Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introduzione
Fenomeno deterministico: se Fenomeno non deterministico:
l’esperimento è condotto anche se gli esperimenti sono
nelle stesse condizioni si condotti nelle stesse condizioni
trova lo stesso risultato si trovano risultati diversi
Esempi:
Esempi:
•Risultato del lancio di una
•Moto di un grave moneta
•Traiettoria di 100 palline in un
•Traiettoria di una pallina in
biliardo
un biliardo •Vincita in una lotteria
•Numero di lanci di un dado per
ottenere un 6
Esempio:
•Nel caso del lancio di una moneta S={Testa, Croce}
•Nel caso dei numeri di lanci di un dado necessari per avere 6
S=N (numeri naturali)
S = {E1, E2, E3, E4, E5, E6}
E1 E5
E3
E2 E6
E4
Gli eventi possono essere divisi in due classi:
semplici e composti.
Evento elementare
Spazio Campionario
Un qualsiasi sottoinsieme dello spazio
Evento campionario, ovvero un insieme di eventi
1 elementari
n
E 1 , n
N
E
Si usa dire che l’evento E si è realizzato se il
fenomeno si manifesta con uno degli eventi
elementari che appartengono ad E
Lancio di un dado
E= ,
E Si realizza se viene faccia 3 o faccia 6
Faccia “pari” A= , ,
Modi di descrivere l’evento
Faccia “dispari” B= , ,
Nel caso dell'esperimento consistente nel misurare, con
uno strumento infinitamente preciso, il livello di piovosità
in una certa area geografica, lo spazio campione è
Spazio campionario
(campione)
Finito
1
Evento
n
elementare
Durata di una lampadina
N
i
Infinito
0 max
Quando un esperimento viene eseguito, uno e un solo
evento semplice può essere osservato. Gli eventi semplici,
dunque, sono mutuamente esclusivi.
A B
Eventi incompatibili
A B
A
A A A
Partizione di uno spazio campionario
A B B
A
Eventi incompatibili
Partizione di
A B A B , A B
A A A
A
A A
Partizione di uno spazio campionario
B
A
Partizione di
A B , A B
E1 a) Ei E j , i j
Ei Ek k Partizione finita
b)
E i
i 1
Partizione infinita
Partizione
Partizionedello
delloSpazio
SpazioCampionario
Campionario
(1)
(1) A i A j i j 1,..., k
k
(2)
(2) A i
i 1
Associativa (A B) C A (B C) ( A B) C A ( B C )
Distributiva A (B C) (A B) (A C) A (B C) (A B) (A C)
Inoltre,
Inoltre,sisiha:
ha:
A B A B
k k
Ei Ei
i 1 i 1
A B A B
k k
Ei Ei
i 1 i 1
Probabilità
Ogni tentativo di dare una definizione rigorosa dei concetti
probabilistici più elementari si trova di fronte ad un
problema; infatti, non solo esistono differenti
formalizzazioni e assiomatizzazioni della probabilità ma a
queste corrispondono, in generale, molteplici nozioni
intuitive di probabilità spesso assai diverse fra loro.
Al di là delle differenze di carattere formale un elemento
comune posseduto da tutte le forme di probabilità riguarda
il suo significato intuitivo di valutazione della possibilità che
un dato evento possa accadere o meno.
DEFINIZIONE DI PROBABILITA’
•A priori (o matematica, o classica, o di Pascal)
•Soggettiva
Aspetti positivi:
•è una definizione operativa
Determinazione
Definizione a della probabilità
ssiomatica
usando il
calcolo combinato
rio
Definizione frequentistica
(o a posteriori) Richard von Mises
s
lim p
n n
Def.
Def.4.
4. Classica
Classica
La
Laprobabilità
probabilitàdidiun
unevento
eventoAAèèililrapporto
rapportotra
traililnumero
numerodidicasi
casifavorevoli
favorevoli
didiAAeeililnumero
numerodidicasi
casipossibili,
possibili,ammesso
ammessoche chequesti
questisiano
sianoequiprobabili.
equiprobabili.
Def.
Def.5..
5..Frequentista
Frequentista(o
(olegge
leggeempirica
empiricadel
delcaso).
caso).
