Se due eventi sono incompatibili E 1∩E 2=∅ allora p E 1∪E 2 = p E 1 p E 2 altrimenti p E 1∪E 2 = p E 1 p E 2 − p E 1∩E 2 Probabilità composta Due eventi sono indipendenti se P E 1∩E 2 =P E 1 ⋅P E 2 . In tal caso P E 2 / E 1 =P E 2 / E 1 Probabilità condizionata Dato uno spazio di probabilità, sia F ∈F un evento tale che P F 0 Dato un qualsiasi evento P E∩F E ∈F si chiama probabilità condizionata di E dato F il numero P E∣F := e la si PF interpreta come la probabilità che si verifichi E sapendo che si è verificato F. Formula delle probabilità totali n Siano F 1, F 2, , F n ∈F tali che evento E ∈F si ha: ∑ F k = e F h∩F k =∅ se h≠k e P F k 0 allora per ogni k =1 n P E =∑ P E∣F k P F k k =1 Formula di Bayes (Sotto le stesse ipotesi della formula delle probabilità totali, e in più P E 0 ) Se un evento E può essere originato dalla causa H1 o dalla causa H2 tra loro incompatibili, la probabilità che sia stato generato da H1 è p H 1 ⋅p E∣H 1 p H 1∣E = = p H 1 ⋅p E∣H 1 p H 2 p E∣H 2 probabilità che agisca H 1 e che in dipendenza di ciò si verifichi E = probabilità che si verifichi E non importa per quale causa Variabili aleatorie Densità Sia X una variabile aleatoria. La funzione Funzione di ripartizione F X x= ∑ p X x k p X :=P X = x si chiama si chiama densità discreta. ∀ x∈ℝ k : x k ≤x Tramite la funzione di ripartizione si può definire la densità come Valore atteso (o media) E X :=∑ x k p X x k k ∈I Esiste solo se è finito, in particolare se ∑ ∣x k∣ p X x k ∞ k ∈I Proprietà del valore atteso Il valore atteso è lineare. 1. Se P(X=c) = 1 allora E(X)=c 2. E X = E X 3. E g X h X =E g X E h X p X x k =F X x k −F X x k −1 Varianza Presuppone l'esistenza della media. È la media degli spostamenti dalla media elevati al quadrato, indica quindi quanto tende ad allontanarsi una variabile aleatoria dalla propria media. Var X :=E X −E X 2 La radice quadrata della varianza, Var X , si chiama deviazione standard. Proprietà della varianza La varianza è quadratica. 1. Var X = 2 Var X 2. Var X =Var X 3. Var X = E X 2 − E X 2 Disuguaglianza di Chebychev Se X è una variabile aleatoria che ammette media e varianza, per ogni ε>0: Var X P ∣X −E X ∣≤ 2 Vettori aleatori Vettori aleatori discreti Un vettore aleatorio si dice discreto se tutte le sue componenti sono variabili aleatorie discrete Densità La funzione p X x :=P X 1= x 1, , X n =x n con x= x 1, , x n Vettori aleatori assolutamente continui Il vettore aleatorio X n-dimensionale definito su di uno spazio di probabilità è un vettore aleatorio assolutamente continuo se esiste una funzione f X : ℝ n ℝ + integrabile tale che la funzione di ripartizione FX di X per ogni x=(x1, ..., xn) si può scrivere come Varianza Var [ X Y ]=Var [ X ]Var [Y ]2 Cov [ X ,Y ] Covarianza Se la varianza di X1 e X2 è finita: Cov X 1, X 2 =E [ X 1−E X 1 X 2−E X 2 ] Coefficiente di correlazione Se Var X 1 ,Var X 2 0 si definisce coefficiente di correlazione Cov X 1, X 2 X1 , X2 = Var X 1 Var X 2 Media campionaria X 1 X n = X n n Legge debole dei grandi numeri X1, X2, ..., i.i.d ∃=E X i ∞ ∀ 0 lim P [∣X n −∣≤]=1 n ∞ ∃ 2=Var X i ∞ Legge dei grandi numeri X1, X2, ..., i.i.d P lim X n = =1 [ ∃=E X i ] n ∞ Teorema centrale del limite (o teorema del limite centrale) Date n variabili aleatorie X1, ..., Xn con media e varianza 2 finite ∀ x∈ℝ ∞ n X n− lim P ≤ x = x n Cioè, pur di prendere un numero elevato di variabili, la funzione di ripartizione approssimabile con quella gaussiana standard. Metodi pratici Calcolo della probabilità nota la densità b P a X B=∫ f X x dx a Calcolo della Funzione Di Ripartizione nota la densità { f 1 X a x≤b f 2 x b x≤c Se f X x= f 3 x cx≤d 0 altrove { 0 x≤a ∫ f 1 x a x≤b x a b x a b ∫ f 1 x∫ f 2 x Allora F X x= b ∫ a c x b c b x≤c f 1 x∫ f 2 x∫ f 3 x c x≤d Scelta Binomiale/Poisson Si sceglie una distribuzione di poisson Poi(λ) se λ=np t.c. n grande e p piccolo. Altrimenti è preferibile la binomiale Bi(n, p). Correzione di continuità Per il calcolo della probabilità di una binomiale approssimata con una gaussiana S −E S x0,5−E S P S ≤ x=P S ≤x0,5=P ≤ Var S Var S Oppure, più direttamente e in modo più completo n X n− è P k ≤S ≤r ≈ r0,5−E S k −0,5−E S − Var S Var S Uso della distribuzione esponenziale X ~exp P X x=e− x ⇒ Se =2 , allora P X 40=e−2⋅40 =e−80 Covarianza Cov X 1, X 2 =E X 1 X 2 −E X 1 E X 2 Cov=0 è una condizione necessaria (ma non sufficiente) per l'indipendenza di due variabili aleatorie. Densità marginali (discreto) Tabella delle densità Densità marginali (continuo) Data la densità congiunta f X , Y x , y , le densità marginali f X x e f Y y sono: b f X x=∫ f X ,Y dy Con a e b estremi di definizione su y f Y y=∫ f X ,Y dx Con a e b estremi di definizione su y a d c Calcolo della media nota la densità (continuo) b E X =∫ x f X x dx con a e b estremi di definizione di x a Se, data una densità congiunta fX,Y, X è una funzione di variabili, lo sarà allo stesso modo anche x. Es: 1 1 E =∬ f x dx dy con gli estremi di definizione di x e y per i due integrali X Y x y X , Y ℝ 2