Vai alla Home Page About me Courseware Federica Living Library Federica Federica Podstudio Virtual Campus 3D La Corte in Rete
 
Il Corso Le lezioni del Corso La Cattedra
 
Materiali di approfondimento Risorse Web Il Podcast di questa lezione

Carmela Cappelli » 13.Modelli per vc discrete: la vc binomiale


Introduzione

La ripetizione di un esperimento bernoulljano nelle medesime condizioni dà luogo alla vc Binomiale le cui caratteristiche sono quindi le seguenti:

  • replicazione di n prove bernoulliane
  • le prove sono indipendenti
  • ogni prova dà luogo a 2 possibili risultati successo ed insuccesso con probabilità rispettivamente pari a \theta ed 1- \theta

Tale vc quindi è assimilabile ad un prova che consiste nell’estrarre x palline da un’urna che ne contiene n bianche e nere in diversa proporzione, re-immettendo la pallina estratta nell’urna prima di procedere alla estrazione successiva.

Esempi di esprimenti binomialei

La vc binomiale consente di calcolare la probabilità di ottenere x successi in n prove bernoulliane,
si tratta di uno dei modelli di probabilità per vc discrete di uso più frequente, ne sono esempi:

  • Numero di teste in n lanci di una moneta;
  • Numero di preferenze riportate da un candidato in un sondaggio elettorale condotto su di un campione;
  • Numero di corse che partono dal capolinea in orario su n corse di un autobus.

La ddp della vc binomiale

Si pensi al caso del lancio di una moneta n volte essendo interessati al numero di teste .
La probabilità che in un singolo lancio esca testa è pari a \theta .
Si vuole calcolare la probabilità che in n lanci si abbiano 0 teste, 1 testa, 2 teste,…., n teste.
La variabile casuale X “numero di successi in n prove” ha quindi supporto: x=0,1,2,\dots,n .
Si consideri ora la particolare successione di teste e croci caratterizzata dall’uscita di testa
nei primi x lanci e di croci nei successivi n-x lanci (vedi figura).


La ddp della vc binomiale (segue)

Siccome la prove sono indipendenti, la probabilità del verificarsi della sequenza appena vista caratterizzata da x successi e n-x insuccessi è data del prodotto delle singole probabilità ovvero
\theta * \theta \dots* \theta *(1- \theta ) *(1- \theta )\dots *(1- \theta )= \theta^n (1-\theta)^ {n-x}.

Tuttavia, quella vista non è l’unica sequenza caratterizzata da x successi. Il numero di possibili sequenze caratterizzate da x successi è dato dalle combinazioni di n elementi presi ad x ad x (vedasi lezione 4).
Tenendo conto di tale numero si ha che la distribuzione di probabilità della vc binomiale sarà:
P(X=x)= \left(\begin{array}{l}n \\ x \end{array}\right) \theta^x(1- \theta)^{n-x}

\forall x=1, \dots,n .

Per indicare che una vc X è distribuita come una Binomiale si scrive:
X \sim Bin(n,\theta) .

La ddp della vc binomiale (segue)

La vc binomiale è ben definita poiché

  • P(X=x)> 0 .
  • \sum _{x=0}^{n} P(X=x)= \sum _{x=0}^{n} \left(\begin{array}{l}n \\ x \end{array}\right) \theta^x(1- \theta)^{n-x} =1^n=1

Dove, il secondo risultato discende dallo sviluppo del binomio di Newton:

(a+b)^n= \sum_{i=0 }^{n} \left(\begin{array}{l} n \\ i \end{array}\right) a^i(b)^{n-i}

La fgm del vc binomiale

La funzione generatrice dei momenti della vc binomiale è data da:

G(t)= Ee^{tx}))= \sum_{x=0 }^{n} e^{tx} \left(\begin{array}{l}n \\ x \end{array}\right) \theta^x(1- \theta)^{n-x} = [\theta e^t+(1-\theta)]^n

Si noti che allo stesso risultato si sarebbe potuti giungere osservando che, poiché la vc binomiale è la somma di n vc di Bernoulli indipendenti, la sua fgm è il prodotto delle fgm delle n vc addendi.

Momenti della vc binomiale

La fgm può essere utilizzata per ricavare i momenti della vc binomiale:
\frac{d G(t)}{d t}=n [\theta e^t+(1-\theta)]^{n-1} * \theta e^t da cui:
E(X) = \frac{d G(t)}{dt}\mid_{ t=0}=n*\theta
Analogamente si ricava che    E(X^2) = \frac{d ^2G(t)}{dt^2}\mid_{ t=0}=n* [(n-1)\theta^2 +\theta] da cui:

Var(X) = E(X^2)- [E(X)]^2=n \theta(1- \theta)

Momenti della vc binomiale (segue)

Anche al risultato relativo al valore atteso ed alla varianza della vc binomiale si sarebbe potuti giungere a partire dal fatto che essa è la somma di n vc binomiali indipendenti, ovvero
X=Y_1+Y_2+\dots+Y_n=\sum Y_i, dove ciascuna Yi è una vc di bernoulli;
Pertanto si ha che:

E(X)= E(\sum Y_i)=\sum E(Y_i)=n \theta

Var(X)=Var(\sum Y_i)= \sum _i Var(Y_i)=n \theta(1- \theta)

vc binomiale – esempio

In base alla genetica i genitori di un bambino gli trasferiscono i proprio geni in maniera indipendente.
Si supponga allora che una coppia ha 4 figli e che ciascuno di essi abbia probabilità \theta =0.3 di avere il sangue di tipo B negativo.
La vc X= “numero di figli con sangue di tipo B negativo” ha distribuzione di probabilità binomiale con n=4 e \theta =0.3. Pertanto la probabilità che ad esempio 2 dei 4 figli abbia sangue di tipo B negativo è data da:
P(X=2)= \left(\begin{array}{c} 4 \\ 2 \\ \end{array} }\right) 0.3^2(1- 0.3)^{4-2}=12*0.3^2*0.7^2=0.2646

vc binomiale – esempio 2

Si vuole calcolare la probabilità che in 10 lanci di una moneta si abbiano o 0 teste oppure n teste:
Pr(X=0 \cup X=10)= Pr(X=0)+Pr(X=10)

dove X \sim Bin(10, 0.7) , ovvero , la moneta è truccata poiché la probabilità di ottenere testa è 0.7.

La probabilità richiesta è:
Pr(X=0 \cup X=10)= Pr(X=0)+Pr(X=10)= (0.7)^0(0.3)^10+(0.7)^{10}(0.3)^0=0.3^{10} +0.7^{10}

Si noti che per convenzione si ha: \left(\begin{array}{c} n \\ 0 \\ \end{array}\right) =1

mentre  \left(\begin{array}{c} n \\ n \\ \end{array}\right) =1

  • Contenuti protetti da Creative Commons
  • Feed RSS
  • Condividi su FriendFeed
  • Condividi su Facebook
  • Segnala su Twitter
  • Condividi su LinkedIn
Progetto "Campus Virtuale" dell'Università degli Studi di Napoli Federico II, realizzato con il cofinanziamento dell'Unione europea. Asse V - Società dell'informazione - Obiettivo Operativo 5.1 e-Government ed e-Inclusion

Fatal error: Call to undefined function federicaDebug() in /usr/local/apache/htdocs/html/footer.php on line 93