Probabilit

Probabilit

Gli eventi sono stati definiti come i possibili risultati di un

esperimento.
Ogni evento ha una probabilit

Se tutti gli eventi fossero ugualmente possibili, la probabilit

p(E) di un evento E sarebbe uguale al rapporto tra il numeri f
di casi favorevoli e il numero n dei casi possibili, ovvero
p(E)=f/n

Esempio:
Si lancia due volte una moneta. Quale e la probabilit che
escano due teste ?
1) I casi possibili sono 4: TT, TC, CT, CC
2) I casi possibili sono 3: escono 2 teste, esce 1 testa, escono 0
teste

Probabilit

Se, in una sequenza di n prove, un evento E si verifica s

volte, si dice che il rapporto s/n la frequenza relativa di
E rispetto alla data sequenza di prove.

Legge empirica del caso: Effettuando numerose prove,

eseguite nelle stesse condizioni, la frequenza relativa di
un evento assai prossima alla sua probabilit;
lapprossimazione tanto maggiore quanto pi numerose
sono le prove effettuate

Definizione
frequentista
della
probabilit:
La
probabilit di un evento il limite a cui tende la frequenza
relativa, al tendere allinfinito del numero di prove
effettuate

Probabilit

Definizione frequentista della probabilit:

La
probabilit di un evento il limite a cui tende la frequenza
relativa, al tendere allinfinito del numero di prove
effettuate

Ma alcune volte gli Eventi sono irripetibili

Definizione soggettiva della probabilit: dato un

qualsiasi evento E, se mi indifferente ricevere la somma
s incondizionatamente, oppure la Somma S soltanto se E
si verifica, si dice che la probabilit soggettiva p di
quellevento p=s/S

Variabile casuale (v.c.)

E scomodo trattare direttamente gli eventi e pu essere

pi semplice associare delle quantit numeriche agli eventi.
Ci si realizza attraverso la definizione di VARIABILE
CASUALE:

Una variabile casuale X una variabile quantitativa i cui valori

variano seguendo le regole della probabilit

Variabile casuale (v.c.)

Una v.c. X pu essere discreta o continua:

X discreta se assume un numero finito o numerabile di

risultati. Esempio: il numero di teste in 10 lanci di una
moneta, il numero di volte in cui si ha un numero
superiore a 4 in 5 lanci di un dado
X continua se pu assumere qualsiasi valore
nellambito di uno specifico intervallo. Per esempio:
altezza degli studenti del corso di statistica, il peso della
confezione di caramelle di una certa marca.

Una v.c. completamente specificata attraverso

la sua distribuzione di probabilit

Distribuzione di probabilit
La distribuzione di probabilit p(x) di una variabile casuale X indica la
probabilit della variabile casuale per ciascuno dei suoi valori possibili

Si ha dunque che per una variabile casuale

f(x)=P(X=x)
per tutti i possibili valori x che X pu assumere.

f(x) detta funzione di densit di probabilit

(probability density function (pdf))

La pdf di una variabile discreta detta funzione di massa

(indicata anche con p(x)) ed rappresentabile attraverso
un istogramma o sotto forma tabellare

Distribuzioni di probabilit
discrete e continue
Esempio di funzione di probabilit
(caso discreto)

Esempio di funzione di densit di probabilit

(caso continuo)

Distribuzioni di probabilit discrete

Esperimento: lancio di 2 monete
S= {(T,T);(T,C);(C,T);(C,C)}
Variabile casuale:
X = numero di teste; v.c. discreta, i suoi possibili valori sono:
0 (se non si ottiene alcuna testa)
1 (se una delle due monete d testa)
2 (se entrambe le monete danno testa)
Quindi:
P(X=0)=P(C,C)=1/4
P(X=1)=P((T,C) oppure (C,T))=2/4
P(X=2)=P(T,T)=1/4

P(x)=P(X=x)

Distribuzioni di probabilit discrete

0 p(x) 1 Le probabilit associate ai valori di una variabile

casuale devono essere comprese tra 0 e 1 inclusi
p(x)=1 La somma delle probabilit di tutti i valori x di una
variabile casuale deve essere 1
La distribuzione di probabilit di una variabile casuale discreta pu
essere rappresentata in modo grafico attraverso un istogramma di
distribuzione di probabilit
Esempio precedente:
x

