Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
|
|
- Isabella Calo
- 6 anni fa
- Visualizzazioni
Transcript
1 Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi matematica McGraw-Hill Capitolo 11, Probabilità 1
2 Fenomeni deterministici e fenomeni casuali. Sistema meccanico deterministico: moto rettilineo uniforme (Velocità costante: 10m/s) Dopo 1s: percorsi 10m, Dopo 2s: percorsi 20m,... Siamo quindi in grado di predire esattamente il suo moto. Sistema non deterministico (casuale): immaginiamo di lanciare un dado a sei facce senza mai averne visto uno, né averne sentito parlare. Al primo lancio: esce 4, Al secondo lancio: esce 2, Al terzo lancio: esce 1,... Il risultato non è prevedibile prima del lancio stesso. Un solo lancio non porta a ipotizzare il concetto di casualità; ma quando mi accorgo che il dado può dare diversi risultati; quando mi accorgo che questi risultati non sono prevedibili; Si tratta di un fenomeno la cui realizzazione è condizionata dal caso. La casualità quindi legata a fenomeni che ammettono pi di un esito. Un fenomeno casuale, o aleatorio, è un fenomeno osservabile ma non prevedibile. 2
3 Dado e casualità L unica certezza che abbiamo è che il punteggio che otteniamo in ogni lancio è compreso tra 1 e 6. Spazio ambiente S. L esperienza ci suggerisce che non c è nesso tra l esito di un lancio e i successivi. Indipendenza dei risultati di lanci consecutivi. L esperienza ci suggerisce che a ogni lancio ci aspettiamo che possa uscire indifferentemente una qualsiasi delle sei facce. Legge della casualità di ogni singolo lancio. Come vedremo questo non significa che non siamo in grado di dire nulla sull esito del lancio, ad esempio l esperienza quotidiana ci insegna che su dieci lanci consecutivi ottenere per dieci volte lo stesso punteggio sia un evento in qualche modo eccezionale, almeno psicologicamente. Scopo di questo capitolo è imparare a trattare analiticamente queste informazioni per ricavarne delle leggi che regolano la casualità. 3
4 Spazio Ambiente S Prendiamo un dado e indichiamo con S = {f 1, f 2, f 3, f 4, f 5, f 6 } l insieme costituito dalle sue 6 facce. S contiene tutti i possibili esiti del fenomeno ed è detto spazio ambiente. I suoi elementi saranno detti eventi elementari. In tutto abbiamo 2 6 = 64 sottoinsiemi di S tra cui unico sottoinsieme senza elementi {f 1 }, {f 4 } sottoinsiemi con un solo elemento {f 1, f 2 }, {f 3, f 5 } sottoinsiemi con due elementi.. Ogni possibile sottoinsieme di S sarà chiamato evento. 4
5 Indichiamo con A e B gli eventi Operazioni tra eventi A = {f 2, f 4, f 6 } (ho un risultato pari) B = {f 1, f 2, f 3 } (ho un risultato più piccolo di 4) Indicheremo con AB l intersezione e con A + B l unione. intersezione di due eventi: entrambi gli eventi accadano, AB = {f 2, f 4, f 6 } {f 1, f 2, f 3 } = {f 2 }, avere un risultato pari più piccolo di 4. unione di due eventi corrisponde al fatto che almeno uno degli eventi accada, A + B = {f 2, f 4, f 6 } {f 1, f 2, f 3 } = {f 1, f 2, f 3, f 4, f 6 }. Il complementare di un evento corrisponde al fatto che quell evento non accada, A = {f 2, f 4, f 6 } = {f 1, f 3, f 5 }, ossia se non esce un numero pari. 5
6 Insiemi mutuamente esclusivi (partizioni) Due insiemi A e B si dicono mutuamente esclusivi se hanno intersezione vuota, ossia se AB =. Più insiemi (A 1, A 2,..., A n ) sono mutuamente esclusivi se lo sono a due a due in tutti i modi possibili A i A j =, i j. Tre o più insiemi possono avere intersezione nulla ma non essere mutuamente esclusivi. Definizione di partizione dello spazio ambiente S. Chiamiamo partizione dello spazio ambiente S una classe di sottoinsiemi (eventi) mutuamente esclusivi la cui unione è l insieme S. Quindi, A 1,... A n,... sono una partizione di S se valgono le seguenti due proprietà Gli insiemi sono mutuamente esclusivi, i j, A i A j =. L unione degli insiemi è tutto S, ossia A 1 + A A n +... = S. 6
7 ... la probabilità è il grado di fiducia in una scala tra 0 e 1 con cui un evento occorre. Per convenzione, un evento impossibile ha probabilità 0, mentre un evento certo ha probabilità 1... J.Bernoulli Assiomi della probabilità Sia S un insieme e A la classe di eventi. funzione P : A R + 0 La probabilità è una che associa a ogni evento A A un numerop (A). Questa funzione deve soddisfare le seguenti proprietà 1. per ogni evento A, P (A) 0; 2. P (S) = 1; 3. se AB =, allora P (A + B) = P (A) + P (B). Osservazione: la probabilità in uno spazio infinito non viene definita su ogni sottoinsieme di S, ma solamente su ogni evento della famiglia A. Quindi, ogni volta che scriveremo P (A), dovremo essere sicuri che A sia un evento di A. La terna (S, A, P ) è detta spazio di probabilità. 7
8 Conseguenze degli assiomi della probabilità Dagli assiomi della probabilità discendono le seguenti relazioni P ( ) = 0. Per ogni evento A, P (A) = 1 P (A). Per ogni coppia A e B di eventi, P (A) = P (AB) + P (AB). Se A è un evento e B 1, B 2,..., B n sono eventi che formano una partizione di S, P (A) = P (AB 1 ) + P (AB 2 ) + + P (AB n ). Per ogni coppia A e B di eventi, P (A + B) = P (A) + P (B) P (AB). Per ogni coppia A e B di eventi, P (A + B) P (A) + P (B). Se B A, allora P (B) P (A). Esempio: il modo più intuitivo di introdurre la probabilità di un evento si basa sul rapporto tra il numero dei casi favorevoli e il numero dei casi possibili. Si pensi alla situazione del lancio di una moneta. 8
9 Fenomeni casuali Sesso del nascituro. Luisa aspetta un bambino. Indichiamo con X il sesso del nascituro. X può assumere i valori M (maschio) e F (femmina) con probabilità 1/2. I risultati possibili sono 2. I valori che X può assumere sono M e F, quindi S = {x 1, x 2 }, con x 1 = M e x 2 = F. Ipotizzando che la probabilità che X assuma il valore M o F è 1/2, abbiamo p 1 = 1/2, p 2 = 1/2. Dado equilibrato. Prendiamo un dado non truccato e indichiamo con X il risultato di un lancio. I risultati possibili sono 6. I valori che il dado può assumere sono i numeri interi tra 1 e 6 e quindi S = {x 1, x 2, x 3, x 4, x 5, x 6 }, dove x 1 = 1, x 2 = 2, x 3 = 3, x 4 = 4, x 5 = 5, x 6 = 6. La probabilità che X assuma ogni valore intero tra 1 e 6 è 1/6 e quindi p 1 = 1/6, p 2 = 1/6, p 3 = 1/6, p 4 = 1/6, p 5 = 1/6, p 6 = 1/6. La probabilità quindi si distribuisce sui possibili risultati p n Risultato del dado 9
10 Variabile aleatoria o casuale Definizione. Dato uno spazio di probabilità (S, A, P ) si chiama variabile aleatoria un applicazione X : S R tale che per ogni x R, l insieme {s S : X(s) x} sia in A. Perché questa definizione? Dire che X significa che possibile calcolare P ({s S : X(s) I}) una variabile aleatoria (infatti si può calcolare la probabilità solo sugli eventi). 10
11 V.a. (caso discreto) Sono quei fenomeni che hanno un numero finito o numerabile di risultati. I risultati di una variabile aleatoria discreta X formano l insieme dei possibili valori assunti R = {x 1, x 2,..., x N,...}. Gli eventi sono tutti gli insiemi del tipo A = {X I}, dove I è un qualunque sottoinsieme dell insieme dei possibili risultati R. Diremo che è assegnata la legge della variabile aleatoria discreta X se è assegnato l insieme dei possibili valori assunti R, e la probabilità con cui X assume ciascun valore p X x 1, p X x 1,..., p X x N,... dove p X x k = P ({X = x k }) è la probabilità che X assuma il valore x k. V.a. (caso continuo) Sono quei fenomeni che possono assumere tutti i possibili valori di un intervallo reale Nel caso continuo tutti i risultati x di un intervallo R = {x R : a < x < b} = (a, b) sono possibili (anche se non equiprobabili ). Sono ammessi intervalli del tipo R = (, b), R = (a, + ) oppure R = R. Gli eventi legati a una variabile aleatoria continua sono tutti gli insiemi del tipo A = {X I}, La numerosità dei possibili risultati ci costringe a parlare di densità di probabilità al posto di probabilità di ogni singolo risultato (che è nulla). 11
12 Densità di probabilità f X Diremo che è assegnata legge della variabile aleatoria continua X se è assegnato l insieme dei possibili valori assunti R e la funzione densità di probabilità f X con cui X assume ciascun valore f X : (a, b) R + {0}. La densità di probabilità f X è tale che P ({x 1 < X < x 2 }) = per ogni scelta (x 1, x 2 ) (a, b). x2 x 1 f X (x) dx La funzione f X non è unica. Una funzione che differisca da f X in un solo punto oppure in un insieme un insieme costituito da un infinità numerabile di punti è anch essa una densità per la v.a. X. definita su tutto R po- Nel seguito supporremmo sempre f X nendo f X (x) = 0 per x in R \ (a, b). 12
13 Probabilità e v.a. Dagli assiomi della probabilità è evidente che per ogni legge di una v.a. discreta, devono essere verificate le seguenti proprietà 1. p xi 0, i 1, corrispondente a P (A) 0, A A. 2. p xi = 1, corrispondente a P (S) = 1, essendo S l evento i=1 certo. In modo analogo nel caso di v.a. continua avremo 1. f X (x) 0, x R. 2. f X (x)dx = 1. Nota: se le condizioni NON sono verificate, si sta utilizzando qualcosa privo di senso o inesistente. 13
