Docsity
Docsity

Prepara i tuoi esami
Prepara i tuoi esami

Studia grazie alle numerose risorse presenti su Docsity


Ottieni i punti per scaricare
Ottieni i punti per scaricare

Guadagna punti aiutando altri studenti oppure acquistali con un piano Premium


Guide e consigli
Guide e consigli


APPUNTI Statistica Probabilità, Appunti di Statistica

Il documento contiene appunti sulla probabilità presi a lezione della professoressa Roberta Paroli.

Tipologia: Appunti

2019/2020

Caricato il 13/01/2022

Alessia_Bignotti
Alessia_Bignotti 🇮🇹

4.2

(6)

19 documenti

1 / 11

Toggle sidebar

Questa pagina non è visibile nell’anteprima

Non perderti parti importanti!

bg1
La Probabilità
Nella Teoria della Probabilità si vogliono ricavare dei Modelli Teorici dai quali vengono generati i
nostri dati (possibili realizzazioni dei nostri esperimenti universo/popolazione).
Si studiano le Variabili Casuali e caratterizzate da Probabilità.
La Probabilità si ha in un approccio probabilistico (Ovvero avremo un esperimento aleatorio, che
ammette almeno due risultati) e non deterministico (si ha un solo risultato).
I risultati degli esperimenti aleatori vengono chiamati Eventi.
La Probabilità è la misura del presentarsi di un certo evento.
Gli eventi sono paragonabili agli insiemi in matematica. Abbiamo tre tipologie di eventi:
- Eventi Elementari (e1,e2,e3)= risultati possibili del nostro evento
- Eventi Generici (A1,A2,A3) = eventi formati da insiemi di eventi elementari.
- Classi/Famiglie (SΩ)= insiemi di insiemi eventi ottenuti con operazioni algebriche su altri eventi
Ω (spazio degli eventi elementari)= l’insieme di tutti i possibili insiemi ottenibili a partire dagli
eventi elementari.
Ø (insieme vuoto)= evento che non contiene nulla
Relazioni tra Eventi
Eguaglianza A=B, quando A e B contengono gli stessi elementi
Inclusione A c B, quando tutti gli elementi di A sono contenuti anche in B
Contenimento A B, quando tutti gli elementi di B sono anche elementi di A
Disgiunzione/Mutua Esclusione A B = Ø, quando A e B non hanno elementi in comune
Operazioni tra Eventi
Unione A= A U B, i cui elementi appartengono ad A oppure a B
Intersezione A= A B, i cui elementi appartengono sia ad A che a B
Differenza A= A-B, i cui elementi appartengono ad A ma non a B
Complemento Ac= Ω-A , sono tutti gli elementi di Ω che non appartengono all’insieme A
Es.1 Lancio di una moneta: Ω= (T,C) | e1=T | e2=C
Es.2 Lancio di due monete: Ω= (TT,TC,CT,CC) | e1=TT, e2=TC, e3=CT, e4=CC |
A= almeno una testa=(TT,TC,CT), B=una testa e una croce=(TC,CT)
Es.3 Lancio di un dado: Ω=(1,2,3,4,5,6) | e1=1, e2=2 ecc | A=dispari=(1,3,5) | Ac= (2,4,6)
Es.4 Lancio di 2 dadi: abbiamo gli eventi A=i risultati sono uguali; B=dado 1>dado 2;
C= il risultato di almeno uno dei due dadi è 6.
Ω= tutte le coppie possibili
A= ((1,1)(2,2)(3,3)(4,4)(5,5)(6,6))
B= (6,1)(6,2)(6,3)(6,4)(6,5)(5,1)(5,2)(5,3)(5,4)(4,1)(4,2)(4,3)(3,1)(3,2)(2,1)
C= (6,1)(6,2)(6,3)(6,4)(6,5)(6,6)(1,6)(2,6)(3,6)(4,6)(5,6)
pf3
pf4
pf5
pf8
pf9
pfa

Anteprima parziale del testo

Scarica APPUNTI Statistica Probabilità e più Appunti in PDF di Statistica solo su Docsity!

La Probabilità

Nella Teoria della Probabilità si vogliono ricavare dei Modelli Teorici dai quali vengono generati i nostri dati (possibili realizzazioni dei nostri esperimenti→ universo/popolazione). Si studiano le Variabili Casuali e caratterizzate da Probabilità. La Probabilità si ha in un approccio probabilistico (Ovvero avremo un esperimento aleatorio, che ammette almeno due risultati) e non deterministico (si ha un solo risultato). I risultati degli esperimenti aleatori vengono chiamati Eventi. → La Probabilità è la misura del presentarsi di un certo evento. Gli eventi sono paragonabili agli insiemi in matematica. Abbiamo tre tipologie di eventi:

  • Eventi Elementari (e1,e2,e3)= risultati possibili del nostro evento
  • Eventi Generici (A1,A2,A3) = eventi formati da insiemi di eventi elementari.
  • Classi/Famiglie (SΩ)= insiemi di insiemi eventi ottenuti con operazioni algebriche su altri eventi Ω (spazio degli eventi elementari)= l’insieme di tutti i possibili insiemi ottenibili a partire dagli eventi elementari. Ø (insieme vuoto)= evento che non contiene nulla Relazioni tra Eventi
    • (^) Eguaglianza A=B, quando A e B contengono gli stessi elementi
    • (^) Inclusione A c B, quando tutti gli elementi di A sono contenuti anche in B
    • (^) Contenimento A ↄ B, quando tutti gli elementi di B sono anche elementi di A
    • (^) Disgiunzione/Mutua Esclusione A ∩ B = Ø, quando A e B non hanno elementi in comune Operazioni tra Eventi
    • (^) Unione A= A U B, i cui elementi appartengono ad A oppure a B
    • (^) Intersezione A= A∩ B, i cui elementi appartengono sia ad A che a B
    • (^) Differenza A= A-B, i cui elementi appartengono ad A ma non a B
    • (^) Complemento Ac= Ω-A , sono tutti gli elementi di Ω che non appartengono all’insieme A Es.1 → Lancio di una moneta: Ω= (T,C) | e1=T | e2=C Es.2 → Lancio di due monete: Ω= (TT,TC,CT,CC) | e1=TT, e2=TC, e3=CT, e4=CC | A= almeno una testa=(TT,TC,CT), B=una testa e una croce=(TC,CT) Es.3 → Lancio di un dado: Ω=(1,2,3,4,5,6) | e1=1, e2=2 ecc | A=dispari=(1,3,5) | Ac= (2,4,6) Es.4 → Lancio di 2 dadi: abbiamo gli eventi A=i risultati sono uguali; B=dado 1>dado 2; C= il risultato di almeno uno dei due dadi è 6. Ω= tutte le coppie possibili A= ((1,1)(2,2)(3,3)(4,4)(5,5)(6,6)) B= (6,1)(6,2)(6,3)(6,4)(6,5)(5,1)(5,2)(5,3)(5,4)(4,1)(4,2)(4,3)(3,1)(3,2)(2,1) C= (6,1)(6,2)(6,3)(6,4)(6,5)(6,6)(1,6)(2,6)(3,6)(4,6)(5,6)

A U C= (1,1)(2,2)(3,3)(4,4)(5,5)(6,1)(6,2)(6,3)(6,4)(6,5)(6,6)(1,6)(2,6)(3,6)(4,6)(5,6)

A∩B= Ø → sono disgiunti A∩ C= (6,6)

Una Volta definiti gli oggetti del calcolo delle probabilità (eventi), bisogna definire la Funzione

di Probabilità: Funzione P che permette di calcolare la probabilità di un generico evento AϵS(Ω)

Abbiamo bisogno di:

