

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
Formulario di Probabilità per Fondamenti di Analisi Matematica e Probabilità
Tipologia: Formulari
1 / 2
Questa pagina non è visibile nell’anteprima
Non perderti parti importanti!


Dati tre eventi A, B e C di Ω. Definiamo la probabilità dell’unione di due eventi come:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) Nel caso di tre eventi avremo invece:
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B) − P (A ∩ C) − P (C ∩ B) + P (A ∩ B ∩ C)
Due eventi A e B di Ω si dicono indipendenti se per loro vale:
P (A ∩ B) = P (A)P (B) Attenzione a non confondere eventi indipendenti con eventi incompatibili! Se due eventi sono tali che uno dei due esclude l’altro, allora questi si dicono incompatibili:
P (A ∩ B) = 0
Due eventi di questo tipo sono eventi che possono essere incompatibili ma non necessariamente indipendenti (spesso non lo sono). Un caso particolare è il caso in cui uno dei due eventi è l’evento impossibile ossia un evento con probabilità sempre nulla. In questo caso i due eventi sono anche indipendenti. Se entrambi gli eventi hanno una probabilità P (A), P (B) > 0 e risutano incompatibili, allora devono essere per forza dipendenti.
Dati due eventi A e B di Ω, si definisce la probabilità di A noto che è accaduto B come:
Dati un evento A di Ω e n eventi Fk di Ω tali che
Fk ≡ Ω e Fk ∩ Fj = per ogni k ̸= j, è possibile descrivere la probabilità P(A) come:
P (A) = P (A|F 1 )P (F 1 ) + P (A|F 1 )P (F 1 ) + · · · + P (A|Fn)P (Fn)
Dati un evento A e B di Ω il teorema di Bayes stabilisce che:
La distribuzione di Bernoulli è una distribuzione di probabilità che descrive un evento i cui esiti possono solo dare un esito binario (X=0 o X=1). Esempi di una v.a. descritta da una distribuzione Bernulliana sono il lancio di una moneta o la possibilità che oggi piova o no. Si può usare una v.a. descritta con distribuzione di Bernoulli in qualsiasi caso si possa suddividere l’evento indagato in due eventi complementari l’uno all’altro indipendentemente dal numero di esiti elementari contenuti nei due eventi. Ad esempio, scegliendo a caso una vernice per le pareti di casa tra 10 colori diversi può essere modellato utilizzando una v.a. di Bernoulli se si considerano i casi: "Probabilità di scegliere una vernice verde" o "Probabilità di scegliere una vernice verde o blu" poichè tutti questi eventi sono binari.
Una v.a. di Bernoulli è caratterizzata da un parametro p associato alla probabilità di ottenere l’esito "positivo" (X=1) e si indica come Be(p). In questo caso avremo una distribuzione di probabilità del tipo:
Si può osservare che ogni problema binario può essere descritto scegliendo in maniera arbitraria quale dei due eventi è rappresentato dall’esito positivo (X=1) ed è quindi importante avere chiaro che probabilità si sta cercando quando si usa questa v.a.
La distribuzione binomiale è un’estensione della precedente. Descrive la probabilita di k esiti positivi di una prova binaria estratta da n prove. Si indica solitamente come Bin(n, p) dove n è il numero di prove e p la probabilità di un esito positivo (X=1). Per calcolare la probabilità di avere esattemente k successi su n prove si calcola:
pX (X = k) =
n k
pk(1 − p)n−k
Una distribuzione di Poisson descrive la probabilità di ottenere un certo numero di eventi discreti all’interno di un intervallo (temporale o spaziale o di altro tipo) quando è noto il numero di risultati atteso solitamente in quell’intervallo. Tale variabile è indicata come P o(λ) dove λ è il numero di casi attesi. Un esempio è il numero di clienti che accedono ad un negozio in una giornata qualunque. Una v.a. descritta dalla distribuzione di Poisson permette quindi di calcolare la probabilità che un certo numero di eventi si verifichi nell’intervallo preso in considerazione usando la seguente formula:
pX (X = k) =
λke−λ k! Nel caso in cui una variabile descritta con una distribuzione di bernoulli abbia un numero di prove n molto grande e una probabilità di successo bassa (tipicamente n > 20 e np < 5 ) è possibile approssimare il risultato della distribuzione binomiale con una distribuzione di Poisson di parametro λ = np.
Una variabile aleatoria geometrica descrive la probabilità di dover effettuare almeno k prove prima di ottenere un esito positivo. Come la binomiale, risulta fortemente connessa alla variabile di bernoulli. Una v.a. descritta tramite una distribuzione geometrica si indica come Ge(p) dove p è la probabilità di avere come esito un successo. Un esempio potrebbe essere il numero di freccette da lanciare verso un bersaglio per colpire il centro se è nota la probabilità di colpire il centro. Per calcolare la probabilità che siano necessarie k prove per ottenere esattamente un risultato positivo si usa la seguente equazione:
pX (X = k) = p(1 − p)k−^1