In
Inuna
unaserie
seriedidiprove
provedidiun
undato
datoesperimento,
esperimento,ripetuto
ripetutounungran
grannumero
numerodidi
volte
volteinincircostanze
circostanzepiùpiùoomeno
menosimili,
simili,ciascuno
ciascunodegli
deglieventi
eventipossibili
possibilisisi
manifesta
manifestacon conuna
unafrequenza
frequenzache cheèècirca
circauguale
ugualealla
allasua
suaprobabilità.
probabilità.
L’approssimazione
L’approssimazionesisiriduceriducealalcrescere
cresceredel delnumero
numerodidiprove.
prove.
Def.
Def.6.
6.Soggettivista.
Soggettivista.
La
Laprobabilità
probabilitàèèlalavalutazione
valutazioneche
cheililsingolo
singoloindividuo
individuopuò
puòcoerentemente
coerentemente
formulare,
formulare,ininbase
basealle
alleproprie
proprieconoscenze,
conoscenze,del delgrado
gradodidiavverabilità
avverabilitàdidiun
un
evento.
evento.
Assiomi
Assiomi del
del Calcolo
Calcolodelle
delleProbabilità
Probabilità..
Ricordando
Ricordandoche cheun
unassioma
assioma(o (opostulato)
postulato)èèuna
unaproposizione
proposizioneche cheèè
considerata
consideratavera
veraeenon
nonviene
vienedimostrata
dimostratanel
nelcontesto
contestoinincui
cuièèsvolta
svoltalala
teoria
teoriaininquestione,
questione, IlIlC.P.
C.P.presenta
presentai iseguenti
seguentiassiomi:
assiomi:
1.
1. Pr A 0 A A
2.
2. Pr 1
Probabilità
L’interpretazione geometrica
PP(
() )11 L’area complessiva è uguale a 1
1
PPn PP
n n
n
n n11 n n11
L’area di un insieme di superfici che non si
sovrappongono è la somma delle aree delle singole
PP(
())00, , AA
superfici
3
L’area di ogni sottoinsieme è
sicuramente positiva
4
2
Operazioni sugli eventi (sugli insiemi)
Se un insieme E non
contiene nessun elemento
(evento elementare) viene
detto insieme vuoto e si
indica con
Unione di insiemi (o eventi)
B
A A
A B : A oppure B A A A
A A
A A A
Lancio di un dado
E= ,
A= , ,
A E , , ,
Unione
A B C A B C
B
A Associativa A B C
Commutativa
C
AC B Ecc.
K
E i E1 E2 Ei Ek
i 1
B E1 E2 Ei
A E i 1
i
K K K
C
Ei
i 1
Ei Ei
i 1 i 1
Intersezione
B
A A
A B : A e B
A A A
A A
A A A
Lancio di un dado
E=
,
A=
, ,
A E
Intersezione
A B C A B C
B
Associativa A B C
A
Commutativa
C
AC B Ecc.
E i E1 E2 Ei Ek
i 1
B E i E1 E2 Ei
A i 1
k k k
C Ei Ei Ei
i 1 i 1 i 1
Negazione
A
A A
A
A : A
A A
Teoremi
Teoremifondamentali
fondamentalidel
delC.P.
C.P.
Siano
SianoAAeeBBdue
dueeventi
eventiincompatibili
incompatibili A B
allora
allora Pr A B Pr A Pr B
Teo.1.
Teo.1. Pr 0
Teo.2.
Teo.2.
Pr A 1 Pr A
Teo.3.
Teo.3. Pr A Pr A B Pr A B
Teo.4.
Teo.4. Pr A B Pr A Pr B Pr A B
ESERCIZI
A volte puo essere difficile, o almeno noioso, determinare per
elencazione diretta gli elementi di uno spazio campione
finito.
CALCOLO COMBINATORIO
Disposizioni semplici
Disposizioni con Ripetizione
Permutazioni semplici
Permutazioni con oggetti identici
Combinazioni Semplici
Combinazioni con Ripetizione
Calcolo Combinatorio
Problema: determinare il numero di
elementi di un insieme finito
elenco diretto (lungo!)
Diagramma ad albero
Diagramma ad albero S1
S2
P1
S3
A1
S4
P2
……….
A2 P1
P2 ……….
P1
………..
A3 P2
3 x 2 x 4 = 24
pasti completi
“Contare le scelte”
Se gli insiemi A1, A2, …, Ak contengono
n1, n2, …, nk elementi
Ho N= n1 n2 … nk
modi di scegliere
prima un elemento di A1 , poi un elemento di A2 …
... infine un elemento di Ak
Esempio:
Determinare il numero di schedine del totocalcio si
devono giocare per essere sicuri di fare 14
Esempio:
Ad un gran premio di formula 1 partecipano 20 piloti.
I primi tre classificati vanno sul podio..
Quante sono le possibili terne di piloti sul podio?
Il primo classificato può essere un qualunque pilota tra 20,
Il secondo uno qualunque tra i restanti 19, il terzo uno tra 18
Quindi: D(20,3)=20*19*18
In generale: D(n,k)=n*(n-1)*…*(n-k+1)
Permutazioni
= numero dei modi in cui si possono ordinare n oggetti
P(n) = D(n,n)=n*(n-1)*… 2*1=n!
Esempio:
Quanti anagrammi (non necessariamente di senso
compiuto) si possono formare della parola FOGLI
Esempio
Quante squadre di pallacanestro si possono formare con
8 giocatori
Sono le combinazioni di 5 persone scelte tra 8 =
Esercizi
• In quanti modi 10 persone possono sedersi su una panchina che ha solo 4
posti? (Si risolva l'esercizio due volte, una volta considerando importante l'ordine in
cui si siedono e una no).
• Qual è la probabilità di fare tre volte 6 lanciando tre volte un dado non
truccato?
Probabilità condizionata e
indipendenza stocastica
Esempio: un’urna contiene 15 palline rosse e 5 nere.
Calcoliamo la probabilità di ottenere in 2 estrazioni consecutive senza
reimbussolamento una pallina rossa e poi una nera:
A:=estraggo una rossa B:=estraggo una nera
p(A)=15/20=3/4
La probabilità di estrarre una nera dopo aver estratto una rossa è 5/19.
La conoscenza dell’evento A ha ridotto lo spazio dei campioni
p(AB)=p(A)p(B|A)=3/4*5/19=15/76
Regola di moltiplicazione:
p(B|A) in funzione di p(A) e p(AB)
se p(A)≠0
Esempi:
•Nell’esercizio precedente: non vedere mai il telefilm “Friends” ed essere
maschio non sono stocasticamente indipendenti
•Siano A:={una persona è alta più di 1 metro e 75}
B:={una persona non mangia Nutella}
Supponiamo che p(A)=0.5, p(B)=0.3, p(AB)=0.15
Allora p(A|B)=p(AB)/p(B)=0.15/0.3=0.5=p(A)
Dunque A è stocasticamente indipendente da B.
Indipendenza stocastica
Nota: p(B|A)=p(AB)/p(A)=0.15/0.5=0.3=p(B)
anche B è stocasticamente indipendente da A.
Questo non è casuale:
A è stoc. indipendente da B B è stoc. indipendente da A
e diciamo “A e B sono indipendenti”
Esempio:
in un’urna ci sono 10 palline rosse e 12 nere. Estraiamo dall’urna una
pallina poi la rimettiamo nell’urna (estrazione con reimbussolamento).
Siano
A1={estraggo una pallina rossa alla prima estrazione}
A2={estraggo una pallina rossa alla seconda estrazione}
L’aver estratto una rossa alla prima estrazione non influenza la
probabilità che la seconda sia rossa
A1 e A2 sono indipendenti
Regola di moltiplicazione per eventi
indipendenti
Esempio: Nel caso dell’estrazione con reimbussolamento
dell’esempio precedente la probabilità di estrarre entrambe le
volte una pallina rossa è
p(A1A2)=p(A1)p(A2)=(10/22)2
1/3 U3 2/3
bianca
P B P B A1 .... P B An
P( B | A1 ) P( A1 ) ... P( B | An ) P( An )
effetto
cause
0.7 Pc 0.1 M
p(M)=0.3*0.4+0.7*0.1=0.19
Teorema di Bayes
effetto
causa
Esercizio (continuazione)
In un Gran Premio di Formula 1 la probabilità di
pioggia è del 30%. La probabilità che il pilota
Mazzacane vinca se piove è dello 40% e dello 10%, se
non piove.
• Se vince Mazzacane qual è la probabilità che piova?
Sia P={piove} M={vince Mazzacane}
0.3 P 0.4 M
0.7 Pc 0.1 M
p( M | P) p( P)
p( P | M )
p( M | P) p( P) p( M | P) p( P)
0.4 0.3
0.63
0.4 0.3 0.1 0.7
Esercizio
p(C|E)=0.15
p(E)=0.60 E C
p(C| Ec)=0.75 C
p(Ec)=0.40 E c
Da trovare p(Ec | C)
U navariabilealeatoriasi dicediscretasepuò
assumeresolounnum erodiscretodi valori;
0 p y 1
p y 1.0
y
Esempio Un esperimento consiste nel lancio di due
dadi. Sia Y la somma dei punti osservati quando i due dadi
sono stati tratti.
S i , j : 1 i , j 6 , o v v e ro , l'in s ie m e d i tu tt e le co p p ie
o r d in a te ( i , j ) d i n u m e r i in te r i 1 i 6 e 1 j 6 ch e
r a p p r e s e n ta n o l’e s ito d e l la n c io d i c ia s cu n o d e i d u e d a d i.
In S ci s o n o 3 6 e v e n ti se m p lic i:
E 1 1 ,1 , E 2 1, 2 , E 3 1, 3 , E 4 1, 4 , E 5 1, 5 , E 6 1, 6 ,
E 7 2 ,1 , E 8 2 , 2 , E 9 2 , 3 , E 1 0 2 , 4 , E 1 2 , 5 , E 1 2 2 , 6 ,
E 1 3 3 ,1 , E 1 4 3 , 2 , E 1 5 3 , 3 , E 1 6 3 , 4 , E 1 7 3 , 5 , E 1 8 3 , 6 ,
E 1 9 4 ,1 , E 2 0 4 , 2 , E 2 1 4 , 3 , E 2 2 4 , 4 , E 2 3 4 , 5 , E 2 4 4 , 6 ,
P Y 2 P E 1 1 36
P Y 3 P E 1 P E 7 2 36
P Y 4 P E1 P E7 P E13 3 36
In questo modo la distribuzione di probabilità di Y diventa:
Y 2 3 4 5 6 7 8 9 10 11 12
p(y) 1/ 36 2/ 36 3/ 36 4/ 36 5/ 36 6/ 36 5/ 36 4/ 36 3/ 36 2/ 36 1/ 36
La distribuzione di probabilità di una variabile aleatoria
discreta Y può essere rappresentata in maniera grafica
costruendo un istogramma che associa a ciascun valore
Y = y un rettangolo avente ampiezza 1/n (dove n è il
numero di valori che la variabile aleatoria può
assumere) e altezza p(y).
In questo modo, l’area di ciascun rettangolo sarà uguale
alla probabilità P(Y = y) e l’area totale di tutti i rettangoli
che formano l’istogramma sarà uguale a 1.
1.
1.Ad
Adogni eventodidisisiassocia
ognievento associauno
unoededun
unsolo
solonumero
numeroreale
realeX(e).
X(e).
Questa
Questaoperazione
operazionedefinisce
definisceuna
unav.c.
v.c.X.
X.
2.
2.Ad
Adogni
ognipossibile
possibilevalore
valoredidiX(.)
X(.)sisiassocia
associauna
unaprobabilità
probabilitàPPr[X].
r[X].
Questa
Questaoperazione
operazionedefinisce
definiscelaladistribuzione
distribuzionedidiprobabilità
probabilitàdella
dellav.c.
v.c.X.
X.
Si
Siosserva
osservachechementre
mentrelalaregola
regoladadaadottare
adottareèèarbitraria
arbitrariaininquanto
quanto
dipende
dipendeda daciò
ciòche
chevogliamo
vogliamochechelalav.c.
v.c.interpreti,
interpreti,lolostesso
stessonon
nonèèvero
vero
per
perlaladeterminazione
determinazionedella
delladistribuzione
distribuzionedidiprobabilità
probabilitàPPr[X] in quanto
r[X] in quanto
quest’ultima
quest’ultimaèèlegata
legataalle
alleprobabilità
probabilitàdegli
deglieventi
eventielementari
elementariPPr[e].
r[e].
Anziché
Anzichéspecificare
specificarelelesingole
singoleP[X]
P[X]sisicercherà,
cercherà,ove
ovepossibile,
possibile,didideterminare
determinare
lalarelazione
relazionefunzionale
funzionaleche
chelega
legaqueste
questeprobabilità,
probabilità,sintetizzata
sintetizzataininuna
una
funzione
funzionef(x).
f(x).Ciò
Ciòsarà
sarànecessario
necessarioquando
quandolalav.c.
v.c.XXèèdiditipo
tipocontinuo
continuooo
discreto
discretocon
conun unnumero
numeromolto
moltoelevato
elevatodidivalori.
valori.
In
Inalcuni
alcunicasi,
casi,sarà
sarànecessario
necessariocalcolare
calcolarelalaprobabilità
probabilitàche
cheXXassuma
assumaun
un
valore
valoreminore
minoreoouguale
ugualeaaxxk,k,cioè
cioè
Pr X xk F ( xk )
Questa
Questafunzione
funzioneèèdetta
dettafunzione
funzionedi
diripartizione
ripartizione(f.r.)
(f.r.)ed
edèèuguale
ugualea:
a:
F ( xk ) f ( x1 ) f ( x2 ) ... f ( xk ) f (x )
xi xk
i
Proprietà
Proprietàdella
dellaf.r.
f.r.F(.):
F(.):
1.
1. F () 0
2.
2. F ( xn ) F () 1
3.
3. F ( xi ) F ( xi 1 ) f ( xi )
La
Larappresentazione
rappresentazionedidiF(x)
F(x)èèuna
una“funzione
“funzioneaagradini”.
gradini”.
Valore atteso e varianza
Per le variabili discrete è possibile definire un valore atteso E[x]
ed una varianza Var[x] che sono analoghe alle misure di
posizione e dispersione del valore medio e dello scarto
quadratico medio:
imax imax
E[ x] xi pi 2 Var [ x] ( xi ) 2 pi
i 1 i 1
Valore atteso e varianza
non coincidono con media e scarto
quadratico medio
imax imax
E[ x] xi pi 2 Var [ x] ( xi ) 2 pi
i 1 i 1
imax imax
x xi f i S 2 ( xi x ) 2 f i
i 1 i 1
y y
x a b x
Sono descritte da funzioni.
L’area sottesa dalla curva tra due valori (es. a-b) è la probabilità
che la variabile casuale assuma valori compresi tra a e b
Si presuppone l’esistenza di una funzione f(x) t.c.
f y dy 1
P( x A x x B ) f ( x)dx
xA
f(x)
L’integrale è la
probabilità che la
variabile casuale
assuma un valore
in un intervallo e
dipende dalla
densità di
probabilità f(x)
XA XB x
Probabilità diverse da zero possono quindi essere assegnate
ad intervalli di valori di una variabile aleatoria continua X.
Variabili xmax
continue E[ x] xf ( x)dx
x Min
prob
Somma
di avere
x
Variabili imax
discrete E[ x] xi pi
i 1
Varianza per variabili continue
Variabili xmax
2 Var [ x] 2
continue ( x ) f ( x)dx
x Min
Scarto probabili
Somma
quadratico tà
di x
Variabili imax
Var [ x] ( xi ) 2 pi
2
discrete i 1
Def.
Def.11.
11.Momenti
Momentisemplici
semplicididiordine
ordiner.r.
Se
SeXXèèuna
unav.c.
v.c.ililmomento
momentodidiordine
ordiner,r,con
conrrnaturale,
naturale,èèdefinito
definito
dalla
dallaseguente:
seguente:
x
E Xr r
f ( x)dx Nel
Nelcaso
casocontinuo.
continuo.
EX x
r r
j f (x j ) Nel
Nelcaso
casodiscreto
discreto
j
Si
Siosserva
osservache
cheper
perr=1
r=1sisiottiene
ottieneililvalore
valoreatteso
atteso(aspettativa)
(aspettativa)didiX.
X.
Def.
Def.12.
12.Momenti
Momenticentrali
centralididiordine
ordiner.r.
Se
SeXXèèuna
unav.c.
v.c.ililmomento
momentocentrale
centraledidiordine
ordiner,r,con
conrrnaturale,
naturale,èè
definito
definitodalla
dallaseguente:
seguente:
x E ( X )
E X E ( X )
r r
f ( x)dx Nel
Nelcaso
casocontinuo
continuo
E X E ( X ) x j E ( X ) f ( x j )
r r
Nel
Nelcaso
casodiscreto
discreto
j
Si
Siosserva
osservache
cheper
perr=2
r=2sisiottiene
ottienelalavarianza
varianzadidi X.
X.
Il teorema di Bayes nel caso di variabili aleatorie
continue assume la seguente formulazione
p( A | B) p( B)
p( B | A)
p( A | B b) f (b)db