P(x)=P(X=x)

Distribuzione di probabilit discrete

Media o Valore Atteso

= E ( x) = xp( x)
x

Se una funzione H dipende da p(x) il valore atteso di H

puo essere calcolato come

E ( H ( x)) = H ( x) p ( x)
x

Calcolo delle probabilit usando i dati

Dalle vendite di TV osservate in passato (below

left), si ricava una rappresentazione tabulare
della distribuzione di probabilit delle vendite
Numero
Unit vendute

0
1
2
3
4

di giorni

80
50
40
10
20
200

x
0
1
2
3
4

f (x )
.40
.25
.20
.05
.10
1.00

Rappresentazione grafica
Rappresentazione grafica delle vendite giornaliere di TV

.50
Probability

.40
.30
.20
.10

Values of Random Variable x (TV sales)

Esempio

Valore Atteso di variabili casuali discrete

x
f (x ) xf (x )
--------------------------0
.40
.00
1
.25
.25
2
.20
.40
3
.05
.15
4
.10
.40
1.20 = E (x )
Il valore atteso delle vendite giornaliere di TV 1.2

Calcoliamo la deviazione standard

Esempio

Varianza e Deviazione Standard di una

variabile casuale discreta
x

x-

0
1
2
3
4

-1.2
-0.2
0.8
1.8
2.8

(x - )2

1.44
0.04
0.64
3.24
7.84

f (x )

.40
.25
.20
.05
.10

(x - )2f (x )

.576
.010
.128
.162
.784
1.660 = 2

La varianza delle vendite giornaliere 1.66 TV (al quadrato)

La deviazione standard delle vendite di 1.29 TV

Funzione di distribuzione cumulativa (cdf)

F ( x) = P( X x) P(a < X b) = F (b) F (a )
x
0
1
2
3
4

f (x )
.40
.25
.20
.05
.10
1.00

F(x)
.40
.65
.85
.90
1.00

La distribuzione di probabilit binomiale

La variabile casuale Binomiale una distribuzione
probabilit discreta caratterizzata dalle seguenti propriet:

di

Le osservazioni di una distribuzione binomiale sono determinate da

un esperimento fatto da un numero n di prove reiterate
Lesito di ogni prova dellesperimento (ovvero ciascuna
osservazione) pu essere classificato in due categorie incompatibili
ed esaustive, dette per convenzione successo e insuccesso
La probabilit p di ottenere un successo costante per ogni
osservazione, cos come la probabilit (1-p) che si verifichi un
insuccesso
Le prove dellesperimento sono indipendenti, ovvero il risultato di
una osservazione, successo o insuccesso, indipendente dal
risultato di qualsiasi altra

La variabile casuale binomiale rappresenta il numero di successi ottenuti in un

campione di n prove indipendenti

La distribuzione di probabilit binomiale esempio In unurna ci sono 100 palline, di cui 30 sono rosse e le rimanenti sono blu.
Supponendo di estrarre 10 palline con reinserimento, ovvero la pallina estratta
viene rimessa nellurna, qual la probabilit di estrarre esattamente una pallina
di colore rosso?
Lesperimento consiste nellestrarre una pallina da un urna, con reinserimento
della pallina estratta, per n=10 volte si hanno n=10 osservazioni
Lesito di ogni prova dellesperimento pallina rossa o pallina blu
due
categorie incompatibili ed esaustive, e pallina rossa lesito successo
La probabilit di ottenere successo ovvero pallina rossa pari a p=30/100 ed
costante per ogni prova
Le prove dellesperimento, ovvero le estrazioni, sono indipendenti
Il numero di successi un numero compreso tra 0 e 10
Si vuole calcolare la probabilit che ci sia esattamente un successo in n=10
prove
Definiamo X = numero di successi in n prove X ~ Binomiale (n, p)

n x
n!
n x
p ( x) = p (1 p ) =
p x (1 p ) n x
x!(n x)!
x

La distribuzione di probabilit binomiale dimostrazione

Vogliamo calcolare la probabilit di avere x successi e (n-x) insuccessi.

