7 - Distribuzione Poissoniana
|
|
- Cornelia Massaro
- 5 anni fa
- Visualizzazioni
Transcript
1 7 - Distribuzione Poissoniana
2 Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) 0.7 Poisson, λ=0.5 Gaussiana, µ=λ=0.5, σ= n = numero di conteggi λ=0.7 Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) Poisson, λ=2.0 Gaussiana, µ=λ=2.0, σ= n = numero di conteggi λ=1.4 Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) Poisson, λ=10.0 Gaussiana, µ=λ=10.0, σ= n = numero di conteggi λ=3.2 Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) Poisson, λ=100.0 Gaussiana, µ=λ=100.0, σ= n = numero di conteggi λ=10.0
3 Esercizio 1: Misure accurate hanno stabilito che un campione di torio radioattivo emette particelle alfa ad un tasso di 1.5 al minuto. - Se si conta il numero di particelle alfa emesse in due minuti, qual e il risultato medio atteso? - Qual e la probabilità che si ottenga effettivamente questo numero? - Qual e la probabilità di osservare n particelle per n=0,1,2,3,4 e per n>=5?
4 Soluzione Esercizio 1: R = 1.5 conteggi/min. t =2min. a) = R t =1.5 2 = 3 conteggi b) P 3 (3) = 33 e 3 3! = 22.4% c) P 3 (0) = 30 e 3 0! = 5% P 3 (1) = 31 e 3 1! = 15% P 3 (2) = 32 e 3 2! = 22.5% P 3 (3) = 33 e 3 3! = 22.4% P 3 (4) = 34 e 3 4! = 16.9% P (n 5) = 1 P 3 (0) P 3 (1) P 3 (2) P 3 (3) P 3 (4) = 18.2% Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) Poisson, λ=3.0 Gaussiana, µ=λ=3.0, σ= n = numero di conteggi λ=1.7 Come si nota dal grafico la distribuzione di probabilità dei conteggi n e asimmetrica rispetto al valore atteso (E[n] = = 3).
5 Esercizio 2: Uno studente controlla un campione di una sostanza radioattiva per 30 minuti ed osserva 49 particelle alfa. - Qual e la sua stima del parametro λ del processo (numero di particelle alfa emesse in 30 minuti)? - Qual e la miglior stima del tasso R di decadimento (espresso in particelle al minuto)?
6 Soluzione Esercizio 2: Si vogliono stimare le proprietà del processo fisico poissoniano ( partire da un singolo esperimento di conteggio. t = 30 min. n = 49 (singolo misura, singolo conteggio) ed R) a a) La miglior stima di (numero atteso di conteggi in un intervallo di tempo t = 30) e : = n ± p n = 49 ± 7 conteggi Essendo un numero relativamente grande (> 10) siamo nel regime in cui la poissoniana e ben descritta da una gaussiana. In questa approssimazione, la probabilità che il valor vero di sia compreso nell intervallo quotato 49 ± 7 e circa il 68% (±1 gaussiana). b) La miglior stima di R = t = n ± p n conteggi =(1.6 ± 0.2) t t min. Dal momento che per la distribuzione dei conteggi e valida l approssimazione gaussiana, anche all intervallo (1.6±0.2) conteggi min. e associata una probabilità del 68% che il valor vero cada nell intervallo. q NOTA: il risultato R = n ± n =(1.6 ± p 1.6) conteggi t t min. e sbagliato! Le fluttuazioni statistiche poissoniane sono solo sul numero di conteggi n (mentre l intervallo di tempo t e supposto avere una incertezza trascurabile).
