Un primo corso di probabilità

📚 Riepilogo del contenuto

Un'introduzione elementare alla teoria della probabilità per studenti di matematica, statistica, ingegneria e scienze. Copre i principi fondamentali dell'analisi combinatoria, gli assiomi della probabilità, la probabilità condizionata, le variabili casuali e i teoremi limite.

Un classico, solida base teorica e applicativa della probabilità matematica.

Autore: Sheldon Ross

Ringraziamenti: Hossein Hamedani, Joe Blitzstein, Peter Nuesch, Ivan Ardestani e diversi revisori/università contributrici sono citati per accuratezza e feedback.

🎯 Obiettivi di apprendimento

1. Applicare i Principi Fondamentali e Generalizzati del Conteggio a esperimenti multi-fase.
2. Distinguere e calcolare permutazioni e combinazioni sia per oggetti distinti che indistinguibili.
3. Dimostrare identità combinatorie usando induzione algebrica e argomenti combinatori logici.
4. Definire spazi campionari e eventi per esperimenti diversi e applicare le leggi di DeMorgan alle operazioni insiemistiche.
5. Calcolare probabilità usando i tre assiomi fondamentali della probabilità e proposizioni semplici (complementi, unioni e sottoinsiemi).
6. Risolvere problemi combinatori complessi con risultati equamente probabili, come mani di poker, il problema del matching e il problema del compleanno.
7. Definire e calcolare probabilità condizionate usando la formula P(E|F) = \frac{P(EF)}{P(F)}.
8. Applicare la Formula di Bayes per risolvere problemi complessi con ipotesi multiple e test diagnostici.
9. Distinguere tra eventi indipendenti e condizionalmente indipendenti in scenari pratici come genetica e ingegneria.
10. Definire variabili casuali discrete e calcolarne funzioni di massa di probabilità (PMF) e funzioni di distribuzione cumulativa (CDF).

🔹 Lezione 1: Analisi combinatoria

Panoramica: Questa lezione copre la teoria matematica fondamentale del conteggio, nota come analisi combinatoria. Procede dai principi basilari della moltiplicazione per esperimenti indipendenti allo studio formale di permutazioni e combinazioni. Gli studenti padroneggeranno i teoremi binomiale e multinomiale, esploreranno diverse tecniche dimostrative e risolveranno problemi complessi di distribuzione utilizzando equazioni a valori interi.

Risultati di apprendimento:

• Applicare i Principi Fondamentali e Generalizzati del Conteggio a esperimenti multi-fase.
• Distinguere e calcolare permutazioni e combinazioni sia per oggetti distinti che indistinguibili.
• Dimostrare identità combinatorie usando induzione algebrica e argomenti combinatori logici.

🔹 Lezione 2: Assiomi della probabilità

Panoramica: Questa lezione stabilisce la base matematica formale della teoria della probabilità, partendo dalla definizione di spazio campionario ed evento. Introduce gli Assiomi di Kolmogorov della probabilità e proposizioni derivate, come il Principio di inclusione-esclusione. Il contenuto si estende alle applicazioni combinatorie includendo il Problema del compleanno e il Problema del matching.

Risultati di apprendimento:

• Definire spazi campionari ed eventi per esperimenti diversi e applicare le leggi di DeMorgan alle operazioni insiemistiche.
• Calcolare probabilità usando i tre assiomi fondamentali della probabilità e proposizioni semplici.
• Risolvere problemi combinatori complessi con risultati equamente probabili, come mani di poker, il problema del matching e il problema del compleanno.

🔹 Lezione 3: Probabilità condizionata e indipendenza

Panoramica: Questa lezione esplora come la probabilità di un evento venga aggiornata alla luce di nuove informazioni. Passa dalle probabilità non condizionate a quadri condizionati, formalizzando il rapporto tra eventi dipendenti e indipendenti attraverso la Formula di Bayes e la Regola di Successione di Laplace. Gli studenti impareranno a aggiornare probabilità priori con evidenze empiriche per raggiungere conclusioni posteriori.

Risultati di apprendimento:

• Definire e calcolare probabilità condizionate usando la formula P(E|F) = \frac{P(EF)}{P(F)}.
• Applicare la Formula di Bayes per risolvere problemi complessi con ipotesi multiple e test diagnostici.
• Distinguere tra eventi indipendenti e condizionalmente indipendenti in scenari pratici come genetica e ingegneria.

🔹 Lezione 4: Variabili casuali discrete

Panoramica: Questa lezione esplora la teoria fondamentale e le applicazioni delle variabili casuali discrete, ovvero variabili il cui insieme di valori possibili è finito o numerabile. Definiamo le loro funzioni di massa di probabilità (PMF) e funzioni di distribuzione cumulativa (CDF), stabilendo misure fondamentali di tendenza centrale e dispersione. Infine, la lezione esamina famiglie specifiche di distribuzioni usate per modellare fenomeni reali.

Risultati di apprendimento:

• Definire variabili casuali discrete e calcolarne PMF e CDF.
• Calcolare il valore atteso e la varianza di una variabile casuale e delle sue funzioni.
• Identificare e applicare la distribuzione discreta appropriata per risolvere problemi complessi in forma di parole.

🔹 Lezione 5: Variabili casuali continue

Panoramica: Questa lezione esplora le proprietà e le applicazioni delle variabili casuali continue, con particolare attenzione ai loro valori attesi, varianze e distribuzioni di probabilità specifiche. Gli studenti impareranno a modellare fenomeni reali usando distribuzioni Uniforme, Normale, Esponenziale, Gamma, Weibull, Cauchy e Beta. La lezione copre anche tecniche per approssimare distribuzioni discrete e trasformare variabili casuali.

Risultati di apprendimento:

• Calcolare il valore atteso e la varianza per variabili casuali continue e funzioni di tali variabili.
• Applicare la distribuzione Normale e la sua approssimazione alla distribuzione Binomiale usando la correzione di continuità.
• Analizzare affidabilità e durate usando distribuzioni Esponenziali, la proprietà senza memoria e funzioni di tasso di guasto.

🔹 Lezione 6: Variabili casuali congiuntamente distribuite

Panoramica: Questa lezione esplora il quadro matematico per gestire più variabili casuali contemporaneamente. Copre il passaggio dalle distribuzioni individuali alle funzioni di densità/massa congiunte, la definizione rigorosa di indipendenza e il comportamento della somma di variabili indipendenti. Inoltre, il programma si estende a temi avanzati come statistiche d'ordine e trasformazioni di vettori casuali usando Jacobiani.

Risultati di apprendimento:

• Calcolare distribuzioni marginali e densità condizionate per variabili casuali congiunte continue e discrete.
• Applicare criteri di fattorizzazione per determinare se variabili casuali sono indipendenti e modellare processi complessi.
• Usare il metodo del determinante di Jacobiano per trovare la distribuzione congiunta di funzioni di variabili casuali e calcolare le distribuzioni delle statistiche d'ordine.

🔹 Lezione 7: Proprietà dell’aspettativa

Panoramica: Questa lezione esplora le proprietà avanzate dell’aspettativa matematica, andando oltre le semplici medie fino alla linearità delle somme, covarianza e potenza della condizionamento. Gli studenti impareranno ad applicare questi strumenti all’analisi degli algoritmi, limiti probabilistici e modelli predittivi.

Risultati di apprendimento:

• Applicare la linearità dell’aspettativa a somme complesse, incluse variabili indicatori e serie infinite.
• Calcolare e interpretare covarianza, correlazione e varianza di somme per variabili dipendenti e indipendenti.
• Utilizzare l’aspettativa e la varianza condizionate per semplificare l’analisi di variabili casuali composte e risolvere problemi di ottimizzazione.

🔹 Lezione 8: Teoremi limite

Panoramica: Questa lezione copre i risultati asintotici fondamentali della teoria della probabilità, in particolare il comportamento della somma e della media di variabili casuali quando il numero di osservazioni tende all'infinito. Si esplorano le Leggi debole e forte dei grandi numeri e il Teorema centrale del limite. Vengono inoltre affrontati limiti di probabilità specifici come l’ineguaglianza di Chebyshev monolaterale.

Risultati di apprendimento:

• Distinguere tra Legge debole e Legge forte dei grandi numeri in termini di criteri di convergenza.
• Applicare il Teorema centrale del limite (CLT) per approssimare probabilità di somme di variabili casuali usando la distribuzione normale.
• Utilizzare l’ineguaglianza di Chebyshev monolaterale per fornire limiti superiori per probabilità di coda.

🔹 Lezione 9: Processi stocastici e entropia

Panoramica: Questa lezione esplora i quadri matematici per modellare eventi casuali nel tempo e quantificare l'informazione. Copre il processo di Poisson e i suoi intervalli tra arrivi, la struttura e il comportamento a lungo termine delle catene di Markov, e i principi fondamentali della Teoria dell'informazione. In particolare, si tratta l'entropia e la sua applicazione alla codifica ottimale.

Risultati di apprendimento:

• Definire e calcolare probabilità per il processo di Poisson e determinare la distribuzione degli intervalli tra arrivi.
• Costruire matrici di transizione per catene di Markov e utilizzare le equazioni di Chapman-Kolmogorov per trovare probabilità a n passi.
• Calcolare probabilità limite per catene di Markov ergodiche e risolvere problemi di cammino casuale.

🔹 Lezione 10: Tecniche di simulazione

Panoramica: Questa lezione esplora i principi e le applicazioni della simulazione per determinare empiricamente probabilità e valori attesi. Copre la generazione di permutazioni casuali, tecniche per simulare variabili casuali discrete e continue, e metodi avanzati per ridurre la varianza. Queste tecniche migliorano l'efficienza e l'accuratezza delle stime di simulazione.

Risultati di apprendimento:

• Comprendere il ruolo dei generatori di numeri pseudocasuali e dei semi nella simulazione.
• Implementare algoritmi per generare permutazioni casuali e simulare variabili da distribuzioni discrete e continue.
• Applicare il Metodo Polare per generare normali standard e simulare variabili chi-quadro.