Dal momento che gli eventi sono indipendenti, le probabilit andranno
moltiplicate
Dobbiamo avere x successi quando ciascun successo ha probabilit p e n-x
insuccessi quando ciascun insuccesso ha probabilit 1-p
La probabilit di avere una combinazione sar uguale alla moltiplicazione
tra questi valori:

p x (1 p ) n x

Ci sono per differenti combinazioni alternative, quindi la probabilit di

avere esattamente x successi in n tentativi data da:

n x
n!
n x
p ( x) = p (1 p ) =
p x (1 p ) n x
x!(n x)!
x
Funzione di distribuzione di probabilit della distribuzione binomiale

La distribuzione di probabilit binomiale esempio

Nellesempio precedente
X~Binomiale(n,p) con n=10 e p=0.25:

10
10!
p (1) = 0.251 (1 0.25)101 =
0.251 (1 0.25)101 = 0.187
1!(10 1)!
1
Per esempio la distribuzione di probabilit
binomiale con una probabilit di successo pari a
0.25 pu essere rappresentata dal seguente
istogramma dove:
asse orizzontale: possibili valori della
variabile
asse verticale: probabilit

Ruolo del parametro p:

Nelle 3 distribuzioni Binomiali n = 5, mentre p varia assumendo i valori 0.3, 0.5 e 0.8.
Dai grafici possiamo dedurre che:
Se p = 0.5, la distribuzione simmetrica, in caso contrario asimmetrica, positivamente
se p < 0.5, negativamente se p > 0.5.
Per ogni fissato n, la massima dispersione dei valori si ha quando p = 0.5; se p tende a 0
o a 1, la distribuzione tende a concentrarsi sui valori pi prossimi a 0 o a n,
rispettivamente.
p definisce la posizione della distribuzione sull'asse reale, nel senso che np identifica un
punto vicino alla moda della distribuzione.

Ruolo del parametro n:

p=0.5 (istogrammi simmetrici) mentre n varia assumendo i valori 5, 10, 20. Per una
corretta interpretazione della figura osserviamo che le altezze dei bastoni sono
comparabili perch la scala verticale la stessa, mentre la scala sull'asse orizzontale
diversa. In sintesi:
Al crescere di n l'intervallo di variazione del numero dei successi si estende
(nell'esempio passa da 0-5 a 0-10 a 0-20) il che comporta, a parit di p, un aumento
della dispersione dei valori osservabili.
Al crescere di n aumenta il numero delle determinazioni osservabili e quindi si
riduce il valore delle singole probabilit (l'istogramma si allarga e si abbassa
sensibilmente). Tuttavia il picco della distribuzione continua a segnalare con
chiarezza il parametro p dell'urna (in termini relativi, 0.5).

La distribuzione di probabilit binomiale

caratteristiche principaliSe X e una variabile casuale che segue una distribuzione
binomiale con paramentri n (numero di tentativi) e p
(probabilit di successo), X avr:
Media

pari a :
E(X) = n*p

Varianza

pari a:
Var(X) = n*p (1-p)

Esempio 1
Determinare la probabilit che su 12 lanci di una moneta
buona si ottengano esattamente 8 teste.
p=q=1/2 n=12 x=8

n x
n!
n x
p(x) = p (1 p) =
p x (1 p) n x
x!(n x)!
x

12
12 1110 9
8
4
p12 (8) = 0,5 0.5 =
0.5 8 0.5 4 0.1208
4 3 2
8

Esempio 2
Determinare la probabilit che estraendo (con rimpiazzo) per
5 volte una carta da un mazzo da 40 si ottengano:
1)
Esattamente 3 figure
2)
Almeno 3 figure
3)
Almeno una figura

p=12/40=0.3

Esempio 2
p=12/40=0.3
1) Esattamente 3 figure

5
p5 (3) = 0,33 0.7 2 = 10 0,33 0.7 2 0.1323
3
2) Almeno 3 figure

p5 (3) + p5 (4) + p5 (5) 0.1323 + 0.0284 + 0.0024 = 0.1631

3) Almeno una figura

p5 (1) + p5 (2) + p5 (3) + p5 (4) + p5 (5) =

5
1 p5 (0) = 1 0.30 0.7 5 = 1 0.16807 = 0.83193
0

Esempio 3
Un tiratore colpisce un bersaglio con probabilit 0.2.
Quale la probabilit che su 8 tiri si colpisca 2 volte il
bersaglio ? E che si colpisca almeno due volte ?

Soluzione:

p8 (2) 0.2936
1 p8 (0) p8 (1) 0.4967

Distribuzioni di probabilit continue

Per i dati continui la variabile casuale pu assumere qualsiasi
valore in un intervallo di infiniti numeri reali
La pdf f(x) di una variabile casuale X ha le seguenti propriet:
1. f(x) definita su tutti i numeri reali
2.f (x) 0 per tutti i valori di x .
3. Larea sottesa dalla curva f uguale a 1:

f ( x)= 1
x

4.

P (a X b ) = f ( x)dx
a

y = f ( x)

y = f ( x)

Distribuzioni di probabilit continue

Se X una v.c. continua, allora:
- per ogni numero c, P(x = c) = 0
- per ogni due numeri a e b con a < b,

P ( a X b) = P ( a < X b)
= P ( a X < b)
= P ( a < X < b)

Funzioni di probabilit cumulative

La funzione di probabilit cumulativa,
F(x) per una v.c. continua X definita
per ogni x da

F ( x) = P ( X x ) =

f ( y )dy

Per ogni x, F(x) larea della curva a

sinistra di x.

F(x) per il calcolo delle probabilit

Sia X una v.c. continua con pdf f(x) e
cdf F(x). Allora per ogni numero a,

P ( X > a ) = 1 F (a)
E per ogni numero a and b con a < b,

P (a X b ) = F (b) F (a )

Esempio

Funzione di probabilit (pdf)

0.75(1 x 2 ) 1 x 1
f ( x) =
0
otherwise

f (v)dv = 0.75(1 v 2 )dv = 1

1

Funzione di distribuzione cumulativa

F ( x) =

f (v)dv = 0.75(1 v 2 )dv =0.5 + 0.75 x 0.25 x 3

1

F ( x) = 0.5 + 0.75 x 0.25 x 3

x 1
1 < x 1
x >1

Probabilit di eventi

P (0.5 x 0.5) = F (0.5) F (0.5) =

0.5

0.5

0.75(1 v 2 )dv = 68.75%

P ( X x) = F ( x) = 0.95 = 0.5 + 0.75 x 0.25 x 3 x = 0.73

Valore Atteso
Il valore atteso o valor medio di una v.c.
continua X con f (x) :

X = E (X ) =

x f ( x)dx

Valore atteso di h(X)

se X una v.c. continua con pdf f(x) e
h(x) una funzione di X, allora

E [h( x) ] = h ( X ) =

h( x) f ( x)dx

Varianza e Deviazione Standard

La varianza di una v.c. continua X con
pdf f(x) e media :
2
X

= V ( x) =

(x )

f ( x)dx

= E[( X ) ]

La deviazione standard is X = V ( x).

2

( ) [E ( X )]

V (X ) = E X

Esempio
0.75(1 x 2 ) 1 x 1
f ( x) =
0
otherwise

1
= E ( X ) = 0.75 x(1 x 2 )dx = 12 (0.75) x 2 14 (0.75) x 4
2

1
1

+1
1

=0

= E ([ X ] ) = ( x 0) 0.75(1 x )dx = (0.75) x (0.75) x

1

1
3

1
5

5 +1
1

= 0.2

Distribuzione Uniforme
Una variabile continua X segue una
distribuzione uniforme sullintervallo [A, B]
se:
1
A x B

f (x; A, B ) = B A
0
otherwise

Esempio Distribuzione Uniforme

1. In certi esperimenti lerrore commesso nella determinazione della solubilit di
una sostanza una variabile aleatoria X avente distribuzione uniforme con
A=-0.025 e B= 0.025. Trovare la probabilit che lerrore:
a) Sia compreso tra 0.010 e 0.015;

0.015 0.010
P(0.010 X 0.015) =
= 0.1
0.025 + 0.025
b) Sia compreso tra 0.012 e 0.012.