14 Come calcoliamo la probabilità di tutti gli eventi legati a una variabile aleatoria? Esempio: nell esempio del dado, con quale probabilità ci aspettiamo un numero strettamente maggiore di 4? Il risultato del lancio di un dado si indichi con X e quindi l evento ho un risultato più grande di 4 si scriverà A = {X > 4}. Nel nostro caso i valori da 5 a 12, ossia x 4 = 5, x 5 = 6,..., x 11 = 12, Chiameremo questi valori buoni. Gli eventi A 5 = {X = 5}, A 6 = {X = 6},..., A 12 = {X = 12} sono mutuamente esclusivi e quindi P (A 5 + A A 12 ) = P (A 5 ) + P (A 6 ) + + P (A 12 ). Nel nostro caso P ({X > 4}) = P ({X = 5}) + P ({X = 6}) + + P ({X = 12}) = 5/
15 Probabilità e v.a. (regola generale) La probabilità dell evento {X I} si calcola: caso discreto, si sommano le probabilità p xk sono in I P ({X I}) = p xk. x k I dei valori x k che caso continuo, si calcola l integrale di f X su I P ({X I}) = f X (x) dx. Esempio: nella scelta uniforme di un numero tra 0 e 1, essendo f X (x) = 1 per ogni 0 < x < 1, la probabilità di estrarre un numero compreso tra 0.2 e 0.8 è quindi I P ({0.2 < X < 0.8}) = dx = =
16 Valore atteso Definizione: il valore atteso di una v.a. X si indica con E(X) ed è il numero dato da se X è una v.a. discreta, e da E(X) = x 1 p x1 + x 2 p x2 + x 3 p x E(X) = x f X (x) dx se X è una v.a. continua con valori a < x < b. Perché la prima scrittura abbia senso occorre che o X assuma un numero finito di valori o che x i p xi < +. Perché la seconda scrittura abbia senso occorre che x f R X(x) < +. In generale, il valore atteso è una media pesata, per questo motivo il valore atteso viene anche detto media pesata della v.a. X. Osservazione: valore atteso non vuol dire che mi aspetto che esca quel valore: il valore atteso del risultato del dado è 3.5, ma nessun lancio di dado darà mai 3.5! 16
17 Teorema. (Valore atteso di g(x)) Data una funzione g, il valore atteso di Y = g(x), se definito, si può calcolare nel caso discreto, E(g(X)) = g(x 1 )p x1 + g(x 2 )p x2 + g(x 3 )p x nel caso continuo. E(g(X)) = g(x) f X (x) dx Proprietà elementari del valore atteso. Per tutte le v.a. X e per qualunque numero reale c E(X + c) = E(X) + c; E(cX) = ce(x). 17
18 Varianza Consideriamo la funzione g quadrato della distanza di un valore dal valore atteso di X, ossia g(x) = (x E(X)) 2. Il valore atteso di questa funzione si dice varianza della v.a. X. la varianza di una v.a. X si indica con Var(X) ed è data da Var(X) =E(g(X)) = E((X E(X)) 2 ). Osservazione: la varianza è una misura del grado di incertezza del fenomeno. Varianza nulla implica che non c è nessuna variazione nei risultati, ossia nessuna casualità. La varianza misura quanto è dispersa (distante) la distribuzione intorno al valore atteso (dal valore atteso). 18
19 Proposizione. la varianza si può anche calcolare come Var(X) = E(X 2 ) (E(X)) 2. Proprietà elementari della varianza Valgono le seguenti relazioni per tutte le v.a. X e per qualunque numero reale c Var(X + c) = Var(X); Var(cX) = c 2 Var(X). 19
20 Scommessa con suggerimento Un nostro amico lancia due dadi e ne tiene nascosto il risultato. Ci invita a scommettere sul numero che è uscito nel primo dado. Chiaramente, qualora scommettessimo su un qualunque risultato tra 1 e 6, avremmo 1/6 di probabilità di indovinare. Chiediamo un aiuto e ci viene detto che la somma dei due dadi è 4. Se scommettessimo sull 1, quale probabilità avremmo di indovinare? Vediamo di capire come questo problema può essere risolto e generalizzato: come si calcola la probabilità di un evento qualora sia noto che un altro evento è accaduto? I risultati sono le 36 possibili coppie di risultati tutti equiprobabili, p x1 = p x2 =... = p x36 = 1/36. Gli eventi che ci interessano sono A = {il primo dado è 1} = {X {x 1, x 7, x 13, x 19, x 25, x 31 }} B = {la somma dei dadi è 4} = {X {x 3, x 8, x 13 }} Sapendo che B è accaduto, puntando sull 1 noi di fatto stiamo scommettendo sul fatto che la coppia uscita sia x 13 = (1, 3), cioè sull evento {X = x 13 } = AB, mentre l evento certo è {X {x 3, x 8, x 13 }}, ossia B. La probabilità della scommessa con aiuto sarà quindi P ({X = x 13 sapendo che X {x 3, x 8, x 13 }}) = P ({X = x 13 }) P ({X {x 3, x 8, x 13 }}) = 1/36 3/36 =
21 Probabilità condizionata Definizione: dati due eventi A e B con P (B) > 0, la probabilità con cui avviene A sapendo che B si è verificato si dice probabilità condizionata di A dato B; essa viene indicata con P (A B) e si calcola nel seguente modo P (A B) = P (AB) P (B). Il fatto che P (B) > 0 è fondamentale nella definizione, altrimenti avremmo uno 0 al denominatore (e al numeratore, poiché AB B implica P (AB) P (B) = 0). Se P (B) > 0, abbiamo che P (AB) = P (A B)P (B), per ogni evento A. Tale formula è detta formula dell intersezione. La formula si estende a n eventi P (A 1 A 2 A n ) = P (A 1 A 2 A 3 A n )P (A 2 A 3 A n ) P (A n 1 A n )P (A n ) 21
22 P ( B) è una probabilità Proposizione: sia B un evento fissato con P (B) > 0. La funzione P che associa a ogni evento A il numero P (A) = P (A B) è una probabilità. Valgono quindi tutte le conseguenze degli assiomi della probabilità e in particolare P (A) = 1 P (A), ovvero P (A B) = 1 P (A B). Teorema della probabilità totale. Siano dati n eventi B 1, B 2,..., B n tali che B 1, B 2,..., B n formano una partizione di S (ossia B 1 + B B n = S e B i B j = per ogni i j); P (B i ) > 0 per ogni i. Allora, per ogni evento A si ha che P (A) = P (A B 1 )P (B 1 ) + P (A B 2 )P (B 2 ) + + P (A B n )P (B n ). 22
23 Formula di Bayes Dalla definizione di probabilità condizionata, se P (A) > 0 e P (B) > 0, otteniamo P (AB) P (BA) = P (A B)P (B), = P (B A)P (A). Vale dunque l uguaglianza, nota come formula di Bayes P (B A) = P (A B)P (B) P (A) che ci permette di trovare P (B A) qualora noi conoscessimo P (A B), P (B) e P (A). Questo risultato si può estendere a una partizione e ottenere il teorema di Bayes. Teorema di Bayes. Siano dati n eventi B 1, B 2,..., B n tali che B 1, B 2,..., B n formano una partizione di S (ossia B 1 + B B n = S e B i B j = per ogni i j); P (B i ) > 0 per ogni i. Allora, per ogni evento A tale che P (A) > 0 si ha P (B k A) = P (A B k )P (B k ) P (A B 1 )P (B 1 ) + P (A B 2 )P (B 2 ) + + P (A B n )P (B n ). 23
24 Dipendenza e indipendenza di 2 eventi Definizione. Due eventi A e B si dicono indipendenti se P (AB) = P (A)P (B). Notiamo che se P (A) = 0, allora anche P (AB) = 0 e quindi ogni evento che ha probabilità nulla è indipendente da ogni altro evento. Proposizione. Se A e B sono eventi indipendenti, allora sono indipendenti anche A e B, A e BB, A e (B + B). Teorema Due eventi A e B sono indipendenti se e solo se la probabilità con cui accade A, sapendo qualsiasi cosa legata all evento B (che è accaduto, che non è accaduto, o non sapendo nulla), non varia e rimane quindi la probabilità P (A) di A. 24
25 Da 2 a n eventi... problemi Come estendiamo la definizione al caso di tre o più eventi? Fatto: Se abbiamo tre eventi A 1, A 2, A 3, sapere che tutte le coppie di eventi sono tra loro indipendenti (ossia P (A 1 A 2 ) = P (A 1 )P (A 2 ), P (A 2 A 3 ) = P (A 2 )P (A 3 ), P (A 1 A 3 ) = P (A 1 )P (A 3 )) non basta a garantire che la probabilità con cui accade il terzo, sapendo che i primi due sono accaduti, non cambia. L indipendenza delle coppie non sarà quindi la definizione di indipendenza per 3 o pi eventi. Fatto: Inoltre anche sapere che P (A 1 A 2 A 3 ) = P (A 1 )P (A 2 )P (A 3 ) non basta a garantire che la probabilità con cui accade A 3, sapendo che il primo è accaduto e non sapendo nulla del secondo (A 1 (A 2 + A 2 )), non cambia Che la probabilità dell intersezione di tutti gli eventi si fattorizza nel prodotto delle probabilità non sarà quindi la definizione di indipendenza per 3 o pi eventi. Definizione. Gli eventi A 1, A 2,..., A n si dicono indipendenti se per ogni scelta di k indici (k n) distinti i 1, i 2,..., i k vale che P (A i1 A i2 A ik 1 A ik ) = P (A i1 )P (A i2 ) P (A ik 1 )P (A ik ). La definizione appena data significa che debbono valere tutte le relazioni P (A i A j ) = P (A i )P (A j ) i j (k = 2) P (A i A j A k ) = P (A i )P (A j )P (A k ) i j k (k = 3). P (A 1 A 2 A 3 A n ) = P (A 1 )P (A 2 )P (A 3 ) P (A n ) (k = n) 25
26 Esempio: estrazione da un urna. Estraiamo a caso da un urna un numero tra 1 e 8 (i numeri sono equiprobabili). Consideriamo i seguenti eventi: A 1 = {estraggo un numero tra 1, 2, 3, 4}, A 2 = {estraggo un numero tra 1, 2, 3, 5}, A 3 = {estraggo un numero tra 1, 6, 7, 8}. È chiaro che P (A 1 ) = P (A 2 ) = P (A 3 ) = 1/2 (ho 4 risultati favorevoli su 8 possibili equiprobabili in ciascun evento). Inoltre A 1 A 2 A 3 = {estraggo il numero 1}, e quindi P (A 1 A 2 A 3 ) = P (A 1 )P (A 2 )P (A 3 ). Ma se so che A 3 è accaduto (e non so nulla di A 2 ), la probabilità di A 1 cambia. Infatti e quindi A 1 A 3 = {estraggo il numero 1}, P (A 3 A 1 ) = P (A 1A 3 ) P (A 3 ) = = = P (A 3). 26
27 Dipendenza e indipendenza di n variabili aleatorie Abbiamo visto che gli eventi di una variabile aleatoria X sono generati da eventi A del tipo A = {X I}, dove I è un intervallo di R. Dire quindi che due v.a. X e Y sono indipendenti vuol dire che preso un generico intervallo I 1 di R, sia A 1 = {X I 1 }, preso un generico intervallo I 2 di R, sia A 2 = {Y I 2 }, gli eventi A 1 e A 2 sono indipendenti, ossia P ({X I 1, Y I 2 }) = P (A 1 A 2 ) = P (A 1 )P (A 2 ) = P ({X 1 I 1 })P ({X 2 I 2 }). In altre parole, per ogni scelta di I 1 e I 2, deve valere l equazione P ({X 1 I 1, X 2 I 2 }) = P ({X 1 I 1 })P ({X 2 I 2 }). Definizione. Date le v.a. X 1, X 2,..., X n esse si dicono indipendenti se per ogni scelta di intervalli I 1, I 2,..., I n gli eventi {X 1 I 1 }, {X 2 I 2 },..., {X n I n } sono indipendenti, ossia P ({X 1 I 1, X 2 I 2,..., X n I n }) = P ({X 1 I 1 })P ({X 2 I 2 }) P ({X n I n }). 27
