Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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 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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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
Nella prova scritta non è prevista l’attribuzione di penalità alle risposte errate.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
• Paniere
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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".
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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".
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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)
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)
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
data.frame(airquality)
attach(airquality)
omit
x(is.not(NA))<-0
mean(Ozone)
mean(Temp)
detach(airquality)
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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.
3. Dopo aver aperto il sito cliccare sulla Sezione «Contatti» per la registrazione
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 001
Titolo: presentazione. Software R
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 002
Titolo: Disposizioni; Permutazioni; Combinazioni
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 002
Titolo: Disposizioni; Permutazioni; Combinazioni
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 002
Titolo: Disposizioni; Permutazioni; Combinazioni
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
n n
= (2.10)
k n - k
n
Cn,k =
k
= n!/k!(n-k)!=90!/ 5! (90-5)!*=4.394.268
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 003
Titolo: Coefficiente binomiale; 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
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 003
Titolo: Coefficiente binomiale; Coefficiente multinomiale
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
Coefficiente multinomiale
𝑛 𝑛!
𝑛1 , 𝑛2,….., 𝑛𝑘 =𝑛1 !,𝑛2!,…,𝑛𝑘! (3. 2)
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
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 004
Titolo: Concetto di evento Booleano; Diagrammi Eulero-Venn
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 004
Titolo: Concetto di evento Booleano; Diagrammi Eulero-Venn
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:
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" .
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 005
Titolo: Approcci al concetto di 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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 005
Titolo: Approcci al concetto di 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.
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 005
Titolo: Approcci al concetto di probabilità
Per esempio nel "lancio di un dado" non truccato ci sono 6 eventi elementari,
tutti ugualmente possibili, corrispondenti alle 6 facce del dado.
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 005
Titolo: Approcci al concetto di 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 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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 007
Titolo: Postulati della probabilità
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
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’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.
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 011
Titolo: Probabilità Unione
Probabilità Unione
Probabilità Unione
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
Dalla notazione 11.4 possono essere ricavate le seguenti formule inverse:
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.
Dall’esempio precedente si ricava:
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
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
Probabilità Intersezione
Dalla notazione 11.8 possono essere ricavate le seguenti formule inverse:
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.
Dall’esempio precedente si ricava:
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
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 013
Titolo: Probabilità condizionata
PROBABILITA’ CONDIZIONATA
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 015
Titolo: Probabilità Totale
PROBABILITA’ TOTALE
PROBABILITA’ TOTALE
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
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.
PROBABILITA’ TOTALE
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 016
Titolo: Teorema di Bayes
Teorema di Bayes
In questo modo si possono fare delle predizioni che migliorano nella misura in cui
l'esperimento viene ripetuto.
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 016
Titolo: Teorema di Bayes
Teorema di Bayes
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
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 i1 i
j1
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 016
Titolo: Teorema di Bayes
Teorema di Bayes
Applica la notazione (16.1) all’esempio precedentemente esposto e trova:
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?
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 016
Titolo: Teorema di Bayes
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
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 017
Titolo: Variabili casuali discrete e continue
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
”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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
P(X=x)=p(x) (18.2)
P(X) 0,5
0,3
0,2
0,1
1 2 3 4 X
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
Per alcuni esempi si rimanda al Laboratorio Studio guidato e al Laboratorio Casi svolti.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
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.
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 018
Titolo: Funzioni di probabilità di massa per variabili casuali discrete
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:
2. lim 𝐹 𝑥 = 0; lim 𝐹 𝑥 =1
𝑥 𝑡𝑒𝑛𝑑𝑒−∞ 𝑥 𝑡𝑒𝑛𝑑𝑒+∞
0,9
0,4
0,1
1 2 3 4 X
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 019
Titolo: Funzioni di ripartizione di massa per variabili casuali discrete
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:
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)
Master: Scienze Matematiche
Insegnamento: Calcolo delle Probabilità
Lezione n°: 020
Titolo: Funzioni di densità per variabili casuali continue
dove l’integrale, purché esista e sia finito, rappresenta la somma nel continuo di tutti i
valori assunti dalla v.c. continua X.
+∞
Var(X)= −∞ (𝑥 − μ)2 f(x) d(x) (20.4)
+∞ +∞
Var(X)= E(X 2) - [E(X)] 2 = [ −∞ 𝑥 2 𝑓 𝑥 𝑑 𝑥 ] - [ −∞ 𝑥 𝑓 𝑥 𝑑 𝑥 ] 2 (20.5)