Elementi. Statistica. Masterclass - Frascati 18/3/2015 Elementi di statistica Marco Dreucci
|
|
- Amedeo Carlucci
- 5 anni fa
- Visualizzazioni
Transcript
1 Elementi di Statistica
2 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
3 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
4 Spiega il complesso mediante il semplice nel mondo dell infinitamente piccolo.
5 Spiega il complesso mediante il semplice nel mondo dell infinitamente piccolo.
6 Si usa ovviamente il metodo scientifico Fisici sperimentali
7 Classica manovra a tenaglia! Fisici sperimentali Fisici teorici
8 piu son piccoli LHC
9 In concreto, cosa si misura nella HEP? Parametri fondamentali : Branching ratio (BR) : K S K L, K + K, p + p p, 35% 49% 15% 1% vita media () massa (m) costanti di accoppiamento
10 In concreto, cosa si misura nella HEP? Parametri fondamentali : Branching ratio (BR) : K S K L, K + K, p + p p, 35% 49% 15% 1% vita media () massa (m) costanti di accoppiamento attraverso quantita di moto p ; energia E rilasciata nel calorimetro ; angoli e direzioni delle particelle prodotte ; intervalli temporali ; efficienza rivelatore/selezione ; contaminazione selezione ; ecc.
11 Finiscono prima o poi le misure? sperim teor
12 Finiscono prima o poi le misure? Può aver senso ripetere una stessa misura sperim sperim teor teor
13 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
14 Valor medio Indicatori fondamentali m= Deviazione standard N x i σ = (m x N 1 i ) 2 x = m e x = /m
15 Valor medio Indicatori fondamentali m= Deviazione standard RMS N x i σ = (m x i N 1 ) 2 x = m e x = /m f bin m ~ x Istogramma o distribuzione
16 Esempio Misura spessore cavo elettrico frequenza N = s (mm) s = ( ) mm e r = 5,9%
17 aleatorie Tipi di variabili VA : gaussiana, x misura di una grandezza in presenza di errori casuali. spessore cavo elettrico massa di una particella misura di un intervallo di tempo
18 VA : gaussiana, x Tipi di variabili aleatorie VA : binomiale, k misura di una grandezza in presenza di errori casuali. numero di successi in N prove m = Np ; σ = Np( 1 p) spessore cavo elettrico massa di una particella misura di un intervallo di tempo risultato lancio di un dado efficienza rivelatore # decays di una particella in un dato canale
19 VA : gaussiana, x aleatorie Tipi di variabili VA : binomiale, k VA : poissoniana misura di una grandezza in presenza di errori casuali. numero di successi in N prove m = Np ; σ = Np( 1 p) Caso particolare di var.binom.: - successo: evento raro, p 0 - numero infinito di prove N m = Np ; σ = m spessore cavo elettrico massa di una particella misura di un intervallo di tempo # nascite al giorno # decays in 5s sostanza radioattiva # di eventi in un bin di un istogramma risultato lancio di un dado efficienza rivelatore # decays di una particella in un dato canale
20 Esempio 1 di VA gaussiana : massa di una particella f f M (MeV) M (MeV)
21 f R m m- m+ 68% m-2 m+2 M (MeV)
22 Esempio 2 di VA gaussiana : Misura intervallo temporale b Riv 1 a entries/ns ~ 37 m Riv2 Riv3 ~ 4 m t (ns)
23 Esempio di VA binomiale : I conteggi Z 0 ee, mm,, qq - Osservati N=1000 decadimenti Z 0 - Osservati K=34 eventi Z 0 ee (BR=3,4%)
24 Esempio di VA binomiale : I conteggi Z 0 ee, mm,, qq - Osservati N=1000 decadimenti Z 0 - Osservati K=34 eventi Z 0 ee (BR=3,4%) σ = Np( 1 p) 10000,034( 1 0,034 ) 6 k
25 Esempio di VA binomiale : I conteggi Z 0 ee, mm,, qq - Osservati N=1000 decadimenti Z 0 - Osservati K=34 eventi Z 0 ee (BR=3,4%) σ = Np( 1 p) 10000,034( 1 0,034 ) 6 k σ Np( = 1 m pn p) 1 N # osservaz. precisione N = 50 ~ 10% N = 10 3 ~ 2.4% N = 10 6 ~ 0.08%
26 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
27 relazione matematica=legge fisica=grafico : i valori sperimentali si adattano ad esso? Fare un fit : trovare la funzione che meglio si adatta ai dati
28 A scuola si fa a mano ( I ) Allungamento di una molla y = kx
29 A scuola si fa a mano ( I ) Allungamento di una molla y = kx k = 0.20 ± 0.03 cm/g
30 Ma esistono vari programmini PAW ROOT ( II ) Allungamento di una molla y = kx
31 ( I ) Spessore di un cavo elettrico A y = e 2πσ (x m) 2 2σ 2 gaussiana
32 Errori casuali da due sorgenti ( II ) Spessore di un cavo elettrico gaussiana
33 Errori casuali da due sorgenti ( II ) Spessore di un cavo elettrico gaussiana bigaussiana
34 Un fit non e fatto sempre per verificare l adattamento, ma per trovare qualche parametro Misura vita media y=ae t τ Legge stranota, ma voglio trovare la vita media esponenziale ( t(s
35 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali.
36 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali. y i f(x i ;a) x i
37 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali. y i f(x i ;a) x i
38 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali. y i f(x ;a) i σ i x i
39 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali. y i f(x ;a) σ i i 2 x i
40 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x;a) è nota. Lo scopo del fit e allora determinare il valore del parametro che corrisponde al miglior adattamento della curva ai dati sperimentali. valore sperimentale valore teorico # parametri χ 2 = N i=1 y i f(x σ i i ;a) 2 χ Test del 2 N-p ndf
41 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
42 Esempio 1 (misura massa K ) R p + E 2 = p 2 + m 2 K p + p p 1 p K p 2 p m K 2 = E K 2 -p K 2 = (E 1 +E 2 ) 2 - p 12 2 P 2 12 = (p 1x +p 2x ) 2 + (p 1y +p 2y ) 2 + (p 1z +p 2z ) 2
43 Esempio 1 (misura massa K ) A cosa serve fare il fit?
44 ( cosmici Esempio 2 (velocità raggi Riv 1 ( ) ns ( ) ns 37 m Riv2 Riv3 4 m t (ns)
45 ( cosmici Esempio 2 (velocità raggi ( ) ns t 12 Δt = t 12 2 t = Δt 1 1 = 13.7ns Δt 2 = 4.0ns ( ) ns 37m 4m t (ns)
46 ( cosmici Esempio 2 (velocità raggi ( ) ns t 12 Δt = t 12 2 t = Δt 1 1 = 13.7ns Δt 2 = 4.0ns ( ) ns v = s t 12 Δv = v 4 m = Δs s Δt t = s = m / s m / s ~ 2% ~ 30% t (ns) m s v = /
47 10-8 s Esempio 3 (branching ratio) K + K + p + p p + p + p p p p + p m + m p e + e m + m trigger Efficienza SEL = 0.5 N trig Vertice p + N obs Rivelatore
48 Esempio 3 (branching ratio) K + K + p + p p + p + p p p p + p m + m p e + e m + m bkg Efficienza CUT = 0.9 sig trigger Efficienza SEL = 0.5 N trig cut Vertice E p ( MeV ) p + N obs Rivelatore
49 Esempio 3 (branching ratio) K + K + p + p p + p + p p p p + p m + m p e + e m + m bkg Efficienza CUT = 0.9 sig trigger Efficienza SEL = 0.5 N trig cut Vertice E p ( MeV ) BR K + π 0 π + = N N SIG trig = N ε OBS N ε N SEL CUT trig BKG = N N trig N ε ε OBS SEL BKG CUT p + Rivelatore N obs
50 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti di una stessa grandezza, come si ricava il valore più attendibile?
