La probabilità Concetti di base Probabilità Grado di incertezza connesso al risultato scaturito da una prova Esempio Numero che appare sulla faccia superiore del dado dopo averlo lanciato Concetti primitivi di probabilità La prova La prova è un esperimento Che ha due o più possibili risultati L’evento Per evento si intende uno dei possibili risultati della prova La probabilità La probabilità è un numero compreso tra 0 ed 1 che misura il grado di incertezza sul verificarsi di un evento Prova, evento e probabilità In una data prova, l’evento E si verifica con probabilità P(E) Esempio: Nel lancio di un dado (ben bilanciato) La faccia contrassegnata dal numero 5 (E=5) si presenta con probabilità P(E=5)=1/6 Eventi e Algebra di Eventi Postulato 1 Gli eventi formano una algebra di Boole Dato il postulato 1 sono definite le seguenti operazioni: 1. La negazione di un evento A, ossia A 2. L’intersezione tra due eventi A e B, ossia A B 3. L’unione tra due eventi A e B, ossia A B 6 Eventi Definizione due eventi rilevanti: Evento impossibile: è l’evento che non può mai verificarsi e può essere definito come Al lancio di un dado esce la faccia 0 Evento certo, ossia l’evento che si verifica sempre in quanto comprende tutti i possibili risultati dell’esperimento. Può essere definito A A B B Al lancio di una moneta esce T o C Due eventi A e B, si dicono incompatibili (o mutualmente esclusivi o disgiunti) se A B A A A A A B A B A A B B A B A B A A Proprietà assiomatiche della probabilità La probabilità è una funzione di insieme che associa a ogni evento EiE un numero reale. La probabilità sarà indicata con P(Ei) Postulato 2 P(A)0 Postulato 3 P()=1 Postulato 4 [A B = ø] [P(A U B)=P(A)+P(B)] Esperimento casuale E’ ogni processo la cui singola esecuzione (prova) dà luogo a un risultato non prevedibile. Esempio: Lancio di una moneta 3 volte S= Spazio campionario= Evento è un sottinsieme di S E1 TTT E TTC 2 E3 TCT E4 CTT E5 TCC E6 CTC E7 CCT E CCC 8 Eventi elementari Spazio campionario F A E1 E2 E4 E3 E8 E5 E6 E7 L’evento è un sottinsieme delle spazio campionario. A almeno 2T E1 , E2 , E3 , E4 F esce T al 1 lancio E1 , E2 , E3 , E5 A almeno 2T E1 , E2 , E3 , E4 F esce T al 1 lancio E1 , E2 , E3 , E5 A F E1 , E2 , E3 A F E1 , E2 , E3 , E4 , E5 A F E1 E3 E2 E4 E8 E5 E6 A F E7 La probabilità dell’intersezione è sommata due volte! DEFINIZIONI DI PROBABILITA’ 1. Classica: è il rapporto tra il numero di casi favorevoli e il numero di casi possibili, supposto che questi siano equiprobabili (di Laplace) 2. Frequentista: è la frequenza relativa con cui l’evento si verifica in una lunga serie di prove ripetute sotto condizioni simili (di Von Mises) 3. Soggettivista: è il grado di fiducia che un individuo coerente attribuisce, secondo le sue informazioni e opinioni al verificarsi dell’evento Probabilità condizionate e indipendenza P(AB)= ossia n. dei casi favorevoli ad (A B) n. dei casi favorevoli a B P(A B) P(AB)= P(B) Si definisce probabilità condizionata di A dato B il rapporto tra la probabilità dell’evento (A B) e la probabilità dell’evento B Probabilità condizionata Si vuol calcolare la probabilità dell’evento e4 rispetto allo spazio campionario S’ E è il nuovo spazio campionario S’ e1 e3 e2 e8 e5 e6 e4 e7 PCTT Pr obC al I lancio almeno 2T PTTC , PTCT , PCTT , PTTT 16 Principio delle probabilità composte Dati 2 eventi A e B tali che P(A)>0 e P(B)>0 : P (A B) =P(A) P(B|A)= P(B)P(A|B) Due eventi si dicono indipendenti se il verificarsi di B non influenza la probabilità di A e il verificarsi di A non influenza la probabilità di B P (A|B) =P(A) P(B|A) = P(B) da cui si ricava PA B PA PB Teorema di Bayes Probabilità a posteriori: P Ai B P Ai | B , P B Teorema di Bayes P Ai | B P Ai P B | Ai P A1 P B | A1 ... P Ak P B | Ak P Ai , probabilità a priori. P B | Ai , probabilità condizionate o verosimiglianze P Ai | B , probabilità a posteriori, in quanto si riferiscono agli eventi Ai , dopo aver osservato l’evento B. 18 Esempio P(A1) = 0,1 prob. di estrarre un individuo malato P(A2) = 0,9 prob. di estrarre un individuo sano P(B1|A2) = 0,2 prob. che il test dia un falso-positivo P(B2|A1) = 0,1 prob. che il test dia un falso-negativo Determinare: P(A1|B1) = probabilità che un individuo positivo al test sia effettivamente malato P( A1 | B1 ) P( A1 )P( B1 | A1 ) P( A1 )P( B1 | A1 ) P( A2 )P( B1 | A2 ) poichè P(B1|A1) = 1 – P(B2|A1) = 0,9 P ( A1 | B1 ) 0,1 0,9 0,33 0,1 0,9 0,9 0,2 19 Esempio (continua) tivo i ,2 s =0 po ) |A 2 2 B ( P o san ) P(A 2 ,9 =0 P A2 B2 0,9 0,2 0,18 P(B 1 |A 2) neg ativ o =0 ,8 P A2 B1 0,9 0,8 0,72 Popolazione ma lat o P(A 1) =0 ,1 po o sitiv P , 0,9 = ) A (B 2| 1 P A1 B2 0,1 0,9 0,09 P(B neg ativ o 1 |A 1) =0 ,1 P A1 B1 0,1 0,1 0,01 20/100=0.2 Tipo A 60/100=0.6 adulto Tipo non A 100 40/100=0.4 14/100=0.14 Tipo A giovane 40/100=0.4 Tipo non A 26/100=0.26 P giovane tipoA 0.14 PtipoA / giovane 0.35 P giovane 0.4 Esercizio Excel Campioni E1: sano E2: malato Test + 250 120 370 P(Ei) P(H/Ei) P(Ei)P(H/Ei) 20 0.6757 0.080 0.05 25 0.3243 0.208 0.07 45 0.12 Definiamo H l'evento Test + P(E1) P(E2) P(H) P(H/E1) P(H/E2) P(H) 0.68 0.32 0.12 0.08 0.208333333 =P(E1)*P(H/E1)+P(E2)*P(H/E2)= P(E1/H)=P(E1)*P(H/E1)/P(H)= P(E2/H)=P(E2)*P(H/E2)/P(H)= 0.12 0.444444 0.555556 Possiamo affermare che, se la probabilità a priori di essere malato è pari al 32%, dopo che si verifica un test positivo tale probabilità aumenta al 56% La distribuzione di probabilità S= e1 TTT e TTC 2 e3 TCT e4 CTT e5 TCC e6 CTC e7 CCT e CCC 8 X è la variabile casuale “numero di T in tre lanci di una moneta” Valori di x 0 1 2 3 Totale Probabilità 1/8 3/8 3/8 1/8 1 Variabili casuali discrete: Distribuzioni di probabilità Distribuzione di probabilità della v.c. N° teste in tre lanci di una moneta 0.4 pi 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 Variabili casuali continue: Funzione di densità Immaginiamo di avere un carattere statistico continuo e di rappresentarlo tramite istogramma con 8 classi di ampiezza finita Variabili casuali continue: Funzione di densità Man mano che aumentiamo il numero delle classi, si riduce l’ampiezza della classe. Al limite, l’ampiezza della classe diviene infinitesima e il poligono di frequenza si approssima con una linea continua. Tale linea si chiama funzione di densità di frequenza in quanto l’ordinata non è altro che l’altezza dei rettangoli che compongo l’istogramma Alcune distribuzioni teoriche La distribuzione binomiale (discreta) La curva di Gauss o Normale (continua) Distribuzione binomiale Esperimento bernulliano: esperimento casuale che ammette due soli esiti possibili, successo e insuccesso. Esempio: lancio di una moneta, condizione di malattia p è la probabilità di successo. q=1-p è la probabilità di insuccesso Hanno distribuzione binomiale: La variabile casuale X definita come “numero di successi su n prove” ha distribuzione binomiale La variabile casuale F definita come “frequenza relativa di successo su n prove” Esempio: La probabilità che un paziente guarisca da una determinata malattia è p=0.60. Determinare la probabilità che su 5 pazienti ne guariscano esattamente 3 G=guarito NG= non guarito Si tratta di un esperimento bernulliano con p=0.60 e q=0.40 Considerando gruppi di 5 pazienti, possiamo avere le seguenti combinazioni 1. (G,G,G,NG,NG) 2. (G,NG,NG,G,G) 3. … Ogni combinazione è il prodotto di eventi indipendenti. In tutto le combinazioni sono: n 5 5! 5 * 4 * 3! 10 3!*2 x 3 3!2! La prima combinazione ha probabilità: La seconda combinazione ha probabilità: 0.6 * 0.6 * 0.6 * 0.4 * 0.4 0.6 * 0.4 * 0.4 * 0.6 * 0.6 Tutte e 10 le combinazioni possibili hanno probabilità 0.63 * 0.4 2 p x * 1 p Quindi, la probabilità di x successi su n prove è: n x n x Px * p * 1 p x Tornando all’esempio: 5 Px 3 * 0.63 * 0.4 2 3 n x Statistiche della distribuzione binomiale E F p E X np var X np(1 p) p(1 p) var F n Simmetria della distribuzione binomiale 0.4 0.4 0.35 0.35 0.3 0.3 0.25 0.25 0.2 0.2 0.15 0.15 0.1 0.1 0.05 0.05 0 0 1 2 3 4 5 6 7 p<0.50 Asimmetrica a destra o positiva 8 9 1 2 3 4 5 6 7 p>0.50 Asimmetrica a sinistra o negativa All’aumentare di n e a prescindere da p, la distribuzione binomiale tende ad essere simmetrica e si può approssimare con la curva Normale N(np,np(1-p)) per X e N(p, p(1-p)/n) per F 8 9 Esempio: con p=0.15 Prob(almeno 2 successi su 5 prove)= Prob(x≥2)= P(X=2)+P(X=3)+P(X=4)+P(X=5) Prob(meno di 2 successi su 7 prove)= Prob(x<2)=P(X=0)+P(X=1) Prob(fra 3 e 5 successi su 7 prove)= Prob(3≤x ≤ 5)=P(X=3)+P(X=4)+P(X=5)