Calcolo delle Probabilità

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Calcolo delle Probabilità"

Transcript

1 à 1. Introduzione Calcolo delle Probabilità Il Calcolo delle Probabilità nasce dagli studi matematici sui giochi d azzardo. Il Calcolo delle Probabilità è lo strumento che permette all uomo di assumere un atteggiamento razionale di fronte all incertezza. L esperienza quotidiana mostra che i fatti osservabili non sono in generale prevedibili, eppure si presenta spesso la necessità di prendere decisioni che riguardano il futuro. Il Calcolo delle Probabilità permette di assumere atteggiamenti coerenti e giustificabili nel caso di eventi futuri non ripetibili, e di effettuare previsioni quantitative attendibili nel caso di eventi ripetibili in condizioni uniformi, e per i quali è quindi possibile effettuare serie di osservazioni. Non sempre il pensiero intuitivo ci porta a valutare la probabilità in modo razionale. Vediamo un esempio divertente. Il gioco di Monty Hall Siamo in un gioco a premi (che prende spunto da un fortunato show della TV americana chiamato Monty Hall), abbiamo davanti a noi tre porte: dietro una di queste c è una Ferrari, dietro alle altre due... una capra. Dobbiamo scegliere una porta, e vinceremo quello che troviamo li dietro. Fatta la scelta, Monty Hall ci dice Ne sei proprio sicuro? Puoi ancora cambiare la scelta: anzi, ti voglio aiutare e riduco le scelte a due. Ecco: dietro questa porta, c è una capra. Così dicendo, apre una delle porte che noi non abbiamo scelto, mostrando una capra. Ammesso che vogliamo vincere l auto, ci conviene cambiare porta, o la cosa è indifferente? La risposta più razionale risulta spesso quella meno intuitiva. Molti sono portati a dire: dato che una porta è stata aperta rimangono due possibilità e quindi la probabilità diventa 1. Continuare nella scelta iniziale o cambiare è indifferente... 2 Ma invece le cose non stanno esattamente così ed andremo a spiegare il perché, ma per farlo abbiamo bosogno di formalizzare l idea di probabilità. 2. Eventi Il primo ente di cui abbiamo bisogno per sviluppare il Calcolo delle Probabilità è la nozione di evento. Esistono enunciati per i quali non è possibile stabilire un immediato valore di verità (Vero o Falso) ma per i quali è solo possibile esprimere una maggiore o minore possibilità che che 1

2 uno dei due valori si realizzi.; in altre parole il loro valore di verità dipende dal caso. Esempi. Il 2 febbraio 2009 ad Assisi piove. Uscita della faccia 3 nel lancio di un dado. Nella formalizzazione matematica gli eventi vengono rappresentati come sottoinsiemi dell insieme Ω dei casi possibili Vediamo come in un esempio. Esempio. Supponiamo di lanciare quattro volte una moneta; quali sono i possibili esiti di questa operazione? Ovvero chi è in questo esperimento l insieme Ω? E l insieme di tutte le possibili stringhe di lunghezza 4 che contengono solo delle T e delle C. Ω = {T T T T, T T T C, T T CT, T CT T, CT T T, CCCT, CCT C,...} Al lettore il compito di completare l insieme Ω. L enunciato esattamente due teste è un evento, ed è rappresentato dal sottoinsieme di Ω fatto con tutte le sequenze che contengono esattamente 2 T, e cioè A = {T T CC, T CT C, T CCT, CT CT, CT T C, CCT T }. Esercizio. Si lanciano due dadi. Esplicitare in termini insiemistici l evento la somma delle due facce è 7. Due eventi si dicono incompatibili se il verificarsi dell uno esclude il verificarsi dell altro. Nella rappresentazione insiemistica significa che i sottoinsiemi di Ω che li rappresentano sono disgiunti. Ad esempio, nel lancio delle 4 monete, gli eventi esattamente due teste e nessuna testa sono incompatibili; insiemisticamente il secondo evento è rappresentato dal singoletto B = {CCCC} ed è chiaro che A e B sono disgiunti. Due eventi si dicono indipendenti se il verificarsi dell uno non influenza il verificarsi dell altro. Esempi. Nel gioco della roulette gli eventi uscita di un numero rosso e uscita di un numero dispari sono indipendenti, invece uscita di un numero rosso e uscita dello 0 non lo sono. Il primo è quindi un esempio di eventi indipendenti che non sono incompatibili (perchè ci sono dei numeri dispari e rossi, la cui uscita quindi rende verificati entrambe), mentre il secondo è un esempio di eventi incompatibili che non sono indipendenti. Bisogna quindi fare attenzione a non confondere queste due nozioni. La collezione degli eventi è quindi una famiglia di sottoinsiemi dell insieme dei casi possibili Ω. Denoteremo con Σ questa famiglia. Assumeremo alcune convenzioni sugli eventi, e cioè supporremo che l insieme degli eventi Σ costituisca un algebra cioè che soddisfi queste ipotesi: (E.1) Ω Σ (Ω è detto l evento certo); (E.2) dati due eventi A, B Σ, anche la loro unione A B Σ; (E.3) dato un evento A Σ anche il suo complementare A c Σ. Intanto osserviamo che grazie all assioma (E.3) anche l evento impossibile rappresentato da Ø è un evento, cioè appartiene a Σ. Allora se A e B sono due eventi anche la loro intersezione A B è un evento: infatti da (E.3) A c, B c Σ e da (E.2) A c B c Σ; ma è facile convincersi che quest ultimo evento è la negazione 2

3 di A B, cioè che (A B) c Σ; un ulteriore applicazione di (E.3), e l osservazione che iterando la negazione si riottiene l evento stesso, ci portano alla conclusione desiderata. Alcune osservazioni importanti. Non tutte le famiglie di sottoinsiemi dell insieme Ω sono delle algebre; ad esempio se l esperimento è il lancio di un dado, l insieme dei casi possibili è Ω = {1, 2, 3, 4, 5, 6}, ma la famiglia Σ = {Ω, {1}, {2}, {3}, {4}, {5}, {6}} non è un algebra (perchè?). Due algebre immediate sono Σ = {Ω, Ø} e Σ = 2 Ω, cioè l insieme di tutti i sottoinsiemi di Ω. Tuttavia questi non sono gli unici esempi possibili! Anzi, poichè la famiglia Σ sarà la classe degli eventi di cui sappiamo valutare la probabilità, è ragionevole aspettarsi che questa famiglia non contenga tutti i possibili eventi, cioè che sia possibili pronunciarsi solo sulla probabilità di verificarsi di alcuni. Esistono inoltre i meccanismi di veto che restringono le classi di eventi possibili. Vediamo un esempio Esercizio. I nonni Alberto e Bruna accompagnano i loro 4 nipotini Carmen, Daniela, Enzo e Filippo al Luna Park; i quattro vogliono andare sull otto volante, ma arrivati alla biglietteria un cartello avverte che I minori di 15 anni possono salire solo se accompagnati da un adulto. I carrellini dell otto volante possono alloggiare solo tre persone per volta. Se Ω = {A, B, C, D, E, F } quali sono i possibili equipaggi che possono salire sull otto volante? La famiglia di tutte le terne possibili (cioè senza tenere conto del divieto) più Ω e Ø è un algebra? E la famiglia dei possibili equipaggi, sempre integrata da Ω e Ø? 3. Probabilità La definizione di probabilità è uno dei fondamenti su cui maggiormente si è discusso e si discute. Qui non riporteremo questa discussione, limitandoci ad adottare la definizione più operativa dal punto di vista della deduzione di risultati, che è la definizione assiomatica di probabilità, come proposta da Kolmogorov. Secondo essa si definisce probabilità su uno spazio Ω una funzione P : Σ R (Σ è l algebra degli eventi) che soddisfi i seguenti tre assiomi: (P.1) P (A) 0 per ogni evento A Σ; (P.2) se A, B Σ sono incompatibili, allora P (A B) = P (A) + P (B) (regola di coerenza); (P.3) P (Ω) = 1. Spesso, negli esempi in cui l insieme dei casi possibili è finito, si attribuisce la medesima probabilità p a ciascuno dei casi possibili, e quindi la regola di coerenza obbliga ad assegnare ad ogni evento A come valore di probabilità P (A) = np dove n è il numero di casi possibili che costituisce A. Proviamo adesso i primi teoremi sulla probabilità. Monotonia della probabilità. Se due eventi A e B sono tali che A B allora P (A) P (B). Dimostrazione. Infatti B \ A è l intersezione tra B e il complementare di A, e quindi è un evento di Σ; ora A e B \ A sono incompatibili, dunque si può applicare la regola di coerenza, ottenendo P (B) = P [A (B \ A)] = P (A) + P (B \ A). (1) 3

4 Ma entrambe gli addendi all ultimo membro sono 0, quindi la somma è di uno qualunque dei due; in particolare perciò P (B) P (A). Osserviamo che come conseguenza della formula (??) se A B risulta anche P (A \ B) = P (A) P (B). Limitatezza della probabilità. Per ogni evento A Σ risulta P (A) 1. Dimostrazione. Discende immediatamente dalla monotonia e dall assioma (P.3) Teorema delle probabilità contrarie. Dato un evento A Σ si ha P (A c ) = 1 P (A). Dimostrazione. Poichè A e A c sono incompatibili, e la loro unione è tutto Ω si ha 1 = P (Ω) = P (A A c ) = P (A) + P (A c ) da cui si ricava la tesi. Teorema. La probabilità dell evento impossibile è 0. Dimostrazione. Infatti si ha Ω = Ω Ø. Pertanto, trattandosi anche in questo caso di eventi incompatibili, si trova P (Ω) = P (Ω Ø) = P (Ω) + P (Ø) e questo è possibile solo se il secondo addendo è nullo, cioè P (Ø) = 0. Il prossimo enunciato serve a calcolare la probabilità dell evento che si ottiene dall unione di due eventi, anche non incompatibili Teorema delle probabilità totali. Dati due eventi A, B Σ si ha P (A B) = P (A) + P (B) P (A B). Dimostrazione. Per provare l uguaglianza bisogna prima provare l iterazione dell assioma (P.2) al caso di 3 eventi 2 a 2 incompatibili. Dati infatti A, B, C Σ due a due disgiunti, tali cioè che A B = B C = A C = Ø 4

5 si ha P (A B C) = P (A) + P (B) + P (C). (2) Per provare questa uguaglianza si osservi che A B e C sono due eventi incompatibili, e quindi la regola di coerenza fornisce P [(A B) C] = P (A B) + P (C). D altronde anche A e B sono incompatibili, quindi si può sostituire P (A B) con la somma P (A) + P (B), ottenendo P [(A B) C] = P (A) + P (B) + P (C) che è la (??) se si ricorda che l unione è associativa. Ora, se A e B sono due eventi, gli eventi A\B, A B, B \A sono incompatibili, e quindi possiamo applicare (??) e ottenere P (A B) = P [(A \ B) (A B) (B \ A)] = P (A \ B) + P (A B) + P (B \ A). (3) Ora osserviamo che A = (A \ B) (A B) e che i due addendi sono incompatibili; quindi di nuovo grazie alla coerenza P (A) = P (A \ B) + P (A B) ovvero P (A \ B) = P (A) P (A B) e analogamente P (B \ A) = P (B) P (A B). Sostituendola nelle (??) si troverà P (A B) = P (A) P (A B) + P (A B) + P (B) P (A B) = P (A) + P (B) P (A B). che è la legge che volevanmo provare. 3. Probabilità condizionata L assegnazione del valore della probabilità ad un evento può essere condizionata dal tipo di informazione di cui si è in possesso. Questa considerazione intuitiva è alla base della definizione di probabilità condizionata. Per chiarirci le idee consideriamo l esempio dell urna in Figura. Essa contiene 11 biglie biancoverdi, 9 biglie bianco-rosse e 10 biglie rosso-verdi. Se consideriamo i tre eventi: B = estrazione di una pallina avente colore bianco; 5

6 R = estrazione di una pallina avente colore rosso; V = estrazione di una pallina avente colore verde; E allora facile calcolarne la probabilità; ad esempio per calcolare quella di B basta considerare che sulle 30 biglie contenute nell urna 11+9 sono quelle che portano il colore bianco. Quindi P (B) = = 2 3. Supponiamo ora di sbirciare l estrazione e di vedere una striscia rossa. L affermazione estrazione di una pallina avente il bianco sotto queste ipotesi assume una probabilità diversa; infatti, sapendo che la biglia estratta porta del rosso sappiamo che si è verificato sicuramente l evento R, e quindi le possibilità favorevoli al verificarsi dell affermazione diventano 9 su 20. Infatti, sapendo che la pallina sorteggiata presenta certamente del rosso, è equivalente a ragionare su un altra urna, in cui non ci sono le biglie bianco-verdi. Quindi in questa nuova situazione i casi possibili sono solo 20, e perchè sia verificata anche estrazione di una pallina avente il bianco l unica possibilità è l estrazione di una pallina bianco-rossa. L evento di cui abbiamo in questo modo calcolato la probabilità non è più B, ma è B condizionato a R; lo denoteremo con B R. E la probabilità l abbiamo calcolata secondo la formula P (B R) = P (B R). P (R) Osserviamo ora che la formula non avrebbe senso se la probabilità a denominatore fosse nulla. Per gli scopi di questa trattazione sarà sufficiente osservare che se l evento condizionante fosse impossibile, non vi sarebbe necessità di modificare la valutazione di probabilità. Ad esempio se anzichè sbirciare noi, un ciarlatano ci comunicasse come informazione riservata che nella pallina estratta c è del blu, la probabilità che la biglia estratta porti del bianco non subirebbe alcuna modificazione. Semplicemente la rivelazione è priva di informazione (tranne quella sulla serietà dell informatore..). In altre parole noi condizioneremo la probabilità solo per eventi a probabilità non nulla e definiremo la probabilità condizionata di un evento A subordinata al verificarsi dell evento B (di probabilità non nulla) tramite la formula P (A B) = P (A B). (4) P (B) 6

7 Dalla (??) facilmente si ricava la formula che permette di calcolare la probabilità di un intersezione. Vale infatti il Teorema della probabilità composta. Se A e B sono due eventi, con P (B) 0, allora P (A B) = P (A B)P (B). Dimostrazione. E un immediata deduzione dalla (??). Ricordiamo come abbiamo definito l indipendenza tra due eventi: due eventi A e B sono indipendenti se il verificarsi dell uno non influenza il verificarsi dell altro. Questo si traduce nell osservazione che la valutazione di probabilità di A o di B non viene modificata dalla conoscenza relativa al verificarsi dell altro; in altre parole se A e B sono indipendenti, P (A B) cioè la probabilità a posteriori successiva all accadere di B lascia intatta l assegnazione di probabilità a A. In formule P (A B) = P (A). Applicando il Teorema della probabilità composta allora troviamo P (A B) = P (A)P (B). (5) Ad esempio, se lanciamo due volte un dado, gli eventi 6 al primo lancio e 5 al secondo lancio sono indipendenti. Dunque la probabilità dell evento congiunto E = 6 al primo lancio e 5 al secondo lancio è data dal prodotto dei due singoletti, cioè P (E) = = Che accade se invece che tra due eventi indipendenti andiamo a considerare le relazioni tra tre eventi indipendenti? Osserviamo innanzitutto che quando parliamo di tre eventi indipendenti intendiamo che nessuno dei tre influenza il verificarsi di nessuno degli altri due, ovvero che i tre eventi sono due a due indipendenti. Ora, se denotiamo con A, B, C i tre eventi, il fatto che A è indipendente sia da B che da C comporta automaticamente che A è indipendente da B C, cioè il verificarsi di A non influenza il verificarsi di B e C simultaneamente. Quindi applicando la (??) alla coppia di eventi A e B C si ottiene intanto P (A B C) = P [A (B C)] = P (A)P (B C). D altra parte anche B e C sono indipendenti, e quindi anche nel loro caso si può applicare la (??), cioè P (B C) = P (B)P (C), e sostituendola si perviene alla P (A B C) = P (A)P (B)P (C). (6) Dunque perchè tre eventi siano indipendenti occorre che siano due a due indipendenti e ù+che si verifichi la (??). Notiamo che le due condizioni, indipendenza due a due e (??) possono essere verificate singolarmente può cioè accadere che tre eventi verifichino la (??) senza essere indipendenti (cioè senza che necessariamente la (??) valga per tutte le possibili coppie), e al contrario che tre eventi siano due a due indipendenti ma non lo siano come terna, cioè non sussita la (??). Per convincercene consideriamo i seguenti esempi. Esempio. Consideriamo il lancio di un dado, e prendiamo in esame i tre eventi A uscita di un numero pari ; 7

8 B uscita di un numero 3 ; C uscita di un numero centrale (cioè 2,3,4,5) Ora se si rappresentano insiemisticamente, si trova A = {2, 4, 6}, B = {1, 2, 3} e C = {2, 3, 4, 5}. Pertanto A B C = {2}. Così si trovano le probabilità P (A B C) = 1 6, mentre P (A) = 1 2, P (B) = 1 2, P (C) = 4 6 = 2 3. Quindi 1 6 = P (A B C) = = P (A)P (B)P (C) 3 cioè vale la (??). Tuttavia ad esempio A e B non sono indipendenti, cioè la probabilità di avere un numero pari, sapendo che il numero uscito è minore o uguale a 3 non è più 1 in quanto sotto 2 a 3 c è un solo numero pari; in altre parole, poichè A B = {2} P (A B) = = P (A)P (B). 2 Invitiamo il lettore a calcolare tutte le possibili probabilità condizionate P (A B), P (B A), P (B C),... Esempio. Un paziente con crisi di cefalea ricorrente ha osservato la frequenza dell incorrere dell episodio patologico nei diversi giorni della settimana, pervenendo alla tabella seguente Nella routine settimanale il paziente esegue lunghi spostamenti in auto nei giorni di Lunedì, Martedì, Giovedì e Venerdì, svolge attività fisica nei giorni di Martedì, Mercoledì, Giovedì e Sabato, e si trova a lungo contatto con forti fumatori nei giorni di Giovedì, Venerdì, Sabato e Domenica. Le cause di insorgenza della cefalea stress da guida prolungata, attività fisica (= vasodilatazione) e fumo passivo sono due a due indipendenti, ma non lo è la terna nel complesso. Infatti, detti A, B, C gli eventi determinati dalle tre possibili cause elencate, la loro rappresentazione insiemistica è A = {L, Ma, G, V}, B = {Ma, Me, G, S}, C = { G, V, S, D}. Dunque, per il Teorema delle Probabilità totali si ha P (A) = = 1 10 P (B) = = P (C) = =

9 Ora risulta A B = {Ma, G}, A C = {G, V}, B C = {G, S} e quindi, sempre grazie al Teorema delle Probabilità totali P (A B) = = 1 = P (A)P (B) 50 P (B C) = = 3 = P (B)P (C) 50 P (A C) = = 3 = P (A)P (C) 100 ovvero i tre eventi sono due a due indipendenti. Tuttavia, poichè A B C = {G} risulta P (A B C) = mentre P (A)P (B)P (C) = = 3 e quindi non sussiste la (??) Il Teorema di Bayes Nella pratica quotidiana, la scelta o decisione dipende da una valutazione di probabilità. In questo contesto il quesito cruciale cui si vuole dare risposta è Se si è verificato l effetto E qual è la probabilità che a causarlo sia stato C? In altri termini ciò equivale a valutare una probabilità condizionata, e cioè P (C E). Se sappiamo valutare a priori la probabilità che l effetto E si realizzi in presenza della causa C, cioè conosciamo P (E C) oltre che la probabilità degli eventi P (E) e P (C), allora dalla definizione sappiamo che P (C E) P (C E) = P (E) e dal Teorema delle Probabilità composte si ricava P (C E) = P (E C)P (C). (7) P (E) Lo scopo di questo paragrafo e del Teorema di Bayes è estendere la formula (??) al caso di più cause mutuamente escludentisi. Avremo quindi una decomposizione dello spazio Ω in un numero finito di eventi C 1, C 2,..., C n due a due disgiunti, che rapresentano appunto le n cause che si escludono due a due, e avremo un evento E che rappresenta l esito di un esperimento, ovvero l effetto che osserviamo. Il Teorema di Bayes ci permetterà di valutare la plausibilità di una causa se si conoscono le singole probabilità P (E C 1 ),..., P (E C n ) oltre che P (C 1 ),..., P (C n ). Teorema di Bayes. Dati n eventi C 1, C 2,..., C n due a due disgiunti, e tali che ed un evento E, vale la formula C 1 C 2... C n = Ω P (C k E) = P (E C k )P (C k ) P (C 1 )P (E C 1 ) + P (C 2 )P (E C 2 ) P (C n )P (E C n ) (8) Dimostrazione. Fissato k tra i possibili valori 1, 2,..., n la (??) in questo caso è P (C k E) = P (E C k)p (C k ). (9) P (E) Vogliamo provare che i denominatori nei membri di destra delle (??) e (??) coincidono, vogliamo cioè provare che P (E) = P (C 1 )P (E C 1 ) + P (C 2 )P (E C 2 ) P (C n )P (E C n ). (10) 9

10 Osserviamo che dalle ipotesi utilizzando la proprietà distributiva dell intersezione, si ha E = E Ω = E (C 1 C 2... C n )(E C 1 ) (E C 2 )... (E C n ). (11) D altra parte gli n eventi E C 1,..., E C n sono due a due disgiunti, quindi si può fare uso del Teorema delle Probabilità totali, cioè P (E) = P (E C 1 ) + P (E C 2 ) P (E C n ). (12) Ora possiamo applicare il Teorema delle Probabilità composte a ciascuno degli addendi nella (??) cioè l uguaglianza P (E C k ) = P (E C k )P (C k ) per k = 1, 2,..., n e sostituendole nella (??) si ottiene la (??) e quindi si conclude la dimostrazione Vediamo ora due applicazioni Esempio. Un azienda produce pezzi di ricambio con due macchinari C 1 e C 2 : di essi C 1 produce il 60% del totale, mentre da C 2 proviene il restante 40%. L incidenza di pezzi difettosi è del 10 % dal primo macchinario e del 20% nel caso del secondo. Se un pezzo scelto a caso è privo di difetti, qual è la probabilità che provenga dal primo macchinario? Si tratta quindi di calcolare, detto E = pezzo privo di difetti, la probabilità condizionata P (C 1 E). Per applicare la formula di Bayes (in questo caso con n = 2) occorre osservare che P (C 1 ) = = 3 5 e P (C 2 ) = 2 5 mentre P (E C 1) è la probabilità di avere un pezzo non difettoso sapendo che il pezzo proviene dal primo macchinario; ora la probabilità che il pezzo sia difettoso nella stessa ipotesi è del 10%, quindi P (E C 1 ) = 9 10 e analogamente P (E C 2) = 4 5. Applicando ora la (??) troviamo P (C 1 E) = P (E C 1 )P (C 1 ) P (E C 1 )P (C 1 ) + P (E C 2 )P (C 2 ) = = Torniamo adesso ad occuparci del gioco di Monty Hall. Quando il conduttore apre una porta, non la apre a caso ma apre una porta sicuramente perdente. Questo dettaglio è fondamentale! (Anche se nella realtà è capitato più di una volta che Monty 10

11 Hall si sia sbagliato e abbia aperto la porta dietro cui si nascondeva la Ferrari!) Infatti è certo che almeno una delle due porte che non abbiamo scelto sia perdente, il fatto che questa ci venga mostrata è del tutto ininfluente...infatti, quando Monty Hall propone di cambiare la scelta ci sta di fatto proponendo di scambiare la porta che avevamo scelto con le DUE non scelte (con dietro ovviamente almeno una capra). E quindi strategicamente conveniente CAMBIARE! Proprio il Teorema di Bayes ci fornisce la risposta razionale del perché convenga cambiare. Supponiamo infatti di aver scelto la porta n. 1 e che Monty Hall ci mostri una capra dietro quella n. 2 (evento che denoteremo con C 2 ). Se denotiamo con F 1 l evento Ferrari dietro la porta 1 e con F 3 l evento Ferrari dietro la porta 3 quello che vogliamo calcolare sono le probabilità condizionate P (F 1 C 2 ) e P (F 3 C 2 ) ed effettuare la nostra decisione di conseguenza. Noi conosciamo Le singole probabilità dato che le tre porte sono equivalenti, quindi P (F 1 ) = P (F 3 ) = 1 3. Ragioniamo ora sulle probabilità condizionate P (C 2 F 1 ) e P (C 2 F 3 ). Per valutarle seguiamo il ragionamento di Monty Hall. Se dietro la porta che abbiamo scelto,la 1, c è la Perrari, per Monty Hall mostrarci la capra dietro la 2 o dietro la 3 è indifferente, quindi la probabilità in questo caso è P (C 2 F 1 ) = 1 2 mentre se la Ferrari sta dietro la porta n.3, una di quelle che non abbiamo scelto, certamente Monty Hall ci mostrerà la porta perdente, quindi P (C 2 F 3 ) = 1. Dunque se applichiamo la formula di Bayes alle due strategie, se manteniamo la scelta fatta avremo P (F 1 C 2 ) = mentre se cambiamo troveremo P (F 3 C 2 ) = P (C 2 F 1 )P (F 1 ) P (C 2 F 1 )P (F 1 ) + P (C 2 F 3 )P (F 3 ) = P (C 2 F 3 )P (F 3 ) P (C 2 F 1 )P (F 1 ) + P (C 2 F 3 )P (F 3 ) = = =

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Analisi dei Dati 12/13 Esercizi proposti 3 soluzioni

Analisi dei Dati 12/13 Esercizi proposti 3 soluzioni Analisi dei Dati 1/13 Esercizi proposti 3 soluzioni 0.1 Un urna contiene 6 palline rosse e 8 palline nere. Si estraggono simultaneamente due palline. Qual è la probabilità di estrarle entrambe rosse? (6

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede

Dettagli

Esercizi di Calcolo delle Probabilita (I)

Esercizi di Calcolo delle Probabilita (I) Esercizi di Calcolo delle Probabilita (I) 1. Si supponga di avere un urna con 15 palline di cui 5 rosse, 8 bianche e 2 nere. Immaginando di estrarre due palline con reimmissione, si dica con quale probabilità:

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo. DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

Primi esercizi per gli studenti del corso di Statistica ed Elementi di Probabilita

Primi esercizi per gli studenti del corso di Statistica ed Elementi di Probabilita Primi esercizi per gli studenti del corso di Statistica ed Elementi di Probabilita NOTA 1 Gli esercizi sono presi da compiti degli scorsi appelli, oppure da testi o dispense di colleghi. A questi ultimi

Dettagli

Capitolo 2. Operazione di limite

Capitolo 2. Operazione di limite Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A

Dettagli

Cosa dobbiamo già conoscere?

Cosa dobbiamo già conoscere? Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire

Dettagli

Lezioni di Matematica 1 - I modulo

Lezioni di Matematica 1 - I modulo Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può

Dettagli

PROBABILITA CONDIZIONALE

PROBABILITA CONDIZIONALE Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,

Dettagli

Matematica Applicata. Probabilità e statistica

Matematica Applicata. Probabilità e statistica Matematica Applicata Probabilità e statistica Fenomeni casuali Fenomeni che si verificano in modi non prevedibili a priori 1. Lancio di una moneta: non sono in grado di prevedere con certezza se il risultato

Dettagli

(concetto classico di probabilità)

(concetto classico di probabilità) Probabilità matematica (concetto classico di probabilità) Teoria ed esempi Introduzione Il calcolo delle probabilità è la parte della matematica che si occupa di prevedere, sulla base di regole e leggi

Dettagli

Capitolo 4 Probabilità

Capitolo 4 Probabilità Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.

Dettagli

Il principio di induzione e i numeri naturali.

Il principio di induzione e i numeri naturali. Il principio di induzione e i numeri naturali. Il principio di induzione è un potente strumento di dimostrazione, al quale si ricorre ogni volta che si debba dimostrare una proprietà in un numero infinito

Dettagli

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che: Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi

Dettagli

5. La teoria astratta della misura.

5. La teoria astratta della misura. 5. La teoria astratta della misura. 5.1. σ-algebre. 5.1.1. σ-algebre e loro proprietà. Sia Ω un insieme non vuoto. Indichiamo con P(Ω la famiglia di tutti i sottoinsiemi di Ω. Inoltre, per ogni insieme

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

PROBABILITA CONDIZIONALE

PROBABILITA CONDIZIONALE Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,

Dettagli

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero

Dettagli

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

Dettagli

Esercizi. Rappresentando le estrazioni con un grafo ad albero, calcolare la probabilità che:

Esercizi. Rappresentando le estrazioni con un grafo ad albero, calcolare la probabilità che: Esercizi Esercizio 4. Un urna contiene inizialmente 2 palline bianche e 4 palline rosse. Si effettuano due estrazioni con la seguente modalità: se alla prima estrazione esce una pallina bianca, la si rimette

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

1. PRIME PROPRIETÀ 2

1. PRIME PROPRIETÀ 2 RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,

Dettagli

Dall italiano al linguaggio della logica proposizionale

Dall italiano al linguaggio della logica proposizionale Dall italiano al linguaggio della logica proposizionale Dall italiano al linguaggio della logica proposizionale Enunciati atomici e congiunzione In questa lezione e nelle successive, vedremo come fare

Dettagli

LE FUNZIONI A DUE VARIABILI

LE FUNZIONI A DUE VARIABILI Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre

Dettagli

Calcolo delle probabilità (riassunto veloce) Laboratorio di Bioinformatica Corso A aa 2005-2006

Calcolo delle probabilità (riassunto veloce) Laboratorio di Bioinformatica Corso A aa 2005-2006 Calcolo delle probabilità riassunto veloce Laboratorio di Bioinformatica Corso aa 2005-2006 Teoria assiomatica della probabilità S = spazio campionario = insieme di tutti i possibili esiti di un esperimento

Dettagli

Distribuzioni discrete

Distribuzioni discrete Distribuzioni discrete Esercitazione 4 novembre 003 Distribuzione binomiale Si fa un esperimento (o prova): può manifestarsi un certo evento A con probabilità p oppure no (con probabilità q = p). La distribuzione

Dettagli

Funzioni. Parte prima. Daniele Serra

Funzioni. Parte prima. Daniele Serra Funzioni Parte prima Daniele Serra Nota: questi appunti non sostituiscono in alcun modo le lezioni del prof. Favilli, né alcun libro di testo. Sono piuttosto da intendersi a integrazione di entrambi. 1

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

risulta (x) = 1 se x < 0.

risulta (x) = 1 se x < 0. Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente

Dettagli

Numeri naturali numeri naturali minore maggiore Operazioni con numeri naturali

Numeri naturali numeri naturali minore maggiore Operazioni con numeri naturali 1 Numeri naturali La successione di tutti i numeri del tipo: 0,1, 2, 3, 4,..., n,... forma l'insieme dei numeri naturali, che si indica con il simbolo N. Tale insieme si può disporre in maniera ordinata

Dettagli

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno

Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno Università degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno Esercitazione del 18/1/2005 Dott. Claudio Conversano Esercizio 1 (non svolto in aula) Vengono lanciati

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7 CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Incompatibilità ed indipendenza stocastica. Probabilità condizionate, legge della probabilità totale, Teorema

Dettagli

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni

Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Corso di ELEMENTI DI STATISTICA Alcuni problemi di probabilità, con soluzioni Si tratta di problemi elementari, formulati nel linguaggio ordinario Quindi, per ogni problema la suluzione proposta è sempre

Dettagli

ESERCIZI EVENTI E VARIABILI ALEATORIE

ESERCIZI EVENTI E VARIABILI ALEATORIE ESERCIZI EVENTI E VARIABILI ALEATORIE 1) Considera la tabella seguente, che descrive la situazione occupazionale di 63 persone in relazione al titolo di studio. Occupazione SI NO Titolo Licenza media 5%

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Tabella 7. Dado truccato

Tabella 7. Dado truccato 0 ALBERTO SARACCO 4. Compiti a casa 7novembre 200 4.. Ordini di grandezza e calcolo approssimato. Esercizio 4.. Una valigia misura 5cm di larghezza, 70cm di lunghezza e 45cm di altezza. Quante palline

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il calcolo delle probabilità ha avuto origine nel Seicento in riferimento a questioni legate al gioco d azzardo e alle scommesse. Oggi trova tante applicazioni in ambiti anche

Dettagli

Test d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi

Test d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se

Dettagli

OSSERVAZIONI TEORICHE Lezione n. 4

OSSERVAZIONI TEORICHE Lezione n. 4 OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze

Dettagli

Indice. 1 Il monitoraggio del progetto formativo --------------------------------------------------------------- 3. 2 di 6

Indice. 1 Il monitoraggio del progetto formativo --------------------------------------------------------------- 3. 2 di 6 LEZIONE MONITORARE UN PROGETTO FORMATIVO. UNA TABELLA PROF. NICOLA PAPARELLA Indice 1 Il monitoraggio del progetto formativo --------------------------------------------------------------- 3 2 di 6 1 Il

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

Può la descrizione quantomeccanica della realtà fisica considerarsi completa?

Può la descrizione quantomeccanica della realtà fisica considerarsi completa? Può la descrizione quantomeccanica della realtà fisica considerarsi completa? A. Einstein, B. Podolsky, N. Rosen 25/03/1935 Abstract In una teoria completa c è un elemento corrispondente ad ogni elemento

Dettagli

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni

Dettagli

3 GRAFICI DI FUNZIONI

3 GRAFICI DI FUNZIONI 3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom

Dettagli

Schemi delle Lezioni di Matematica Generale. Pierpaolo Montana

Schemi delle Lezioni di Matematica Generale. Pierpaolo Montana Schemi delle Lezioni di Matematica Generale Pierpaolo Montana Al-giabr wa al-mukabalah di Al Khuwarizmi scritto approssimativamente nel 820 D.C. Manuale arabo da cui deriviamo due nomi: Algebra Algoritmo

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La

Dettagli

1 Serie di Taylor di una funzione

1 Serie di Taylor di una funzione Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

INTRODUZIONE AI CICLI

INTRODUZIONE AI CICLI www.previsioniborsa.net INTRODUZIONE AI CICLI _COSA SONO E A COSA SERVONO I CICLI DI BORSA. Partiamo dalla definizione di ciclo economico visto l argomento che andremo a trattare. Che cos è un ciclo economico?

Dettagli

1 Probabilità condizionata

1 Probabilità condizionata 1 Probabilità condizionata Accade spesso di voler calcolare delle probabilità quando si è in possesso di informazioni parziali sull esito di un esperimento, o di voler calcolare la probabilità di un evento

Dettagli

COEFFICIENTI BINOMIALI

COEFFICIENTI BINOMIALI COEFFICIENTI BINOMIALI Michele Impedovo micheleimpedovo@uni-bocconiit Una definizione insiemistica Se n è un numero naturale e è un numero naturale compreso tra e n, si indica con il simbolo il coefficiente

Dettagli

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa.

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa. Una sperimentazione Probabilità Si sta sperimentando l efficacia di un nuovo farmaco per il morbo di Parkinson. Duemila pazienti partecipano alla sperimentazione: metà di essi vengono trattati con il nuovo

Dettagli

ESERCIZI APPLICAZIONI LINEARI

ESERCIZI APPLICAZIONI LINEARI ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W

Dettagli

TEOREMI SULLA PROBABILITÀ

TEOREMI SULLA PROBABILITÀ TEOREMI SULLA PROBABILITÀ o Probabilità totale oprobabilità contraria oprobabilità condizionata odipendenza stocastica oprobabilità composta oformula di Bayes oproblemi di riepilogo Probabilità di eventi

Dettagli

1 Giochi a due, con informazione perfetta e somma zero

1 Giochi a due, con informazione perfetta e somma zero 1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una

Dettagli

STATISTICA E PROBABILITá

STATISTICA E PROBABILITá STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano

Dettagli

ESEMPIO 1: eseguire il complemento a 10 di 765

ESEMPIO 1: eseguire il complemento a 10 di 765 COMPLEMENTO A 10 DI UN NUMERO DECIMALE Sia dato un numero N 10 in base 10 di n cifre. Il complemento a 10 di tale numero (N ) si ottiene sottraendo il numero stesso a 10 n. ESEMPIO 1: eseguire il complemento

Dettagli

Appunti ed esercizi di combinatoria. Alberto Carraro

Appunti ed esercizi di combinatoria. Alberto Carraro Appunti ed esercizi di combinatoria Alberto Carraro December 2, 2009 01 Le formule principali per contare Disposizioni Sia A un insieme di n 1 elementi distinti Le sequenze di 1 k n elementi scelti senza

Dettagli

Note su quicksort per ASD 2010-11 (DRAFT)

Note su quicksort per ASD 2010-11 (DRAFT) Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Laboratorio di dinamiche socio-economiche

Laboratorio di dinamiche socio-economiche Dipartimento di Matematica Università di Ferrara giacomo.albi@unife.it www.giacomoalbi.com 21 febbraio 2012 Seconda parte: Econofisica La probabilità e la statistica come strumento di analisi. Apparenti

Dettagli

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete.

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Le equazioni Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Definizione e caratteristiche Chiamiamo equazione l uguaglianza tra due espressioni algebriche,

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ

LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,

Dettagli

Teoria della probabilità Assiomi e teoremi

Teoria della probabilità Assiomi e teoremi Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Assiomi e teoremi A.A. 2008-09 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007 Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza

Dettagli

TEORIA DELLE DECISIONI. DOCENTE: JULIA MORTERA mortera@uniroma3.it

TEORIA DELLE DECISIONI. DOCENTE: JULIA MORTERA mortera@uniroma3.it TEORIA DELLE DECISIONI DOCENTE: JULIA MORTERA mortera@uniroma3.it 1 Decisioni in Condizioni di Incertezza Sia singoli individui che gruppi di individui (società, governi, aziende, sindacati ecc. si trovano

Dettagli

La prof.ssa SANDRA VANNINI svolge da diversi anni. questo percorso didattico sulle ARITMETICHE FINITE.

La prof.ssa SANDRA VANNINI svolge da diversi anni. questo percorso didattico sulle ARITMETICHE FINITE. La prof.ssa SANDRA VANNINI svolge da diversi anni questo percorso didattico sulle ARITMETICHE FINITE. La documentazione qui riportata è ricavata dalla trascrizione dei lucidi che vengono prodotti dall

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Un gioco con tre dadi

Un gioco con tre dadi Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.

Dettagli

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche . Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche Per le definizioni e teoremi si fa riferimento ad uno qualsiasi dei libri M.Bertsch - R.Dal Passo Lezioni di Analisi

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

Una percentuale di una certa importanza nel mondo economico è il tasso di interesse. Il tasso di

Una percentuale di una certa importanza nel mondo economico è il tasso di interesse. Il tasso di Capitalizzazione e attualizzazione finanziaria Una percentuale di una certa importanza nel mondo economico è il tasso di interesse. Il tasso di interesse rappresenta quella quota di una certa somma presa

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano Breve introduzione storica Nel 1854, il prof. Boole pubblica un trattato ormai famosissimo: Le leggi del pensiero. Obiettivo finale del trattato è di far nascere la matematica dell intelletto umano, un

Dettagli

Modulo didattico sulla misura di grandezze fisiche: la lunghezza

Modulo didattico sulla misura di grandezze fisiche: la lunghezza Modulo didattico sulla misura di grandezze fisiche: la lunghezza Lezione 1: Cosa significa confrontare due lunghezze? Attività n 1 DOMANDA N 1 : Nel vostro gruppo qual è la matita più lunga? DOMANDA N

Dettagli

Corrispondenze e funzioni

Corrispondenze e funzioni Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei

Dettagli

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.

Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel

Dettagli

Test sul calcolo della probabilità

Test sul calcolo della probabilità Test sul calcolo della probabilità 2 Test sul calcolo della probabilità Test sul calcolo della probabilità. La probabilità p di un evento E, quando si indica con E il suo complementare, è : a) 0 se E è

Dettagli