Post on 18-Jul-2015
Un ripasso di probabilità: Domini discreti. Spazi metrici
Pau
l K
lee,
Gia
rdin
o d
i T
un
isi, 1
91
9
Riccardo Rigon
R. Rigon
2
Probabilità in spazi discreti
L’esempio visto in precedenza ha a che fare con uno spazio degli eventi discreto.
Se dovessimo andare a precisare maggiormente, potremmo dire che, nel caso
discreto
Ovvero un opportuno sottoinsieme dei numeri razionali.
Spazio degli eventi discreto
R. Rigon
3
Spazio degli eventi discreto
In questo caso assegnare la probabilità
Significa, come nell’esempio, assegnare un insieme del tipo
Ma si possono certamente usare delle funzioni a valori
discreti per farlo … come vedremo più avanti.
R. Rigon
4
Probabilità in spazi metrici
Se lo spazio degli eventi è uno spazio continuo, supporremo di essere inuno
spazio metrico, isomorfo ad Rn. In questo caso gli insiemi sono generalmente
rappresentati da coordinate, di solito cartesiane, e la probabilità viene
rappresentata da funzioni su Rn che vengono dette
• Funzioni di ripartizione
Se tali funzioni sono funzioni sono di una sola variabile (P: R ->R ) , il processo
viene detto:
•univariato
Altrimenti viene detto
•multivariato
Spazio degli eventi continio
R. Rigon
5
D’ora in poi
Faremo assumeremo sempre di lavorare in Rn o R. Quindi:
In genere, A e B saranno intervalli, continui o discreti, di
Spazio degli eventi continio
R. Rigon
6
D’ora in poi
Per indicare la probabilità di ottenere valori minori di x useremo la notazione:
oppure la probabilità di ottenere valori compresi tra x1 ed x2:
con ovvie generalizzazioni ai casi molti-dimensionali
Spazio degli eventi continio
R. Rigon
7
Distribuzioni delle variabili casuali
• La funzione di ripartizione o Cumulative Probability
Distribution (CDF) è definita:
• La sua derivata (se esiste) è la funzione densità di probabilità
Probability Density Function (PDF):
Distribuzioni di probabilità
R. Rigon
8
• Dalle due equazioni precedenti segue:
Distribuzioni delle variabili casuali
Distribuzioni di probabilità
R. Rigon
9
La regola di Bayes con questa notazione diviene
Spazio degli eventi continio
ma di solito si usa sulle densita di probabilità
Riccardo Rigon
!10
Vista la simmetria tra le variabili
vale anche:
che può essere riscritto:
Ciò che qui appare un semplice rimaneggaimento algebrico è in effetti la
nascita di una nuova visione della disciplina.
Bayes Theorem
Riccardo Rigon
!11
Bayes Theorem
Infatti:
Si assuma infatti la conoscenza a priori della variabile x, definita dalla
la distribuzione a priori. Il teorema di Bayes afferma che la conoscenza
introdotta dalla variabile y (o meglio dai fatti che y descrive), modifica la
conoscenza della variabile x (o meglio: della sua distribuzione), e che
questa conoscenza è garantita della distribuzione a posteriori:
che è proporzionale, ma non necessariamente uguale alla prima.
,
,
Riccardo Rigon
!12
Bayes Theorem
Il fattore di proporzionalità
è chiamato verosimiglianza:
Cosicchè:
la probabilità a posteriori (di x) uguaglia il prodotto della verosimiglianza per la
probabilità a priori (di x) diviso per l’evidenza
Alcuni distinguono tra numeratore, la verosimiglianza e denominatore che è
chiamato evidenza. Noi adotteremo quest’ultima convenzione.
R. Rigon
13
Probabilità e causalità
La probabilità non riguarda necessariamente la rapporti causali
non significa che y causa x. Solo accenna alle relazioni tra y ed x.
L’evento y può precedere x !
R. Rigon
14
Caratterizzazione delle distribuzioni
• Valore Atteso (Il valore medio! Il primo momento):
•Il secondo momento
R. Rigon
15
• Varianza di X:
• Deviazione standard di X:
Caratterizzazione delle distribuzioni
Caratterizzazione delle distribuzioni continue
R. Rigon
16
Caratterizzazione delle distribuzioni
• Si può definire, in generale, il momento n-esimo di una
distribuzione come:
M (n) :=� ⇥
�⇥xn pX(x) dx
Caratterizzazione delle distribuzioni continue
R. Rigon
Funzione caratteristica
La funzione caratteristica è definita come il valore atteso della della funzione a valori complessi - eitx
Caratterizzazione delle distribuzioni continue
R. Rigon
Funzione generatrice dei momenti
La funzione generatrice dei momenti è definita come (il valore atterso di etx ):
Il momento n-esimo può,, una volta ottenuto l’integrale di cui sopra essere calcolati da:
Ovvero mediante la derivata n-esima dell funzione generatrice dei momenti, calcolata per t=0
Caratterizzazione delle distribuzioni continue