Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie
|
|
- Natalia Ferraro
- 5 anni fa
- Visualizzazioni
Transcript
1 Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie
2 Combinazioni di più variabili aleatorie continue Distribuzione bivariata Variabili Aleatorie indipendenti Carico-resistenza (caso statico) Metodo di Montecarlo
3 Combinazioni di più variabili aleatorie continue (1/2) Distribuzione bivariata o combinata di due V.A.: definizione y y1 + dy y d { (, + ) (, + )} =ϕ (, ) P d y y y dy y ddy
4 Combinazioni di più variabili aleatorie continue (2/2) Distribuzione bivariata o combinata di due V.A.: proprietà Distribuzioni marginali ( ) ( ) ( ) = ϕ (, ) ( ) { } 1, 1 1, ϕ (, ) f d = P + d y = y dy d f y dy ( ) ϕ (, ) f y y = y d Parametri e momenti Covarianza e correlazione μ, μy, σ, σ y (, ) = ( μ ) ( ) μ y ϕ(, ) COV X Y y y ddy COV ( X, Y ) 1 ρ ( XY, ) = 1 σσ y
5 Algebra delle variabili aleatorie 1/2 Date due V.A. che assumono valori e y e una funzione: z = (, ) g y le proprietà della V.A. che assume valori z sono: in particolare: (, ) (, ) ϕ(, ) μz = E g y = g y y ddy (, ) 2 (, ) 2 σ z = g y μz ϕ y ddy E[ ± y] = E( ) ± E( y) 2 2 [ ± ] = ± 2 + VAR y σ ρσ σ σ y y 2 2 [ ± ] = + se scorrelate VAR y σ σ y
6 Algebra delle variabili aleatorie 2/2 Combinazioni lineari Dati due paramenti deterministici non nulli: a, a ( ) ( ) E a± ayy = ae ± aye y VAR a ± a y = a σ ± 2ρa a σ σ + a σ y y y y y y se scorrelate VAR a ± ayy = aσ + ayσ y
7 Due variabili aleatorie gaussiane Distribuzione combinata di due V.A. gaussiane ϕ (, y) = 1 2 2πσ σ 1 ρ y e μ y μ y y μ μ y 2ρ ( ρ ) σ σσ y σ y ( )( ) Esempio Mathcad sull effetto dei parametri
8 Due variabili aleatorie gaussiane μ = μ = 50; σ = 13; σ = 33; y y ρ = 0; y y
9 μ = μ = 50; σ = 13; σ = 33; y y ρ = 0.9; Due variabili aleatorie gaussiane y
10 Due variabili aleatorie gaussiane indipendenti Indipendenti Scorrelate ρ = 0 ϕ (, y) 2 1 μ y μ y + 2 σ σ y 1 = e = 2πσ σ y 2 ( ) ( ) 2 1 μ 1 y μ y 2 σ 2 σ y 1 1 e e = 2πσ 2πσ = f f y y y 2
11 Calcolo dell affidabilità per carichi statici Esempio 6.1 Un tirante ha una resistenza definita da una V.A. S gaussiana con parametri: μs = 30kN, σ S = 5kN il carico è anch esso una V.A. gaussiana con parametri: μ = 20kN, σ = 6kN determinarne l affidabilità per una singola applicazione del carico. 0.1 f ( ) 0.05 f ( ) fs ( ) ( kn)
12 Es. 6.1: I soluzione Si considera la V.A. D differenza resistenza carico: D = S È una combinazione lineare di due V.A. gaussiane Proprietà: a differenza di due V.A. gaussiane è una V.A. gaussiana. Dimostrazione D1 D1 + dd D Determinare la probabilità che la differenza D sia nell intervallo specificato:
13 S S = D 1 ϕ ( S, ) D1 + dd D 1 f ( D 1 ) dd D + dd+ (, D = ϕ S ) ds d 1 D 1+ ( ) ( ) 2 2 =,, + 2 f D N D μ μ σ σ ρσ σ D S S S
14 In generale: Dati due paramenti deterministici non nulli: a, a ( ) = (, μ, σ ) f N e due V.A. gaussiane : f y N y con coefficiente di correlazione: ρ ( ) = (, μ, σ ) y y y y a V.A.: z = a + a y y Ha la seguente densità di probabilità: ( ) ( ) =, μ + μ, σ + 2ρ σ σ + σ f z N z a a a a a a z y y y y y y
15 D = S è la combinazione lineare di due V.A. gaussiane indipendenti D ( ) ( ) 2 2 =,10, = (,10,7.81) f D N D N D fd ( D) D R = 0.90
16 Es. 6.1: II soluzione S S > = S ϕ ( S, ) > S R = P( S > ) = ϕ (, S) ds d
17 Es. 6.1: III soluzione (1/2) f ( ) ( ) S f RS ( ) d per il carico nell intervallo, ( ) d Il contributo alla probabilità di non rottura (affidabilità) è dr = f d P S > = f d f d = ( ) ( ) ( ) ( ) S = f d R ( ) ( ) 1 S 1 1
18 III soluzione (2/2) A questo punto è necessario considerare tutte le possibilità per il livello di carico ed effettuarne la somma: = = R dr f R d ( ) ( ) Integrando con inversione di variabili: = S R f F d S ( ) ( )
19 Definizioni Safety Margin D SM = μ è il reciproco del CV per la differenza S σ D μs μ SM = 2 2 σ + σ S f ( D ) D F ( D ) D SM σ D μ D P rottura D = F ( 0) ( ) D R= 1 F D 0 D
20 Definizioni oading Roughness R = σ = σ σ 2 2 D σ + σ S f f f R 0 R 1 f f S f S P rottura P rottura
21 Probabilità di rottura in funzione del SM Hyp. S e variabili aleatorie gaussiane 0 P rott SM
22 Coefficiente di sicurezza statico? Esempio 6.2 Dati i seguenti valori di V.A. gaussiane (valori in MPa): = N,120,42 ; S = N,270,30 ( ) ( ) determinare il coefficiente di sicurezza convenzionale, il SM e la probabilità di rottura Carico ma: 98 percentile alto f ( ) fs ( ) ma = 206MPa 0 S am = 221MPa Resistenza ammissibile 5 percentile basso
23 SM = 2.91; R = 0.81 Sam η = = 1.07 ma P rottura = = % Esempio 6.2 bis Dati i seguenti valori di V.A. gaussiane (valori in MPa): = N,500, 40 ; S = N,672,30 ( ) ( ) determinare il coefficiente di sicurezza convenzionale, il SM e la probabilità di rottura Sam 623 η = = = ma SM = 3.44; R = 0.80 P rottura = = %
24 Valori tipici di CV per resistenze meccaniche (leghe metalliche) Resistenza CV Ultimate stress 0.05 Yielding stress 0.07 Fatigue limit 0.10 Hardness (Brinnel) 0.05 Fracture strength (lower shelf) 0.08
25 Interpretazione dell affidabilità statica (Trasformazione di Mellin) X = F u = R f u R u du ( ) Y = R u ( ) ( ) S ( ) S f u du = df u = dx ( ) ( ) Y = R S 1 R = Y dx P R R 1 X = F
26 Metodo Montecarlo Strumento per effettuare simulazioni numeriche Algoritmo per calcolare integrali Permette di simulare in forma numerica situazioni complesse Esempio Valutare la probabilità che una palla da biliardo lanciata a caso si fermi all interno di una figura disegnata sul tavolo
27 anciare un palla a caso significa che la posizione finale è definita da una distribuzione bivariata uniforme nel rettangolo e coordinate della posizione finale della palla sono V.A. indipendenti uniformemente distribuite Un generatore di numeri casuali tra 0 e 1 definisce una coordinata insieme di punti che si ottengono per ripetizione della procedura si chiama campo di Poisson Non serve avere l espressione analitica del contorno della figura, basta una funzione che stabilisca se il punto è dentro o fuori Il risultato si ottiene applicando la definizione statistica di probabilità (si prendono tantissimi punti a caso) Si comprende l uso del metodo per il calcolo degli integrali
28 Generatori di numeri (pseudo)casuali =?; = c+ a mod m; r = / m ( ) 0 i i 1 i i m > 0 modulus 0 < a< m multiplier 0 c< m increment c e m primi tra loro, a 1 è divisibile per tutti i fattori primi di m, a 1 è multiplo di 4 se m è multiplo 4 Esempi m a c Numerical Recipes Borland C/C
29 Campi di Poisson n = 50 n = 200 n = 1000
30 Esempio 6.3 Stimare π con il metodo Montecarlo Probabilità che il punto stia dentro lo spicchio di cerchio: P = π 4 π = 4P Si genera una distribuzione di Poisson di n punti e si calcola la frazione degli n int punti interni : π n 4 int n
31 Soluzione n 4 int n n
32 Generazione di numeri casuali con distribuzione voluta (1/2) y dy 1 F( ) Numero di punti nell intervallo: d df dy = d = f ( ) d d δ = f y = = Se la densità di y è costante e pari a: ( ) 1/1 1 δ dy dy d Densità di corrispondenti valori di : δ = f ( ) y
33 Generazione di numeri casuali con distribuzione voluta (2/2) 1 = F y ( ) Applicando a una V.A. distribuita uniformemente in (0,1) la funzione cumulata inversa di una distribuzione nota, si genera una V.A. con tale distribuzione Esempio 6.3 Generare n=20 valori distribuiti secondo una Weibull con parametri: α = 1, β = 2, = 3 0 (, α, β, ) 0 F 0 0 β = α 1 e > 0 0
34 ( ) / 0 1/ 0 1 ln 1 1 ln 1 1 ln 1 F e F F F β α β β β α α α = > = = = + 1/ 0 1 ln 1 y β α = +
35 k 1 y k k s k Fs k Fs k = k 0.5 n
36 F F Fs
37 1 ln ln 1 F 2 0 Fs 2 F ( ) ln 0
38 Esempio 6.4 a sollecitazione di un elemento meccanico è definita da una V.A. di Weibull con parametri: α = 50, β = 2.0, = e la resistenza è una V.A. di Weibull con parametri: α = 100, β = 3.0, = 120 S S 0S Determinare l affidabilità per un singolo caricamento statico. R f u R u du = ( ) 0 ( ) ( ) S u α 0 S βs S R u = min(1, e ) S ( ) 0 ( ) β 1 u 0 α β u f u = e u α α β 0
39 Distribuzioni f ( u) S u R th = 0.948
40 Soluzione con Montecarlo Soluzione numerica in funzione della numerosità del campione di valori del metodo Montecarlo R n
41 Precisione e convergenza con Montecarlo Indichiamo con n il numero di tentativi della simulazione e rispet.: P, P n la probabilità teorica da calcolare e quella ottenuta con Montecarlo È stato dimostrato che: P( 1 P) Prob P Pn < 2 = 0.95 n Oppure, equivalentemente, che con la confidenza del 95% l incertezza relativa sulla probabilità (semiampiezza dell intervallo relativo di previsione) è: P P 1 1 e = n = 2 1 P P n
42 a formula mostra che l incertezza relativa è più alta per la stima di probabilità basse (necessità di n elevati) Nel caso esaminato: P = Stima della semiampiezza dell intervallo relativo di previsione e n
43 Stima della semiampiezza dell intervallo relativo di previsione: scala lineare e n
44 Intervalli di confidenza del 95% per il caso esaminato R n
Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 6:
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 6: Combinazioni di variabili aleatorie Algebra delle variabili aleatorie 1/2 Date
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
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
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 5: Funzioni di variabili aleatorie
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 5: Funzioni di variabili aleatorie Funzione di variabile aleatoria continua Sia data una V.A. continua
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
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
DettagliLaboratorio di Calcolo B 68
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
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliCoppie di variabili aleatorie
Coppie di variabili aleatorie 1 Coppie di variabili aleatorie Definizione: Si definisce vettore aleatorio la coppia (,) dove,, sono definite sullo stesso spazio campione : S R, : S R (, ) : S R Esempio:
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
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
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 4: Variabili aleatorie continue
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 4: Variabili aleatorie continue Definizione di variabile aleatorie continua Se il risultato di un esperimento
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliGenerazione di distribuzione di probabilità arbitrarie
Generazione di distribuzione di Abbiamo visto come generare eventi con distribuzione di uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI UTILI - DISTRIBUZIONI
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliVariabili casuali multidimensionali
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliGenerazione di numeri casuali
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
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gioco del
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
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 5:
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 5: Funzioni di variabili aleatorie Funzione di variabile aleatoria continua Sia data
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 4:
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 4: Variabili aleatorie continue Definizione di variabile aleatorie continua Se il
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
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
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
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA statistica descrittiva - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI
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
DettagliAnalisi Statistica Multivariata Modulo Modelli Statistici
Analisi Statistica Multivariata Modulo Modelli Statistici Gianna Monti 8 novembre 013 1 Approfondimenti 1 1.1 Esercizi Esercizio 1 Galton e il suo allievo Karl Pearson condussero alcuni studi in merito
DettagliDISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono:
DISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono: DISTRIBUZIONE ESPONENZIALE a 2 parametri (con soglia) Se esiste
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliIntegrazione con metodo Monte Carlo
28 Ottobre 2010 Outline 1 Integrazione numerica I metodi deterministici di integrazione numerica (come Simpson, trapezi, e in generale Newton-Cotes) lavorano tipicamente con campionature uniformi del dominio.
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
DettagliIl metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
DettagliErrata Corrige Teoria della probabilità e variabili aleatorie con applicazioni McGraw-Hill-Italia: marzo ISBN:
Errata Teoria della probabilità e variabili aleatorie con applicazioni McGraw-Hill-Italia: marzo 005. ISBN: 88-386-688-6. Alberto Bononi e Gianluigi Ferrari 5 Estrazione di carta da mazzo da 54 Estrazione
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 2 1 Distribuzione normale Esercizio 1 Sia X una variabile aleatoria Normale N (5, ). Facendo
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliVariabile aleatoria vettoriale
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabile aleatoria vettoriale Sommario della lezione 4 Esperimenti combinati VA vettoriali La Gaussiana multidimensionale Medie e
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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,
DettagliLE PROVE DI AFFIDABILITA
4. LE PROVE DI AFFIDABILITA Ed.1 del 14/09/98 Rev. 3 del 08/09/00 AFFIDABILITA' DI COMPONENTI E SCHEDE ELETTRONICHE-sez 4 1 LE PROVE DI AFFIDABILITA SI RICAVANO INFORMAZIONI RELATIVE AD UN CAMPIONE E SI
DettagliSTIMA DEI PARAMETRI. METODO DEI MOMENTI.
STIMA DEI PARAMETRI. Esistono diversi metodi per la stima dei parametri: Metodo grafico di interpolazione su carta probabilistica. Metodo dei momenti. Metodo della massima verosimiglianza. Metodo degli
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
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
Dettagli{ } { } { } {( ) ( ) ( ) { } { } ( ) ( { } ( ) Valor medio statistico (o valore atteso): Se g(x) è una funzione di V.A., si ha:
Variabili Aleatorie Valor medio statistico (o valore atteso: μ + { } ( = E = x f ( x dx Se g( è una funzione di V.A., si ha: + { ( } = ( ( E g g x f x dx Esempi di valore atteso di funzione di variabile
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
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliDISTRIBUZIONI DI PROBABILITA PER L IDROLOGIA
DISTRIBUZIONI DI PROBABILITA PER L IDROLOGIA 8 ottobre 06 INDICE i Indice Richiami di statistica applicata all Idrologia. Distribuzioni di probabilità............................... Stimatori.........................................3
DettagliCorso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 2015
Corso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 215 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
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
DettagliAnalisi e scelta dei dati di input
Capitolo 4 Analisi e scelta dei dati di input 4.1 Introduzione Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettagli