrazione
deduttiva basata su altre proposizioni già precedentemente dimostrate o assunte come
vere(assioma e postulato) ……..relative alla probabilità.
Lezione n°: 005
Storia dello studio della Probabilità’
In questa Lezione si svolgono i concetti relativi alle definizioni di probabilità nonché agli
assiomi, postulati, proprietà e teoremi conseguenti. Prima di iniziare tale trattazione si
ritiene opportuno riportare alcuni cenni storici sulla nascita dell’idea di probabilità.
Si può partire da Fra’ Luca Pacioli o Fra’ Luca dal Borgo il quale affronta il problema della
“ripartizione della posta in un gioco d’azzardo che si interrompe” nel Trattato “Summa de
arithmetica, geometria, proportioni et proportionalita” del 1494.
E quindi dal tomo “Sulla scoperta dei dadi” di Galileo Galilei del 1656 dove viene spiegato
che, nel lancio di tre dadi, la somma 10 è più probabile della somma 9 a parità di
combinazioni.
Il concetto moderno (si può dire frequentista) di probabilità si deve a Pascal (1623-1662)
e a de Fermat (1601-1665) su sollecitazione del famoso ed accanito giocatore Cavalier de
Méré, il quale aveva constatato che la matematica non dava risposte al fenomeno casuale
relativo ai lanci di dadi. Egli aveva calcolato, infatti, che ottenere almeno un punteggio di
6 in 4 lanci di un dado non truccato era equivalente ad ottenere almeno un doppio
punteggio di 6 in 24 lanci, ma aveva anche constatato che, giocando sulla base di tale
assunto, perdeva invece di vincere. E’ da qui che nasce e si delinea il concetto di
probabilità secondo l’approccio frequentista.
Lezione n°: 005
Approcci alla Probabilità
Con Bernoulli si incontra per la prima volta il concetto di legge dei grandi numeri
elaborato e generalizzato successivamente da Laplace con il famoso ” Teorema centrale
del limite”, facendo assumere alla teoria delle probabilità solide basi matematiche.
Con De Finetti e Savage si giunge all’elaborazione di una concezione soggettivista della
probabilità, assumendo che è la persona a stabilire il grado di fiducia nel verificarsi di un
evento.
Con Kolmogorov ha inizio la elaborazione della teoria assiomatica basata su un approccio
alla probabilità puramente matematico.
Il concetto di probabilità lo si introduce secondo gli approcci classico, frequentista,
soggettivo ed assiomatico.
Secondo l’approccio classico la probabilità si definisce come il rapporto fra il numero di

casi favorevoli all’Evento E e il numero totale di casi possibili purché egualmente
probabili.
Lezione n°: 005
Approccio Classico
l'approccio classico la probabilità si denisce come il rapporto fra l'evento
probabile e tutti gli eventi possibili purché egualmente probabili:
La probabilità del verificarsi di un evento A, è:
𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒊 𝒄𝒂𝒔𝒊 𝒇𝒂𝒗𝒐𝒓𝒆𝒗𝒐𝒍𝒊
P(A)= 𝒏𝒖𝒎𝒆𝒓𝒐 𝒅𝒊 𝒄𝒂𝒔𝒊 𝒑𝒐𝒔𝒔𝒊𝒃𝒊𝒍𝒊
𝐸𝑃𝑅𝑂𝐵
P= (5.1)
𝐸1+𝐸2+⋯+𝐸𝑖
dove 𝐸𝑃𝑅𝑂𝐵 e l'evento probabile e la sommatoria di Ei e l'insieme degli eventi
possibili equiprobabili.
Lezione n°: 005
Per esempio nel "lancio di un dado" non truccato ci sono 6 eventi elementari,
tutti ugualmente possibili, corrispondenti alle 6 facce del dado.
Se consideriamo come evento di interesse il presentarsi della faccia con il

numero 5, la probabilità dell'evento in questione è misurata dal valore 1/6.
P (A=5) = 1/6
Se, nel medesimo esperimento, avessimo definito l'evento A come

"presentarsi di una faccia con numero pari", i casi favorevoli a A sarebbero
stati 3 (i numeri 2;4;6) e la relativa probabilità sarebbe stata espressa dal
rapporto 3/6 =1/2.
Lezione n°: 005

Approccio Frequentista
l'approccio frequentista viene definito come probabilità di un evento in senso

statistico (la frequenza relativa) che esso assume su un grande numero di prove
eseguite tutte nelle medesime condizioni . Se si osserva un fenomeno attraverso
un esperimento costituito da un certo numero di prove in condizioni costanti.
Esempio: Se negli ultimi 30 anni nella nostra città ha nevicato 18 volte, la
probabilità che nevichi in un anno è 18/30=3/5.
Esempio: Si vuole calcolare la probabilità che un neonato sia femmina. Su

100.000 nascite si sono avute 48.500 femmine. Essendo il numero di prove
sufficientemente elevato ed ogni prova indipendente dall'altra, utilizziamo la
definizione frequentista:
P(F) = 48500 / 100000 = 0,485

P(M) = 51500 / 100000 = 0,515
Lezione n°: 005
Secondo l’approccio frequentista definito anche come approccio o concezione statistica

la probabilità è espressa in termini quantitativi da un valore empirico osservato: la
frequenza relativa.
Se si osserva un fenomeno attraverso un esperimento costituito da un certo numero di
prove in condizioni costanti, si definisce frequenza relativa il rapporto fra il numero k,
ovvero il numero delle volte nelle quali l’evento E si è verificato ed il numero totale n
delle prove ovvero k/n. A questo concetto di misurazione statistica della probabilità si
associa la cosiddetta ”legge empirica del caso”, attraverso la quale si constata che al
crescere di n la frequenza relativa tende, ancorché oscillando, ad un valore stabile.
ESEMPIO 1: l’esempio classico è rappresentato dal lancio ripetuto di una moneta e

dall’evento “uscita della faccia Testa”. Al crescere di n la frequenza relativa tende
all’evento Testa. Come conseguenza logica si può assumere che la frequenza relativa – a
condizione che n sia sufficientemente grande – misura la probabilità dell’evento E. E’
abbastanza frequente nella scienza che un concetto teorico – la probabilità – possa
essere estratto da osservazioni empiriche sperimentali rappresentate dalla frequenza
relativa (metodo induttivo).
Lezione n°: 005

Approccio Frequentista
si definisce frequenza relativa il rapporto fra il numero k, ovvero il numero delle

volte nelle quali l'evento E si è verificato ed il numero totale n delle prove ovvero
𝑘
(5.2)
𝑛
A questo concetto di misurazione statistica della probabilità si associa la
cosiddetta legge empirica del caso, attraverso la quale si constata che al crescere
di n la frequenza relativa tende, ancorché oscillando, ad un valore stabile.
Lezione n°: 005
Secondo l’approccio soggettivista la probabilità è la misura che il ricercatore assegna a

priori ad un evento sulla base del suo grado di fiducia che esso si verifichi.
ESEMPIO 2: si può ritenere, sulla base delle esperienze passate e delle informazioni a
disposizione, che l’evento “ Caduta dei massi in una determinata strada e in un
determinato periodo dell’anno” abbia una probabilità di verificarsi del 30% ovvero
P=0,30, che si può definire probabilità a priori.
Secondo l’approccio assiomatico la definizione di probabilità presuppone il ricorso al
concetto di funzione che associ ad ogni evento elementare dello spazio campionario Ω
una probabilità P. A differenza della funzione classica che associa ad un punto dell’asse
reale un valore alla funzione, nel caso della funzione di probabilità sull’asse reale vengono
riportati gli insiemi o eventi elementari. Anche in questo caso la caratterizzazione della
funzione avviene attraverso l’individuazione del dominio denotato con la lettera D (n.d.a),
che coincide con il totale degli insiemi o eventi elementari, dello spazio campionario Ω e
della probabilità P. In simboli i tre oggetti soprarichiamati {D, Ω, P} costituiscono il
cosiddetto spazio di probabilità dove Ω  D
Di seguito si prende in considerazione solo il metodo di misurazione classico.
Lezione n°: 006
Titolo: Assiomi della probabilità
Assiomi della Probabilità
Assiomi della Probabilità. I termini assioma e postulato sono diversi in quanto sottendono
un diverso significato. Gli eventi formano un’algebra di Boole. Gli Assiomi più importanti
sono tre:
1. P(E) ≥ 0; ∀ E ∈ D che si legge: la probabilità di un evento deve essere sempre

positiva per ogni evento E che appartiene al dominio D;
2. 0 ≤ P(E) ≤ 1 che si legge: la probabilità di un evento E deve essere sempre
ricompresa fra 0 ed 1 estremi compresi;
3. P(Ω)=1 che si legge: la probabilità del totale degli eventi elementari appartenenti allo
spazio campionario Ω deve essere sempre uguale ad 1
Lezione n°: 007
Titolo: Postulati della probabilità
Postulati della probabilità

I postulati che sono delle affermazioni che non vengono dimostrate. Nel
calcolo delle probabilità i postulati (o assiomi) sono cinque.
1 POSTULATO
Gli eventi generati da una prova formano un’ algebra di Boole
completa.
Gli eventi sono delle frasi, delle proposizioni e quindi bisogna utilizzare
un’algebra diversa da quella ben nota dei numeri: l’algebra che utilizzeremo è
quella di Boole.
Nell’algebra di Boole le operazioni fondamentali sono tre e precisamente:
unione, indicata con il simbolo ∪;
intersezione, indicata con il simbolo ∩;
negazione, indicata con il simbolo ¯
2 POSTULATO
Dato un evento A qualsiasi appartenente ad una algebra di Boole, la sua
probabilità è unica e non negativa In simboli si ha P(A) ≥ 0
Lezione n°: 007
Postulati della probabilità

3 POSTULATO
La probabilità dell’evento certo è sempre pari ad uno
P(Ω) = 1
4 POSTULATO
Se A e B sono eventi incompatibili la probabilità della loro unione è uguale
alla somma delle probabilità di ciascuno di essi: se A ∩ B = ∅ allora risulta
P(A ∪ B) = P(A) + P(B)

5 POSTULATO
Dati i due eventi A e B si dice che B condiziona A, e si scrive (A|B), se il
verificarsi di B altera la probabilità del verificarsi di A
P(A|B) = P(A ∩ B) P(B) con P(B) > 0
quindi A e B sono due eventi dipendenti
Lezione n°: 007
Postulati della Probabilità
Si presentano inoltre i due Postulati seguenti:
1. P(E1U E2 U…..)=P(E1)+P(E2)+……. che si legge: la probabilità unione tra più eventi è

uguale alla somma delle probabilità degli eventi stessi nel caso di eventi a due a due
incompatibili che fanno parte del dominio D;
2. Se gli eventi E ed F non si sono mai presentati contemporaneamente nelle n prove

allora: E ∩ F=Ø (evento impossibile)
Lezione n°: 008
Titolo: Proprietà relative alla probabilità
Proprietà della probabilità
Proprietà della Probabilità
Le Proprietà più importanti sono le seguenti:

I P( Ø )=0 che si legge: la probabilità dell’evento negazione o evento impossibile è
sempre uguale a zero
II F ∈ E allora P(F) ≤ P(E); che si legge: se l’evento F appartiene all’evento E allora la
probabilità del primo è minore o uguale a quella del secondo
III P( E )=1- P(E); che si legge: la probabilità dell’evento reciproco di E è uguale a uno
meno la probabilità dell’evento stesso
IV P(E)=1 se P(F ∩ E)=P(F); che si legge: la probabilità dell’evento E è uguale a uno
se la probabilità dell’evento intersezione tra F ed E è uguale alla probabilità dell’evento
F
V P(E)=0 se P(F U E)=P(F) che si legge: la probabilità dell’evento E è uguale a zero se
la probabilità dell’evento unione tra F ed E è uguale alla probabilità dell’evento F
Lezione n°: 009
Titolo: Teoremi della probabilità
Teoremi sulla Probabilità
Teoremi sulla Probabilità

a. se F ∈ E allora P(F) ≤ P(E); da cui P(F–E)=P(F)-P(E) che si legge: se l’evento F
appartiene ad E allora il primo è minore o uguale al secondo e quindi la probabilità
della differenza fra i due eventi è uguale alla differenza delle probabilità dei due
eventi singoli;
b. se E1 ,E2 ,… , En ∈ Ω allora: P(E1)+P(E2)+… P(En) = 1 che si legge: se gli eventi
E1 ,E2 ,… , En appartengono allo spazio campionario Ω allora la somma delle loro
probabilità è sempre uguale ad uno;
c. P(E U F)=P(E)+P(F)–P(E ∩ F) che si legge: la probabilità unione di E ed F è uguale
alla probabilità di E più la probabilità di F meno la probabilità intersezione tra E ed F
per eventi compatibili o congiunti;
d. P( E U F U G)=P(E)+ P(F)+P(G)–P(E ∩ F)–P(E ∩ G)–P(F ∩ G)–P(E ∩ F ∩ G) che si
legge: la probabilità unione di E, F e G è uguale alla probabilità di E più la probabilità
di F più la probabilità di G meno la probabilità intersezione tra E ed F, tra F e G e tra
E, F e G.
Lezione n°: 010
Titolo: Eventi elementari e complessi e relative probabilità
Eventi elementari e complessi e relative probabilità
Dalla frase “è probabile che esca il nero in una puntata al gioco della roulette in un
Casinò” si possono evincere i concetti di:
 esperimento empirico
 prova
 spazio degli eventi o evento certo o spazio campionario
 evento elementare
 evento composto
 probabilità dell’evento
L’esperimento empirico è la realizzazione di un'operazione empirica atta ad individuare,

accertare o precisare qualche aspetto specifico di un fenomeno osservabile che potrebbe
riguardare qualunque branca della conoscenza (fisica, chimica, materiali, geologia,
biologia, psicologia, economia, archeologia, ecc.). In questo caso il fenomeno da
osservare è il gioco alla roulette.
La prova o esperimento aleatorio è un qualsivoglia processo che produce un esito incerto
ovvero in questo caso la singola esecuzione del croupier
Lezione n°: 010
L’evento elementare, denotato E, è uno dei possibili esiti di un esperimento che in questo
caso coincide con l’esito incerto della puntata sul rosso o nero. Lo spazio campionario
denotato Ω è l’insieme di tutti gli esiti possibili di un esperimento che nel caso in
questione sono soltanto due: rosso o nero.
L’evento composto è un qualunque sottoinsieme di Ω e si definisce più semplicemente
evento. In questo caso non si individuano eventi composti.
La probabilità dell’evento E denotato P(E) è la probabilità dell’esito incerto della puntata
Si utilizza un esempio per comprendere meglio i concetti soprarichiamati.
Esempio 1. Lancio di un dado regolare

Lo spazio campionario è costituito dall’insieme degli eventi elementari o punti campione.
In questo caso si è in presenza di uno spazio campionario discreto costituito da un
numero finito di eventi o punti pari a 6 tanti quante sono le facce di un dado regolare.
Se si lanciasse tale dado regolare in modo ripetuto si avrebbe uno spazio campionario
sempre discreto ma costituito da una infinità numerabile di punti o eventi elementari.
Lezione n°: 010
Esempio 2. Se invece si considerasse un fenomeno come la durata di una batteria in

giorni.
L’esperimento produrrebbe esiti costituiti da tutti i punti compresi in un intervallo di
tempo compreso ad esempio fra 1 e 1200 giorni, legato alla durata in gg. della garanzia
della batteria stessa. In questo caso lo spazio campionario è costituito da un numero
infinito di punti e si definisce continuo. Basta rifarsi al concetto matematico-geometrico di
quanti punti sono contenuti in un segmento dato e cioè un numero infinito. Nell’esempio
il segmento è quello ricompreso tra 1 e 1200 giorni.
Esempio 3. Si consideri il fenomeno lancio di due dadi regolari e si voglia distinguere tra
evento elementare ed evento composto.
Lo spazio campionario o insieme dei punti è contenuto in un piano ed è pari a 62=36
sulla base del concetto del calcolo combinatorio relativo alla disposizione con ripetizione
di sei elementi (facce) di classe due (due dadi regolari).
L’evento elementare è il singolo risultato: ad esempio l’uscita della faccia 1 nei due lanci.
L’evento composto è un insieme di risultati: ad esempio l’uscita delle facce che danno una
somma pari a 7
Lezione n°: 010

Un Evento composto Unione viene effettuato due eventi elementari sono
compatibili e incompatibili.
Se E e F sono due eventi elementari viene associata la relativa probabilità
all’evento composto Unione.
Se E ed F sono incompatibili, ovvero non possono verificarsi
contemporaneamente, la probabilità e data dalla seguente notazione:
P(E∪F) = P(E)+P(F) (10.1)
dove P(E ∩ F) =0
Da tale notazione possono essere ricavate le seguenti formule inverse:
P(E)= P(E∪F)- P(F); P(F)=P(E∪F)-P(E)
Se E ed F sono compatibili, ovvero possono verificarsi contemporaneamente,
la probabilità è data dalla seguente notazione:
P(E∪F) = P(E)+P(F)- P(E ∩ F) (10.2)
P(E)= P(E∪F)+ P(E ∩ F)- P(F)
P(F)= P(E∪F)+ P(E ∩ F)- P(E)
P(E ∩ F)=P(E)+ P(F)- P(E∪F)
Lezione n°: 010

Lo studio dell'Evento composto Intersezione viene effettuato in due situazioni:
quando due Eventi elementari sono indipendenti e dipendenti.
Se E ed F sono indipendenti, ovvero non dipendono uno dall'altro, la
probabilità intersezione P(E ∩ F) è data dalla seguente notazione:
P(E ∩ F) = P(E)*P(F) (10.3)
P(E)=P(E ∩ F) ; P(F)=P(E ∩ F)
P(F) P(E)
Ovvero se si conoscesse la probabilità di un Evento elementare e quella
dell'Evento composto intersezione si può risalire alla probabilità dell'altro
Evento elementare. Se E ed F sono dipendenti, ovvero dipendono uno
dall'altro, la probabilità è data dalla seguente notazione:
P(E ∩ F)= P(E)+ P(F)-P(E∪F) (10.4)
che coincide con la formula inversa della probabilità unione per eventi
compatibili.
Lezione n°: 011
Titolo: Probabilità Unione
Probabilità Unione
In questa Lezione si affrontano i concetti di probabilità di Eventi composti Unione e

Intersezione.
Lo studio dell’Evento composto Unione viene effettuato in due situazioni:
 quando due Eventi elementari sono incompatibili
 quando due Eventi elementari sono compatibili
Siano E ed F i due Eventi elementari. All’Evento composto unione E U F, in base al

Teorema c. riportato nella Lezione precedente, si associa la relativa probabilità.
Se E ed F sono incompatibili, ovvero non possono verificarsi contemporaneamente, la
probabilità è data dalla seguente notazione:
P(E U F)=P(E)+P(F) (11.1)
dove P(E ∩ F)=0
Un esempio aiuta a capire meglio il concetto. Si disponga di un’urna contenente 5 palline
bianche e 7 nere. Si assegni all’estrazione di una pallina bianca l’Evento E ed ad una
pallina nera l’Evento F. La probabilità dell’Evento unione E U F sarà:
P(E U F)=P(E)+P(F)=5/12+7/12=12/12=1
Lezione n°: 011
Probabilità Unione
Dalla notazione 11.1 possono essere ricavate le seguenti formule inverse:

P(E)=P(E U F)-P(F) (11.2)
P(F)=P(E U F)-P(E) (11.3)
Dati due Eventi elementari E ed F se si conoscesse la probabilità di E e quella dell’Evento

composto unione E U F si può risalire alla probabilità di F e viceversa.
Dall’esempio precedente si ricava:
P(E)=P(E U F)-P(F)=1-7/12=5/12
oppure
P(F)=P(E U F)-P(E)= 1-5/12=7/12
Se E ed F sono compatibili, ovvero possono verificarsi contemporaneamente, la

probabilità è data dalla seguente notazione:
P(E U F)=P(E)+P(F)-P(E ∩ F) (11.4)

Lezione n°: 011
Probabilità Unione
Un esempio aiuta a capire meglio il concetto. Siano E l’Evento «una famiglia possiede un
gatto» ed F l’Evento «una famiglia possiede un cane» e l’Evento composto intersezione ,
che si tratterà successivamente, «una famiglia possiede un gatto e un cane». Se agli
Eventi E, F ed E ∩ F si assegnano rispettivamente le probabilità P(E)=0,32, P(F)=0,49 e
P(E ∩ F)=0,24 la probabilità dell’Evento unione E U F sarà:
P(E U F)=P(E)+P(F) -P(E ∩ F)=0,32+0,49-0,24=0,57
P(E)=P(E U F)+P(EՈF)-P(F) (11.5)
P(F)=P(E U F)+P(EՈF)-P(E) (11.6)
P(EՈF)=P(E)+P(F)-P(E U F) (11.7)
Ovvero per calcolare la probabilità di un Evento elementare occorre conoscere quella
dell’Evento composto unione e intersezione e quella dell’altro Evento elementare. Per
calcolare la probabilità dell’Evento intersezione, che si tratterà successivamente, occorre
conoscere la probabilità dei due Eventi elementari e quella dell’Evento composto unione.
P(E)=P(E U F)+P(EՈF)-P(F)=0,57+0,24-0,49=0,32
P(F)=P(E U F)+P(EՈF)-P(E)= 0,57+0,24-0,32=0,49
P(EՈF)=P(E)+P(F)-P(E U F)= 0,32+0,49-0,57=0,24
Lezione n°: 012
Titolo: Probabilità Intersezione
Probabilità Intersezione
Lo studio dell’Evento composto Intersezione viene effettuato in due situazioni:
 quando due Eventi elementari sono indipendenti
 quando due Eventi elementari sono dipendenti
Siano E ed F i due Eventi elementari. All’Evento composto intersezione E ∩ F si associa la

relativa probabilità.
Se E ed F sono indipendenti, ovvero non dipendono uno dall’altro, la probabilità è data

dalla seguente notazione:
P(E ∩ F)=P(E)*P(F) (12.1)
Un esempio aiuta a capire meglio il concetto Si voglia analizzare una particolare

situazione in un determinato territorio. Si assegni a precipitazioni piovose l’Evento E con
P(E)=0,33 e all’apertura di un nuovo supermercato l’Evento F con P(F)=0,03. La
probabilità dell’Evento unione E ∩ F sarà:
P(E ∩ F)=P(E)*P(F)=0,33*0,03=0,0099
Lezione n°: 012
Titolo: Probabilità Intersezione
Probabilità Intersezione
P(E)= P(E ∩ F)/P(F) (12.2)
P(F)= P(E ∩ F)/P(E) (12.3)
Ovvero se si conoscesse la probabilità di un Evento elementare e quella dell’Evento
composto intersezione si può risalire alla probabilità dell’altro Evento elementare.
P(E)=P(E ∩ F)/P(F)= 0,0099/0,03=0,33
oppure
P(F)=P(E ∩ F)/P(E)= 0,0099/0,33=0,03
In questo caso la probabilità unione per eventi indipendenti sarà:
P(E U F)= P(E)+P(F)-P(E)*P(F)=0,33+0,03-(0,33*0,03)=0,3501
Se E ed F sono dipendenti, ovvero dipendono uno dall’altro, la probabilità è data dalla

seguente notazione:
P(E ∩ F)= P(E)+P(F)- P(E U F)
che coincide con la formula inversa della probabilità unione per eventi compatibili o
congiunti
Lezione n°: 013
Titolo: Probabilità condizionata
PROBABILITA’ CONDIZIONATA
Probabilità condizionata
Vediamo come varia la probabilità, al variare della conoscenza, ovvero al crescere delle
informazioni assunte in possesso di chi calcola la probabilità. Il condizionamento è utile
quando si vuole analizzare un certo evento A (l’evento condizionato) avendo a
disposizione una certa informazione B (l’evento condizionante).
Sia E l’Evento di cui si voglia calcolare la probabilità e sia F quello già verificatosi
ricompresi nello spazio campionario Ω con P(E)>0. La probabilità ricercata è definita
condizionata e in simboli è denotata P(ElF) che si legge probabilità dell’Evento E
condizionata all’Evento F. La formula che la esprime è la seguente:
P(ElF)=P(E∩F)/P(F) (13.1)
Essa sottostà a tre assiomi fondamentali presentati nella precedente Lezione ovvero:
 P(ElE)= P(E∩E)/P(E)=P(E)/P(E)=1
 P(FlE) = P(F∩E)/P(F) essendo P(E) > 0 allora P(FlE) ≥ 0
 P(F1U F2 U …… U Fn lE)= P(F1lE)+P(F2 lE)+….. + P(Fn lE)….. nell’ipotesi di eventi F1 ,F2
…….. Fn a due a due incompatibili.
Lezione n°: 013
Titolo: Probabilità condizionata
PROBABILITA’ CONDIZIONATA
Si ha quindi che probabilità condizionata di E dato F si ottiene dividendo il numero dei

casi favorevoli ad (E∩F) al numero dei casi favorevoli a F, con P(F) ≠ 0.
Naturalmente P(F) > 0, se P(F) fosse nullo la probabilità condizionata non avrebbe senso:
non è infatti possibile definire la probabilità condizionata rispetto ad un evento
impossibile. Non sarebbe inoltre possibile utilizzare la formula indicata in quanto non
potremmo dividere per zero.
Esempio:
9 persone: 4 maschi e 5 femmine partecipano ad un gioco. Una delle femmine : Anna ha
la probabilità di vincita di 1/9. Prima dell'uscita dei risultati trapela la notizia che la
vincitrice è una femmina. La probabilità di vincita di Anna adesso è 1/5 perché nel
concorso c'erano 5 femmine. L'informazione extra che la vincitrice è una femmina, ha
cambiato la probabilità di vincita di Anna. Se annotiamo con A l'evento «Anna ha vinto" e
con B l'evento "una femmina ha vinto", allora la probabilità del evento A condizionato del
evento B è P(A|B) è rappresenta la probabilità che l'evento A si verifica dato che B si è
verificato.
P(A∩B) = P(A) = 1/9, P(B) = 5/9, P(A | B) = (1/9)/(5/9) = 1/5.
Lezione n°: 014
Titolo: Probabilità composta. Prove ed Eventi indipendenti
PROBABILITA’ COMPOSTA
Dal concetto di probabilità condizionata deriva il concetto molto importante ovvero quello
di:
probabilità composta
La probabilità composta presuppone l’individuazione di eventi dipendenti ed indipendenti
di cui si è già discusso nella precedente Lezione.
Siano dati gli Eventi E ed F e si conosca l’esito di quest’ultimo. La probabilità composta
deriva da quella condizionata per formula inversa e cioè:
P(ElF)=P(E∩F)/P(F) da cui P(E∩F)= P(ElF)*P(F)
Si imposta ora la condizione a cui sottostà la probabilità composta:
P(E∩F)= P(ElF)*P(F)= P(FlE)*P(E) (14.1)
Prendendo a riferimento l’uguaglianza P(ElF)*P(F)= P(FlE)*P(E) ne deriva che:
P(ElF)= P(FlE)*P(F)/P(E) (14.2)
E quindi si può scrivere:
P(ElF)=P(E∩F)/P(F)=P(FlE)*P(F)/P(E) (14.3)
Dove i primi due termini esplicitano il concetto di probabilità condizionata e il terzo quello
di probabilità composta
Lezione n°: 015
Titolo: Probabilità Totale
PROBABILITA’ TOTALE
Il concetto di probabilità totale è legato a quello di unione di più Eventi e si esprime