28 Legge congiunta Siano X e Y due variabili aleatorie. L insieme dei risultati di entrambe le v.a. è l insieme delle coppie (x i, y j ), dove x i è un risultato di X e y j è un risultato di Y. Definizione. Se X e Y sono discrete, definiamo legge congiunta delle v.a. X e Y la distribuzione p (X,Y ) (x i, y j ) = P ({X = x i, Y = y j }). La legge p X x k di X viene detta legge di distribuzione marginale di X (analogo per Y ). Caso continuo: poiché P ({X = x i, Y = y j }) = 0, dovremo quindi definire la legge congiunta a partire da eventi del tipo A = {x 1 < X < x 2 } e B = {y 1 < X < y 2 }. Due variabili aleatorie X e Y sono congiuntamente continue se esiste una funzione f (X,Y ) : R R R + {0}, tale che P ({x 1 < X < x 2, y 1 < Y < y 2 }) = = x2 x 1 y2 y 1 ( y 2 y 1 ( x 2 x 1 ) f (X,Y ) (x, y) dy dx ) f (X,Y ) (x, y) dx dy, per ogni scelta di x 1 < x 2, y 1 < y 2. La funzione f (X,Y ) (x, y) è detta densità congiunta delle v.a. X e Y. Analogamente al caso discreto la densità f X densità marginale di X (analogo per Y ). di X viene detta 28
29 Dalla legge congiunta alle leggi marginali Proposizione. Siano X e Y due v.a. discrete o congiuntamente continue. Abbiamo che p X x = j p (X,Y ) (x, y j ), p Y y = i p (X,Y ) (x i, y), f X (x) = f (X,Y ) (x, y) dy f Y (y) = f (X,Y ) (x, y) dx, ossia è sempre possibile trovare le leggi (o densità) marginali conoscendo la legge (o densità) congiunta. Formula di E(g(X, Y )) e E(X + Y ) = E(X) + E(Y ) Teorema. Data una funzione g, il valore atteso di Z = g(x, Y ), se definito, si può calcolare come E(g(X, Y )) = g(x i, y j )p (X,Y ) (x i, y j ) i j nel caso discreto, e ( ) E(g(X, Y )) = g(x) f (X,Y ) (x, y) dx dy, nel caso continuo. Corollario. Siano X e Y due v.a. e sia Z = X +Y la loro somma. E(Z) = E(X + Y ) = E(X) + E(Y ), ossia il valore atteso della somma è la somma dei valori attesi. 29
30 Riassunto Se dobbiamo calcolare il valore atteso della somma X + Y, possiamo calcolare il valore atteso della variabile Z = X + Y nel modo classico E(Z) = i z i p Z z i conoscendo la legge p Z z i della somma oppure utilizzare la probabilità congiunta p (X,Y ) (k, j) con la formula E(X + Y ) = (x k + y j )p (X,Y ) (x k, y j ). j k Si può dimostrare di più: se abbiamo una qualsiasi funzione Z = g(x, Y ), possiamo calcolare E(Z) nel modo classico E(Z) = i z i p Z z i conoscendo la legge p Z z i di Z = g(x, Y ), oppure utilizzare la probabilità (o densità) congiunta E(Z) = g(x k, y j )p (X,Y ) (x k, y j ). j k 30
31 Varianza della somma X + Y Proposizione. Per ogni coppia di variabili aleatorie X e Y, Var(X + Y ) = Var(X) + Var(Y ) + 2(E(XY ) E(X)E(Y )). Dalle leggi marginali alla legge congiunta Se X e Y sono indipendenti, allora p (X,Y ) (x i, y j ) = p X x i p Y y j, f (X,Y ) (x, y) = f X (x)f Y (y) caso discreto, caso continuo, ossia è possibile ricavare la legge (densità) congiunta conoscendo le leggi (densità) marginali. 31
32 Proposizione (Criterio di indipendenza). Due variabili aleatorie X e Y sono indipendenti se e solo se la legge (densità) congiunta è il prodotto delle leggi (densità) marginali p (X,Y ) (x i, y j ) = p X x i p Y y j, f (X,Y ) (x, y) = f X (x)f Y (y) caso discreto, caso continuo. Varianza della somma di variabili indipendenti Proposizione. Per ogni coppia di variabili aleatorie indipendenti X e Y, Var(X + Y ) = Var(X) + Var(Y ). 32
33 Legge dei grandi numeri È cosa nota per uno scienziato sperimentale che il ripetere esperimenti diminuisce l imprecisione dell esperimento stesso. Quello che vogliamo fare è capire un possibile significato matematico della frase appena detta. Supporremo quindi che il nostro scienziato stia ripetendo lo stesso esperimento più volte in maniera indipendente ogni volta dai risultati avuti: X 1, X 2,..., X n,... rappresentano le misurazioni che farà lo scienziato. Essendo fenomeni casuali, X 1, X 2,..., X n,... sono v.a. Poiché lo scienziato sta ripetendo lo stesso esperimento, le leggi di X 1, X 2,..., X n sono uguali. Inoltre le v.a. sono indipendenti. Cosa vorrà dire che diminuisce l imprecisione dell esperimento stesso all aumentare degli esperimenti? Se indichiamo con M n la media campionaria M n = X 1 + X X n, n è possibile mostrare che, in qualche modo, M n µ, dove µ = E(X 1 ) (ossia il valore atteso del risultato dell esperimento). 33
34 Valore atteso e varianza della media campionaria Proposizione. Siano X 1,..., X n variabili aleatorie indipendenti tutte con valore atteso µ e varianza σ 2. Se indichiamo con M n la media campionaria allora abbiamo che M n = X 1 + X X n, n E(M n ) = µ, Var(M n ) = σ2 n. Osservazione. Ricordiamo che V ar(m n ) = E((M n E(M n )) 2 ), e che la possiamo considerare la media pesata del quadrato della sua distanza dal valore atteso. Dal precedente risultato V ar(m n ) = V ar(x) n 0 n abbiamo che questa distanza diminuisce all aumentare di n. Poiché E(M n ) = µ segue che la media campionaria tende, si avvicina, al valore atteso per valori grandi di n. 34
35 Esempio: legge dei grandi numeri e dado a 6 facce Se eseguiamo un esperimento lanciando un dado n volte osserviamo che in effetti la distribuzione di probabilità della media di n lanci si avvicina al valor medio 3.5 all aumentare di n
36 Disuguaglianza di Chebyshev Proposizione. Sia X v.a. con valore atteso µ e varianza σ 2. Allora per ogni η > 0 P ({ X µ > η}) σ2 η µ=e(x) η η In altre parole più la varianza di una variabile aleatoria X è piccola più è piccola la probabilità che X assuma valori lontani dal suo valore atteso µ = E(X) µ=e(x) η η
37 Legge dei Grandi Numeri Definizione (Convergenza in probabilità). Diciamo che una successione di v.a. X 1, X 2,..., X n converge in probabilità alla v.a. X per n se e solo se per ogni η > 0 si ha lim P ({ X n X > η} = 0. n Teorema. sia X n una successione di v.a. indipendenti tutte con valore atteso µ e varianza σ 2. Allora M n converge in probabilità a µ ossia per ogni η > 0 lim P ({ M n µ > η} = 0. n 37
Statistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 1 Abbiamo visto: Definizioni di statistica, statistica inferenziale, probabilità (interpretazione
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliNOZIONI DI CALCOLO DELLE PROBABILITÀ
NOZIONI DI CALCOLO DELLE PROBABILITÀ ESPERIMENTO CASUALE: un esperimento si dice casuale quando gli esiti (manifestazioni o eventi) non possono essere previsti con certezza. PROVA: le ripetizioni, o occasioni
DettagliPROBABILITA. DEFINIZIONE: Ogni singolo risultato di un esperimento casuale si chiama evento elementare
PROBABILITA La teoria della probabilità si applica ad esperimenti aleatori o casuali: ossia, esperimenti il cui risultato non è prevedibile a priori. Ad esempio, lancio di un dado, lancio di una moneta,
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliEsercizi su variabili aleatorie discrete
Esercizi su variabili aleatorie discrete Esercizio 1. Data la variabile aleatoria discreta X, caratterizzata dalla seguente rappresentazione nello spazio degli stati: 1 0,25 X = { 0 0,50 1 0,25 calcolare
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliPer capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere:
PROBABILITÀ E STATISTICA Per capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere: x = 172, 3 cm Possiamo affermare
Dettagli1 Ingredienti base del CDP. 2 Denizioni classica e frequentista. 3 Denizione assiomatica. 4 La σ-algebra F. 5 Esiti equiprobabili
1 Ingredienti base del CDP 2 Denizioni classica e frequentista 3 Denizione assiomatica 4 La σ-algebra F 5 Esiti equiprobabili 6 Esperimento casuale 7 Probabilità condizionata Ingredienti base del CDP eventi
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliIL CALCOLO DELLE PROBABILITA
IL CALCOLO DELLE PROBABILITA INTRODUZIONE Già 3000 anni fa gli Egizi praticavano un antenato del gioco dei dadi, che si svolgeva lanciando una pietra. Il gioco dei dadi era diffuso anche nell antica Roma,
DettagliCalcolo della probabilità
Calcolo della probabilità GLI EVENTI Un evento è un fatto che può accadere o non accadere. Se esso avviene con certezza si dice evento certo, mentre se non può mai accadere si dice evento impossibile.
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliEsercizi settimana 5. Esercizi applicati. Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 2 3
1 Esercizi settimana 5 Esercizi applicati Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 3 di ottenere testa. Se scegliete la prima moneta vincete 10 punti se esce testa e punti
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
DettagliMetodi quantitativi per i mercati finanziari
Metodi quantitativi per i mercati finanziari Esercizi di probabilità Spazi di probabilità Ex. 1 Sia Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Siano A e B sottoinsiemi di Ω tali che A = {numeri pari},
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 12, Modelli Probabilistici
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
Dettagli1 Esercizi tutorato 1/4
Esercizi tutorato 1/ 1 1 Esercizi tutorato 1/ Esercizio 11 Siano X e Y due va discrete indipendenti di distribuzione geometrica con parametro p [0, 1] (i) Si calcoli la legge di X + Y, è una legge nota?
