VARIABILI CASUALI E

DISTRIBUZIONI DI
PROBABILITÀ

1
 Principali distribuzioni di
probabilità

Variabili casuali discrete Variabili casuali continue

Bernoulli Normale
Binomiale Chi-quadrato
Poisson T di Student
F di Fisher

2
 Distribuzione di Bernoulli

Le prove che producono solo 2 possibili risultati

generano un particolare tipo di variabile casuale definito
variabile casuale di Bernoulli.
Esempio: il lancio di una moneta, il sesso di un
nascituro, il superamento o meno di un certo livello di
inflazione….

3
 Distribuzione di Bernoulli

Una variabile casuale di Bernoulli può assumere il valore 1

con probabilità  e il valore 0 con probabilità 1-.

X~Bernoulli(π)
1 (successo) con probabilità π
X
0 (insuccesso) con probabilità 1-π

4
 Distribuzione di Bernoulli

La sua funzione di probabilità è espressa come:

P  X  x    x 1  1 x per x  0,1

E(X)  
V(X)    (1  )

5
Distribuzione Binomiale

6
 Distribuzione Binomiale

La variabile casuale X (BINOMIALE) rappresenta il numero

di successi in n prove indipendenti ripetute nelle stesse
condizioni nelle quali è costante la probabilità di successo .
La funzione di probabilità della variabile casuale risultante è
la funzione di probabilità binomiale, con parametri n
(numero delle prove) e p (probabilità di successo in una
singola prova).

n x
P X        1   
nx
per x  0 ,1, 2 ,..., n e 0  1
 x
7
Coefficiente binomiale
 Distribuzione Binomiale

n n!
COEFFICIENTE BINOMIALE   
 x  x! n  x !

Vuol dire che partendo da un insieme di 5 elementi

possiamo formare 10 sottoinsiemi di 2 elementi ciascuno.

8
 Distribuzione Binomiale

La distribuzione Binomiale può essere ottenuta

considerando la somma di n variabili casuali di
Bernoulli, indipendenti e identicamente distribuite

Media E  X   E  X1  X 2    X n       ........    n

Varianza V  X   V  X1  X 2    X n   1     1     .....  1     n1   

9
 Distribuzione Binomiale: esempio

Gli ordini di un’azienda sono classificati come corretti o non

corretti. Si estrae un campione di 5 ordini.
π =0,8 è la probabilità che un ordine sia corretto (nota dal
comportamento passato).
Qual è la probabilità di avere 3 ordini corretti?
X~Binomiale(0,8; 5)

5 
P(X  3)   0,83 (1  0,8)53  0,20
3

10
 Distribuzione Binomiale: esempio

5
P(X  0)   0,80 (1  0,8)50  0,0032
0
P(x)
5
P(X  1)   0,81(1  0,8)51  0,006
1
5 
P(X  2)   0,82 (1  0,8)52  0,05
2 
5
P(X  3)   0,83 (1  0,8)53  0,20
3
5
P(X  4)   0,84 (1  0,8)5 4  0,41
 4
5
P(X  5)   0,85 (1  0,8)55  0,33
0 1 2 3 4 5 x 5

11
 Distribuzione Binomiale: esempio

 Qual è la probabilità di avere almeno 3 ordini corretti?

X~Binomiale (0,8; 5) x= 0, 1, 2, …, 5

P(X  3)  P(X  3)  P(X  4)  P(X  5) 

5  5 5 
  0,83 (1  0,8)53   0,84 (1  0,8)5 4   0,85 (1  0,8)55 
3  4 5 
 0,20  0,41  0,33  0,94

• Qual è la probabilità di avere al massimo 2 ordini corretti?

P(X  2)  1  P(X  3)  1  0,94  0,06

12
 Distribuzione Binomiale

Proprietà
1. Il valore atteso e la varianza crescono al crescere di n
2. Per =0.5 la distribuzione è simmetrica rispetto al valore
medio
3. Per n+ la distribuzione tende ad essere simmetrica
rispetto al valor medio

13
Distribuzione di Poisson

• λ è il numero atteso di successi

nell’intervallo di tempo.
• λ>0 14
Distribuzione di Poisson

 è il numero atteso

di successi
nell’intervallo
considerato
 >0
15
 Distribuzione di Poisson

Esempi di applicazione della variabile casuale di Poisson possono

essere relative a:
Numero di chiamate in call center 
Quantità di persone che entrano in un negozio
Ammontare di gol segnati da un giocatore
Numero giornaliero di guasti nel sistema informativo aziendale
numero mensile di errori umani nei processi aziendali
numero di imprese che falliscono in un semestre di crisi
economica
numero di pazienti che arrivano al pronto soccorso di un
ospedale in un turno lavorativo
16
 Distribuzione di Poisson

Alla base della distribuzione di Poisson ci sono delle ipotesi.

L’intervallo considerato deve poter essere suddiviso in tanti sottointervalli
tali che in ognuno di essi:
• la probabilità del verificarsi di un evento è costante
• la probabilità del verificarsi di più di un evento è pari a zero
• il verificarsi di un evento in un sottointervallo è indipendente dal
verificarsi dell’evento in un altro sottointervallo.

17
Distribuzione di Poisson: esempio

18