Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili. Basata su una probabilità matematica o a priori. 1 Probabilità frequentista Probabilità soggettiva La probabilità di un evento casuale è il limite a cui essa tende al crescere del numero delle osservazioni, in una serie di esperienze fatte nelle stesse condizioni. La probabilità è una stima del grado di aspettativa di un evento, secondo l’esperienza di un individuo. Si parla anche di probabilità Bayesiana. Si parla anche di probabilità a posteriori di legge empirica del caso o di probabilità statistica. 3 Sara Gradara 2 4 1 Alcune distribuzioni discrete Distribuzione binomiale Detta anche di Bernoulli in onore del matematico svizzero J. Bernoulli (1654-1705). Sono le distribuzioni di probabilità per variabili casuali discrete. Distribuzione discreta che modellizza il problema delle prove ripetute; viene utilizzata per eventi classificati con una variabile binaria (pallina bianca o nera, testa o croce, …) quando interessa la ricorrenza dell’evento e non la sua intensità. •Distribuzione binomiale •Distribuzione di Poisson •… 5 Distribuzione binomiale 6 Distribuzione binomiale • Dato un esperimento che consiste di n prove identiche (lancio di una moneta, estrazione di una pallina,…). La distribuzione di probabilità per una variabile binomiale Y è data da • Ci siano solo due possibili risultati per ogni prova: S (successo) e F (insuccesso). • Sia p la probabilità di S e q quella di F (costanti per ogni prova) tali che p+q=1. • Le prove siano indipendenti. • La variabile binomiale Y conta il numero di successi S 7 Sara Gradara p(Y ) = ( Yn ) p Y q n−Y (Y = 0,1,2,....., n) dove ( Yn ) = n! Y ! ( n − Y )! 8 2 Distribuzione binomiale Distribuzione binomiale Stima la probabilità che un evento, con probabilità a priori o frequentista p, avvenga rispettivamente 0,1,2,…,i,...,n volte, nel corso di n prove identiche ed indipendenti. La distribuzione binomiale dipende dai due parametri: p ed n. Esempi di variabili binomiali: Media •Difetto lieve/difetto catastrofico •successo/insuccesso •difettoso/non difettoso •… Varianza σ 2 = n* p*q 10 Distribuzione di Poisson Dal nome del matematico francese S.D. Poisson (1781-1840) è anche detta Legge degli eventi rari. Il grafico della distribuzione binomiale è simmetrico solo quando p=0,5. P=.5 E' sempre più asimmetrico quanto più p si avvicina a 0 oppure a 1. P=.3 11 Sara Gradara µ = n* p 9 Distribuzione binomiale P=.1 Le statistiche caratteristiche della binomiale sono: Distribuzione discreta che fornisce un modello per la frequenza relativa di un numero di eventi rari che si presentano nell’unità di tempo, area, volume,… (p.e. numero di piante infestanti per unità di superficie, numero di difetti in un modulo,…). 12 3 Distribuzione di Poisson Distribuzione di Poisson Si può ricavare come caso particolare della binomiale quando il numero di prove n diventa molto grande e nello stesso tempo la probabilità di successo S in una singola prova molto piccola, in modo tale che il loro prodotto sia finito (non diverga) e diverso da zero. • Dato un esperimento che consiste nel misurare il numero Y di volte che un evento particolare si verifica in una data unità di tempo (o in una data area, volume, o qualsiasi unità di misura) • La probabilità che un evento si presenti in quell’unità di tempo (…) sia la stessa per ogni unità. • Il numero di eventi che si verifica in una unità di tempo (…) sia indipendente dal numero di eventi che si verifica in altre unità. • Sia λ la media del numero di eventi in ogni unità. 13 Distribuzione di Poisson Distribuzione di Poisson La distribuzione di probabilità per una variabile di Poisson Y è data da p (Y ) = λY e −λ Y! La distribuzione di probabilità per una variabile di Poisson Y è data da λY e −λ (Y = 0,1,2,....) Y! Le statistiche caratteristiche della poissoniana sono: p (Y ) = (Y = 0,1,2,....) E’ la probabilità di osservare Y volte un evento che si manifesta in media λ volte. 15 Sara Gradara 14 Media µ = λ Varianza σ 2 = λ 16 4 Distribuzione di Poisson Alcune distribuzioni continue Il grafico della distribuzione poissoniana è molto asimmetrico e la classe più frequente è zero, quando µ è inferiore a 1. E’ ancora asimmetrica per valori di µ inferiori a 3 ma una media uguale a 6-7 determina una distribuzione simmetrica. µ = 0.9 µ=2 Sono le distribuzioni di probabilità per variabili casuali continue. •Distribuzione normale •Distribuzione t di Student •… 17 Distribuzione normale Distribuzione normale Detta anche di Gauss dal nome del matematico C.F. Gauss (1777-1855) che la propose come modello per la distribuzione degli errori. Sotto l’aspetto matematico può essere considerata come il limite della distribuzione binomiale quando il numero di prove n tende all’infinito e nello stesso tempo né p né q tendono a 0 (condizione che la differenzia dalla poissoniana). E’ la più importante distribuzione continua poiché molti fenomeni, da quelli biologici a quelli fisici, normalmente si distribuiscono secondo la curva gaussiana. 19 Sara Gradara 18 20 5 Distribuzione normale Distribuzione normale La distribuzione normale per una variabile aleatoria X è caratterizzata da una densità di probabilità della forma: ( y − µ )2 − 1 2 p( y ) = e 2σ σ 2π Grafico della distribuzione di Gauss N ( µ , σ 2 ) con media µ e varianza σ 2 (Gaussiana o funzione a campana). dove µ ∈ ℜ e σ > 0 sono rispettivamente la media e la deviazione standard. 2 Brevemente si indica p(y) con N ( µ , σ ) . 21 Distribuzione normale 22 Distribuzione normale Effetti sul grafico di una modifica apportata alla media µ o alla varianza σ 2 . 23 Sara Gradara 24 6 Frequenza e distribuzione di frequenza relativa per i pesi Istogramma della frequenza relativa per i pesi 25 Distribuzione normale Distribuzione normale standard Per una variabile normalmente distribuita, la percentuale di tutte le possibili osservazioni che cadono dentro ad uno specifico range eguaglia la corrispondente area sotto alla curva normale associata, espressa in percentuale. Questo resta vero approssimativamente per una variabile che approssimativamente è normalmente distribuita. 27 Sara Gradara 26 Una variabile normalmente distribuita con media 0 e deviazione standard 1 si dice che ha una distribuzione normale standard. La curva normale ad essa associata è detta curva normale standard. La versione standardizzata z della variabile x normalmente distribuita x−µ z= σ ha una distribuzione normale standard. 28 7 Standardizzazione della distribuzione normale Effetti della standardizzazione La standardizzazione è una trasformazione che consiste nel •rendere la media µ nulla; •prendere la deviazione standard σ come unità di misura ( σ = 1 ) della nuova variabile. •La distribuzione normale ridotta viene indicata con N(0,1). 29 Distribuzione t di Student 30 Distribuzione t di Student Dallo pseudonimo del chimico inglese W.S.Gosset, la distribuzione t di Student considera le relazioni tra media e varianza in campioni di piccole dimensioni, estratti da una popolazione normalmente distribuita, utilizzando la varianza del campione. Data una popolazione distribuita normalmente, si estrae un campione casuale di n osservazioni e si calcola la variabile aleatoria t, definita dalla seguente equazione: x−µ La scelta tra normale e t di Student dipende appunto dalla conoscenza della varianza σ 2 della popolazione o dal fatto che essa sia ignota (in 2 questo caso si usa la varianza campionaria s ). t segue una legge t di Student con n-1 gradi di libertà. La quantità al numeratore si chiama errore standard campionario. 31 32 Sara Gradara t= s/ n 8 Distribuzione t di Student La forma della distribuzione dipende dai g.d.l., cioè dalla numerosità del campione. Per n grande (>30) t tende ad una Normale. normale (Stessa media e stessa varianza) T di Student con gdl 5 33 Sara Gradara 9