La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

2. Introduzione alla probabilità

Presentazioni simili


Presentazione sul tema: "2. Introduzione alla probabilità"— Transcript della presentazione:

1 2. Introduzione alla probabilità
Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l’insieme  di tutti i possibili esiti (può essere continuo, discreto, finito, infinito) Evento casuale: è un sottoinsieme A di  ( A   ) Un evento casuale può essere impossibile A =  certo A = 

2 Esempi: 1) Prova: estrazione di 2 palline da un’urna di palline nere e bianche ={bb,bn,nb,nn} (spazio discreto finito) Evento casuale: le due palline sono dello stesso colore A = {bb,nn}   2) Prova: si lancia una moneta fino a che non esce testa ={1,2,3,…} (spazio discreto infinito numerabile) numero dei lanci necessari

3 4) Prova: lancio di un dado
={1,2,3,4,5,6} (spazio discreto finito) Evento casuale: esce un numero pari A = {2,4,6}   Evento casuale: esce un numero > 6 (impossibile) Evento casuale: esce un numero <7 (certo) 3) Prova: si arriva ad una coda e si attende il prossimo arrivo ={t | t  0 } (spazio continuo) tempi di arrivo

4 Lo spazio degli eventi soddisfa i seguenti assiomi:
1) se A è un evento, il suo complemento (\A) è anch’esso un evento 2) l’unione di più eventi A1,A2,…   è ancora un evento, ossia

5 Dato uno spazio di EVENTI DISCRETI
 = { w1, w2, … , wm}, la probabilità è una funzione Pr( . ) :   [0,1] che associa ad ogni evento elementare wi  , i=1, 2, … , m, la sua probabilità Pr(wi). In particolare, Pr(wi) rappresenta la percentuale di volte che l’evento elementare può accadere quando il numero di prove eseguite tende all’infinito, ossia

6 Anche agli eventi casuali (non solo a quelli elementari) è possibile associare la probabilità di occorrenza: Naturalmente, se A = { wl1, wl2, … , wlq} :

7 La probabilità è caratterizzata dai seguenti assiomi:
1) 0  Pr(A)  1  A   2) Pr() = 1 3) Se A e B sono eventi disgiunti (A  B = ), allora Pr(A  B) = Pr(A) + Pr(B) Se invece A e B non sono disgiunti (A  B  ) Pr(A  B) = Pr(A) + Pr(B) - Pr(A  B) [ Teorema dell’unione di eventi ]

8 Esempi: 1) Prova: estrazione di 2 palline da un’urna di palline nere e bianche  = {bb,bn,nb,nn} wi Pr(wi) bb 1/4 bn 1/4 Eventi equiprobabili nb 1/4 nn 1/4 Evento casuale: le due palline sono dello stesso colore A = {bb,nn}   Pr(A) = 1/4 + 1/4 = 1/2 Tabella delle probabilità

9 2) Prova: lancio di una moneta fino a che non esce testa.  = {1,2,3,
wi Pr(wi) 1 1/2 2 1/4 3 1/8 4 1/16 : : k 1/2k Primo lancio T C Secondo lancio TT TC CT CC etc.

10 Probabilità condizionata
Siano dati due eventi casuali A e B   e sia Pr(B) > 0. Definiamo probabilità di A condizionata a B, la probabilità che si verifichi A essendosi verificato B:

11 Due eventi A e B   sono (stocasticamente) indipendenti se
Pr(A B) = Pr(A) ·Pr(B) In questo caso risulta Pr(A| B) = Pr(A) e Pr(B|A) = Pr(B).

12 Esempio: lancio di un dado  = {1,2,3,4,5,6}
Evento casuale A : esce un numero < 4  A = {1,2,3} Evento casuale B : esce un numero pari  B = {2,4,6} I due eventi non sono stocasticamente indipendenti. Pr(A) = Pr(B) = 1/2, A  B = {2}  Pr(A  B) = 1/6  Pr(A | B) = 1/3 (Suppongo cioè che solo {2,4,6} si possono verificare, allora 1/3 è la prob. che si abbia un numero < 4).

13 Teorema della probabilità assoluta
Sia  lo spazio degli eventi elementari e sia A1, A2, … ,Ak una sua partizione, ossia Sia B  . Vale la seguente relazione Dimostrazione: A1 A2 A3 A4 B

14 Variabili aleatorie (o casuali) discrete
Ad ogni evento elementare w   può essere associato in modo univoco un numero reale attraverso una particolare funzione che viene detta variabile aleatoria (v.a.), ossia ( . ) :   X  R Nel seguito indicheremo con X le v.a. e con x i valori che esse possono assumere.