attraverso la somma delle probabilità degli stessi. Si possono avere Eventi a due a due
incompatibili o compatibili, già trattati nella Lezione precedente. Le notazioni che
definiscono la probabilità totale sono rispettivamente:
La probabilita' dell'evento totale e' uguale alla somma delle probabilta' degli eventi
parziali, essendo gli eventi parziali fra loro incompatibili.
P(E U F)=P(E)+P(F) (15.1)

se gli eventi sono incompatibili dove la probabilità P(E ∩ F)=0
Esempio
Trovare la probabilita' che estraendo una carta da un mazzo di 40 essa sia una figura
oppure un asso. La probabilita' è composta dai due eventi
uscita di una figura uscita di un asso:
i due eventi sono incompatibili perché' se la carta e' una figura allora non puo' essere un
asso e viceversa
posso applicare il teorema:
Lezione n°: 015
la probabilità che estraendo una carta da un mazzo di 40 essa sia una figura oppure un
asso = probabilita' che la carta sia una figura + probabilita' che la carta sia un asso
le figure sono 12 quindi la probabilita' di uscita di una figura e' 12 su 40

gli assi sono 4 quindi la probabilita' di uscita di un asso e' 4 su 40
12 4 16
P= + = =0,4=40%
40 40 40
La probabilita' dell'evento totale e' uguale alla somma delle probabilta' degli eventi
parziali meno la probabilità delle intersezioni dei due eventi, essendo gli eventi parziali fra
loro compatibili.
P(E U F)=P(E)+ P(F) - P(E ∩ F) se gli eventi sono compatibili

Lezione n°: 015
Esempio:
In una scuola, il 25% degli studenti è stato bocciato in matematica, il 15% è stato
bocciato in chimica e il 10% è stato bocciato sia in matematica sia in chimica. Viene
scelto a caso uno studente. a) Qual è la probabilità che sia stato bocciato in matematica
o in chimica?
Soluzione
Sia M={studenti bocciati in matematica} e C={studenti bocciati in chimica}; allora
P(M)=0,25; P(C)=0,15; P(M∩C)=0,10
Poichè M e C sono eventi compatibili si applica il teorema delle probabilità totali per
eventi compatibili:
P(MUC)=P(M)+P(C)- P(M∩C)=0,25+0,15-0,10=0.30
Lezione n°: 016
Titolo: Teorema di Bayes
Teorema di Bayes
Il teorema di Bayes si basa sul concetto di probabilità condizionata e dunque si

presupporre che l'esperimento in causa è stato già effettuato almeno una volta.
Si offre in questo modo una modalità di correzione della probabilità di un evento in base
a informazioni ottenute in seguito a ogni altro esperimento.
In questo modo si possono fare delle predizioni che migliorano nella misura in cui
l'esperimento viene ripetuto.
In base a questa formula si è costruito un intero ramo della statistica matematica

denominato "predizione bayesiana". Formalmente il teorema di Bayes è valido in tutte le
interpretazioni della probabilità.
Il teorema di Bayes si usa quando un evento B può verificarsi sotto diverse condizioni
sulle quali si possono fare n ipotesi. Se si conosce la probabilità delle ipotesi nonché le
probabilità condizionate, si potrà verificare se le ipotesi iniziali erano corrette o se devono
essere modificate.
Lezione n°: 016
Teorema di Bayes
Il cosiddetto approccio bayesiano alla probabilità è incentrato sulla determinazione della

probabilità dopo aver attuato un esperimento a differenza di quanto fatto finora ovvero di
aver stabilito la probabilità prima di avere effettuato lo svolgimento dell’esperimento
stesso.
La particolarità di tale impostazione va ricercata nel fatto che data la conoscenza
dell’esito di un esperimento si va a ricercare la probabilità che esso sia dovuto ad una o
più cause.
Non a caso la statistica bayesiana è anche definita statistica delle cause.
Un esempio aiuta a comprendere meglio il concetto.
Esempio 1. Il Responsabile di Marketing della Sotex SpA deve redigere una relazione sui
risultati di un’indagine probabilistica sul consumo del prodotto A264 sapendo che il
punteggio del “focus test”, quando assume valori positivi, stabilisce che il consumatore è
soddisfatto nel 94% delle volte e che nel 6% è insoddisfatto. Svolge un’analisi su un
campione di consumatori e trova che il grado di insoddisfazione è pari allo 0,7%.
Estraendo un consumatore a caso vuole calcolare la probabilità che sia effettivamente
insoddisfatto pur avendo ottenuto un punteggio positivo del “focus test”.
Lezione n°: 016
Teorema di Bayes
Svolge il seguente ragionamento: individua l’evento G consumatore effettivamente
insoddisfatto, l’evento ElG consumatore soddisfatto dato un test positivo e le relative
probabilità:
P(ElG)=0,94; P(El(1-G))=0,06; P(G)=0,007; P(1-G)=0,993
Rappresenta lo spazio campionario Ω, ripartito fra E ed F nel seguente diagramma di
Venn:
Ω
E
G
F
Utilizza la formula di Bayes in simboli data dalla seguente notazione:

P(E C ) * P(C )
P(C E)  i i (16.1)
i
P(E C ) * P(C )  P(E C ) * P(C )  ........ P(E C ) * P(C )
1 1 2 2 j j
Lezione n°: 016
Teorema di Bayes
dove: Ci rappresentano gli eventi causa i-esimi per i=1,2,……n;
E rappresenta l’evento effetto; P(Ci ) è la probabilità degli eventi causa i-esimi;
P(E) è la probabilità dell’ evento effetto;
P(ElCi) è la probabilità dell’evento effetto E condizionata alla causa i-esima;
P(ElC1) è la probabilità dell’evento effetto E condizionata alla causa 1;
P(ElC2) è la probabilità dell’evento effetto E condizionata alla causa 2 e così via;
P(CilE) è la probabilità ricercata dell’evento causa i-esima condizionato all’evento
effetto
La 22.1 può essere denotata in modo equivalente come segue:
P(E C ) * P(C )
P(C E)  n i i
i dove C  C  Ø;  i  j;  n C  Ω (16.2)
P(E C j) * P(C j) i j i1 i
j1
Secondo l’approccio bayesiano la probabilità P(Ci ) è definita probabilità a priori ovvero che
indipendente da E; la probabilità della causa i-esima condizionata all’evento effetto E P(CilE)
è definita probabilità a posteriori.
Lezione n°: 016
Teorema di Bayes
Applica la notazione (16.1) all’esempio precedentemente esposto e trova:
P(E G) * P(G) 0,94 * 0,007

P(G E)   
P(E G) * P(G)  P(E G ) * P( G ) 0,94 * 0,007  0,06 * 0,993
0,00658 0,00658
   0,0994
0,00658  0,05958 0,06616
Desume che la probabilità che un consumatore sia effettivamente insoddisfatto pur

avendo raggiunto un punteggio positivo al focus test è pari a circa il 10% da cui trae che:
 la probabilità dell’evento P(E|G), definita anche come probabilità a priori, è quella di
un consumatore soddisfatto con test positivo dato un evento G di cui si conosce l’esito
ed è pari al 94%
 la probabilità dell’evento P(GlE), definita anche come probabilità a posteriori, è quella
di un consumatore effettivamente insoddisfatto pur avendo raggiunto un punteggio
positivo ed è pari a 9,94%
Lezione n°: 016
Teorema di Bayes
Esempio 2. Si considerino gli eventi:
E = passa l'esame
F = va alla festa
I dati che si hanno a disposizione sono:
P( E | F ) = 0,99
P( E | F) = 0,50
P(F) = P( F )= 0,5
La probabilità richiesta dal problema si determina applicando il teorema di Bayes, ovvero:
P(F|E)= P(F)P(E|F)/P(F)P(E|F)+ P(F ) P(E| F )=0,5 *0,5/0,5 * 0,5 + 0,5 * 0,99= 0,336
Fonte: Google
Esempio 3. In una data città americana risulta che 30% dei votanti sono Conservatori,
50% sono Liberali ed il 20% sono Indipendenti. Se in una data elezione hanno votato
rispettivamente il 65%, l'82% ed il 50% dei Conservatori, Liberali ed Indipendenti, se si
sceglie a caso una persona nella stessa città che non ha votato, qual è la probabilità che
sia Liberale?
Lezione n°: 016
Teorema di Bayes
Si considerino gli eventi:
C = la persona scelta è un Conservatore => P(C)=0,3
L = la persona scelta è un Liberale => P(L)=0,5
I = la persona scelta è un Indipendente => P(I)=0,2
V = la persona scelta ha votato (Conservatori=0,65; Liberali=0,82; Indipendenti=0,5)
1-V = la persona scelta non ha votato;
Conservatori=> P(1-V)|C)=0,35;
Liberali => P(1-V)|L)=0,18;
Indipendenti => P(1-V|I)=0,5
L'esercizio viene risolto attraverso il teorema di Bayes, ovvero:
P(L|1-V)=P(L)*P(1-V )/P(C)*P(1-V)|C)+P(L)P(1-V)|L)+P(I)P(1-V|I)=
=(0,5*0,18)/(0,3*0,35)+(0,5*0,18)+(0,2*0,5)=0,09/0,105+0,09+0,1=0,09/0,295=0,3
Fonte: Google
Lezione n°: 017
Titolo: Variabili casuali discrete e continue
Variabili casuali discrete

Un concetto molto importante del calcolo delle probabilità è il concetto di
variabile aleatoria o casuale. Alcune di queste variabili (come la variabile
binomiale e la variabile normale) costituiscono dei modelli teorici per
rappresentare fenomeni aleatori reali. In molti fenomeni aleatori il risultato di
un esperimento è una grandezza che assume valori variabili in modo casuale.
Vediamo alcuni esempi di variabili aleatorie:
• il numero di autovetture che giungono in un giorno ad una stazione di distribuzione

di carburante in autostrada;
• nel gioco del Lotto, il primo numero estratto nella ruota di Napoli in una determinata
settimana;
• la velocità delle molecole di gas contenute in un recipiente;
• il valore dell’euro fra una settimana;
• la durata della vita di una data persona;
• il numero di macchine di un’azienda che si guastano in un certo intervallo di tempo;
• il guadagno (o la perdita) che un giocatore può realizzare in n partite.
Lezione n°: 017
Variabili casuali discrete

Pur non sapendo quale valore assumerà una variabile aleatoria, in una data
prova, si può affermare che si conosce la variabile aleatoria se si possono
determinare tutti i possibili valori che può assumere e associare a ogni valore
la relativa probabilità.
Per alcune variabili aleatorie i valori sono in un numero finito, come ad
esempio il gioco del lotto, per altre sono un'infinità numerabile come
nell’esempio delle autovetture che giungono in un giorno ad una stazione di
distribuzione di carburante in autostrada, per altre sono tutti i valori reali di un
intervallo come nell’esempio il valore dell’euro fra una settimana.
L’analisi delle variabili casuali è un’analisi più approfondita dei fenomeni
aleatori, rispetto al solo calcolo delle probabilità. Si studiano dapprima come
si possono rappresentare semplici variabili aleatorie mediante funzioni,
tabelle, grafici. Successivamente si considerano in particolare due valori
caratteristici di una variabile casuale: il valore medio e la varianza (o lo
scarto quadratico medio) che permettono di sintetizzare tutta la distribuzione
dei valori.
Lezione n°: 017
Variabili casuali continue

In teoria della probabilità, una distribuzione di probabilità continua è una
distribuzione di probabilità che possiede una funzione di densità. Viene anche
chiamata distribuzione assolutamente continua, in quanto la sua funzione di
ripartizione è assolutamente continua rispetto alla misura di Lebesgue. Se
una variabile casuale X ha distribuzione di probabilità continua, allora X è
detta variabile casuale continua. Ci sono molti esempi di distribuzioni di
probabilità continue, tra cui le distribuzioni normale, uniforme e chi quadrato.
Intuitivamente, le variabili casuali continue sono quelle che possono
assumere un insieme continuo di valori, al contrario delle distribuzioni
discrete, per le quali l'insieme dei possibili valori ha cardinalità al più
numerabile. Inoltre, mentre per una distribuzione discreta un evento con
probabilità zero è irrealizzabile (come, ad esempio, ottenere 3½ da un lancio
di un dado tradizionale), questo non è vero nel caso di una variabile casuale
continua.
Lezione n°: 017

Ad esempio, misurando la lunghezza di una foglia di quercia, è possibile
ottenere il risultato 3½ cm, ma questo ha probabilità zero poiché vi sono
infiniti possibili valori tra 3 cm e 4 cm. Ognuno di questi ha probabilità zero,
ma la probabilità che la lunghezza della foglia sia nell'intervallo (3 cm, 4 cm) è
non nulla.
Questo apparente paradosso è causato dal fatto che la probabilità che una
variabile casuale X assuma valori in un insieme infinito, come un intervallo,
non può essere calcolata semplicemente sommando la probabilità dei singoli
valori.
𝑏
P(a≤X ≤ b)= ‫𝑥𝑑 𝑥 𝑓 𝑎׬‬ (17.1)
Si può desumere che la probabilità di X è pari alla somma di tutte le aree

elementari f(x) dx per x che varia da aab. Occorre precisare che probabilità
zero non significa impossibilità di un evento; vale però il reciproco: un evento
impossibile ha probabilità zero di verificarsi.
Lezione n°: 017

La funzione di densità può essere definita in termini di area come y . dx = f(x)
. dx, dove dx è la base e f(x) l’altezza.
Si ribadisce che la probabilità è rappresentata sempre da un’area
La funzione di densità riferita all’ intero campo di variazione o dominio della

v.c. X sull’asse reale delle ascisse (ad esempio tra -∞ e +∞) è definita dalla
notazione:
+∞
F 𝑥 = ‫𝑥𝑑 𝑥 𝑓 ∞׬‬ (17.2)
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
Funzione di probabilita’ per v.c discrete
Concetto di variabile casuale.
Nelle Lezioni relative alla Teoria e Calcolo delle Probabilità si è discusso dei concetti
inerenti le prove, gli eventi, le proprietà, i postulati o assiomi e i teoremi sulla probabilità
stessa. In questa Lezione si vuole collegare la probabilità a valori numerici e studiare il
concetto di variabile casuale (o aleatoria o stocastica) - di seguito indicata sempre con la
notazione v.c. - e, soprattutto, le distribuzioni che essa assume. In modo particolare
quelle più significative dette anche “notevoli”.
Si vuole affrontare lo studio di un fenomeno statistico attraverso l’associazione tra un
esperimento casuale ed uno o due o più quantità numeriche variabili.
Se nello spazio campionario è presente una sola v.c. essa è definita unidimensionale; se
nello spazio campionario sono presenti due v.c. esse sono definite bidimensionali; se più
di due sono definite multidimensionali.
Lezione n°: 018
La v.c. può essere definita come segue:
”Una variabile casuale X è una funzione definita sullo spazio campionario che associa ad
ogni evento E un unico numero reale”.
Da tale definizione si evince che la v.c. è una variabile il cui valore numerico è
determinato dal risultato di una prova o esperimento.
Partendo da certe ipotesi di base si passa a definire la distribuzione statistica teorica che
assume una valenza utile nell’indagine dei fenomeni reali.
Nelle Lezioni successive si analizzano i modelli probabilistici che la teoria ha creato e che
possono permettere una più accurata penetrazione nella realtà fenomenica naturale.
Lezione n°: 018
Una v.c. è definita discreta solo se assume un numero finito di valori.

Sia X una v.c. discreta che assume le modalità o valori x1, x2, x3,...........xn disposti in
qualsiasi ordine. Si supponga che questi valori siano assunti con probabilità date da:
P(X=xk)= p(xk) dove k=1,2,...... (18.1)
La funzione di probabilità, che viene definita anche distribuzione di probabilità, può

essere denotata nel modo seguente:
P(X=x)=p(x) (18.2)
Si può dire che p(x) è una funzione di probabilità se p(x)≥0 e se ∑x p(x) =1

Lezione n°: 018
Grafico della funzione di probabilita’ per v.c discrete
Si rappresenta nel Grafico a bastoncini seguente un esempio di funzione di probabilità

dove sull’asse delle ascisse si indicano i valori delle x1, x2, x3,...........xn e su quello delle
ordinate le relative probabilità P(X). I dati sono riportati di seguito:
X 1 2 3 4
P(X) 0,1 0,3 0,5 0,1
P(X) 0,5
0,3
0,2
0,1
1 2 3 4 X
Lezione n°: 018
Valore atteso, varianza e deviazione standard di variabili casuali

discrete
Finora è stata analizzata la funzione di probabilità di una v.c. discreta.

Se si vuole studiare il livello medio o atteso e il livello di variabilità dei valori che
compongono la distribuzione di probabilità, occorre analizzare i concetti di valore atteso,
di varianza e di deviazione standard.
La media o valore atteso di una v.c. discreta è dato dalla seguente notazione:
E(X)=∑ x*p(x) (18.3)
dove la sommatoria si riferisce a tutti i valori assunti dalla v.c. discreta X.
Per alcuni esempi si rimanda al Laboratorio Studio guidato e al Laboratorio Casi svolti.
Lezione n°: 018

discrete
La varianza di una v.c. discreta unidimensionale discreta è data dalla seguente notazione:
Var(X)=∑(x-μ)2p(x) (18.4)
A partire dalla formula (18.4) la varianza si può denotare anche come segue:
Var(X)=E(X-μ)2 (18.5)
che può essere trasformata con semplici passaggi algebrici nella seguente notazione:
Var(X)=E(X2)-μ2 (18.6)
Per alcuni esempi si rimanda al Laboratorio Studio guidato e al Laboratorio Casi svolti.
Lezione n°: 018

discrete
È opportuno ricordare che in presenza di costanti una proprietà importante della varianza
è la seguente:
Var(hX+k)=h2Var(X) (18.7)
da cui si deduce che la varianza di una costante è pari a zero e la varianza di una
costante moltiplicata per la v.c. è pari al quadrato della costante per la v.c. stessa. La
deviazione standard è data semplicemente dalla radice quadrata della varianza ed è
espressa dalla seguente notazione:
D.S. = Var(X) (18.8)

Lezione n°: 018
Funzioni di probabilità di massa per variabili casuali discrete

un esempio di funzione di probabilità sotto forma di istogrammi dove sull’asse
delle ascisse si indicano i valori delle 𝑥1 , 𝑥2 …, 𝑥𝑛 e su quello delle ordinate le
relative probabilità:
La funzione di massa di probabilità definisce la distribuzione di
probabilità di X
Lezione n°: 019
Titolo: Funzioni di ripartizione di massa per variabili casuali discrete
Funzioni di ripartizione di massa per variabili casuali discrete

La funzione di ripartizione o distribuzione cumulata di probabilità assume una
valenza oggi sempre più importante rispetto anche alla funzione di probabilità
la quale può essere facilmente ottenuta dalla funzione di ripartizione stessa.
Data una v.c. discreta X, la funzione che fa corrispondere ai valori x le
probabilità cumulate P(X ≤ x) viene detta funzione di ripartizione ed è indicata
con:
F(X)= P(X ≤ x) = σ𝑤≤𝑥 𝑃(𝑋 = 𝑤) (19.1)
Alla funzione di ripartizione si associano tre importanti proprietà:
1. F(x) è non decrescente ovvero 𝑥1 < 𝑥2 → 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 )
2. lim 𝐹 𝑥 = 0; lim 𝐹 𝑥 =1
𝑥 𝑡𝑒𝑛𝑑𝑒−∞ 𝑥 𝑡𝑒𝑛𝑑𝑒+∞
3. F(x) è continua a destra

Lezione n°: 019
Grafico della funzione di ripartizione per v.c discrete
Riprendendo lo stesso esempio di distribuzione di probabilità si rappresenta il grafico

della funzione di ripartizione dove sull’asse delle ascisse si indicano i valori delle X
e su quello delle ordinate le probabilità cumulate relative P(X≤x) che vanno da 0 a 1
P(X≤x) 1,0
0,9
0,4
0,1
1 2 3 4 X
Lezione n°: 019
Grafico della funzione di ripartizione per v.c discrete

Valore atteso, varianza e deviazione standard
La media o valore atteso di una v.c. discreta e dato dalla
seguente notazione:
E(x)=σ 𝑥𝑓 𝑥 (19.1)
dove la sommatoria si riferisce a tutti i valori assunti dalla v.c. discreta X
La varianza di una v.c. discreta e data dalla seguente notazione:
Var(x)=σ(𝑥 − μ)2 𝑓 𝑥 (19.2)

La varianza si puo denotare anche come segue:
𝑉𝑎𝑟 𝑥 = 𝐸(𝑥)2 −μ2 (19.3)

La deviazione standard e data semplicemente dalla radice quadrata della varianza ed
e espressa dalla seguente notazione:
DS(X)= 𝑉𝑎𝑟 𝑋 (19.4)
Lezione n°: 020
Titolo: Funzioni di densità per variabili casuali continue
Funzione di densita’ di probabilita’ per v.c continue
Una v.c. è definita continua se assume nel suo dominio un’infinità numerabile di valori.
Anche per le v.c. continue si studia sia la funzione di probabilità, che nel caso specifico è
definita funzione di densità di probabilità o semplicemente densità di probabilità (qui di
seguito verrà chiamata funzione di densità), che la funzione di ripartizione. Se X è una
v.c. continua, la probabilità che X assuma un particolare valore è zero, mentre la
probabilità che X sia compresa in un intervallo compreso tra a e b è definita dalla
𝑏
notazione P(a<X<b)= ‫𝑥 𝑑 𝑥 𝑓 𝑎׬‬ (20.1)
Si può desumere che la probabilità di X è pari alla somma di tutte le aree infinitesimali
f(x)*dx per x che varia da a a b. Occorre precisare che probabilità zero non significa
impossibilità di un evento; vale però il reciproco: un evento impossibile ha probabilità
zero di verificarsi. La funzione di densità può essere definita in termini di area
infinitesimale come y*dx = f(x)*dx, dove dx è la base e f(x) l’altezza.
Si ribadisce che la probabilità è rappresentata sempre da un’area
La funzione di densità riferita all’intero campo di variazione o dominio della v.c. X sull’asse
reale delle ascisse (e cioè tra -∞ e +∞) è definita dalla notazione:
+∞
f(x)= ‫׬‬−∞ 𝑓 𝑥 𝑑 𝑥 =1 (20.2)
Lezione n°: 020

continue
Finora si sono analizzate le funzioni di probabilità e di ripartizione di v.c. continue

unidimensionali che descrivono in modo esaustivo la distribuzione di probabilità. Se si
vuole studiare il livello medio e quello di variabilità dei valori che compongono la
distribuzione di probabilità medesima, occorre analizzare i concetti di valore atteso, di
varianza e di deviazione standard. La media o valore atteso di una v.c. continua
unidimensionale è dato dalla seguente notazione:
+∞
E(X)= ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑 𝑥 (20.3)
dove l’integrale, purché esista e sia finito, rappresenta la somma nel continuo di tutti i
valori assunti dalla v.c. continua X.
Per alcuni esempi si rimanda ai Laboratori studio guidato e casi svolti.

Lezione n°: 020

continue
La varianza di una v.c. discreta unidimensionale continua è data dalla seguente

notazione:
+∞
Var(X)= ‫׬‬−∞ (𝑥 − μ)2 f(x) d(x) (20.4)
che con opportuni passaggi matematici diventa:
+∞ +∞
Var(X)= E(X 2) - [E(X)] 2 = [ ‫׬‬−∞ 𝑥 2 𝑓 𝑥 𝑑 𝑥 ] - [ ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑 𝑥 ] 2 (20.5)
La deviazione standard è data semplicemente dalla radice quadrata della varianza ed è

espressa dalla seguente notazione:
Dstd = 𝑉𝑎𝑟(𝑋) (20.6)

Lez 01-20 Calcolo Delle Probabilità

Caricato da

Informazioni sul documento

Titolo originale

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

Lez 01-20 Calcolo Delle Probabilità

Caricato da

Copyright:

Formati disponibili

Master: Scienze Matematiche

Insegnamento: Calcolo delle Probabilità

Presentazione del Docente

Faccio presente, comunque, che è preferibile che mi contattiate tramite il sistema di

Bibliografia, sussidi didattici e propedeuticità necessarie

Sussidi didattici presenti in piattaforma:

Nota(1):il libro è acquistabile solo attraverso il sito www.didatticainterattiva.it previa registrazione.

Modalità di svolgimento esame

Metodi di accertamento dei risultati di apprendimento e modalità di

Le risposte alle domande chiuse vengono valutate su una scala 0/1.

Propedeuticita’, Bibliografia e Sussidi Didattici

Bibliografia: Libro di Testo consigliato

Sussidi didattici presenti sulla piattaforma dell’eCampus :

• Quiz composti da domande a risposta multipla

Consigli del Docente

Consiglio di leggere attentamente la presente scheda corso

Consiglio di studiare attentamente il libro di Statistica con R soprattutto ai fini della

Consiglio di utilizzare tutti i sussidi didattici presenti in piattaforma

Per saperne di più utilizza il seguente link: http://www.didatticainterattiva.it/r.html

Importazione dei dati in R

Importazione dei dati in R

Importazione dei dati in R

Interattività con sito www.didatticainterattiva.it

Lo Studente, acquistando il libro di testo, disporrà, infatti, di proprie credenziali rilasciate

Consigli del Docente

Consigli del Docente

Interattività con sito www.didatticainterattiva.it

Poiché il libro è acquistabile solo attraverso il sito www.didatticainterattiva.it previa

Interattività con sito www.didatticainterattiva.it

Interattività con sito www.didatticainterattiva.it

Interattività con sito www.didatticainterattiva.it

5. Lo Studente riceverà dall’Amministratore del sito www.didatticainterattiva.it una mail di

Struttura del corso

Nell’immagine successiva vengono riportate le indicazioni che lo Studente deve seguire al

Disposizioni; Permutazioni; Combinazioni

Disposizioni; Permutazioni; Combinazioni

Disposizioni semplici o senza ripetizione

Disposizioni; Permutazioni; Combinazioni

Disposizioni con ripetizione

Disposizioni; Permutazioni; Combinazioni

Permutazioni semplici o senza ripetizione

Disposizioni; Permutazioni; Combinazioni

Permutazioni con ripetizione

Pnr=N!/ n1!, n2!, ….. n!k (2.7)

per n1+n2+ ….. +nk ≤ N

Disposizioni; Permutazioni; Combinazioni

Combinazioni semplici o senza ripetizione

Cn,k= Dn,k / Pk= Dn,k / k!=[n……(n-k+1)]/k!=n!/k! (n-k)! (2.8)

L’ultimo passaggio è stato ottenuto moltiplicando sia il numeratore che il denominatore

Disposizioni; Permutazioni; Combinazioni

Combinazioni semplici o senza ripetizione

Cn,k= Dn,k / Pk= Dn,k / k!=[n……(n-k+1)]/k!=n!/k! (n-k)! (2.8)

L’ultimo passaggio è stato ottenuto moltiplicando sia il numeratore che il denominatore

Disposizioni; Permutazioni; Combinazioni

Combinazioni con ripetizione

che per semplificazione diviene:

Cn+k-1,k =(n+k-1)!/(n-1)! k! (2.9)

Combinazioni con ripetizione

Un’importante proprietà delle combinazioni, facilmente verificabile, è la seguente:

Infatti svolgendo il primo membro si ha n!/k!(n-k)! e svolgendo il secondo si ha

Un esempio aiuta a comprendere meglio i concetti teorici. Si voglia calcolare il numero di

Coefficiente binomiale e Coefficiente Multinomiale

Il coefficiente binomiale risponde alla domanda: “dati n oggetti, in quanti modi se ne