  1. Assiomi→ La funzione P(A) deve soddisfare i seguenti assiomi:
  • P(A)≥ 0 |
  • P(Ω)=1 | 0 ≤P(A)≤ 1
  • P(Ui Ai) = Σ i=1∞^ P(Ai)→ Dati tanti eventi generici Ai, che siano disgiunti a due a due, allora la probabilità dell’unione di tutti questi eventi generici è uguale alla somma di tutte le probabilità dei singoli eventi. Gli assiomi non sono dimostrabili, sono delle dichiarazioni che si fanno all’inizio di una certa teoria
  1. Regole per assegnare la probabilità agli eventi elementari → Grazie al terzo assioma possiamo calcolare la probabilità di qualunque evento generico, se noi sappiamo la probabilità degli eventi elementari. Se Ω ha dimensione finita (n) e ciasun evento ha la medesima probabilità di verificarsi la Probabilità si calcola facendo il numero di casi favorevoli/numero di casi possibilipi= 1/n Es.1 Lancio di un dado xi pi 1 1/6 A=(facce pari)=(2,4,6) 2 1/6 P(A)= P(2 U 4 U 6) = P(2)+P(4)+P(6)= 1/6+1/6+1/6=3/6=1/ 3 1/6 | | 4 1/6 casi favorevoli casi possibili 5 1/ 6 1/ Es.2 mazzo di carte da 52, estraiamo una carta A=(carta estratta è cuori); B=(carta estratta è una figura) P(A)= n°carte cuori/n°carte= 13/52=0. P(B)= n°figure/n°carte= 12/52= 0. P(A∩B)= n°figure di cuori/n°carte= 3/52=0. → Abbiamo 2 modi per identificare il numero dei casi favorevoli e il numero dei casi possibili:
  • per conteggio, se Ω è finito ed ho pochi eventi elementari; - con calcolo combinatorio
  1. Regole per probabilità degli eventi composti
    • (^) Probabilità dell’unione→ P(A U B)= P(A)+P(B)-P(A∩B) Se A e B sono disgiunti, allora P(A∩B)=

Tipologie di Esperimenti :

  1. Estrazione con Reimmissione (=con reinserimento), quando gli eventi sono indipendenti e ad ogni estrazione si ha la stessa situazione iniziale.
  2. Estrazione senza Reimmissione , quando gli eventi dipendono ogni volta dalla estrazione precedente.

Teoremi per svolgere esercizi di Probabilità

1) Teorema della probabilità composta (/totale)

Generalizza la formula della probabilità condizionata (estrazione senza reimmissione) P(A1∩A2∩A3…..Ak)= P(A1)P(A2|A1)P(A3|A1∩A2)….P(Ak|A1A2A3….Ak-1) con P(A1A2A3...Ak)≠ 0 (estrazione con reimmissione) P(A1∩A2∩A3...Ak)= P(A1)P(A2)P(A3)...P(Ak) Es. classe composta da 12 maschi e 4 femmine; estraggo a caso tre studenti senza reimmissione; trovare la probabilità che siano tutti maschi. Mi=”maschio alla estrazione iesima” P(M1∩M2∩M3)=? M1= 12/16; M2=11/15; M3=10/ Applico il teorema delle probabilità totali→ = P(M1)P(M2|M1)P(M3|M1∩M2)= 11/ I seguenti Teoremi si basano sull’assunzione particolare che esista una partizione dello spazio campionario Ω, cioè una suddivisione dello spazio campionario in sottoinsiemi Ai tra loro disgiunti e la cui unione da lo spazio campionario.

2) Corollario del Teorema 1

Data una partizione (Ai) dello spazio campionario, si consideri un generico evento B c Ω, la probabilità di B è data dalla somma della probabilità che B si manifesti condizionato ad ogni possibile causa dello spazio campionario di riferimento. P(B)=P(B|A1)P(A1) + …+ P(B|Ak)P(Ak) B= “effetto” Ai= “causa” Es. abbiamo tre macchine, a,b,c che producono rispettivamente 50%, 30%,20% della produzione totale. Le percentuali di prezzi difettosi prodotti dalle tre macchine sono rispettivamente 3%,4%,5% Si estrae a caso 1 pezzo dalla produzione: calcolare la probabilità che sia difettoso. X=pezzo difettoso A=pezzo prodotto dalla macchina a → P(A)= 50/100=0.5 → P(X|A)= 3/100=0. B=pezzo prodotto dalla macchina b → P(B)= 0.3 → P(X|B)= 0. C= pezzo prodotto dalla macchina c → P(C)= 0.2 → P(X|C)= 0.

(A,B,C costituiscono una partizione di Ω); possono essere identificate come “cause” di X P(X)= P(X|A)P(A)+P(X|B)P(B)+P(X|C)P(C ) = (0.03x0.5)+(0.04x0.3)+(0.05x0.2)=0.

3) Teorema di Bayes

Data una partizione (Ai) dello spazio campionario si desidera calcolare la probabilità che un certo effetto B sia stato generato da una particolare causa Ai. (→ C’è uno scambio tra causa ed effetto) P(Ai|B) = P(B|Ai)P(Ai) / ΣP(B|Ai)P(Ai) = P(B|Ai)P(Ai) / P(B) (formula teorema 2) Dove: P(A|B)= probabilità a posteriori: esprime l’aggiornamento delle aspettative dello sperimentale sul fenomeno di indagine dopo aver osservato i dati in studio; P(A)= probabilità a priori: esprime la probabilità che l’ipotesi A sia vera senza ulteriori informazioni sull’evidenza di B; P(B)= probabilità a priori: esprime la probabilità che l’ipotesi B sia vera senza ulteriori informazioni sull’evidenza di A; P(B|A)= evidenza: indica la verosimiglianza di A che si dia l’evidenza B se l’ipotesi A è vera. Es. pezzi difettosi come sopra; calcolare la probabilità che avendo estratto un pezzo difettoso, esso provenga dalla macchina a. P(A)= 0. P(B)= 0. P(C)= 0. P(A|X)? → = P(X|A)P(A)/ ( P(X|A)P(A)+P(X|B)P(B)+P(X|C)P(C) = 0.03x0.5/ (0.03x0.5+ 0.04x0.3+ 0.05x0.2)= 0,

I Modelli Probabilistici

Una variabile casuale (V.C.) X è un a funzione che associa ad ogni evento elementare dello spazio campionario Ω uno ed un solo numero reale.

La v.c è la funzione numerica d’insieme X:Ω→ R Sx è l’insieme dei valori numerici assunti da X (= supporto della vc X) Data una probabilità definita sugli eventi (sottoinsiemi di Ω) interessa indurre questa probabilità su sottoinsiemi di Sx (es. X=x0, X<x0, a<X<b) ad ogni valore del supporto assoceremo una probabilità

Tipologia delle variabili casuali

1. Discrete → il supporto contiene un numero finito o numerabile di valori

X= valori + Supporto

  • Supporto: finito e numerabile (0,1,2…)
  1. Caso Continuo f(x)≥ 0 → F(X)= integrale da -∞ a X di f(t)dt

Media → caso discreto: M(X)= Xk*pk

→ caso continuo: M(X)= x*f(x)

Varianza → caso discreto: Var(X)= (xk-μ)^2 *pk

→ caso continuo: Var(X)= (x-μ)^2 *f(x)

Gioco Equo: probabilità soggettiva e variabile casuale discreta

Un gioco si definisce equo se non da luogo a guadagni o perdite certi, ovvero se il guadagno “medio” del giocatore è nullo. Dovremo costruire la variabile casuale “guadagno” e calcolarne la media; se essa è nulla allora il gioco è equo. risultato posta vincita ( G )xi=v-p pi=probabilità di vincita xipi Vinco 1 1/p 1/p-1 p 1-p Perdo 1 0 0-1 1-p -1+p TOT. 0 → M(X)= NB: al più=minore o uguale || almeno=maggiore o uguale || in blocco=senza reimmissione

Le Principali Variabili Casuali

Caso Discreto

a) Binomiale X~BIN(n,p)

  1. Esperimento: solo 2 possibili risultati (dicotomico)
  • 1° Tipo: Successo (S)
  • 2° Tipo: Insuccesso (I) Delle quali si conosce la probabilità di realizzazione P(successo)=p; P(Insuccesso)=(1-p)=q
  1. Definizione della variabile casuale Binomiale X= numero di successi nelle n estrazioni
  • Supporto Sx: k=0,1,2,3...n
  • Funzione di Probabilità: P(X=k)=pk=P(k successi) → pk( n k) pk^ (1-p)n-k^ Dove: pk=prob.successi | (1-p)n-k= prob. Insuccessi | (n k)= coefficiente binomiale

I Parametri rappresentano il numero di prove indipendenti (n) e la probabilità di successo in una prova (p). (n k)= n!/ (k! (n-k)!) NB → 0!=0, 1!=

  • Grafico : asse x abbiamo i valori di k, asse y abbiamo pk → Tanto più p tende a 0,5 più è simmetrica; Se p=0,5 allora c’è simmetria → Se p=0/p=1 allora c’è asimmetria → Se n=dispari allora 2 mode, se n=pari allora 1 moda.
  • Media M(X)=np
  • Varianza Var(X)= npq

→ Se n=1 avremo la V.C Bernoulliana

  • Supporto: k=(0,1)
  • Funzione di Probabilità → pk=pk^ (1-p)1-k La Binomiale (n,p) risulta anche la somma delle n bernoulliane → Il risultato della prova sarà 1 se ho osservato un successo e 0 se ho osservato un insuccesso → Se effettuo n prove gli esiti saranno una n-pla costituita da 0 e da 1 in corrispondenza di ogni successo e insuccesso. → La variabile che conta il numero di 1 è una vc binomiale Σ Bin(1,p)= Bin(n,p) Es. → Lancio una moneta bilanciata (successo=testa) Ciascun lancio è descritto da una Bin(1, 0.5) Supponiamo di effettuare due lanci e ottenere (1,0,0,1,1,0) → Il numero totale dei successi si ottiene sommando i valori della n-pla (1+0+0+1+1+0)= → Il numero totale di successi in 6 prove indipendenti aventi medesima probabilità pù=0.5 è descritto da una Bin(6, 0.5). → Esperimento: lancio di 1 moneta, si calcoli la probabilità di ottenere 4 croce in 10 lanci.
  • Successo=Croce
  • P(C)= p=0.
  • n=10 → - X=numero croce nei 10 lanci → Bin(10,0.5) P(X=4)= (10 4) (0,5)^4 (1-0,5)10-4^ = ( 10!/ 4!(10-4)! ) (0,5)^4 (0,5)^6 = 210 (0,5)^10 = 0, → Esperimento: lancio di una moneta truccata per la quale la probabilità di testa è il doppio della probabilità di croce; si calcoli la probabilità di ottenere al più 8 volte croce in 10 lanci. P(T)=2P(C) →P(T)= 2(1-P(T) → P(T)= 2-2 P(T)→ 3P(T)=2→ P(T)=2/3 e quindi P(C)=1/
  • Successo=Croce
  • p=1/
  • X=numero di croce nel lancio di 10 monete→ Bin(10,1/3) P(X≤8)= P(X=0)+P(X=1)….+P(X=8)= 1 – (P(X=9)+P(X=10)) = = 1- (10 9) (1/3)^9 (2/3)^1 – (10 10) (1/3)^10 (2/3)^0 = = 1- 10(1/3)^9 (2/3)^1 – (1/3)^10 = 0.

Caso Continuo

c) Normale o Gaussiana X~N(μ, σ^2 )

-Supporto Sx: valori reali tra -∞ e +∞

  • Funzione di densità con le seguenti proprietà analitiche:
    • (^) f(x)≥0 con asse delle x come asintoto orizzontale
    • (^) simmetrica rispetto a μ
    • (^) presenta un massimo nel punto x=μ
    • (^) presenta due flessi nei punti x=μ±σ → Dal punto di vista statistico la vc Gaussiana X ha media aritmetica=μ e sqm=σ.
  • Al variare del parametro μ, la curva trasla a destra o a sinistra
  • Al variare del parametro σ, la curva o si appiattisce o si appuntisce (simile a curtosi) Dovremo calcolare P(a≤X≤b)= F(b)-F(a)= integrale che va da a - a - b di f(x) x Ovvero la differenza tra la area di b – area di a. Esiste un metodo operativo: si può passare alla standardizzazione della variabile, cioè si applica la trasformazione per trovare la variabile standardizzata Z→ Z= (X-μ) / σ

Z = Variabile Normale Standardizzata → Z~N(0,1)

- M(Z)=

  • Var(Z)= 1
  • Funzione di Ripartizione F(z0)= P |Z≤ ((x0-μ) / σ)|
  • Tavole della Normale F(z0)=P(Z≤Z0)
    • (^) Z0 è la prima colonna della tabella, e rappresenta il numero intero + primo decimale; la prima riga rappresenta il secondo decimale di Z0.
    • (^) Nella casella che incrocia la colonna con la riga trovo il numero della probabilità che Z sia minore di Z0.
    • (^) Quando ho dei valori negativi utilizzo la proprietà di simmetria
    • (^) Il numero maggiore nella tavola è 3.09; se devo trovare la probabilità ≤ di un valore maggiore di 3.09, essa sarà uguale a 1. (se ≥numero maggiore di 3.09 allora la probabilità è uguale a 0)
    • (^) Lettura inversa: grazie alla tavola posso anche trovare il valore z0 associato alla probabilità.

Teorema Del Limite Centrale

Data una successione (Yn) di v.c indipendenti con stessa media e stessa varianza (= IDI indipendenti identicamente distribuite) M(Yi)=μ e Var(Yi)=σ Si consideri la variabile Xn definita come Xn=Y1+Y2+Y3+….+Yn Con M(Xn)=nμ e Var(Xn)=nσ^2. Il teorema del Limite Centrale stabilisce che la variabile casuale Xn all’aumentare di n converge asintoticamente in distribuzione ad una v.c. Normale per n→ ∞ , Xn~N(nμ, nσ^2 ) Che avrà media M(Xn)=nμ e Varianza Var(Xn)=nσ^2

Applicazione: binomiale → normale Una binomiale con n>30 la posso trasformare in una normale con media e varianza della binomiale Bin (n,p) → N(np; npq) Es. X~Bin(100,0.2) e devo calcolare P(X≤60) allora:

  1. applico il teorema del limite centrale e approssimo X~N(1000.2, 1000.2*08)= N(20,16)
  2. P(X≤60)=P(Z≤(60-20/4)) = P(Z≤10) → siccome 10>3.09 allora P= Esperimento → sia data una moneta truccata per la quale la probabilità di Testa è il doppio della probabilità Croce. Si calcoli la probabilità di ottenere almeno 65 volte Testa in 100 lanci. P(T)=2P(C) da cui P(T)=2/3 e P(C)=1/ Successo = Testa→ X- Bin(100,2/3) – N(200/3,200/9) P(X≥65)= P(Z≥ (65-200/3)/ radice di 200/9)) = P(Z≥ - 1.667/4.714) = = P(Z≥ -0.3536) → =P(Z≤0,3536) Vado sulle tavole a cercare in corrispondenza di 0.35 e trovo 0, 11