15 Una variabile aleatoria (o casuale) è completamente definita dalla coppia (X,) dove X = {x1, … , xn}  R e ={x1, … , xn} dove xi = Pr(xi). Naturalmente Esempio: lancio di 2 monete. Il numero di teste è una variabile aleatoria. 1/2 1 insieme numerico insieme non numerico

16 Una variabile aleatoria può essere agevolmente rappresentata mediante un Istogramma
Esempio: numero di teste nel lancio di 2 monete 1/4 1/2 3/4 1 Pr(x) x 2 3 -1

17 Esempio: numero di lanci di una moneta fino a quando non esce testa
wi Pr(wi) 1 1/2 2 1/4 3 1/8 4 1/16 : : k 1/2k 1/4 1/2 Pr(x) x 1 2 3 4 5 6

18 La funzione distribuzione cumulativa di probabilità FX(y) di una v. a
La funzione distribuzione cumulativa di probabilità FX(y) di una v.a. X esprime la probabilità che X assuma un valore minore o uguale ad y: FX(y) = Pr (x  y) = x  y Pr(x) Esempio: numero di teste nel lancio di 2 monete 1/4 1/2 3/4 1 FX(x) x 2 3 -1

19 Valore atteso o media Nel caso di probabilità uniformi (ossia in cui tutte le variabili xi siano equiprobabili) vale dove m= |X|. Osservazione: In generale può accadere che E[X]  X

20 Varianza x è detta deviazione standard. È una misura della distribuzione della probabilità attorno al valore atteso. E[X] 1 x Pr(x) Var[X]=0

21 Esempio: numero di teste nel lancio di 2 monete
1/2 1 E[X] = 0 ·1/4 + 1 ·1/2 + 2 ·1/4 = 1 Var[X] = (0-1)2 ·1/4 + (1-1) 2 ·1/2 + (2-1) 2 ·1/ = 1/4 + 1/4 = 1/2

22 Distribuzione uniforme
La probabilità è la stessa in tutti i punti dell’intervallo.

23 Distribuzione geometrica
0 < p < 1 N.B.

24 x 1 2 3 4 . 0.5 0.52 = 0.25 0.53 = 0.125 0.54 = 0.55 =

25 Distribuzione di Poisson

26 Naturalmente Inoltre è facile verificare che:

27 x 1 2 3 4 5 . 0.367 0.183 0.061 0.015 0.003 Pr(x) x   1

28 Pr(x) x  > 1 L’importanza di tale distribuzione deriva dal fatto che vi sono diverse situazioni in cui la distribuzione di Poisson appare in modo naturale.

29 Funzione generatrice di probabilità
Nel caso in cui X  N la funzione generatrice di probabilità coincide con la z-trasformata della funzione probabilità. N.B. Perché tale definizione abbia senso, la serie deve naturalmente essere convergente.

30 Se XN possiamo esprimere E[X] e Var[X] in funzione di

31 Esempio: numero di teste nel lancio di 2 monete
1/2 1

32 Esempio: numero di lanci di una moneta fino a che non esce testa
wi Pr(wi) 1 1/2 2 1/4 3 1/8 4 1/16 : : k 1/2k N.B. Per i=0 la Pr(i)=0 non 1/20. Ricordiamo che se |a|< 1,

33 Variabili aleatorie continue
Fino ad ora abbiamo considerato il caso di variabili che assumo al più una infinità numerabile di valori. Vi sono però naturalmente dei casi in cui tali variabili possono assumere qualunque valore in R (o in un intervallo di R). Es. Istante di tempo in cui un certo dispositivo elettronico smette di funzionare Molte delle definizioni prima viste sono ancora valide, quali ad es. quella di evento impossibile, evento certo, probabilità condizionata, etc., alcune vanno tuttavia riformulate.

34 Le v.a. continue sono caratterizzate mediante la funzione densità di probabilità (x).
x1+dx (x) x (x1)dx = Pr(x[x1, x1+dx])

35 La funzione di distribuzione cumulativa FX(y) esprime la probabilità che X assuma un valore minore o uguale ad y: Chiaramente la funzione FX(x) è una funzione monotona non decrescente e FX(+)=1.

36 Valore atteso o media Varianza

37 Distribuzione uniforme
(x) x a b 1/(b-a) E[X]=(a+b)/2 Var[X]=(b-a)2/12

38 Distribuzione esponenziale
(x) = e- x x xR+  {0} E[X]=1/  Var[X]= 1/ 2

39 Distribuzione normale o gaussiana
 (x) Var[X]=2 x E[x]=

40 Se la distribuzione è normale allora il valore medio è anche il valore più probabile.
La somma di v.a. gaussiane indipendenti è ancora una v.a. gaussiana indipendente la cui media è pari alla somma delle medie e la cui varianza è pari alla somma delle varianze. Una v.a. gaussiana è detta standard se E[X]=0 e Var[X]=1.

41 Funzione generatrice di probabilità
L[ (x)]

42 Esempio: variabile casuale esponenziale negativa


Scaricare ppt "2. Introduzione alla probabilità"

Presentazioni simili


Annunci Google