Introduzione alla Statistica Corso di Misure Meccaniche e Termiche Prof. Ing. David Vetturi.

Presentazione sul tema: "Introduzione alla Statistica Corso di Misure Meccaniche e Termiche Prof. Ing. David Vetturi."— Transcript della presentazione:

1 Introduzione alla Statistica Corso di Misure Meccaniche e Termiche Prof. Ing. David Vetturi

2 Elementi di calcolo delle probabilità Il calcolo delle probabilità ha avuto origine con i giochi d’azzardo per valutare l’alea (casualità) legata alle puntate sui dadi e sulle carte da gioco Attualmente il calcolo delle probabilità trova applicazioni in numerose discipline tecniche e scientifiche Il concetto di probabilità trova rispondenza nel linguaggio comune senza necessità di definizioni: “Prendi l’ombrello, è probabile che oggi piova”

3 E’ necessario tuttavia definire la probabilità in termini matematici (“numerici”) al fine di poter trattare questo concetto naturale anche in modo quantitativo Esistono diverse formulazioni del concetto di probabilità che nel corso del tempo sono state proposte, classificabili in due categorie: –definizione con criteri oggettivi; –definizione con criteri soggettivi, cioè basati sulla percezione individuale di una realtà fisica.

4 Definizione a priori della probabilità (o classica) –La probabilità di un evento E è definita come il rapporto tra il numero s dei risultati favorevoli (cioè il numero dei risultati che determinano E) ed il numero n dei risultati possibili: purché i risultati siano tutti ugualmente possibili e tra loro incompatibili

5 Definizione assiomatica di probabilità Le definizioni di probabilità fin qui presentate non sono in generale utilizzabili per vari motivi. Per ovviare a questa assenza di generalità delle definizioni presentate la scelta preferibile sul piano teorico (non operativo in generale) è quella di utilizzare una definizione assiomatica di probabilità.

6 –Si dice fenomeno casuale (o aleatorio) un fenomeno empirico il cui risultato non è prevedibile a priori, caratterizzato cioè dalla proprietà che la sua osservazione in un insieme fissato di circostanze non conduce sempre agli stessi risultati –L’insieme costituito da tutte le osservazioni possibili, cioè tutti i risultati possibili a priori, viene detto spazio campione S (Sample Space)

7 –Definiamo un evento E un sottoinsieme di S –Nella loro totalità gli eventi formano lo spazio degli eventi A S E Diagramma di Venn S E F EF Evento intersezione

8 –Due eventi E ed F si dicono incompatibili o mutuamente escludentisi se gli insiemi delle loro descrizioni sono disgiunti, cioè se S E F Eventi incompatibili

9 Assiomi di Kolmogoroff Una funzione di probabilità P è una funzione di insieme che ha come dominio lo spazio degli eventi, come codominio l’intervallo [0,1] e che soddisfa i seguenti assiomi: con E i eventi (di A) che si escludono a vicenda

10 Probabilità Condizionata –Dato uno spazio di probabilità (S, A, P[.]) si definisce probabilità condizionata dell’evento E dato l’evento F, con E ed F eventi qualunque di A, il rapporto:

11 Esempio Consideriamo il lancio di una coppia di dadi –Sia l’evento E=“la somma dei numeri dei due dadi non sia superiore a 8” –Sia l’evento F=“compaia almeno un 5”

12 Esempio Se si volesse calcolare quale sia la probabilità dell’evento E=“la somma dei numeri dei due dadi non sia superiore a 8” condizionato all’evento F=“compaia almeno un 5”, allora

13 Variabili casuali Assegnato uno spazio di probabilità (S, A, P[.]) si definisce variabile casuale X una funzione avente come dominio lo spazio dei campioni (S) e come codominio la retta reale. S x Le variabili casuali si indicano con lettere maiuscole X X

14 Variabili casuali Definiamo una variabile casuale discreta se questa assume valori discreti Definiamo una variabile casuale continua se questa può assumere con continuità tutti i valori di R (asse reale)

15 Funzione di distribuzione cumulativa Data una variabile casuale X, si definisce funzione di distribuzione cumulativa F X (x) la funzione che ha per dominio l’asse reale e per codominio l’intervallo chiuso [0,1] così definita:

16 Funzione di densità discreta Data una variabile casuale discreta X con codominio=(x 1, x 2, x 3, … x n ), si definisce funzione di densità discreta f X (x) (o funzione di probabilità) la funzione così definita:

17 Funzione di densità discreta La funzione di densità discreta f X (x) ha le seguenti proprietà:

18 Funzione di densità di probabilità Data una variabile casuale continua X, si definisce funzione di densità di probabilità di X f X (x) la funzione tale per cui:

19 Funzione di densità di probabilità Analogamente a quanto appena visto, la funzione di densità di probabilità f X (x) ha le seguenti proprietà:

20 Esempio Consideriamo il lancio di un dado e l’estrazione di una pallina da un’urna contenente 2 palline rosse, 3 blu e 5 verdi. Attribuiamo all’estrazione della pallina il valore 5 se questa è rossa, 3 se blu e 1 se verde. Consideriamo la variabile casuale X data dalla somma del risultato del dado con il valore della pallina estratta.

21 Esempio

22 Media Si definisce media, o valore atteso, della variabile casuale X la funzione:

23 Varianza Si definisce varianza della variabile casuale X con media  x la funzione:

24 Esempio Consideriamo nuovamente il problema legato al lancio di un dado e all’estrazione di una pallina da un’urna contenete 2 palline rosse, 3 blu e 5 verdi. Considerata la variabile casuale X come prima definita. Si ha:

25 Esempio

26 Deviazione Standard Si definisce come deviazione standard o scarto quadratico medio o scarto tipo (della variabile casuale X) la radice quadrata della varianza, cioè:

27 Disuguaglianza di Tchebycheff Corollario della disuguaglianza di Tchebycheff Sia X variabile casuale a varianza finita. Allora si ha: o equivalentemente:

28 Distribuzioni discrete La variabile casuale X ha distribuzione uniforme discreta se la sua funzione di densità discreta è data da: Si dimostra che:

29 Distribuzioni binomiale La variabile casuale X ha distribuzione binomiale se la sua funzione di densità discreta è data da: Si dimostra che:

30 Distribuzioni binomiale Esempio Consideriamo la variabile X relativa al lancio di una moneta 3 volte dove con X si indica il numero di volte in cui risulta testa. T T T T T T TC C C C C C C X=3 X=2 X=1 X=0

31 Distribuzioni binomiale Utilizzando la distribuzione binomiale con: p=0.5 n=3 Si ha:

32 Distribuzioni ipergeometrica La variabile casuale X ha distribuzione ipergeometrica se la sua funzione di densità discreta è data da: Si dimostra che:

33 Distribuzioni ipergeometrica Esempio Consideriamo una fornitura di 30 PC portatili di cui 6 presentano un difetto allo schermo. Esaminandone 10, qual è la probabilità di averne 3 con quel difetto?

34 Distribuzioni ipergeometrica Utilizzo di Excel Tornando all’esempio:

35 Distribuzioni di Poisson La variabile casuale X ha distribuzione di Poisson se la sua funzione di densità discreta è data da: Si dimostra che:

36 Distribuzioni continue La variabile casuale X ha distribuzione uniforme (continua) nell’intervallo [a,b] se la sua funzione di densità di probabilità è data da: x f x (x) a b

37 Distribuzioni uniforme Media

38 Distribuzioni uniforme Varianza

39 Distribuzioni uniforme Varianza

40 Distribuzione esponenziale La variabile casuale X ha distribuzione esponenziale (negativa) se la sua funzione di densità di probabilità è data da: con:

41 Distribuzione esponenziale Si dimostra che:

42 Variabile casuale funzione di variabile casuale In molti casi si fa uso di trasformazione di variabili casuali. Sia X variabile casuale con funzione di densità di probabilità f X (x) assegnata. Sia Y una variabile casuale funzione di X con Y=g(X). Ovviamente è possibile calcolare media e varianza di Y nota la sua funzione densità di probabilità f Y (y).

43 Trasformazione di variabile casuale Y=g(X) Ci siamo già occupati del problema riguardante una variabile casuale Y funzione di una assegnata variabile casuale X Un teorema ci consente di calcolare la funzione di densità di probabilità di Y nota la funzione di densità di probabilità di X ed il legame fra Y ed X, cioè Y=g(X) Riferimento: G. Vicario, R. Levi, “Statistica e probabilità per ingegneri”, Esculapio (Bologna) - Paragrafo. 3.3 - pag. 104

44 Trasformazione di variabile casuale Y=g(X) Teorema 3.17 Sia X una variabile casuale continua con funzione di densità di probabilità f x (x). La variabile casuale Y=g(X) è continua ed inoltre dove y=g(x) è una trasformazione biunivoca da D x in D y e

45 Trasformazione di variabile casuale Y=g(X)

46 Osservazione Decomponendo D x in un insieme di sottoinsiemi D x i disgiunti tali per cui y=g(x) sia biunivoca fra ciascun D x i e D y i allora

47 Variabile casuale funzione di variabile casuale Si dimostra che, se Y=g(X), allora: Teorema della media

48 Variabile casuale funzione di variabile casuale Si dimostra che, se Y=g(X), allora: Teorema della media (caso della varianza)

49 Distribuzione normale (di Gauss) La variabile casuale X ha distribuzione normale (o distrubuzione di Gauss) se la sua funzione di densità di probabilità è data da:

50 Distribuzione normale (di Gauss) Si dimostra che:

51 Distribuzione normale standardizzata La variabile casuale X con distribuzione normale tale per cui Viene chiamata variabile casuale normale standardizzata e comunemente è indicata con Z

52 Distribuzione normale standardizzata Poiché comunemente è necessario calcolare il valore della funzione di distribuzione comulativa di Z, questa è stata calcolata una volta per tutte. I risultati di questa valutazione sono disponibili in tabelle come la seguente:

53

54

55 Distribuzione normale Se Z è una variabile casuale normale standardizzata allora X=g(Z) con è una variabile casuale con normale con

56 Distribuzione normale Utilizzando quanto visto precedentemente si ha: E quindi sostituendo in con si ha: