2. Introduzione alla probabilità
Definizioni preliminari:
• Prova: è un esperimento il cui esito è aleatorio
• Spazio degli eventi elementari: è l’insieme  di
tutti i possibili esiti (può essere continuo,
discreto, finito, infinito)
• Evento casuale: è un sottoinsieme A di  ( A   )
Un evento casuale può essere
• impossibile A = 
• certo A = 
1
Esempi:
1) Prova: estrazione di 2 palline da un’urna di palline
nere e bianche
={bb,bn,nb,nn}
(spazio discreto finito)
Evento casuale: le due palline sono dello stesso
colore A = {bb,nn}  
2) Prova: si lancia una moneta fino a che non esce testa
={1,2,3,…} (spazio discreto infinito numerabile)
numero dei lanci necessari
2
4) Prova: lancio di un dado
={1,2,3,4,5,6}
(spazio discreto finito)
Evento casuale: esce un numero pari
A = {2,4,6}  
Evento casuale: esce un numero > 6 (impossibile)
Evento casuale: esce un numero <7 (certo)
3) Prova: si arriva ad una coda e si attende il prossimo
arrivo
={t | t  0 } (spazio continuo)
tempi di arrivo
3
Lo spazio degli eventi soddisfa i seguenti assiomi:
1) se A è un evento, il suo complemento (\A) è
anch’esso un evento
2) l’unione di più eventi A1,A2,…   è ancora un
evento, ossia

A i Ω
i1
4
Dato uno spazio di EVENTI DISCRETI
 = { w1, w2, … , wm},
la probabilità è una funzione
Pr( . ) :   [0,1]
che associa ad ogni evento elementare wi  ,
i=1, 2, … , m, la sua probabilità Pr(wi).
In particolare, Pr(wi) rappresenta la percentuale
di volte che l’evento elementare può accadere
quando il numero di prove eseguite tende
all’infinito, ossia
Nwi
Pr(ωi )  lim
N  N
5
Anche agli eventi casuali (non solo a quelli
elementari) è possibile associare la probabilità di
occorrenza:
N
Pr(A)  lim A
N  N
Naturalmente, se A = { wl1, wl2, … , wlq} :
q
Pr(A)   Pr{wli }
i1
6
La probabilità è caratterizzata dai seguenti assiomi:
1) 0  Pr(A)  1  A  
2) Pr() = 1
3) Se A e B sono eventi disgiunti (A  B = ), allora
Pr(A  B) = Pr(A) + Pr(B)
Se invece A e B non sono disgiunti (A  B  )
Pr(A  B) = Pr(A) + Pr(B) - Pr(A  B)
[ Teorema dell’unione di eventi ]
7
Esempi:
1) Prova: estrazione di 2 palline da un’urna di palline
nere e bianche  = {bb,bn,nb,nn}
wi
bb
bn
nb
nn
Pr(wi)
1/4
1/4
1/4
1/4
Eventi equiprobabili
Tabella delle probabilità
Evento casuale: le due palline sono dello stesso colore
A = {bb,nn}  
Pr(A) = 1/4 + 1/4 = 1/2
8
2) Prova: lancio di una moneta fino a che non esce testa
 = {1,2,3,...}
wi
1
2
3
4
:
k
Pr(wi)
1/2
1/4
1/8
1/16
:
1/2k
Primo lancio
Secondo lancio
etc.
T C
TT TC CT CC
9
Probabilità condizionata
Siano dati due eventi casuali A e B   e sia Pr(B) > 0.
Definiamo probabilità di A condizionata a B, la
probabilità che si verifichi A essendosi verificato B:
Pr(A  B)
Pr(A| B) 
Pr(B)
10
Due eventi A e B   sono (stocasticamente)
indipendenti se
Pr(A B) = Pr(A) ·Pr(B)
In questo caso risulta
Pr(A| B) = Pr(A) e
Pr(B|A) = Pr(B).
11
Esempio: lancio di un dado  = {1,2,3,4,5,6}
Evento casuale A : esce un numero < 4  A = {1,2,3}
Evento casuale B : esce un numero pari  B = {2,4,6}
I due eventi non sono stocasticamente indipendenti.
Pr(A) = Pr(B) = 1/2,
A  B = {2}

Pr(A  B) = 1/6
 Pr(A | B) = 1/3 (Suppongo cioè che solo
{2,4,6} si possono verificare, allora 1/3 è la
prob. che si abbia un numero < 4).
12
Teorema della probabilità assoluta
Sia  lo spazio degli eventi elementari e sia A1, A2, … ,Ak
una sua partizione, ossia
k
 A i Ω
A i A j  i  j
i1
Sia B  . Vale la seguente relazione
k
Pr(B)   Pr(A i)  Pr(B | A i)
i1
A1
A3
Dimostrazione:
A2
B
A4
B  (B  A 1)  (B  A 2 )    (B  A k )
k
k
i1
i1
Pr(B)   Pr(B  A i)   Pr(A i)  Pr(B | A i)
13
Variabili aleatorie (o casuali) discrete
Ad ogni evento elementare w   può essere associato
in modo univoco un numero reale attraverso una
particolare funzione che viene detta variabile
aleatoria (v.a.), ossia
( . ) :   X  R
Nel seguito indicheremo con X le v.a. e con x i valori
che esse possono assumere.
14
Una variabile aleatoria (o casuale) è completamente
definita dalla coppia (X,) dove X = {x1, … , xn}  R e
={x1, … , xn} dove xi = Pr(xi).
Naturalmente
 Πx i  1
x iX
Esempio: lancio di 2 monete. Il numero di teste è una
variabile aleatoria.
wi
Pr(wi) xi xi
CC
1/4
0 1/4
CT
1/4
insieme
1 1/2
numerico
TC
1/4
insieme non
numerico
TT
1/4
2
1/4
15
Una variabile aleatoria può essere agevolmente
rappresentata mediante un Istogramma
Esempio: numero di teste nel lancio di 2 monete
Pr(x)
1
3/4
1/2
1/4
-1
0
1
2
3
x
16
Esempio: numero di lanci di una
moneta fino a quando
non esce testa
wi
1
2
Pr(wi)
1/2
1/4
3
4
:
1/8
1/16
:
k
1/2k
Pr(x)
1/2
1/4
0
1
2
3
4
5
6
x
17
La funzione distribuzione cumulativa di
probabilità FX(y) di una v.a. X esprime la
probabilità che X assuma un valore minore o
uguale ad y:
FX(y) = Pr (x  y) = x  y Pr(x)
Esempio: numero di teste nel lancio di 2 monete
FX(x)
1
3/4
1/2
1/4
-1
1/4
1/2
0
1
2
3
x
18
Valore atteso o media
E[X]  μx   xPr(x)
xX
Nel caso di probabilità uniformi (ossia in cui
tutte le variabili xi siano equiprobabili) vale
1 m
E[X]  μx   xi
m i1
dove m= |X|.
Osservazione:
In generale può accadere che E[X]  X
19
Varianza
2
Var[X]  E[(X - E(X))2 ]  σ x   (x - μx )2 Pr(x)
xX
x è detta deviazione standard.
È una misura della distribuzione della probabilità
attorno al valore atteso.
Pr(x)
Var[X]=0
1
E[X]
x
20
Esempio: numero di teste nel lancio di 2 monete
wi
CC
CT
TC
TT
Pr(wi) xi xi
1/4
0 1/4
1/4
1 1/2
1/4
1/4
2 1/4
E[X] = 0 ·1/4 + 1 ·1/2 + 2 ·1/4 = 1
Var[X] = (0-1)2 ·1/4 + (1-1) 2 ·1/2 + (2-1) 2 ·1/4
= 1/4 + 1/4 = 1/2
21
Distribuzione uniforme
 1
b  a  1
Pr(x)  

0
x  a, a  1, , b
altrimenti
1
E[X]  (a  b)
2
(b  a  1)2  1
Var[X] 
12
La probabilità è la stessa in tutti i punti
dell’intervallo.
22
Distribuzione geometrica
p(1  p) x

Pr(x)  
0
x N
0<p<1
altrimenti
1
E[X]   1
p
1-p
Var[X]  2
p
N.B.
1
a 
1a
x 0

x

1
1
 p(1  p)  p 
1  (1  p)
x 0

x
23
x
0
1
2
3
4
.
.
.
p(1  p) x
(p  0.5)
0.5
0.52 = 0.25
0.53 = 0.125
0.54 = 0.0625
0.55 = 0.03125
.
.
.
24
Distribuzione di Poisson
 e -  x
 x!
Pr(x)  

0
x N
  R+
altrimenti
E[X]  
Var[X]  
25
Naturalmente
λ x
 eλ

x  0 x!


e λ λ

x!
x 0

x
1
Inoltre è facile verificare che:
x
x
x


λ
λ
λ
μ   xp(x)   xe λ
  xe λ
 e λ 
x! x 1
x!
xN
x 0
x 1(x  1)!
 λ (x 1)
 λk
λ
λ
e λ 
e λ 
 e λ λ eλ  λ
x 1(x  1)!
k  0 k!

26
x
0
1
2
3
4
5
.
.
.
e -  x
x!
0.367
0.367
0.183
0.061
0.015
0.003
.
.
.
(  1)
Pr(x)
1
0 1 2 3 4
x
27
Pr(x)
>1
0 1 2 3 4
x
L’importanza di tale distribuzione deriva dal
fatto che vi sono diverse situazioni in cui la
distribuzione di Poisson appare in modo
naturale.
28
Funzione generatrice di probabilità
PX (z)   z xPr(x)
xX
Nel caso in cui X  N la funzione generatrice di
probabilità coincide con la z-trasformata della
funzione probabilità.
N.B.
Perché tale definizione abbia senso, la serie deve
naturalmente essere convergente.
29
Se XN possiamo esprimere E[X] e Var[X]
in funzione di

PX (z)   z i Pr(i)
i 0
dPX (z)
E[X]  
dz z 1
2
 dPX (z) 
d PX (z)
dPX (z)

Var[X] 

 
2
dz z 1  dz z 1 
dz z 1
2
30
Esempio: numero di teste nel lancio di 2 monete
xi xi
0 1/4
1
1/2
2
1/4

1
1
1
 z 1  z 2
4
2
4
z2  2z  1

4z2
PX (z)   z i Pr(i)  z 0
i 0
dPX (z)
z 1
 3
 1
dz z 1
2z z 1

d2PX (z)
2z  3
5


2
4
dz z 1
2z z 1 2

E[X]  1
5
1
Var[X]   1  1 
2
2
31
Esempio: numero di lanci di una moneta fino a che
non esce testa
wi
Pr(wi)



i
i 1
1
1/2
PX (z)   z Pr(i)   z i   (2z) i
2 i1
i 0
i1
2
1/4
3
4
:
k
1/8
1/16
:
N.B. Per i=0 la Pr(i)=0 non 1/20.
Ricordiamo che se |a|< 1,

i
a 
1/2k

i 0

PX (z)  1   (2z)  1   (2z) i  1 
i1
i
i 0
dPX
2
E[X]  

2
2
dz z 1
(2z  1) z 1
1
1a
1
1

1

2z  1
1  (2z) 1
32
Variabili aleatorie continue
Fino ad ora abbiamo considerato il caso di variabili
che assumo al più una infinità numerabile di valori.
Vi sono però naturalmente dei casi in cui tali
variabili possono assumere qualunque valore in R (o
in un intervallo di R).
Es. Istante di tempo in cui un certo
dispositivo elettronico smette di funzionare
Molte delle definizioni prima viste sono ancora
valide, quali ad es. quella di evento impossibile,
evento certo, probabilità condizionata, etc.,
alcune vanno tuttavia riformulate.
33
Le v.a. continue sono caratterizzate mediante la
funzione densità di probabilità (x).
(x)

 Π(x)dx  1
x
-
x1 x1+dx
(x1)dx = Pr(x[x1, x1+dx])
34
La funzione di distribuzione cumulativa FX(y) esprime
la probabilità che X assuma un valore minore o uguale
ad y:
y
FX (y)  Pr(x  y)   Π(x)dx
-
Chiaramente la funzione FX(x) è una funzione monotona
non decrescente
e FX(+)=1.
35
Valore atteso o media

E[X]  μx   Π(x)x dx

Varianza
2
2

Var[X]  E[(X - E(X)) ]  σ x   Π(x)(x - μx )2 dx

36
Distribuzione uniforme
(x)
1/(b-a)
x
a
b
E[X]=(a+b)/2
Var[X]=(b-a)2/12
37
Distribuzione esponenziale
(x) = e- x
xR+  {0}

x
E[X]=1/ 
Var[X]= 1/ 2
38
Distribuzione normale o gaussiana
 (x)
Var[X]=2
E[x]=

1
Π(x) 
e
σ 2π
x
(x μ)2
2σ 2
39
• Se la distribuzione è normale allora il valore
medio è anche il valore più probabile.
• La somma di v.a. gaussiane indipendenti è ancora
una v.a. gaussiana indipendente la cui media è pari
alla somma delle medie e la cui varianza è pari alla
somma delle varianze.
Una v.a. gaussiana è detta standard se
E[X]=0 e Var[X]=1.
40
Funzione generatrice di probabilità

PX (s)   e sxΠ(x)dx  L[ (x)]
0
dPX (s)
E[X]  
ds s 0
2
 dPX (s) 
d PX (s)

Var[X] 
 
2
ds s 0  ds s 0 
2
41
Esempio: variabile casuale esponenziale negativa
Π(x)  λ e λ x
λ
PX (s)  L[ e ] 
s λ
dPX (s)
λ
1

 E[X] 
2
ds
λ
(s  λ )
d2PX (s)
2λ
1
1
2
Var[X] 

E[X]



ds2
(s  λ )3 s 0 λ 2 λ 2
λ x
42