Calcolo della probabilit

Spazio dei risultati

Se si esegue una prova (es. tiro di un dado) si indica con U tutti i possibili
risultati che pu dare.

U

E



E=evento
U=universo

Evento:
- aleatorio: pu accadere E _ U
- certo: accade di sicuro E=U
- impossibile: E U = C

Probabilit classica (Pascal)

Si pu utilizzare SOLO se i casi sono equiprobabili (es si pu utilizzare con il
lancio di un dado, ma non di un dado truccato)
La probabilit che si verifichi
casi favorevoli
( )
casi possibili
p E =

0 ( ) p E s s1

Probabilit assiomatica

1 assioma: se E un evento ( ) 0 p E >
2 assioma: p(U)=1
3 assioma: se 2 eventi A e B sono INCOMPATIBILI cio A B= C
p(A B)=p(A)+p(B)
4 assioma:
( ) ( / ) (
( / )
( ) ( )
) p A B p B A p A
p A B
p B p B
= =

dove p(A/B) la probabilit cheA si

verifichi essendo gi accaduto B. Allo stesso modo p(B/A) la probabilit di B
essendo gi accaduto A. Questo si chiama EVENTO SUBORDINATO o
CONDIZIONATO.


Teorema 1

__
( ) 1 ( ) p A p = A dove
___
A
levento complementare
dim:
__
__
A U
A
A
A
=
= C

dato che la loro intersezione nulla, A ed il suo complementare sono eventi
incompatibili
__ __
__
__ __
( ) ( ) ( )
( ) ( ) 1
( ) ( ) 1 ( ) 1 ( )
. . .
p A p A p
ma
p A p U
p A p p A p
c v d
A A
A
A A
= +
= =
+ = =


Teorema 2

Generalizzazione del 3 assioma
( ) ( ) ( ) ( ) p A B p A p B p A B = +



Evento totale

U

A



H
1
H
2
H
3
H
n

A evento trasversale
Siano H
1
, H
2
, H
n
una partizione di U e sia A un eventi trasversale rispetto ad
essi

1 2
1 1 2 2
( ) ( ) ( ) ... ( )
( / ) ( ) ( / ) ( ) ... ( / ) ( )
n
n n
p A p A H p A H p A H
p A H p H p A H p H p A H p H
= + + + =
= + + +


es. un esempio di evento trasversale: hai 2 urne. Nella prima ci sono 3 palline
rosse e 2 nere. Nella seconda ce ne sono 7 rosse e 5 nere. Come evento
trasversale potresti considerare estrarre una pallina rossa. Sar, a parole, la
probabilit di estrarre una pallina rossa, avendo scelto lurna 1, per la
probabilit di scegliere lurna 1 pi la probabilit di estrarre una pallina rossa
avendo scelto lurna 2 per la probabilit di scegliere lurna 2. In numeri:

3 1 7 1
( ) * *
5 2 12 2
p A = +
Teorema di Bayes

Risalire alle cause vedendo leffetto

( / ) ( )
( / )
( )
p B A p A
p A B
p B
=
STATISTICA
Sia X una variabile casuale reale (pu assumere tutti i valori di R).
p(X=x) si assume nulla
Si calcola la probabilit che X cada in un intervallo quindi, perch la probabilit
che assuma un valore ben preciso tendente a 0. Il calcolo della probabilit
basato su una funzione, detta funzione densit di probabilit che gode di 3
propriet fondamentali:
1. E sempre positiva
( ) 0 f x
x D
>
e
2. Lintegrale da - a + di f(x) vale 1
( ) 1 f x dx
+

=
}

3. La probabilit che X cada in un intervallo [a,b] lintegrale di f(x)dx da a
a b.
( ) (
b
a
) p a X b f x dx s s =
}












a b
La probabilit che X assuma un valore compreso tra a e b rappresentata
dallarea colorata in rosso, quindi dallintegrale calcolato nellintervallo [a,b].

Si definisce allora la funzione di ripartizione, cio la funzione integrale per
definizione calcolata da - ad x di f(t)dt.

Es.
2
0 0
( ) 3 0 1
0 1
x
f x x x
x
<

= s

>

s


f(x) rispetta tutte le condizioni: non negativa in nessun punto e
3
1
2 1
0
0
3 3[ ]
3
x
x dx = =
}
1


La funzione di ripartizione allora sar
2 3 3
0
0
0 0
( ) 3 [ ] 0 1
1 1
x
x
x
F x t dt t x x
x
<

= = = s s

>

}


Per x>1 vale 1 perch per definizione la funzione di ripartizione va da - a x,
bisogna ricordarsi questo aspetto!!

Media di X

X=x p(X=x)
x
1
p
1
x
2
p
2

x
n
p
n

Per le variabili discrete (cio che assumono solo valori per definiti es. numeri
interi) la media E(x)= x
1
p
1
+ x
2
p
2
++ x
n
p
n
Invece nelle variabili continue E(x)
* ( ) x f x dx
+

}

Varianza di X

2

2
( ( )) ( ) x E x f x dx
+

}


DISTRIBUZIONE NORMALE

Supponiamo di voler effettuare una misura: possiamo supporre che le
probabilit di ottenere una misura maggiore o minore siano simmetriche. La
funzione densit di probabilit di tale distribuzione la curva normale o
gaussiana:
2
1
2
1
( )
2
x M
g x e
o
o t

| |

|
\ .
=


E la sua funzione di ripartizione

2
1
2
1
2
t M
x
e d
o
o t
| |

|
\ .

}
t


Un integrale non calcolabile con funzioni elementari: bisogna usare delle
tabelle specifiche.

La curva ha il suo massimo in x=M, cio nel punto di ascissa che individua la
media della distribuzione. Possiede due flessi nei punti M+ e M- dove lo
scarto quadratico medio, radice quadrata della varianza.

Le tabelle in cui leggiamo i valori della funzione di ripartizione e quindi la
probabilit si riferiscono ad una gaussiana standard in cui M=0 (la funzione
centrata quindi in 0) e
2
=1.

Si scrive cos: X~N(M,
2
) ovvero la variabile casuale approssimabile ad una
distribuzione normale di media M e varianza
2
.

Standardizzare una distribuzione significa operare una sostituzione
nellintegrale per ricondurre la funzione alla curva standard di cui possediamo
le tabelle. La sostituzione diventa
2
1
2
1
( )
2
z t
x M
z
G z e dt
o
t

=
=
}


Quando si usa la curva standard bisogna fare attenzione agli estremi di
integrazione, che sono da cambiare!

DISTRIBUZIONE BINOMIALE

Variabile discreta. Assume solo valori interi. Dobbiamo usarla se si interessa
sapere la probabilit di ottenere m successi in n prove.

X~Bin(n, p) X approssimabile ad una distribuzione binomiale con n prove
con probabilit p.

Esempio: Supponiamo che una prova consista nel tirare contemporaneamente
2 monete. Decido che il successo sia rappresentato da ottenere 2 croci, quindi
p=1/4. Voglio sapere qual la probabilit che io ottenga 3 successi in 5 prove.

p(X=3)=
3 5
5
(1 )
3
3
p p

| |

|
\ .


Quando n+ (e in statistica significa superiore a 25-30) possiamo
approssimare la distribuzione binomiale ad una normale con questi parametri:
X~N(np, np(1-p))
Lapprosimazione di una variabile discreta ad una continua comporta
attenzione a certi particolari. Ad esempio se volevo conoscere la probabilit
che X assumesse un valore appartenente ad un determinato intervallo tenevo
in considerazione che essa potesse assumere solo valori interi. Prendiamo che
io volessi sapere p(x5). Quando approssimo a normale considerer p(x4.5)
perch approssimando i valori maggiori o uguali a 4.5 ottengo 5. Bisogna
quindi stare attenti a questo aspetto di approssimazione negli esercizi.

DISTRIBUZIONE DI POISSON

Sia E un evento che in media si presenta volte. Sia X il numero di volte in cui
X si pu presentare. X~P() X approssimabile ad una poissoniana con
parametro .

X=x p(X=x)
0
1
2

N

p(X=x)=
!
x
e
x

esempio: Se in media ci sono 50 guasti al giorno () sulle linee telefoniche qual
la probabilit che in unora vengano segnalati meno di 3 guasti.
p(X<3)=p(X=0)+p(X=1)+p(X=2)

=50/8 (considero solo le 8 ore lavorative e non le 24 di un giorno intero)

X~P(50/8)

( ) ( ) ( )
0 1 2
(50/ 8) (50/ 8) (50/ 8)
50/ 8 50/ 8 50/ 8
0! 1! 2!
5,17%
e e e

+ +
=

=


DISTRIBUZIONE GEOMETRICA

Sia E un evento che pu accadere con probabilit p e sia X il numero di prove
da effettuare affinch E accada.
X=x p(X=x)
1 p
2 p(1-p)

n p(1-p)
n-1

X~G(p) X approssimabile ad una distribuzione geometrica con probabilit p.

E(x)=1/p

2
=(1-p)/p
2

esempio: Carlo larciere colpisce il bersaglio con una probabilit del 20%
(p=0.2). Qual la probabilit che Tizio impieghi pi di 5 lanci per colpirlo.
p(X>5)=1-(p(X=1)+p(X=2)+ p(X=3)+p(X=4)+p(X=5))=
=1-(0.2*0.8
0
+0.2*0.8+0.2*0.8
2
+0.2*0.8
3
+0.2*0.8
4
)=32.8%



Ricapitolando possiamo dividere le variabili casuali in 2 gruppi:
1. Variabili discrete
- Binomiale
- Poissoniana
- Geometrica
2. Variabili continue
- Normale (Gaussiana)
- Funzione densit di probabilit









Calcolo combinatorio

1 caso

Disposizioni semplici di n oggetti presi k alla volta, ovvero i gruppi di k oggetti
DISTINTI TRA LORO scelti tra gli n dati, considerando diversi 2 gruppi che
differiscono per lordine degli elementi (es. ABC z BCA)

,
( 1)( 2)...( 1)
n k
D n n n n k

es. diposizioni di 9 oggetti presi 3 alla volta
9,3
9(9 1)(9 2) 9*8*7 D

2 caso

Permutazioni: disposizioni di n oggetti presi n alla volta

!
n
P n

es. Quanti anagrammi di SALE posso creare?
4
4! P

Ma potrebbero esserci oggetti ripetuti (es. anagramma di PAOLA la A si ripete
2 volte, quindi se permuto, mi verranno alcuni risultati uguali e li conter pi
volte!) Permutazioni di n oggetti con k ripetuti:
( )
!
!
k
n
n
P
k

e se ci sono k elementi di un tipo che si ripetono e h elementi di un altro:
( , )
!
! !
k h
n
n
P
k h

3 caso

Disposizione di n oggetti presi k alla volta con ripetizione (es. Se vogliono
considerare le possibili disposizioni di ABC e prendere in esame anche
disposizioni come AAB oppure CCC oppure BCC e via dicendo)

,
r k
n k
D n


4 caso

Dati n oggetti DISTINTI vogliamo formare gruppi da k oggetti non ripetuti. 2
gruppi che differiscano per lordine sono considerati uguali (es ABC = CBA).
,
,
( 1)( 2)...( 1) !
! ! !
n k
n k
n D
n n n n k n
C
k k k k

( )! n k


5 caso

Combinazioni con ripetizione (es. AAB che poi considerato uguale a BAA ABA)
,
1
( 1
!( 1)!
r
n k
n k
n k
C
k k n

)!


Metodo dei trapezi: integrazione numerica









a x
1
x
2
b

Si divide lintervallo di integrazione in n parti e si trova lo step, cio la
lunghezza di un singolo intervallo (b-a)/n

Prendi in esame larea sottesa alla curva nellintervallo [a, x
1
]: puoi
approssimare ad un trapezio, che avr area
1
( ( ) ( ))
2
step
A f a f x

Sommando le varie aree ottieni la formula


1 2 1
( ) ( ) 2( ( ) ( ) ... ( ))
2
n
step
A f a f b f x f x f x

Metodo di Newton-Fourier : calcolo degli zeri di una funzione

Sia f: IR
Derivabile nel suo dominio

Consideriamo un punto x
0
I









x
1
x
0





Lequazione della retta tangente in x
0
sar

y - f(x
0
)=f(x
0
)(x- x
0
)

Essa intersecher lasse x nel punto x
1
, pi vicino allo zero della funzione.

Se ripetiamo il procedimento troveremo un punto x
2
ancora pi vicino allo zero della
funzione, arrivando infine a trovarlo con una buona approssimazione.

Per ottenere la formula iterativa:

Considero la retta passante per x
n
: y - f(x
n
)=f(x
n
)(x- x
n
)

Intersecher lasse x in x
n+1
, punto che appartiene alla medesima retta: possiamo
sostituire le sue coordinate nellequazione delle retta
0 - f(x
n
)=f(x
n
)(x
n+1
- x
n
)
Ricaviamo x
n+1
x
n+1
= x
n
-
( )
'( )
n
n
f x
f x


Con la calcolatrice si pu iterare la formula e quando inizier a dare lo stesso risultato
si avr trovato lo zero della funzione.

Condizioni per utilizzare il metodo:

Nellintervallo considerato f(x) non deve essere mai 0!
Inoltre c una condizione sulla derivata seconda: nellintervallo considerato deve
essere sempre posivita o sempre negativa.

Inoltre: se la concavit della funzione rivolta verso lalto, si parte dallestermo
dellintervallo pi alto (quindi da quello positivo), se rivolta verso il basso si parte
dallestremo pi basso (il negativo)!!