51 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti di una stessa grandezza, come si ricava il valore più attendibile? 1 2 i p i i x p tot x i x 1 p tot
52 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti di una stessa grandezza, come si ricava il valore più attendibile? 1 2 i p i i x p tot x i x 1 p tot x x 1 2 ( ) ( ) p p x ( x) x ( )
53
54 1 Fisica Alte Energie : di cosa si occupa? FINE 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi
Elementi. Statistica. Masterclass - Frascati 27/2/2013 Elementi di statistica Marco Dreucci
Elementi di Statistica 1 Fisica Alte Energie : di cosa si occupa? 2 Variabili aleatorie e distribuzioni 3 Fit ai dati sperimentali 4 Tre esempi completi 1 Fisica Alte Energie Di cosa si occupa? Spiega
DettagliElementi di. Statistica
Elementi di Statistica 1... diamo un senso cosa e la Fisica delle Particelle Elementari? Spiega il complesso mediante il semplice nel mondo dell infinitamente piccolo all attacco!!! applicando la ben nota
DettagliElementi. di Statistica. Stages Estivi - Frascati 19/6/2009. Marco Dreucci. Elementi di statistica
Elementi di Statistica 1... diamo un senso cosa e la Fisica delle Particelle Elementari? Spiega il complesso mediante il semplice nel mondo dell infinitamente piccolo all attacco!!! applicando la ben nota
DettagliAnalisi dati. Metodi di analisi statistica dei dati di esperimenti di fisica delle particelle
Analisi dati Metodi di analisi statistica dei dati di esperimenti di fisica delle particelle 2 Argomenti Introduzione Dalle misure sperimentali ai risultati finali Variabili aleatorie e distribuzioni statistiche
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
Dettagli7 - Distribuzione Poissoniana
7 - Distribuzione Poissoniana Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) 0.7 Poisson, λ=0.5 Gaussiana, µ=λ=0.5, σ= 0.6 0.5 0.4 0.3 0.2 0.1 0 0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 n = numero
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliMEG: μ e γ. Analisi dei dati raccolti nel 2008 per l estrazione del Branching Ratio del decadimento μ + e + γ. Fisica Nucleare e Subnucleare II
10 giugno 2010 Fisica ucleare e Subnucleare II MEG: μ e γ Analisi dei dati raccolti nel 2008 per l estrazione del Branching Ratio del decadimento μ + e + γ Daniel Salerno Tutors: Gianluca Cavoto Cecila
DettagliDISTRIBUZIONI DISTRIBUZIONE DI GAUSS
DISTRIBUZIONI ESPERIENZA a: DISTRIBUZIONE DI GAUSS SCOPO: Costruzione di una distribuzione di Gauss dai valori di una grandezza fisica ottenuti da una misura dominata da errori casuali. Studio dell influenza
DettagliESEMPIO: DISTRIBUZIONE UNIFORME CONTINUA fra a e b: si utilizza nei casi in cui nessun valore all'interno di un intervallo è preferito:
ESEMPIO: DISTRIBUZIONE UNIFORME CONTINUA fra a e b: si utilizza nei casi in cui nessun valore all'interno di un intervallo è preferito: f(x) = K () dalla proprietà di chiusura: f x dx = 1 *) segue f(x)
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliLa legge di Gauss degli errori come limite di una binomiale
Esiste una dimostrazione rigorosa dovuta a Laplace che la distribuzione degli scarti delle misure affette da errori casuali e indipendenti è la funzione normale di Gauss La legge di Gauss degli errori
DettagliCalcolo applicato alla Statistica Maximum Likelihood
Calcolo applicato alla Statistica Maximum Likelihood Problema fisico 1/2 Consideriamo un esperimento consistente nella misura, per un tempo T fissato, delle trasmutazioni nucleari (spontanee o indotte)
DettagliI conteggi in fisica. Appendice D. D.1 Urti di particelle
Appendice D I conteggi in fisica Il conteggio di eventi è un importante modalità di indagine delle leggi che governano alcuni fenomeni fisici. In un esperimento di conteggio si raccolgono e analizzano
DettagliMisura diretta al LEP del numero di famiglie di neutrini
Misura diretta al LEP del numero di famiglie di neutrini Anno Accademico 2005-2006 - Presentazione a cura di F. Orio Quanti tipi diversi di neutrino esistono? Spettro continuo del decadimento β ν e _ ν
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliMISURA DELLA VITA MEDIA DEL MUONE
MISURA DELLA VITA MEDIA DEL MUONE I Raggi Cosmici Sorgente dei Muoni Sono flussi di particelle relativistiche prodotte dalle stelle e provenienti da ogni parte dell' universo Nel momento in cui colpiscono
DettagliEsperimentazioni di Fisica 1. Prova scritta del 5 luglio 2016 SOLUZIONI
Esperimentazioni di Fisica 1 Prova scritta del 5 luglio 2016 SOLUZIONI Esp-1 Prova di Esame Primo appello - Page 2 of 6 10/09/2015 1. 12 Punti) Quesito. Nella misura della costante di una molla con il
Dettaglif (a)δa = C e (a a*)2 h 2 Δa
Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione
DettagliDistribuzioni di probabilità e principi del metodo di Montecarlo
Distribuzioni di probabilità e principi del metodo di Montecarlo Simulazione di sistemi complessi Distribuzioni di probabilità Istogrammi Generazione di numeri casuali Esempi di applicazione del metodo
DettagliLa casualità nello spazio o nel tempo: la distribuzione di Poisson
La casualità nello spazio o nel tempo: la distribuzione di Poisson Cosa potrebbero rappresentare questi punti? o Organismi o eventi presenti in una certa area Per esempio, ci interessa capire come avviene
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliDistribuzione Gaussiana
Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor
DettagliPROPRIETA GENERALI DEI RIVELATORI. Principi di funzionamento Osservabili piu comunemente misurate Risoluzione Energetica Efficienza
PROPRITA GNRALI DI RIVLATORI Principi di funzionamento Osservabili piu comunemente misurate Risoluzione nergetica fficienza PROPRITA GNRALI DI RIVLATORI Rivelatore: Apparato (di qualsiasi tipo) che reagisce
DettagliOsservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
DettagliDefinizione della variabile c 2 Distribuzione della variabile c 2
Definizione della variabile c Distribuzione della variabile c In queste definizioni ho N variabili indipendenti, nessun vincolo e quindi N coincide con i gradi di libertà In un sistema fisico dove il numero
DettagliDistribuzioni di probabilità e principi del metodo di Montecarlo. Montecarlo
Distribuzioni di probabilità e principi del metodo di Montecarlo Simulazione di sistemi complessi Distribuzioni di probabilità Istogrammi Generazione di numeri casuali Esempi di applicazione del metodo
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliLaboratorio di Fisica con Elementi di Statistica corso A Esame scritto del 26 settembre 2013
DIPARTIMENTO DIPARTIMENTO DI DI FISICA FISICA Corso Corso di di Laurea Laurea Triennale Triennale in in Fisica Fisica Laboratorio di Fisica con Elementi di Statistica corso A Esame scritto del 26 settembre
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliFunzionamento di un rivelatore a LEP
Funzionamento di un rivelatore a LEP ν µ ± non in scala γ π ± e ± π γ e + SMD e TEC - Calo e.m. Calo hadr. µ ± Magnete µ + ν e non rivelata Estratto da presentazioni di Paolo Bagnaia - Roma I/Marisa Valdata
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliRivelatori Caratteristiche generale e concetti preliminari
Rivelatori Caratteristiche generale e concetti preliminari Stage Residenziale 2012 Indice Caratteristiche generali sensibilità, risposta, spettro d ampiezza, risoluzione energetica, efficienza, tempo morto
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
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.
DettagliEsperimentazioni di Fisica 1. Prova d esame del 18 febbraio 2019 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 18 febbraio 2019 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 8 1. (12 Punti) Quesito. La misurazione della massa di una certa quantità di una sostanza liquida
DettagliSviluppo di rivelatori a gas basati su elettrodi piani semiconduttivi
103 Congresso Nazionale della Società Italiana di Fisica Trento 11-15 Settembre 2017 Sviluppo di rivelatori a gas basati su elettrodi piani semiconduttivi Autore: Alessandro Rocchi Co-Autori: Caltabiano
DettagliIndice Premessa Cenni storici delle misure
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliTutta la scienza è fondata sulle misure (Helmholtz)
Tutta la scienza è fondata sulle misure (Helmholtz) L acquisizione di una osservazione come DATO SCIENTIFICO richiede che : osserviamo un fenomeno lo quantifichiamo correttamente lo confrontiamo con altri
DettagliLHCb. - Barbara Sciascia (INFN/LNF) - MasterClass (LNF) - 16 marzo
LHCb [Thanks to F. Alessio, A. Carbone, R. Forty, J. Rademacker for some material] - Barbara Sciascia (INFN/LNF) - MasterClass (LNF) - 16 marzo 2017-1 LHC @ CERN Alpes Lac Léman Genève ATLAS Jura +LHCf
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
Dettagli11 - Test del Chi-Quadro
11 - Test del Chi-Quadro rocedura generale di un fit ai dati: 1) Misure: (x 1,y 1 )...(x n,y n ), x 0, y = yi (gaussiani indipendenti) ) Ipotesi H 0 sul modello (Es. y = f(x) =A + Bx) 3) Metodo dei minimi
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliDistribuzione Binomiale
Statistica e analisi dei dati Data: 2 Maggio 2016 Distribuzione Binomiale Docente: Prof. Giuseppe Boccignone Scriba: Nicoló Pisaroni 1 Conteggi e tempi di attesa Consideriamo il seguente schema, facendo
Dettagli6 - Distribuzione Binomiale
6 - Distribuzione Binomiale Probabilita' (binomiale) o densita' di probabilita' (gaussiana) Binomiale, N=3, p=0.25 0.5 Gaussiana, µ=np=0.8, σ= Np(1-p)=0.8 0.4 0.3 0.2 0.1 0 0.5 0 0.5 1 1.5 2 2.5 3 3.5
Dettaglidi Higgs a LHC b-tagging per la ricerca Scuola Normale Superiore e INFN, Pisa Incontri sulla Fisica delle Alte Energie Andrea Bocci
b-tagging per la ricerca di Higgs a LHC Incontri sulla Fisica delle Alte Energie Pavia Scuola Normale Superiore e INFN, Pisa Sommario - b-tagging per la ricerca del bosone di Higgs - Caratteristiche degli
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliSoluzione Esercizio 1 (pag 1):
8 - Test di Ipotesi Esercizio 1: Dopo anni di esperienza e noto che la distribuzione della concentrazione di rame nel sangue umano e ben descritta da una distribuzione gaussiana di parametri μ=3.2 10-5
Dettagli[Eur. Phys. J. A 50 (2014) 134] Alessandro Di Marco I.N.F.N. & Università di Roma Tor Vergata
Alessandro Di Marco I.N.F.N. & Università di Roma Tor Vergata 100 Congresso Nazionale della S.I.F. Pisa 25 Settembre 2014 Utilizzato in varie applicazioni come la rivelazione di γ e neutroni Utilizzato
DettagliStima dei Parametri. Capitolo 8
Capitolo 8 Stima dei Parametri Lo scopo dello studio dei fenomeni fisici è quello di scoprire le leggi che legano le grandezze oggetto di indagine e di misurare il valore delle costanti che compaiono della
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliMisura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico semplice
Misura del periodo di oscillazione e della costante elastica della molla di un oscillatore armonico semplice Crisafulli Paride Curseri Federica Raia Salvatore Torregrossa M. Roberto Valerio Alessia Zarcone
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
Dettagli17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS
17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS 17.1 LA DISTRIBUZIONE DEI DATI Nel trattare gli errori casuali abbiamo utilizzato il concetto di media aritmetica ed il concetto di deviazione standard
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliLEZIONE 2.6. corso di statistica. Francesco Lagona Università Roma Tre. LEZIONE 2.6 p. 1/15
LEZIONE 2.6 p. 1/15 LEZIONE 2.6 corso di statistica Francesco Lagona Università Roma Tre LEZIONE 2.6 p. 2/15 variabili aleatorie continue consideriamo la distribuzione del fatturato mensile in una popolazione
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliElaborazione dei dati sperimentali. Problemi di Fisica
Problemi di Fisica Elaborazione dei dati sperimentali Nella seguente tabella riportiamo alcune regole per esprimere ualunue numero mediante una potenza di 0: 00000000 = 0 9 456789 = 45,6789 0 4 3, = 0,3
DettagliLezione 6. Tabelle funzionali. Utilizziamo il nostro sistema a portata di mano e ben controllabile
Tabelle funzionali Riguardano dati in cui si vuole verificare una relazione tra più grandezze. Si organizzano le tabelle delle migliori stime delle coppie di grandezze e delle rispettive incertezze totali.
DettagliMisura del flusso di elio nei raggi cosmici con l'esperimento PAMELA
Misura del flusso di elio nei raggi cosmici con l'esperimento PAMELA Candidato: Andrea Cardini Relatore: Dott. Nicola Mori Sintesi dei contenuti I raggi cosmici L'esperimento PAMELA Misura del flusso di
DettagliMisura della vita media del mesone D 0 a LHCb
International Masterclasses (LNF) 17 marzo 2016 Misura della vita media del mesone D 0 a LHCb B. Sciascia (INFN) [Almost all slides from A. Carbone] L ESERCIZIO DI OGGI Obiettivi dell esercizio I obiettivo:
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. La distribuzione Normale (o di Gauss)
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in medicina e chirurgia - Corso di Statistica
DettagliModulo di LABORATORIO del corso di FISICA DELLE RADIAZIONI APPLICATA ALLA MEDICINA
Modulo di LABORATORIO del corso di FISICA DELLE RADIAZIONI APPLICATA ALLA MEDICINA FORMARE GRUPPI DA TRE 5 ESPERIENZE DI LABORATORIO DI MERCOLEDI OBBLIGATORIE QUADERNO (logbook) RETRO QUADERNO ESAME ESEMPIO
DettagliAA Prof. V. Palladino. Undicesima lezione, seconda del secondo modulo
AA 2016-17 Prof. V. Palladino http://people.na.infn.it/palladin/lezioni2016-17/161205lezione11.pdf Undicesima lezione, seconda del secondo modulo Possiamo predire le distribuzioni di probabilita' delle
DettagliBIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um
1 2 Data_31misure_070318 BIN = 15 um Minimum 80 Maximum Sum 120 3176,7 Points Mean Median 31 102,47419 102,9 102.5 um RMS Std Deviation Variance Std Error 102,7225 7,2559846 52,649312 1,3032133 7.3 um
DettagliCorso di Istituzioni di Matematiche con Elementi di Statistica. anno accademico 2015/2016 corso A-L (G. Gaeta & N. Bressan)
Corso di Istituzioni di Matematiche con Elementi di Statistica anno accademico 215/216 corso A-L (G. Gaeta & N. Bressan) Esercizi Foglio 9 (Funzioni aleatorie; distribuzioni di probabilita ) Esercizio
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliRIVELATORI DI PARTICELLE PER LO STUDIO DEI RAGGI COSMICI STAGE INVERNALE A TOR VERGATA, FEBBRAIO 2019
RIVELATORI DI PARTICELLE PER LO STUDIO DEI RAGGI COSMICI STAGE INVERNALE A TOR VERGATA, 11-15 FEBBRAIO 2019 I RAGGI COSMICI Abbiamo studiato flussi di raggi cosmici utilizzando il metodo delle coincidenze.
DettagliValenza didattica (aggiunta e principale) Individuazione della grandezza da misurare. Misure ccomplementari/alternative
Misura del coefficiente di emanazione del radon da un materiale poroso Valenza didattica (aggiunta e principale) Contesto Tematica Individuazione della grandezza da misurare Metodologia di misura Misure
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliFunzioni di 2 variabili
Funzioni di 2 variabili 1 eterminare l insieme di definizione di ciascuna delle seguenti funzioni precisando se tali insiemi sono aperti, chiusi, itati. F (x, y) = 1 sin x cos y F (x, y) = arctan sin xy
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliL istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un
Gli istogrammi L istogramma è una rappresentazione grafica di una distribuzione di frequenza di una certa grandezza, ossia di quante volte in un insieme di dati si ripete lo stesso valore. Esistono diversi
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
Dettagli3) Vengono di nuovo ripetute le misure del punto 2 e i risultati sono s, s, s, s, s, s, s, 96.
Problema A Un pendolo e costituito da una massa di dimensioni trascurabili appesa a un filo considerato in estensibile, di massa trascurabile, lunghezza L, e fissato a un estremo. L Il periodo di oscillazione
DettagliIndice Premessa................................... Cenni storici delle misure......................
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
Dettagli