






Studia grazie alle numerose risorse presenti su Docsity
Guadagna punti aiutando altri studenti oppure acquistali con un piano Premium
Prepara i tuoi esami
Studia grazie alle numerose risorse presenti su Docsity
Prepara i tuoi esami con i documenti condivisi da studenti come te su Docsity
Trova i documenti specifici per gli esami della tua università
Preparati con lezioni e prove svolte basate sui programmi universitari!
Rispondi a reali domande d’esame e scopri la tua preparazione
Riassumi i tuoi documenti, fagli domande, convertili in quiz e mappe concettuali
Studia con prove svolte, tesine e consigli utili
Togliti ogni dubbio leggendo le risposte alle domande fatte da altri studenti come te
Esplora i documenti più scaricati per gli argomenti di studio più popolari
Ottieni i punti per scaricare
Guadagna punti aiutando altri studenti oppure acquistali con un piano Premium
Il documento contiene appunti sulla probabilità presi a lezione della professoressa Roberta Paroli.
Tipologia: Appunti
1 / 11
Questa pagina non è visibile nell’anteprima
Non perderti parti importanti!







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:
A∩B= Ø → sono disgiunti A∩ C= (6,6)
Abbiamo bisogno di:
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.
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.
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,
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
X= valori + Supporto
→ caso continuo: M(X)= x*f(x)
→ caso continuo: Var(X)= (x-μ)^2 *f(x)
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
Caso Discreto
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!=
Caso Continuo
-Supporto Sx: valori reali tra -∞ e +∞
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: