8.3 probabilità - domini dicreti - spazi metrici
-
Upload
riccardo-rigon -
Category
Education
-
view
185 -
download
0
Transcript of 8.3 probabilità - domini dicreti - spazi metrici
![Page 1: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/1.jpg)
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
![Page 2: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/2.jpg)
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
![Page 3: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/3.jpg)
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.
![Page 4: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/4.jpg)
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
![Page 5: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/5.jpg)
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
![Page 6: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/6.jpg)
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
![Page 7: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/7.jpg)
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
![Page 8: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/8.jpg)
R. Rigon
8
• Dalle due equazioni precedenti segue:
Distribuzioni delle variabili casuali
Distribuzioni di probabilità
![Page 9: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/9.jpg)
R. Rigon
9
La regola di Bayes con questa notazione diviene
Spazio degli eventi continio
ma di solito si usa sulle densita di probabilità
![Page 10: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/10.jpg)
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
![Page 11: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/11.jpg)
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.
,
,
![Page 12: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/12.jpg)
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.
![Page 13: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/13.jpg)
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 !
![Page 14: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/14.jpg)
R. Rigon
14
Caratterizzazione delle distribuzioni
• Valore Atteso (Il valore medio! Il primo momento):
•Il secondo momento
![Page 15: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/15.jpg)
R. Rigon
15
• Varianza di X:
• Deviazione standard di X:
Caratterizzazione delle distribuzioni
Caratterizzazione delle distribuzioni continue
![Page 16: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/16.jpg)
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
![Page 17: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/17.jpg)
R. Rigon
Funzione caratteristica
La funzione caratteristica è definita come il valore atteso della della funzione a valori complessi - eitx
Caratterizzazione delle distribuzioni continue
![Page 18: 8.3 probabilità - domini dicreti - spazi metrici](https://reader031.fdocument.pub/reader031/viewer/2022032114/55aa302b1a28ab406e8b4624/html5/thumbnails/18.jpg)
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