Dispensa Probabil - Parte1

PROBABILITA’
La teoria della probabilità si applica ad esperimenti

aleatori o casuali, quelli cioè il cui risultato (esito)
non è noto a priori (lancio di un dado, di una moneta,
estrazione del lotto, numero di contatti ad un sito web...)
Per caratterizzare un esperimento casuale definiamo:

• evento elementare ωi : ogni singolo risultato di
un esperimento casuale;
• spazio campionario Ω = {ω1, ω2, . . .}: insieme
costituito da tutti i possibili esiti (eventi elementari)
Esempio 1: lancio di una moneta ⇒ Ω = {T, C}
dove T =“testa” e C=“croce” (2 eventi elementari)
Esempio 2: lancio di una moneta 3 volte (o 3 monete...)

Ω = {T T T, T T C, T CT, CT T, CCT, CT C, T CC, CCC}
vi sono 8 eventi elementati: |Ω| = 8
Esempio 3: lancio di due dadi

Ω = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), . . . , (6, 6)}
|Ω| = 62 = 36 (prodotto cartesiano, reticolo...)
Esempio 4: lancio una moneta finchè non esce “testa”

Ω = {T, CT, CCT, CCCT, . . .} infinità numerabile
Esempio 5: osservo la durata della prossima telefonata
Ω = R+ infinità non numerabile: potenza del continuo
1
Lo spazio campionario si dice discreto se Ω ha cardi-
nalità finita (esempi 1, 2 e 3) o al più numerabile (esem-
pio 4); Ω è detto continuo se è costituito da una infinità
non numerabile di eventi elementari (esempio 5).
Si definisce evento E un qualsiasi insieme di eventi ele-

mentari, ossia un qualunque sottoinsieme E ⊆ Ω.
Esempio 6: lancio di un dado ⇒ Ω = {1, 2, 3, 4, 5, 6}

E = “esce un numero dispari” = {1, 3, 5}
Poiché ogni evento E è un sottoinsieme di Ω allora
• E può sempre essere espresso in termini formali me-

diante un insieme di eventi elementari;
• le relazioni tra eventi possono essere rappresentate
tramite le operazioni dell’insiemistica.
Unione: A ∪ B = insieme di eventi elementari di Ω che

appartengono ad A oppure a B (l’evento unione si ver-
ifica se almeno uno degli eventi si verifica).
Esempio 6: lancio di un dado.

A = “esce un numero pari” = {2, 4, 6}
B = “esce un numero primo” = {1, 2, 3, 5}
A ∪ B = {1, 2, 3, 4, 5, 6} = Ω
2
Intersezione: A∩B = insieme di eventi elementari di Ω
che appartengono sia ad A che a B (l’evento intersezione
si verifica se entrambi gli eventi si verificano).
Esempio 6: lancio di un dado
A ∩ B = {2}
Negazione o Complementare: Ā = Ac = insieme

di eventi elementari di Ω che non appartengono ad A (il
complementare si verifica se l’evento non si verifica)
Esempio 6: lancio di un dado.
Ā = “esce un numero dispari” = {1, 3, 5}
Sottrazione: B − A = insieme di eventi elementari di

Ω che appartengono a B ma non appartengono a A (si
verifica l’evento sottrazione se si verifica B ma non A)
B − A = B ∩ Ā
B − A = {1, 3, 5}
Alcune Proprietà:
• (A ∪ B)c = Ac ∩ B c
• (A ∩ B)c = Ac ∪ B c
• A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
• A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
3
INCOMPATIBILITA’
Due eventi A e B si dicono disgiunti o incompatibili

se A ∩ B = ∅ (non avendo eventi elementari in comune,
il verificarsi dell’uno esclude il verificarsi dell’altro).
A = “esce un numero dispari” = {1, 3, 5}

B = “esce un numero maggiore di 5” = {6}
A∩B =∅
Gli eventi A, B, C, . . . sono detti mutuamente esclu-

sivi o mutuamente incompatibili se tutte le coppie
sono disgiunte (il verificarsi di uno esclude il verificarsi di
tutti gli altri).
N.B. Gli eventi elementari sono mutuamente esclusivi!
4
MISURA DI PROBABILITA’
Ad ogni evento dello spazio campionario di un esperi-
mento casuale potremmo assegnare un valore numerico
compreso tra 0 e 1 che ne misuri la tendenza a verificarsi.
Chiamiamo questo valore probabilità dell’evento.
Storicamente sono stati adottati diversi approcci nello

sviluppo della teoria della probabilità, ciascuno basato
su di una diversa definizione del concetto di probabilità.
• Approccio Classico (Laplace): se tutti gli eventi
elementari sono equiprobabili, si definisce proba-
bilità di un evento A il rapporto tra il numero di casi
favorevoli ad A ed il numero dei casi possibili:
num casi favorevoli ad A

Pr(A) =
num casi possibili
num di eventi elementari che compongono A
=
num totale di eventi elementari
Esempio 2: lancio una moneta 3 volte

Ω = {T T T, T T C, T CT, CT T, CCT, CT C, T CC, CCC}
Numero di casi possibili = |Ω| = 8
A= “escono almeno due teste”={T T T, T T C, T CT, CT T }
Numero di casi favorevoli ad A = |A| = 4
4
Pr(A) = = 0, 5
8
Esempio 6: lancio di un dado ⇒ Ω = {1, 2, 3, 4, 5, 6}
A= “esce un numero primo”={1,2,3,5}
|A| 4
Pr(A) = =
|Ω| 6
5
• Approccio Frequentista (von Mises): ripetendo
l’esperimento infinite volte nelle medesime condizioni,
si definisce la probabilità di un evento A come il
limite della frequenza relativa di volte in cui A si
è verificato
num volte che si verifica A in n prove
Pr(A) = lim
n→∞ n
Entrambi gli approcci hanno delle limitazioni:
1. L’approccio classico definisce la probabilità partendo
da eventi elementari equiprobabili (definizione circo-
lare). Inoltre è applicabile solo se |Ω| < ∞.
2. L’approccio frequentista richiede che l’esperimento
sia ripetibile nelle medesime condizioni (ma vi sono
ambiti in cui ciò è impossibile); inoltre deve essere
ripetuto tantissime volte, ma quante?
3. In entrambi gli approcci la probabilità è pensata come
una proprietà oggettiva dell’evento e dell’esperimento
aleatorio a cui esso si riferisce.
Tutte queste limitazioni vengono superate attraverso i
due più moderni approcci di tipo soggettivista (che non
approfondiremo) ed assiomatico.
• Approccio Soggettivista (De Finetti e Savage):
la probabilità è una misura del grado di fiducia che
un individuo ha nel verificarsi dell’evento (scommessa
equa: quanto si è disposti a scommettere per ricevere
1 se l’evento si verifica e 0 se non si verifica).
6
APPROCCIO ASSIOMATICO
(Kolmogorov)
La probabilità è definita come una funzione Pr(·) che ad
ogni evento A associa un valore in IR, tale da soddisfare
le seguenti condizioni (assiomi della probabilità)
1. Pr(A) ≥ 0
2. Pr(Ω) = 1
3. Se A ∩ B = ∅, Pr(A ∪ B) = Pr(A) + Pr(B)
PROPRIETA’
P1) Per ogni evento A
Pr(Ā) = 1 − Pr(A)
Dim: A ∪ Ā = Ω e A ∩ Ā = ∅, ossia A e Ā sono
disgiunti. Allora,
Pr(A ∪ Ā) = Pr(A) + Pr(Ā) = Pr(Ω) = 1
da cui Pr(Ā) = 1 − Pr(A).
P2) Pr(∅) = 0
Dim: da P1), Pr(∅) = 1 − Pr(Ω) = 1 − 1 = 0.
P3) Per ogni evento A

0 ≤ Pr(A) ≤ 1
Dim: dal primo assioma segue che Pr(A) ≥ 0 e
Pr(Ā) ≥ 0, da cui Pr(Ā) = 1 − Pr(A) ≥ 0 e
Pr(A) ≤ 1.
7
P4) Se A = A1 ∪ . . . ∪ An, dove A1, . . . , An sono eventi
mutuamente esclusivi, allora
Pr(A) = Pr(A1 ∪ . . . ∪ An) = Pr(A1) + . . . + Pr(An )
Dim: è un’immediata conseguenza del terzo assioma.
P5) Qualunque siano gli eventi A e B

Pr(A − B) = Pr(A) − Pr(A ∩ B)
Dim: A = (A − B) ∪ (A ∩ B), dove (A − B) e
(A ∩ B) sono eventi disgiunti, e pertanto si ha che
Pr(A) = Pr(A − B) + Pr(A ∩ B)
P6) Qualunque siano A e B

Pr(A ∪ B) = Pr(A) + Pr(B) − Pr(A ∩ B)
Dim: A ∪ B = (A − B) ∪ (B − A) ∪ (A ∩ B),
dove i tre eventi (A − B), (B − A) e (A ∩ B) sono
mutuamente esclusivi. Allora
Pr(A ∪ B) = Pr(A − B) + Pr(B − A) + Pr(A ∩ B)
= Pr(A) − Pr(A ∩ B) + Pr(B) − Pr(A ∩ B) + Pr(A ∩ B)
= Pr(A) + Pr(B) − Pr(A ∩ B)
8
PROBABILIZZAZIONE DI EVENTI
Ogni evento A può essere espresso come l’unione di eventi
elementari di Ω, che per definizione sono tra loro mutu-
amente esclusivi. Pertanto, se sono note le probabilità
dei singoli eventi elementari, applicando la proprietà P4)
possiamo calcolare la probabilità di A sommando le prob-
abilità dei singoli eventi elementari che lo compongono.

A =“esce un numero pari” = {2} ∪ {4} ∪ {6}
Pr(A) = Pr({2}∪{4}∪{6}) = Pr({2})+Pr({4})+Pr({6})
Il problema consiste quindi nel determinare la probabilità

di ogni singolo evento elementare
Supponiamo che Ω sia finito: Ω = {ω1, ω2, . . . , ωn }.

Pr(Ω) = 1 = Pr(ω1) + Pr(ω2) + . . . + Pr(ωn )
Se tutti gli eventi elementare sono equiprobabili
Pr(ωi ) = c ∀i = 1, . . . , n
allora,
Pr(ω1)+Pr(ω2)+. . .+Pr(ωn) = c+c+. . .+c = n×c = 1
da cui segue che
1
c=
n
ossia
1
Pr(ωi ) = ∀i = 1, . . . , n
n
9
Pertanto, nel caso in cui Ω sia costituito da un numero
finito di eventi elementari tutti equiprobabili, se A è
l’unione di un certo numero r eventi elementari:
1 1 1 r
Pr(A) = + + . . . + =
|n n {z n} n
r volte
|A| num. casi favorevoli
= =
|Ω| num. casi possibili
ossia ritroviamo la definizione classica di probabilità.
Esempio 6: lancio di un dado non truccato

Ω = {1, 2, 3, 4, 5, 6} ⇒ |Ω| = 6 < ∞
e gli eventi elementari sono equiprobabili:
1
Pr({i}) = i = 1, . . . , 6.
6
Le probabilità degli eventi di questo esperimento possono
quindi essere calcolate usando la definizione classica:
A=“esce un numero pari”
3 1
Pr(A) = Pr({2}) + Pr({4}) + Pr({6}) = 6
= 2
B=“esce un numero maggiore di 4”

Pr(B) = Pr({5}) + Pr({6}) = 26 = 1
3
C=“esce un numero dispari”

3
Pr(C) = Pr({1}) + Pr({3}) + Pr({5}) = 6
= 12 .
Alternativamente, dato che C = Ac
1 1
Pr(C) = Pr(Ac) = 1 − Pr(A) = 1 − =
2 2
10
D=“esce un numero pari o maggiore di 4”
4 2
Pr(D) = Pr({2})+Pr({4})+Pr({6})+Pr({5}) = =
6 3
Alternativamente, dato che D = A ∪ B allora
Pr(D) = Pr(A) + Pr(B) − Pr(A ∩ B)
dove A ∩ B = {6} e quindi
1 1 1 1 1 2
Pr(D) = + − Pr({6}) = + − =
2 3 2 3 6 3
Esempio 3: lancio di due dadi non truccati.
In questo caso |Ω| = 36 e tutti gli eventi elementari (ossia
le coppie (i, j) con i = 1, . . . , 6 e j = 1, . . . , 6) sono
equiprobabili. Possiamo allora applicare la definizione
classica di probabilità.
3
A=“la somma delle facce è ≤ 3” ⇒ Pr(A) = 36
B=“esce almeno un numero pari”

Il modo più semplice di calcolare Pr(B) consiste nel
porre B = C̄, dove C =“entrambe le facce sono
dispari”. Dato che
3×3 9
Pr(C) = =
36 36
9
allora Pr(B) = Pr(C̄) = 1 − Pr(C) = 1 − 36 = 27
36
.
D = A∪B =“la somma delle facce è ≤ 3 oppure appare
almeno un numero pari”
Pr(D) = Pr(A) + Pr(B) − Pr(A ∩ B)
dove A ∩ B = {(1, 2), (2, 1)} e quindi
3 27 2
Pr(D) = + −
36 36 36
11
Se Ω è finito, attraverso le tecniche viste in precedenza (e
sfruttando opportunamente gli assiomi) possiamo calco-
lare probabilità di eventi anche nel caso in cui gli eventi
elementari non siano equiprobabili.
Esempio: supponiamo di lanciare un dado che è stato

truccato in modo tale che l’uscita di una faccia sia pro-
porzionale al valore della faccia stessa.
Anche se Ω = {1, 2, 3, 4, 5, 6} è finito, non possiamo av-

valerci della definizione classica in quanto ora gli eventi
elementari in esso contenuti non sono più equiprobabili
dato che per ipotesi si ha:
Pr({i}) = c · i i = 1, . . . , 6
Calcoliamo allora la costante di proporzionalità c, usando
gli assiomi della probabilità.
Pr({i}) ≥ 0 ⇒ c ≥ 0
6
X
Pr(Ω) = 1 = Pr({i})
i=1
= c + 2c + 3c + 4c + 5c + 6c = 21c
da cui c = 1/21. Pertanto, esiste ed è unica la misura di
probabilità ed è data da
i
Pr({i}) = i = 1, . . . , 6.
21
A=“esce un numero pari”
2 4 6 12 1
Pr(A) = Pr({2})+Pr({4})+Pr({6}) = + + = >
21 21 21 21 2
12
CENNI DI CALCOLO COMBINATORIO
La definizione classica di probabilità, nelle situazioni in
cui può essere applicata, richiede il conteggio del numero
di casi possibili e del numero di casi favorevoli. Al tal fine
è utile richiamare alcuni concetti di calcolo combinatorio.
Supponiamo di disporre di un’urna contenente n oggetti

diversi.
Permutazioni: in quanti modi diversi possono essere

ordinati questi n oggetti?
n! = n · (n − 1) · (n − 2) · . . . · 2 · 1
(per convenzione 0! = 1)
N.B.: configurazioni ordinate ⇒ vettori.
Esempio: in quanti modi posso ordinare le lettere a, b, c?
3! = 3 · 2 · 1 = 6 (ossia: abc acb bac bca cab cba)
Disposizioni semplici: se estraiamo dall’urna k ogget-
ti, via via senza reinserirli, in quanti modi posso ordi-
narli?
n!
= n · (n − 1) · . . . · (n − k + 1) con k ≤ n
(n − k)!
Esempio: supponiamo che l’urna contenga le 3 lettere
a, b, c. Se ne estraiamo senza reinserimento 2 quante
configurazioni ordinate posso ottenere?
3! 6
= = 6 (ossia: ab ac ba bc ca cb)
(3 − 2)! 1
13
Disposizioni con replicazione: se estraiamo dal-
l’urna k oggetti, via via reinserendoli nell’urna, in quanti
modi posso ordinarli?
nk
N.B.: in questo modo ottengo vettori k−dimensionali
in cui, essendo l’estrazione con reinserimento, lo stesso
oggetto può comparire più volte.
Esempio: quale è la probabilità di vincere al totocalcio

giocando un’unica colonna?
Abbiamo 13 partite, ciascuna delle quali consente 3 pos-
sibili esiti (1, 2 e X). Giocando una colonna ho un unico
caso favorevole, mentre i casi possibili sono 313 e pertanto
1 1
Pr(“vincere”) = 313
= 1594323 .
Combinazioni: effettuando k estrazioni senza rein-

serimento dall’urna, quanti insiemi diversi possiamo for-
mare?
n n!
=
k k! × (n − k)!
(coefficiente binomiale)
N.B.: estraendo senza reinserimento, ciascuna configu-

razione sara formata da k oggetti diversi tra loro dove ora
non prestiamo attenzione all’ordine!
Esempio: nel Super-Enalotto vengono estratti 6 numeri

sui 90 disponibili senza possibili ripetizioni e l’ordine è
irrilevante ⇒ 90
6 ≃ 622614630 possibili combinazioni.
14
PROBABILITA’ CONDIZIONATA
Dati due eventi A e B (con Pr(B) > 0) si definisce prob-
abilità di A condizionata al verificarsi dell’evento B (o
probabilità di A dato B) la quantità
Pr(A ∩ B)
Pr(A|B) =
Pr(B)
• è definita come il rapporto tra la probabilità congiun-
ta di A e B e la probabilità di B e pertanto il ruolo
dei due eventi non è simmetrico;
• soddisfa gli assiomi della probabilità;
• è ben definita a patto che B possa verificarsi, ossia
Pr(B) > 0; altrimenti, se B coincidesse con l’evento
impossibile ∅
Pr(A ∩ ∅) Pr(∅) 0
Pr(A|∅) = = =
Pr(∅) Pr(∅) 0
quindi non ha senso condizionare rispetto ad eventi
impossibili.
Essa rappresenta la probabilità che si verifichi A dato il
verificarsi dell’evento B, ossia supponendo che quest’ul-
timo si verifichi: dando per scontato il verificarsi di B,
Pr(A|B) riscala la probabilità di A non piu su tutto Ω
ma solo sugli eventi elementari che costituiscono B.
Si noti l’analogia con le frequenze relative condizionate:

la frequenza relativa condizionata della modalità xi di X
data la modalità yj di Y è il rapporto tra la frequen-
za relativa congiunta di xi e yj e la frequenza relativa
marginale di yj .
15
Se possiamo applicare la definizione classica di probabilità
(Ω finito ed eventi elementari equiprobabili):
casi favorevoli a A ∩ B / casi possibi
Pr(A|B) =
casi favorevoli a B / casi possibili
casi favorevoli a A ∩ B
=
casi favorevoli a B
B diventa lo spazio campionario in sostituzione di Ω.
In alcuni casi è semplice calcolare Pr(A|B) direttamente;

in altri casi invece può risultare più semplice calcolare
Pr(A ∩ B) e Pr(B) e derivare da questi Pr(A|B).
Esempio: estraendo da un mazzo di 40 carte 2 carte

senza reinserimento e supponendo che la prima carta es-
tratta sia un asso, qual è la probabilità che anche la sec-
onda sia un asso?
Se indichiamo con
B=“la prima carta estratta è un asso”
A=“la seconda carta estratta è un asso”
è facile calcolare direttamente la probabilità condizionata
3
Pr(A|B) =
39
Altrimenti dobbiamo procedere come segue:
4
Pr(B) =
40
4
4!
2 2!2! 4·3
Pr(A ∩ B) = 40 = 40! =
2 2!38!
40 · 39
Pr(A ∩ B) (4 · 3)/(40 · 39) 3
Pr(A|B) = = =
Pr(B) 4/40 39
16
Esempio 3: lancio di due dadi. Calcolare la probabilità
che il primo dado produca la faccia 3 sapendo che la som-
ma delle due facce è pari a 7.
Poniamo
A=“il primo dado produce la faccia 3”
B=“la somma delle due facce è 7”
non è semplice calcolare Pr(A|B) direttamente, ma pos-
siamo procedere usando la definizione.
casi favorevoli a (I = 3 ∩ I + II = 7)
Pr(A ∩ B) =
casi possibili
casi favorevoli a (I = 3 ∩ II = 4) 1
= =
36 36
casi favorevoli a (I + II = 7) 6
Pr(B) = =
36 36
dato che i casi favorevoli a (I + II = 7) sono
{(1, 6), (6, 1), (2, 5), (5, 2), (3, 4), (4, 3)}
Pr(A ∩ B) 1/36 1
⇒ Pr(A | B) = = =
Pr(B) 6/36 6
Esercizio: un’urna contiene 7 palline, di cui 3 rosse e 4

bianche. Effettuando due estrazioni senza reinserimento
1. calcolare la probabilità che la seconda estratta sia
bianca dato che la prima è bianca;
2. calcolare la probabilità che siano entrambe bianche.
17
TEOREMA DELLE PROBABILITA’
TOTALI
Dato che B ∪ B̄ = Ω, allora
A = A ∩ Ω = A ∩ (B ∪ B̄) = (A ∩ B) ∪ (A ∩ B̄)
e poichè gli eventi (A ∩ B) e (A ∩ B̄) sono disgiunti
Pr(A) = Pr((A∩B)∪(A∩ B̄)) = Pr(A∩B)+Pr(A∩ B̄)
Dalla definizione di probabilità condizionata
Pr(A ∩ B)
Pr(A|B) =
Pr(B)
segue che
Pr(A∩B) = Pr(A|B) Pr(B) e Pr(A∩B̄) = Pr(A|B̄) Pr(B̄)
e quindi
Pr(A) = Pr(A|B) Pr(B) + Pr(A|B̄) Pr(B̄)
Esempio 7: un’urna contiene 5 palline, numerate da

1 a 5, e supponiamo di estrarne 2 senza reinserimento.
Qual è la probabilità che la seconda pallina sia pari?
Poniamo
A =“la prima pallina è pari”
B =“la seconda pallina è pari”
12 23 4
Pr(B) = Pr(B|A) Pr(A)+Pr(B|Ā) Pr(Ā) = + =
4 5 4 5 10
18
TEOREMA DI BAYES
Dalla definizione di probabilità condizionata

Pr(A ∩ B)
Pr(A|B) =
Pr(B)
da cui
Pr(A ∩ B) = Pr(A|B) Pr(B)
Allo stesso tempo
Pr(B ∩ A)
Pr(B|A) =
Pr(A)
e quindi
Pr(B ∩ A) = Pr(B|A) Pr(A)
Infine, dato che A ∩ B = B ∩ A
Pr(A|B) Pr(B) = Pr(B|A) Pr(A)
da cui
Pr(A|B) Pr(B)
Pr(B|A) =
Pr(A)
Pr(A|B) Pr(B)
=
Pr(A|B) Pr(B) + Pr(A|B̄) Pr(B̄)
Interpretazione: supponiamo che A sia un evento di in-

teresse e B un evento che possiamo vedere come una pos-
sibile causa di A. Allora il teorema di Bayes indica come
si modifica la valutazioni a priori circa la causa B (ossia
Pr(B)) alla luce del verificarsi di A (ossia Pr(B|A)).
19
Esempio 7 (pag 18): abbiamo un’urna con 5 palline nu-
merate da cui facciamo 2 estrazioni senza reinserimento.
1. Calcolare la probabilità che la prima pallina sia pari
dato che la seconda è pari.
1 2
Pr(B|A) Pr(A) 4 · 5 1
Pr(A|B) = = 1 2 =
Pr(B) 4
· 5
+ 24 · 35 4
2. Calcolare la probabilità che entrambe le palline es-

tratte siano pari.
1 2 1
Pr(A ∩ B) = Pr(B|A) Pr(A) = · =
4 5 10
Si sarebbe anche potuto seguire la strada
Pr(A ∩ B) = Pr(A|B) Pr(B)
sfruttando i risultati precedenti.
N.B.: si noti come in questo caso Pr(A|B) e Pr(B) siano

difficili da calcolare direttamente attraverso le rispettive
definizioni.
20
Esempio. Un amico ci ha detto che con una probabilità
del 80% oggi ci sarebbe venuto a trovare a mezzogiorno. Il
nostro amico ha deciso di viaggiare in pullman e sappiamo
che il 40% dei pullman arriva in ritardo a destinazione.
1. Calcolare la probabilità che a mezzogiorno il nostro
amico non sia ancora arrivato.
Poniamo
M=“a mezzogiorno il nostro amico non è arrivato”
V=“il nostro amico ha deciso di venirci a trovare”
Pr(M ) = Pr(M |V ) Pr(V ) + Pr(M |V̄ ) Pr(V̄ )

=0, 4 · 0, 8 + 1 · 0, 2 = 0, 52
2. Se a mezzogiorno non è ancora arrivato, qual è la
probabilità che venga comunque a trovarci?
Pr(M |V ) Pr(V ) 0, 4 · 0, 8
Pr(V |M ) = = = 0, 6154
Pr(M ) 0, 52
Esempio. In una popolazione la percentuale di fumatori
è pari al 35%. Inoltre è noto che il 20% dei fumatori
e il 6% dei non fumatori sono affetti da una malattia
respiratoria cronica. Si vuole determinare la probabilità
che un individuo affetto dalla malattia sia fumatore.
Poniamo: F=“fumatore” M=“malato”
Pr(M |F ) Pr(F )
Pr(F |M ) =
Pr(M |F ) Pr(F ) + Pr(M |F̄ ) Pr(F̄ )
0, 2 · 0, 35
= = 0, 64
0, 2 · 0, 35 + 0, 06 · 0, 65
21
Esercizio (pag. 17): un’urna contiene 7 palline, di
cui 3 rosse e 4 bianche; effettuando due estrazioni senza
reinserimento, calcolare la probabilità che
1. la seconda pallina estratta sia bianca dato che la
prima è bianca;
2. siano entrambe bianche;
3. la seconda sia bianca;
4. la prima sia bianca, dato che la seconda è bianca.
Nel caso in cui le estrazioni venissero effettuate con rein-
serimento, come dovrebbero essere modificati i calcoli ai
punti precedenti?
22
INDIPENDENZA DI EVENTI
Due eventi A e B si dicono indipendenti se e solo se
Pr(A ∩ B) = Pr(A) Pr(B)
Se A e B sono indipendenti, allora
Pr(A ∩ B) Pr(A) Pr(B)
Pr(A|B) = = = Pr(A)
Pr(B) Pr(B)
che possiamo interpretare nel modo seguente: se A e B
sono indipendenti la probabilità che si verifichi A non è
modificata dall’informazione che B si è verificato.
Ma se A e B sono indipendenti, vale anche

Pr(A ∩ B) Pr(A) Pr(B)
Pr(B|A) = = = Pr(B)
Pr(A) Pr(A)
ossia la probabilità che si verifichi B non è modificata dal-
l’informazione che A si è verificato.
Se A e B si riferiscono ad esperimenti o prove tra loro

indipendenti (ossia a sé stanti, che non si influenzano
a vicenda), i due eventi saranno essi stessi indipendenti
e possiamo calcolare la loro probabilità congiunta come
prodotto delle due probabilità marginali.
Esempio: lancio 2 volte una moneta. I due lanci pos-

sono essere visti come due prove indipendenti. Pertanto,
1 1
Pr({T T }) = Pr({T }) Pr({T }) = ·
2 2
1 1
Pr({T C}) = Pr({T }) Pr({C}) = · ecc...
2 2
23
Esempio 3: lancio di due dadi. Dato che i lanci possono
essere considerati prove indipendenti,
Pr(“entrambe le facce sono pari”) = Pr(“I pari”∩“II pari”)
3 3
= Pr(“I pari”) · Pr(“II pari”) = ·
6 6
Esempio 7 (pag. 18): abbiamo un’urna con 5 palline
numerate da cui facciamo 2 estrazioni.
1. Se le estrazioni sono con reinserimento, esse possono
essere considerate prove indipendenti, in quanto la
composizione dell’urna rimane sempre inalterata:
Pr(“entrambe le palline sono pari”) = Pr(A ∩ B)
2 2
= Pr(A) Pr(B) = ·
5 5
e
2
Pr(B|A) = Pr(B) =
5
2. Se le estrazioni sono senza reinserimento, la prima
modifica la composizione dell’urna e pertanto le due
estrazioni non possono considerarsi indipendenti:
1 4
Pr(B|A) = 6= Pr(B) =
4 10
e
1 2 4
Pr(A ∩ B) = 6= Pr(A) Pr(B) = ·
10 5 10
Se l’urna contenesse un numero elevatissimo di palline,
le estrazioni, anche se fatte senza reinserimento, si
possono considerare come se fossero con reinserimen-
to, poiché di fatto la composizione dell’urna rimane
inalterata. In questo caso, le singole estrazioni pos-
sono considerarsi come prove indipendenti.
24
ATTENZIONE: Incompatibili 6= Indipendenti!
Se A e B sono incompatibili (A ∩ B = ∅) sappiamo che il
verificarsi dell’uno esclude il verificarsi dell’altro evento:
⇒ max informazione reciproca.
Qual é l’unico caso in cui 2 eventi sono allo stesso tempo
incompatibili ed indipendenti?
Il concetto di indipendenza puó essere esteso direttamente

al caso di piú di due eventi: A, B e C sono indipendenti
se e solo se
Pr(A ∩ B) = Pr(A) Pr(B)
Pr(A ∩ C) = Pr(A) Pr(C)
Pr(B ∩ C) = Pr(B) Pr(C)
ed inoltre
Pr(A ∩ B ∩ C) = Pr(A) Pr(B) Pr(C)
Nel caso di n eventi generici A1, A2, . . . , An , perché siano
indipendenti si deve avere che, preso un qualunque sot-
toinsieme di essi di dimensione maggiore o quale a 2, la
probabilità congiunta sia pari al prodotto delle marginali.
Esempio 2: lancio di una moneta 3 volte. I tre lanci

possono considerarsi come prove indipendenti e quindi
3
1
Pr({T CT }) = Pr({T }) Pr({C}) Pr({T }) =
2
25
LE VARIABILI CASUALI
Una variabile casuale (o aleatoria) è una funzione che
associa ad ogni evento elementare di Ω un numero reale:
X : Ω → IR
Una variabile casuale è una variabile il cui valore dipende
dal risultato di un esperimento casuale: indicheremo con
X la variabile e con x il valore da essa assunto.
Esempio 2: lancio di 3 monete, X = numero di teste

Ω = {T T T, T T C, T CT, T CC, CT T, CT C, CCT, CCC}
X(T T T ) = 3, X(T T C) = X(T CT ) = X(CT T ) = 2,
X(T CC) = X(CT C) = X(CCT ) = 1, X(CCC) = 0
X assume valori sull’insieme {0, 1, 2, 3}.
Esempio 3: lancio di 2 dadi, X = somma delle facce

Ω = {(1, 1), (1, 2), (1, 3), . . . , (6, 6)}
X((1, 1)) = 2, X((1, 2)) = 3, . . . , X((6, 6)) = 12
X assume i valori sull’insieme {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}.
Esempio 5: durata di una lampadina, Ω = [0, ∞)

X=durata della lampadina ⇒ X(ω) = ω e X ∈ [0, ∞).
X ′ = 1 se durata ≥ 1 anno, X ′ = 0 se durata < 1 anno.
La variabile casuale si definisce discreta se assume un

numero finito o una infinità numerabile di valori, con-
tinua se assume una infinità non numerabile di valori.
26
VARIABILI CASUALI DISCRETE
Non conoscendo l’esito dell’esperimento, a priori non siamo
in grado di prevedere con certezza quale valore sarà as-
sunto dalla variabile, ma possiamo associare a ciascuno
dei valori della variabile la probabilità che si verifichi.
Esempio 2: lancio di 3 monete, X = numero di teste

⇒ X ∈ {0, 1, 2, 3} dove
1
Pr(X = 0) = Pr(CCC) =
8
3
Pr(X = 1) = Pr(T CC ∪ CT C ∪ CCT ) =
8
3
Pr(X = 2) = Pr(T T C ∪ T CT ∪ CT T ) =
8
1
Pr(X = 3) = Pr(T T T ) =
8
Distribuzione di Probabilità: associa ad ogni pos-
sibile valore di X la probabilità che esso si verifichi:
Valori di X 0 1 2 3 Tot
Probabilità 1/8 3/8 3/8 1/8 1
Una variabile aleatoria discreta X è caratterizzata dal

suo supporto SX , che specifica l’insieme dei valori xi che
X può assumere, e dalle probabilità con cui tali valori
possono verificarsi p(xi) = Pr(X = xi)
Valori di X x1 x2 . . . xi . . . Tot
Probabilità p(x1) p(x2) . . . p(xi) . . . 1
P
dove naturalmente p(xi) ≥ 0 e xi ∈SX p(xi) = 1.
27
Esempio 3: lancio di 2 dadi, X = somma delle facce
⇒ SX = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} dove
Pr(X = 2) = Pr(r(1, 1)) = 1/36
Pr(X = 3) = Pr((1, 2) ∪ (2, 1)) = 2/36
Pr(X = 4) = Pr((1, 3) ∪ (3, 1) ∪ (2, 2)) = 3/36
...
Pr(X = 11) = Pr((5, 6) ∪ (6, 5)) = 2/36
Pr(X = 12) = Pr((6, 6)) = 1 − Pr(X = 1) − Pr(X = 2)
− . . . − Pr(X = 11) = 1/36
X 2 3 4 5 6 7 8 9 10 11 12 Tot
p(x) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 1
0.16
0.14
0.12
0.10
p(x)
0.08
0.06
0.04
2 4 6 8 10 12
28
LA FUNZIONE DI RIPARTIZIONE
La funzione ripartizione FX (·) di una variabile casuale X
(sia continua che discreta) è definita da
FX (x) = Pr(X ≤ x) x ∈ IR
Analogia con la funzione di frequenze relative cumulate

(forniva la percentuale di unità statistiche che avevano
assunto una modalità minore o uguale a x)
Per una variabile casuale discreta X con distribuzione

X x1 x2 . . . xi . . . Tot
p(x) p(x1) p(x2) . . . p(xi) . . . 1
la funzione di ripartizione
X
FX (x) = p(xi)
xi ≤x
è una funzione a gradini con salti in corrispondenza dei

valori xi del supporto, dove si ha
FX (xj ) = Pr(X ≤ xj ) = p(x1) + . . . + p(xj )
Proprietà:
• FX (·) : IR → [0; 1] è non-decrescente;
• continua a destra;
• limx→−∞ FX (x) = 0 e limx→+∞ FX (x) = 1
29
Esempio 2 (pag. 27): lancio di 3 monete
X = numero di teste ⇒ SX = {0, 1, 2, 3}
1.0
0.8
0.6
F(x)
0.4
0.2
0.0
−1 0 1 2 3 4
F (0) = Pr(X ≤ 0) = Pr(X = 0) = 1/8

F (1) = Pr(X ≤ 1) = Pr(X = 0) + Pr(X = 1) = 4/8
F (2) = Pr(X ≤ 2) = Pr(X = 0) + Pr(X = 1) + Pr(X = 2) = 7/8
F (3) = Pr(X ≤ 3) = 1
Si noti che Pr(X < 1) = Pr(X = 0) = 1/8

Inoltre, dato che (X ≤ 2) = (X > 2)
Pr(X ≤ 2) = 1−Pr(X > 2) = 1−Pr(X = 3) = 1−1/8 = 7/8
Da (X ≥ 1) = (X < 1), segue che
Pr(X ≥ 1) = 1−Pr(X < 1) = 1−Pr(X = 0) = 1−1/8 = 7/8
30
VALORE ATTESO E VARIANZA PER
VARIABILI CASUALI DISCRETE
Sia X una v.c. discreta con distribuzione di probabilità
X x1 x2 . . . xi . . . Tot
p(x) p(x1) p(x2) . . . p(xi) . . . 1
Il valore atteso (o media) di X è la quantità

X
E(X) = xip(xi)
xi ∈SX
Analogia con il concetto di media in statistica descrittiva:

Xr
M (X) = xj fj
j=1
Il valore atteso è un indice di tendenza centrale della dis-

tribuzione di probabilità della variabile (non coincide nec-
essariamente con uno dei valori che X può assumere).
La varianza di X è la quantità
X
2
Var(X) =E(X − E(X)) = (xi − E(X))2p(xi)
xi ∈SX
X
2 2
=E(X ) − [E(X)] = x2i p(xi) − [E(X)]2
xi ∈SX
La varianza è un indice di dispersione: quantifica la ten-

denza della distribuzione di probabilità di X a concen-
trarsi attorno alla media. Si definisce scarto quadrati-
co medio (o deviazione standard) di X
p
sqm(X) = Var(X)
31
Esempio 2 (pag. 27): lancio di 3 monete. Calcolare
valore atteso e varianza del numero di teste X che escono
nei 3 lanci.
1 3 3 1 12 3
E(X) = 0 × + 1 × + 2 × + 3 × = =
8 8 8 8 8 2
Per calcolare la varianza, valutiamo innanzitutto il mo-

mento secondo
1 3 3 1 24
E(X 2) = 02 × + 12 × + 22 × + 32 × = =3
8 8 8 8 8
da cui 2
3 3
Var(X) = 3 − = .
2 4
Esempio 3 (pag. 28): lancio di due dadi. Si calcoli

valore atteso e deviazione standard della somma X delle
due facce.
1 2 3 4 5 7
E(X) = 2× +3× +4× +5× +6× +7× +
36 36 36 36 36 36
5 4 3 2 1 252
+8× +9× +10× +11× +12× = =7
36 36 36 36 36 35
Inoltre
1 1
E(X 2) = 22 × + . . . + 122 × = 54, 83
36 36
e quindi
Var(X) = 54, 83 − 72 = 5, 83 ⇒ sqm(X) = 2, 42
32
TRASFORMAZIONI DI VARIABILI
Se da X deriviamo Y attraverso la trasformazione lineare
Y = a + bX
allora
E(Y ) = E(a + bX) = a + bE(X)
Var(Y ) = Var(a + bX) = b2Var(X)
ATTENZIONE: in generale, se effettuo una trasfor-

mazione Y = g(X) di una v.c. discreta X
X
E(g(X)) = g(xi)p(xi)
xi ∈SX
Pertanto se g(·) non è lineare allora E(Y ) 6= g(E(X)).
LA STANDARDIZZAZIONE
Se alla variabile casuale X applichiamo la trasformazione
X − E(X)
Z= p
Var(X)
otteniamo una variabile casuale Z standardizzata, os-
sia tale che
E(Z) = 0 Var(Z) = 1
33
Esempio: in una lotteria vengono emessi
3 biglietti con vincita da 1000 euro
Se una persona acquista un solo biglietto,
• calcolare valore atteso e varianza della vincita X;
• calcolare il guadagno atteso nel caso in cui il biglietto
costi 5 euro.
Soluzione
X 0 5 200 1000 Tot

1000 100 10 3
p(x) 1113 1113 1113 1113 1
La vincita attesa è
1000 100 10 3
E(X) = 0× +5× +200× +1000× = 4, 94 euro
1113 1113 1113 1113
Inoltre
1000 100 10
E(X 2) = 02 × + 52 × + 2002 × +
1113 1113 1113
3
+10002 × = 3057, 053 euro2
1113
da cui
Var(X) = 3057, 053 − 4, 942 = 3032, 65 euro2
34
Indicando ora con G il guadagno in euro di un persona
che acquista un unico biglietto dal costo di 5 euro, allora
G = X − 5. Pertanto il guadagno atteso E(G) è dato da
E(G) = E(X − 5) = E(X) − 5 = 4, 94 − 5 = −0, 06
avremmo cioè una perdita attesa, ossia non conviene in
media comprare il biglietto della lotteria.
Altrimenti avremmo dovuto ricavare la distribuzione di

probabilita di G: da cui
G -5 0 195 995 Tot

1000 100 10 3
p(x) 1113 1113 1113 1113 1
1000 100 10 3
E(G) = (−5)· +0· +195· +995· = −0, 06
1113 1113 1113 1113
Se ora volessimo calcolare la vincita attesa e la varianza

della vincita espresse in lire, allora posto Y = vincita in
lire generata dall’acquisto di un solo biglietto
Y = 1936, 27 · X
Dalle proprietà della media e della varianza abbiamo che
E(Y ) = 1936, 27 · E(X) = 9565, 17 lire
e
Var(Y ) = 1936, 272 · Var(X) = 1936, 272 · 3032, 65 lire2
35
ESEMPI IMPORTANTI DI VARIABILI
CASUALI DISCRETE
Per conoscere una variabile aleatoria discreta X (e quindi
poterne calcolare le probabilità di eventi di interesse, il
valore atteso, la varianza, ecc...), dobbiamo disporre della
sua distribuzione di probabilità, che specifica il supporto
SX e le probabilità p(xi) per ogni xi ∈ SX .
Vi sono alcune variabili casuali (o, analogamente, alcune

distribuzioni di probabilità) di fondamentale importan-
za, in quanto rappresentano dei modelli matematici che
descrivono situazioni reali molto frequenti e di spiccato
interesse.
Nell’ambito delle variabili casuali discrete, approfondire-

mo nel seguito lo studio dei seguenti modelli:
• distribuzione uniforme discreta;
• distribuzione di Bernoulli;
• distribuzione binomiale;
• distribuzione di Poisson.
36
VARIABILE CASUALE UNIFORME
DISCRETA
La v.c. X si distribuisce secondo una uniforme discreta

se assume un numero finito di possibili valori x1, . . . , xn
ciascuno con uguale probabilità 1/n di verificarsi, ossia:
X x1 x2 . . . xn Tot
1 1 1
p(x) n n
... n
1
La distribuzione uniforme discreta rappresenta il model-

lo matematico di riferimento per l’equiprobabilità (tipica
nei giochi d’azzardo) e, dal punto di vista della notazione,
solitamente viene indicata con X ∼ U{x1 ,...,xn}.
Proprietà:
X 1 num. di xi ≤ x
F (x) = Pr(X ≤ x) = =
i:x ≤x
n n
i
n n
X 1 1X
E(X) = xi · = xi
i=1
n n i=1
n n
!2
1 X 1 X
Var(X) = E(X 2)−{E(X)}2 = x2i − xi
n i=1 n i=1
37
Esempio 6: lancio di un dado. Se X rappresenta la
faccia del dado, allora SX = {1, 2, 3, 4, 5, 6} e ciascuno
di essi ha probabilità 1/6 di verificarsi: X ∼ U{1,2,3,4,5,6}
1+ 2+ ... + 6
E(X) = = 3, 5
6
12 + 22 + . . . + 62
V (X) = − 3, 52 = 2, 92
6
3
Pr(X ≤ 3) = F (3) =
0.22
0.20
0.18
6
p(x)
0.16
0.14
0.12
0.10
1 2 3 4 5 6
x
1.0
0.8
0.6
F(x)
0.4
0.2
0.0
0 1 2 3 4 5 6 7
38
VARIABILE CASUALE DI BERNOULLI
Riguarda gli esperimenti in cui l’interesse è legato ad
esiti dicotomici, come Successo/Insuccesso, Vero/Falso,
Si/No, Presenza/Assenza, ecc...
Supponiamo di disporre dell’elenco degli iscritti alla Fa-

coltà di Economia, di cui è noto che la percentuale di
ragazzi è pari al 55%. Estraendo a caso un numero di
matricola, indichiamo con X la v.c. cosı̀ definita
(
1 se Maschio
X=
0 se Femmina
Allora la sua distribuzione di probabilità è
Pr(X = 1) = 0, 55
Pr(X = 0) = 1 − 0, 55 = 0, 45
o più sinteticamente
Pr(X = x) = 0, 55x · (1 − 0, 55)(1−x), x = 0, 1
Consideriamo ora un generico esperimento dove un even-
to di interesse A (“successo”) si verificherà con una certa
probabilità π, quindi con probabilità 1−π si verificherà il
suo complementare Ā (“insuccesso”). Definendo X cosı̀
(
1 se si verifica A
X=
0 se si verifica Ā
allora la v.c. X si distribuisce secondo una Bernoulli di
parametro π, X ∼ Be(π), ossia la sua distribuzione di
probabilità è data da
Pr(X = x) = π x(1 − π)(1−x) , x = 0, 1
39
Proprietà:
E(X) = 1 × π + 0 × (1 − π) = π
E(X 2) = 12 × π + 02 × (1 − π) = π
Var(X) = E(X 2) − [E(X)]2 = π − π 2 = π(1 − π)
Bernoulli, p=0.5 Bernoulli, p=0.1

0.9
0.9
0.7
0.7
p(x)
p(x)
0.5
0.5
0.3
0.3
0.1
0.1
0 1 0 1
x x
Bernoulli, p=0.9
0.9
0.7
p(x)
0.5
0.3
0.1
0 1
40
VARIABILE CASUALE BINOMIALE
Supponiamo di lanciare 3 volte una moneta truccata in
modo che l’esito testa abbia probabilità 0,6. Se indichi-
amo con Xi la v.c. che descrive l’esito dell’i-esimo lancio,
(
1 se nell’i-esimo lancio esce testa
Xi =
0 se nell’i-esimo lancio esce croce
e, come abbiamo visto, Xi ∼ Be(0, 6) per ogni i = 1, 2, 3.
Se anzichè esaminare l’esito di ogni singolo lancio siamo
interessati al numero complessivo di volte X in cui è
uscita testa nei 3 lanci, allora
3
X
X= Xi
i=1
dove ora la v.c. X assume come possibili esiti i valori 0,

1, 2 e 3. Proviamo a determinare
Pr(X = 2)
ossia la probabilità che in 3 lanci si osservino 2 teste. Per
esempio, la sequenza (X1 = 1, X2 = 1, X3 = 0) soddisfa
il requisito richiesto e
Pr(X1 = 1, X2 = 1, X3 = 0) = Pr(X1 = 1) Pr(X2 = 1) Pr(X3 = 0)
poiché tali eventi si riferiscono a 3 lanci tra loro indipen-
denti, risultando quindi essi stessi indipendenti. Allora,
Pr(X1 = 1, X2 = 1, X3 = 0) = (0, 6)2(1 − 0, 6)(3−2)
Tuttavia anche (X1 = 1, X2 = 0, X3 = 1) soddisfa la
condizione di avere esattamente 2 teste, cosı̀ come, in
41
generale, tutte le sequenze con due valori uguali ad 1 ed
un unico 0, ciascuna delle quali per l’indipendenza dei
lanci ha probabilità (0, 6)2(1 − 0, 6)(3−2). Per calcolare
Pr(X = 2) dobbiamo quindi determinare il numero di tali
sequenze, che coincide con il numero di modi di disporre
i due valori 1 nelle 3 posizioni della sequenza, ossia

3 3! 3!
= = = 3.
2 2!(3 − 2)! 2!1!
Pertanto

3
Pr(X = 2) = 0, 62(1−0, 6)(3−2) = 3·0, 36·0, 4 = 0, 432
2
Analogamente, se volessimo calcolare la probabilità di
osservare esattamente 1 testa in 3 lanci

3
Pr(X = 1) = 0, 61(1−0, 6)(3−1) = 3·0, 6·0, 16 = 0, 288
1
Più in generale, per ogni valore x ∈ SX = {0, 1, 2, 3}

3
Pr(X = x) = 0, 6x(1 − 0, 6)(3−x)
x
Generalizziamo ulteriormente il problema e consideriamo
il caso in cui lanciamo n volte la moneta. Indicando
con X il numero di teste negli n lanci, allora si ha che
SX = {0, 1, . . . , n} ed inoltre

n
Pr(X = x) = 0, 6x(1 − 0, 6)(n−x), x = 0, 1, . . . , n.
x
42
Consideriamo ora un generico esperimento di tipo Bernoul-
liano, ossia tale da generare un “successo” (si verifica un
evento A) con probabilità π o un “insuccesso” (Ā) con
probabilità 1 − π e supponiamo di ripeterlo n volte in
modo indipendente. Indicando con X la v.c. che conta il
numero di successi nelle n replicazioni, allora
n
X
X= Xi
i=1
dove ogni Xi rappresenta una v.c. di Bernoulli che de-

scrive il risultato dell’i-esima prova
(
1 se si verifica A
Xi = i = 1, 2 . . . , n.
0 se si verifica Ā
Pertanto X può assumere come valori i numeri interi
0, 1, . . . , n e la probabilità di osservare esattamente x
successi nelle n prove è

n x
Pr(X = x) = π (1 − π)(n−x), x = 0, 1, . . . , n.
x
Si dice che X si distribuisce come una binomiale di
parametri n e π, ossia X ∼ Bin(n; π).
Una v.c. binomiale X ∼ Bin(n; π) descrive il numero di

successi in n prove Bernoulliane tra loro indipendenti ed
a probabilità di successo π costante.
43
Proprieta:
• se X ∼ Bin(n; π), allora
E(X) = nπ V (X) = nπ(1 − π)
• per n = 1 la binomiale coincide con la Bernoulli, ossia

Bin(1; π) = Be(π) (viene eseguita un’unica prova).
Binomiale, n=20,p=0.5 Binomiale, n=20,p=0.2

0.20
0.20
simmetria
asimmetria a dx
0.15
0.15
p(x)
p(x)
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 0 5 10 15 20
x x
Binomiale, n=20,p=0.8
0.20
0.15
asimmetria a sx
p(x)
0.10
0.05
0.00
0 5 10 15 20
44
Esercizio 1. E’ noto che il 98% degli studenti che si
presentano allo scritto d’esame del corso di Statistica ha
con sè la calcolatrice, mentre il restante 2% ne è sprovvis-
to. Se ad uno scritto si presentano 10 studenti, calcolare
la probabilità che
1. nessuno abbia la calcolatrice;
2. l’abbiano portata in 2;
3. almeno uno ce l’abbia.
Soluzione
Indicando con C l’evento “lo studente ha la calcolatrice”,
Pr(C) = 0, 98. Sia X la v.a. che conta quanti dei 10
studenti considerati hanno la calcolatrice: ciascuno di es-
si o ha portato la calcolatrice (“successo”) o non l’ha
portata (“insuccesso”), è lecito assumere che i compor-
tamenti di studenti diversi siano tra loro indipendenti ed
inoltre la probabilità di portare la calcolatrice è costante
e pari a 0,98. Pertanto X ∼ Bin(10; 0, 98) e per ogni
x = 0, 1, . . . , 10

10
Pr(X = x) = 0, 98x(1 − 0, 98)(10−x)
x

10
Pr(X = 0) = 0, 980(1 − 0, 98)(10−0) = 0, 0210
0

10
Pr(X = 2) = 0, 982(1 − 0, 98)(10−2) = 45 · 0, 982 · 0, 028
2
Pr(X ≥ 1) =1 − Pr(X < 1) = 1 − Pr(X = 0) = 1 − 0, 0210
45
Esercizio 2. Una Banca ha concesso finanziamenti a
10 imprese. Sapendo che la probabilità che un’impresa
sia insolvente è pari a 0,2 ed assumendo che le imprese si
comportino in modo indipendente, determinare la prob-
abilità che al massimo due di esse siano insolventi.
Soluzione
Possiamo vedere i 10 finanziamenti come 10 prove in-
dipendenti, dato che le imprese si comportano in modo
indipendente le une dalle altre, ciascuna delle quali gen-
era insolvenza (“successo”) con probabilità 0,2. Se in-
dichiamo con X il numero di imprese insolventi tra le 10
finanziate, X ∼ Bin(10; 0, 2) e pertanto
Pr(X ≤ 2) = Pr(X = 0) + Pr(X = 1) + Pr(X = 2)

10 10 10
= 0, 20 · 0, 810 + 0, 21 · 0, 89 + 0, 22 · 0, 88
0 1 2
=0, 810 + 10 · 0, 2 · 0, 89 + 45 · 0, 22 · 0, 88 = 0, 302
N.B.: chiaramente avremmo ottenuto la stessa soluzione
se avessimo posto Y = numero di imprese solventi tra le
10 finanziate, dove però in questo caso Y ∼ Bin(10; 0, 8)
e la probabilità cercata è Pr(Y ≥ 8).
Esercizio 3. Una squadra ha probabilità di vittoria

2/3 ogni volta che gioca. Dovendo giocare 4 partite
determinare la probabilità che
1. vinca almeno due partite;
2. perda più della metà delle partite.
46
VARIABILE CASUALE DI POISSON
Riguarda gli esperimenti in cui l’interesse è legato al nu-

mero complessivo di eventi che si verificano in un certo
periodo di tempo (ad es.: il numero di clienti che si pre-
sentano ad uno sportello in una giorno, il numero di auto
che giungono ad un casello autostradale durante una mat-
tinata, il numero di visite ad una pagina web in un’ora).
Una v.c. discreta X si distribuisce secondo una Poisson

di parametro λ > 0, il che si indica con X ∼ P (λ), se la
sua distribuzione di probabilità è data da:
λx −λ
Pr(X = x) = e x = 0, 1, 2, . . .
x!
Si noti che:
• X può assumere tutti i valori interi non negativi (il
suo supporto è infinito);
• il parametro positivo λ da cui dipende rappresenta
la media della distribuzione:
E[X] = λ
ossia λ è il numero medio di eventi nell’unità di
tempo considerata;
• la varianza della distribuzione coincide con λ stesso:
V [X] = E[X] = λ
47
0.4
0.3
0.2
0.1
0.0
0 5 10 15
Figura 1: Distribuzione di probabilità di Poisson al variare di λ = 1 (nero),

3 (rosso), 5 (verde) e 8 (blu).
Poissoniana come legge degli eventi rari: sud-

dividendo l’intervallo di tempo considerato in tanti sot-
tointervalli, se
• la probabilità che si verifichi un solo evento è costante
tra i sottointervalli;
• la probabilità di osservare due o più eventi in ogni
sottointervallo tende a 0;
• eventi relativi a sottointervalli diversi sono tra loro
indipendenti;
allora il numero complessivo di eventi osservati X nel pe-
riodo di interesse si distribuisce secondo una Poissoniana.
48
Esempio: è noto che il numero di riparazioni che ciascu-
na abitazione necessita in un anno segue una distribuzione
di Poisson di media 2. Qual è la probabilità che in un
anno una casa abbia bisogno di
1. esattamente una riparazione?
2. al massimo una?
3. più di una?
Soluzione: Sia N il numero di riparazioni richieste in
un anno, con N ∼ P (2). Allora si ha
1. Pr(N = 1) = 2 · e−2 = 0, 271;
2. Pr(N = 0) + Pr(N = 1) = e−2 + 2 · e−2 = 0, 406;
3. Pr(N > 1) = 1 − Pr(N = 0) − Pr(N = 1) =
1 − 0, 406 = 0, 594.
Proprietà: se X1, . . . , Xn sono v.c. di Poisson, rispet-

tivamente di parametri λ1, . . . , λn, tra loro indipendenti
allora la v.c. somma S = X1 + . . . + Xn si distribuisce
secondo una Poisson di media λ1 + . . . + λn.
49

Dispensa Probabil - Parte1

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Dispensa Probabil - Parte1

Diunggah oleh

Hak Cipta:

Format Tersedia

PROBABILITA’

La teoria della probabilità si applica ad esperimenti

Per caratterizzare un esperimento casuale definiamo:

Esempio 2: lancio di una moneta 3 volte (o 3 monete...)

Esempio 3: lancio di due dadi

Esempio 4: lancio una moneta finchè non esce “testa”

Si definisce evento E un qualsiasi insieme di eventi ele-

Esempio 6: lancio di un dado ⇒ Ω = {1, 2, 3, 4, 5, 6}

Poiché ogni evento E è un sottoinsieme di Ω allora

• E può sempre essere espresso in termini formali me-

Unione: A ∪ B = insieme di eventi elementari di Ω che

Esempio 6: lancio di un dado.

Negazione o Complementare: Ā = Ac = insieme

Sottrazione: B − A = insieme di eventi elementari di

Due eventi A e B si dicono disgiunti o incompatibili

Esempio 6: lancio di un dado

A = “esce un numero dispari” = {1, 3, 5}

Gli eventi A, B, C, . . . sono detti mutuamente esclu-

N.B. Gli eventi elementari sono mutuamente esclusivi!

Storicamente sono stati adottati diversi approcci nello

num casi favorevoli ad A

Esempio 2: lancio una moneta 3 volte

P3) Per ogni evento A

P5) Qualunque siano gli eventi A e B

P6) Qualunque siano A e B

Esempio 6: lancio di un dado

Il problema consiste quindi nel determinare la probabilità

Supponiamo che Ω sia finito: Ω = {ω1, ω2, . . . , ωn }.

Esempio 6: lancio di un dado non truccato

B=“esce un numero maggiore di 4”

C=“esce un numero dispari”

B=“esce almeno un numero pari”

Esempio: supponiamo di lanciare un dado che è stato

Anche se Ω = {1, 2, 3, 4, 5, 6} è finito, non possiamo av-

Supponiamo di disporre di un’urna contenente n oggetti

Permutazioni: in quanti modi diversi possono essere

Esempio: quale è la probabilità di vincere al totocalcio

Combinazioni: effettuando k estrazioni senza rein-

N.B.: estraendo senza reinserimento, ciascuna configu-

Esempio: nel Super-Enalotto vengono estratti 6 numeri

Si noti l’analogia con le frequenze relative condizionate:

In alcuni casi è semplice calcolare Pr(A|B) direttamente;

Esempio: estraendo da un mazzo di 40 carte 2 carte

Esercizio: un’urna contiene 7 palline, di cui 3 rosse e 4

Esempio 7: un’urna contiene 5 palline, numerate da

Dalla definizione di probabilità condizionata

Interpretazione: supponiamo che A sia un evento di in-

2. Calcolare la probabilità che entrambe le palline es-

N.B.: si noti come in questo caso Pr(A|B) e Pr(B) siano

Pr(M ) = Pr(M |V ) Pr(V ) + Pr(M |V̄ ) Pr(V̄ )

Ma se A e B sono indipendenti, vale anche

Se A e B si riferiscono ad esperimenti o prove tra loro

Esempio: lancio 2 volte una moneta. I due lanci pos-

Il concetto di indipendenza puó essere esteso direttamente

Esempio 2: lancio di una moneta 3 volte. I tre lanci

Esempio 2: lancio di 3 monete, X = numero di teste

Esempio 3: lancio di 2 dadi, X = somma delle facce

Esempio 5: durata di una lampadina, Ω = [0, ∞)

La variabile casuale si definisce discreta se assume un

Esempio 2: lancio di 3 monete, X = numero di teste

Una variabile aleatoria discreta X è caratterizzata dal

Analogia con la funzione di frequenze relative cumulate

Per una variabile casuale discreta X con distribuzione