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


Formulario FAMP (Probabilità), Formulari di Probabilità e Statistica

Formulario di Probabilità per Fondamenti di Analisi Matematica e Probabilità

Tipologia: Formulari

2023/2024

In vendita dal 08/09/2025

lorenzo-mancinii
lorenzo-mancinii 🇮🇹

7 documenti

1 / 2

Toggle sidebar

Questa pagina non è visibile nell’anteprima

Non perderti parti importanti!

bg1
Formulario FAMP (Probabilità)
Probabilità dell’unione di eventi
Dati tre eventi A, B e C di . Definiamo la probabilità dell’unione di due eventi come:
P(AB) = P(A) + P(B)P(AB)
Nel caso di tre eventi avremo invece:
P(ABC) = P(A) + P(B) + P(C)P(AB)P(AC)P(CB) + P(ABC)
Eventi indipendenti
Due eventi A e B di si dicono indipendenti se per loro vale:
P(AB) = 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(AB)=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)>0e risutano incompatibili, allora devono essere per forza dipendenti.
Probabilità condizionata
Dati due eventi A e B di , si definisce la probabilità di A noto che è accaduto B come:
P(A|B) = P(AB)
P(B)
Probabilità totale
Dati un evento A di e n eventi Fkdi tali che PFkeFkFj=per ogni k=j, è possibile descrivere la
probabilità P(A) come:
P(A) = P(A|F1)P(F1) + P(A|F1)P(F1) + · · · +P(A|Fn)P(Fn)
Formula di Bayes (o formula di inversione)
Dati un evento A e B di il teorema di Bayes stabilisce che:
P(A|B) = P(B|A)P(A)
P(B)
Variabile aleatoria di Bernoulli
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.
1
pf2

Anteprima parziale del testo

Scarica Formulario FAMP (Probabilità) e più Formulari in PDF di Probabilità e Statistica solo su Docsity!

Formulario FAMP (Probabilità)

Probabilità dell’unione di eventi

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)

Eventi indipendenti

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.

Probabilità condizionata

Dati due eventi A e B di Ω, si definisce la probabilità di A noto che è accaduto B come:

P (A|B) =

P (A ∩ B)

P (B)

Probabilità totale

Dati un evento A di Ω e n eventi Fk di Ω tali che

P

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)

Formula di Bayes (o formula di inversione)

Dati un evento A e B di Ω il teorema di Bayes stabilisce che:

P (A|B) =

P (B|A)P (A)

P (B)

Variabile aleatoria di Bernoulli

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:

  1. pX (X = 1) = p
  2. pX (X = 0) = 1 − p

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.

Variabile aleatoria Binomiale

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

Variabile aleatoria di Poisson

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.

Variabile aleatoria Geometrica

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