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliIntroduzione alla probabilità
Introduzione alla probabilità Osservazione e studio dei fenomeni naturali: a. Caso deterministico: l osservazione fornisce sempre lo stesso risultato. b. Caso stocastico o aleatorio: l osservazione fornisce
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliIl valore atteso di una v.a. (discreta)
di una v.a. (discreta) Introduciamo un nuovo concetto. DEFINIZIONE DI VALORE ATTESO DI UNA V.A. DISCRETA Sia X : Ω R una v.a. discreta avente come immagine in R l insieme V. di X è il numero reale E(X)
DettagliTeoria della probabilità
Introduzione alla teoria della probabilità Teoria della probabilità Primi sviluppi nel XVII secolo (Pascal( Pascal, Fermat, Bernoulli); Nasce nell ambito dei giochi d azzardo; d La prima formalizzazione
DettagliESERCIZIO 1 Lanciamo tre volte una moneta regolare e consideriamo equiprobabili i possibili
ESERCIZIO 1 Lanciamo tre volte una moneta regolare e consideriamo equiprobabili i possibili risultati. Dimostrare che per i 3 eventi A 1 = Almeno due teste A 2 = Un numero pari di teste A 3 = Croce al
DettagliLezione 2. La probabilità oggettiva : definizione classica e frequentistica e loro problemi
Lezione 2 La probabilità oggettiva : definizione classica e frequentistica e loro problemi La definizione classica Definizione classica: La probabilità di un evento E è il rapporto tra il numero dei casi
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
DettagliSOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA 1 Esercizio 0.1 Dato P (A) = 0.5 e P (A B) = 0.6, determinare P (B) nei casi in cui: a] A e B sono incompatibili; b] A e B sono indipendenti;
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliPROBABILITA. 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
DettagliESERCIZI HLAFO ALFIE MIMUN
ESERCIZI HLAFO ALFIE MIMUN December, 27. Testo degli esercizi Risolvere i seguenti problemi: () Siano X, X 2, X 3 variabili aleatorie i.i.d. bernulliane di media.5 e siano Y, Y 2, Y 3, Y 4 variabili aleatorie
Dettagli1 Eventi. Operazioni tra eventi. Insiemi ed eventi. Insieme dei casi elementari. Definizione di probabilità.
Quella che segue e la versione compatta delle slides usate a lezioni. NON sono appunti. Come testo di riferimento si può leggere Elementi di calcolo delle probabilità e statistica Rita Giuliano. Ed ETS
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
DettagliCapitolo 5. Variabili casuali discrete
Capitolo 5 Variabili casuali discrete Come già anticipato nel paragrafo 3, nella teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable) può essere
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
DettagliCalcolo delle Probabilità Soluzioni 1. Spazio campionario ed eventi
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliSTATISTICA 1 ESERCITAZIONE 8
STATISTICA 1 ESERCITAZIONE 8 Dott. Giuseppe Pandolfo 18 Novembre 2013 CALCOLO DELLE PROBABILITA Elementi del calcolo delle probabilità: 1) Esperimento: fenomeno caratterizzato da incertezza 2) Evento:
DettagliLezione 1: Università Mediterranea di Reggio Calabria Decisions Lab. Insiemi. La Probabilità Probabilità e Teoria degli Insiemi
Lezione 1: Probabilità e Teoria degli Università Mediterranea di Reggio Calabria Decisions Lab Gli insiemi Gli Un insieme S è una collezione di oggetti chiamati elementi dell insieme. - Se x è un elemento
DettagliEsercitazione del 31/01/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 1/01/2012 Istituzioni di Calcolo delle Probabilità Esercizio 1 Vengono lanciati due dadi regolari a 6 facce. (a) Calcolare la probabilità che la somma dei valori ottenuti sia 9? (b) Calcolare
DettagliLa probabilità composta
La probabilità composta DEFINIZIONE. Un evento E si dice composto se il suo verificarsi è legato al verificarsi contemporaneo (o in successione) degli eventi E 1, E 2 che lo compongono. Consideriamo il
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliEsercizi di Matematica per la prova di ammissione alla Scuola Galileiana /16
Esercizi di Matematica per la prova di ammissione alla Scuola Galileiana - 015/16 Esercizio 1 Per quali valori n Z \ {0} l espressione è un numero intero positivo? (n + 5)(n + 6) 6n Soluzione. Il problema
DettagliVariabili aleatorie: parte 1. 1 Definizione di variabile aleatoria e misurabilitá
Statistica e analisi dei dati Data: 11 Aprile 2016 Variabili aleatorie: parte 1 Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori 1 Definizione di variabile aleatoria e misurabilitá Informalmente,
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliProbabilità 1, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09. Due roulette regolari vengono azionate più volte; sia T il numero di volte che occorre azionare la prima roulette
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
DettagliMATEMATICA. a.a. 2014/15
MATEMATICA a.a. 2014/15 5. Introduzione alla probabilità: Definizioni di probabilità. Evento, prova, esperimento. Eventi indipendenti e incompatibili. Probabilità condizionata. Teorema di Bayes CONCETTI
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliP (F E) = P (E) P (F E) = = 25
Regola del prodotto Conoscete la definizione di probabilità condizionata. Definizione 1. Siano E e F due eventi di uno spazio campionario S. Supponiamo P (F ) > 0. La probabilità condizionata dell evento
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliÈ l insieme di tutti i possibili esiti di un esperimento aleatorio; si indica generalmente con il simbolo.
A Ripasso Terminologia DOMADE Spazio campionario Evento Evento certo Evento elementare Evento impossibile Evento unione Evento intersezione Eventi incompatibili Evento contrario RISPOSTE È l insieme di
Dettagli(2) se A A, allora A c A; (3) se {A n } A, allora +
1. Spazi di misura In questo paragrafo accenneremo alla nozione di spazio di misura. Definizione 1. Sia X un insieme non vuoto. Una famiglia A di sottoinsiemi di X è una σ-algebra se : (1) A; (2) se A
Dettaglie n n xn ( 1) n ( 1) n n + 1 2e n x n 3n [ln x]n 1 n + 1 2e n 1
1) Studiare la seguente serie di funzioni en ( 1) n n x n 2) Studiare la seguente serie di funzioni ( 1) n n + 1 2e n xn 3) Studiare la seguente serie di funzioni 3n [ln x]n 1 2n 4) Studiare la seguente
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliCosa dobbiamo già conoscere?
Cosa dobbiamo già conoscere? Come opera la matematica: dagli ai teoremi. Che cosa è una funzione, il suo dominio e il suo codominio. Che cosa significa n j=1 A j dove A j sono insiemi. Che cosa significa
DettagliLa probabilità matematica
1 La probabilità matematica In generale parliamo di eventi probabili o improbabili quando non siamo sicuri se si verificheranno. DEFINIZIONE. Un evento (E) si dice casuale, o aleatorio, quando il suo verificarsi
DettagliCOPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliLa PROBABILITA è un numero che si associa ad un evento E ed esprime il grado di aspettativa circa il suo verificarsi.
La maggior parte dei fenomeni, ai quali assistiamo quotidianamente, può manifestarsi in vari modi, ma è quasi sempre impossibile stabilire a priori quale di essi si presenterà ogni volta. La PROBABILITA
DettagliProbabilità Condizionale - 1
Probabilità Condizionale - 1 Come varia la probabilità al variare della conoscenza, ovvero delle informazioni in possesso di chi la calcola? ESEMPIO - Calcolare la probabilità che in una estrazione della
DettagliLe derivate parziali
Sia f(x, y) una funzione definita in un insieme aperto A R 2 e sia P 0 = x 0, y 0 un punto di A. Essendo A un aperto, esiste un intorno I(P 0, δ) A. Preso un punto P(x, y) I(P 0, δ), P P 0, possiamo definire
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliEsercitazioni del Corso di Probabilitá e Statistica Lezione 2: Eventi disgiunti, eventi indipendenti e probabilitá condizionata
Esercitazioni del Corso di Probabilitá e Statistica Lezione 2: Eventi disgiunti, eventi indipendenti e probabilitá condizionata Stefano Patti 1 19 ottobre 2005 Definizione 1 Sia (Ω, F) uno spazio probabilizzabile.
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliProbabilità I Calcolo delle probabilità
Probabilità I Calcolo delle probabilità Nozioni di eventi. Definizioni di probabilità Calcolo di probabilità notevoli Probabilità condizionate Concetto di probabilità Cos'è una probabilità? Idea di massima:
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
Dettagli1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3.
Corso di Laurea INTERFACOLTÀ - Esercitazione di Statistica n 6 ESERCIZIO 1: 1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3. lancio di
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 2010-11 P.Baldi Lista di esercizi 3. Corso di Laurea in Biotecnologie Esercizio 1 Una v.a. X segue una legge N(2, ). Calcolare a1) P(X 1) a2) P(2
DettagliΨ PSICOMETRIA. Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE
Ψ PSICOMETRIA Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE STATISTICA INFERENZIALE CAMPIONE caratteristiche conosciute POPOLAZIONE caratteristiche sconosciute STATISTICA INFERENZIALE STIMA
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliANALISI 1 1 QUINTA LEZIONE
ANALISI 1 1 QUINTA LEZIONE 1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email: saccon@mail.dm.unipi.it web: http://www2.ing.unipi.it/ d6081/index.html Ricevimento:
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
DettagliVariabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 8/04/2016
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 8/4/26 NOME: COGNOME: MATRICOLA: Esercizio Si supponga di avere
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliVettori applicati. Capitolo Richiami teorici. Definizione 1.1 Un sistema di vettori applicati Σ è un insieme
Capitolo 1 Vettori applicati 1.1 Richiami teorici Definizione 1.1 Un sistema di vettori applicati Σ è un insieme {(P i,v i ), P i E, v i V, i = 1,...,N}, (1.1) dove P i è detto punto di applicazione del
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliProbabilità esempi. Aiutiamoci con una rappresentazione grafica:
Probabilità esempi Paolo e Francesca giocano a dadi. Paolo scommette che, lanciando due dadi, si otterrà come somma 8 oppure 9. Francesca scommette che si otterrà come somma un numero minore o uguale a
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliTopologia, continuità, limiti in R n
Topologia, continuità, limiti in R n Ultimo aggiornamento: 18 febbraio 2017 1. Preliminari Prima di iniziare lo studio delle funzioni di più variabili, in generale funzioni di k variabili e a valori in
DettagliSTATISTICA A K (63 ore) Marco Riani
STATISTICA A K (63 ore) Marco Riani mriani@unipr.it http://www.riani.it Esempio totocalcio Gioco la schedina mettendo a caso i segni 1 X 2 Qual è la prob. di fare 14? Esempio Gioco la schedina mettendo
DettagliLa verifica delle ipotesi
La verifica delle ipotesi Se abbiamo un idea di quale possa essere il valore di un parametro incognito possiamo sottoporlo ad una verifica, che sulla base di un risultato campionario, ci permetta di decidere
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
Dettagli