Esempio Distribuzione Uniforme

2. Si consideri una variabile aleatoria X con distribuzione uniforme.
Essendo noto che E(X)=6 e V(X)=2 trovare:
a) Pr(X>=5.5)
b) la mediana di X.

A+B
E(X)=
2

(B A) 2
V (X)=
12

Esercizio
Marcello sa che il suo amico Carlo arriver al bar Sport in un istante
compreso tra le nove e le dieci di una data mattina. Egli decide di
recarsi al bar alle 9:30 e di attendere 10 minuti.
Quale la probabilit che Marcello incontri Carlo ?

Esercizio
Un tiratore lancia una freccetta su un bersaglio circolare del raggio di
25 cm il quale ha una zona centrale di raggio 10 cm.
Se il tiratore colpisce il bersaglio e tutti u punti di esso hanno la stessa
probabilit di essere colpiti, quale la probabilit che sia colpito un
punto della zona centrale ?

Distribuzione Normale
Una v.c. X detta avere una distribuzione
normale con parametri e
< < >0
se la pdf di X
1
( x )2 /(2 2 )
f ( x) =
e
2

< x <

Distribuzione Normale Standard

La distribuzione normale con parametri
= 0 and = 1
chiamata distribuzione normale standard.
La v.c. denotata con Z. La pdf

1
z2 / 2
f ( z;0,1) =
e
2

La cdf
( z ) = P( Z z ) =

< z <

f ( y;0,1)dy

Distribuzione Normale Standard

Shaded area = (z )

Standard
normal
curve

Distribuzione Normale Standard

Sia Z la variabile normale standard.
Trovare (dalla tabella)
a. P ( Z 0.85)
Area a sinistra di 0.85 = 0.8023
b. P(Z > 1.32)

1 P( Z 1.32) = 0.0934

Distribuzione Normale Standard

c. P(2.1 Z 1.78)
Trovare larea a sinistra di 1.78 e
sottrarre larea a sinistra di 2.1.

= P( Z 1.78) P( Z 2.1)
= 0.9625 0.0179
= 0.9446

Esempi
Calcolare, servendosi della Tavola, le aree sottese dalla curva
normale standard relative ai seguenti intervalli:
a) [0;2]
b) [0;1.24]
c) [-1.4;1.4]
d) [1.5;2.75]
e) [-0.75;1.37]
f) [-2.1;-0.5]

Distribuzione Standard non standard

se X ha una distribuzione normale con
parametri e allora

X
Z=

ha una distribuzione standard.

Approssimazione Normale della Binomiale

Sia X una v.c. binomiale basata su n prove, con
probabilit di successo p. Per n abbastanza
grande (empiricamente se npq>10), X pu
essere approssimata con una distribuzione
normale con

= np and = npq .

Esempio
In un piccolo college il tasso di superamento
dellesame di Algebra 72%. Su 500 studenti
determinare la probabilit che superino lesame
al pi 375 studenti.
= np = 500(.72) = 360

= npq = 500(.72)(.28) 10
375.5 360
P( X 375)
= (1.55)
10

= 0.9394

Curva Normale
Valore approssimato della percentuale dellarea compresa tra
valori di deviazione standard (regola empirica).
99.7%
95%
68%

Curva Normale

Esempio
Sia X una variabile normale con

= 80 and
e = 20.

Trovare
Find P( X 65).

65 80

P ( X 65 ) = P Z

20

= P (Z .75 )
= 0.2266

Esempio
Una particolare influenza si sviluppa in
una scuola. Si osserva che la durata
dellinfluenza distribuita come una
normale con

= 6 days
giorniand
e = 1.5 days.
giorni

Calcolare la probabilit che a uno

studente selezionato a caso, linfluenza
duri tra 3.75 e 9 giorni.

Esempio
96
3.75 6
P (3.75 X 9 ) = P
Z

1.5
1.5

= P (1.5 Z 2 )
= 0.9772 0.0668
= 0.9104

Percentili di una distribuzione normale

(100p)th percentile
(100 p )th for
=

)
for normal (
standard normal