7 Esercizio 3: Un fisico nucleare controlla le disintegrazioni di una sostanza radioattiva con un contatore Geiger. Egli conta le disintegrazioni in N=15 distinti intervalli di tempo ciascuno pari a Δt=5 secondi ed ottiene i seguenti conteggi n_i: - 7, 11, 10, 7, 5, 7, 6, 12, 12, 7, 18, 12, 13, 12, 6 - Determinare il tasso di disintegrazioni (in conteggi al secondo)
8 Soluzione Esercizio 3 (pag 1): Si vuole stimare una proprietà del processo fisico in esame (il tasso di disintegrazioni R) a partire da una serie di conteggi (misure ripetute). Il problema di può svolgere in 2 modi. 1) Caso generale di una serie di misure ripetute. Si considera la variabile casuale n, numero di conteggi in un tempo t = 5s, senza fare assunzioni a priori sulla natura poissoniana del processo. Si usano media e deviazione standard campionaria come stime del valore atteso e della deviazione standard della distribuzione di probabilità di n. n = n = P N i=1 n i q PN i=1 (n i n) 2 N =9.7 N 1 = N N 1 (n2 n 2 )=3.5 Essendo il numero delle misure N = 15 relativamente grande, e una approssimazione ragionevole assumere che la deviazione standard del campione coincida con la deviazione standard della distribuzione di probabilità. Sotto queste ipotesi si ottengono le seguenti stime: = n ± n = n ± p n N =(9.7 ± 0.9) R = t =(1.94 ± 0.18) conteggi s ad 1 cifra significativa) (1.9 ± 0.2) conteggi s (approssimando gli errori
9 Soluzione Esercizio 3 (pag 2): 2) Serie di misure ripetute facendo una ipotesi poissoniana Se il processo e poissoniano, la serie di misure può essere considerata equivalente ad un unico conteggio n tot = P N i=1 n i = 145 e ettuato in un tempo tot t = N t = 75 s. La stima di ed R si ottiene quindi come nell esercizio precedente a partire da una singola misura. = n tot ± p n tot = (145 ± 12) R = t =(1.93 ± 0.16) conteggi s (1.9 ± 0.2) conteggi s Confrontando questo valore di R con quello ottenuto con il metodo 1, si osserva che sono assolutamente compatibili. Questo conferma quindi l ipotesi utilizzata nel metodo 2 che il processo in esame e e ettivamente poissoniano. NOTA: e normale che le due stime di R diano risultati leggermente diversi (ma compatibili): (1.94 ± 0.18) conteggi s vs (1.93 ± 0.16) conteggi s. Le due stime sarebbero in perfetto accordo sono nel caso N!1.
10 Esercizio 4: Una variabile casuale n (conteggi in un certo tempo fissato) e distribuita secondo una Poissoniana con λ=64. - Calcolare la probabilità che n=72 - Calcolare la probabilità che n>=72
11 Soluzione Esercizio 4: P (n) = n e n! Essendo poissoniana. a) = 64 > 10 possiamo utilizzare l approssimazione gaussiana della p(n = 72) = R G µ, (n)dn con µ = e = p. n 1 = 71.5! t 1 = n 1 µ / = n 2 = 72.5! t 2 = n 2 µ / = p(n = 72) = R µ+t 2 µ+t 1 G µ, (x)dx = Q(t 2 ) Q(t 1 ) = ( )% 2.9% Il risultato approssimato ottenuto e in buon accordo con quello esatto che richiede l uso di un calcolatore per essere ricavato: P 64 (72) = 6472 e 64 72! =2.9% (risultato esatto) b) p(n 72) = R G µ, (n)dn = R +1 µ+t 1 G µ, (n)dn = 50% Q(t 1 ) = ( )% = 17.4% NOTA: Nel rispondere alla domanda b) risulta ancora più evidente l utilità dell approssimazione gaussiana per grandi. p(n 72) = 1 P (0) P (1) P (2) P (3)... P (71) = 17.3% (risultato esatto): si tratta di un calcolo molto laborioso che richiede l uso di un calcolatore. Il risultato ottenuto con l approssimazione gaussiana e in buon accordo con quello esatto.
12 Esercizio 5: Uno studente decide di controllare l attività di una sorgente radioattiva ponendola in un rivelatore a scintillazione liquida. Nel corso di 10 minuti il rivelatore registra 2540 conteggi totali. Per tenere conto di conteggi indesiderati dovuti al rumore di fondo, egli rimuove la sorgente e nota che in 3 minuti il rivelatore registra 95 conteggi. - Determinare la miglior stima del tasso di conteggi Rsorgente dovuto alla sola sorgente.
13 Soluzione Esercizio 5: Il tasso di conteggi totale e dato dalla somma del tasso di conteggi della sorgente (processo di interesse) e del tasso di conteggi di fondo (conteggi indesiderati dovuti a processi diversi da quello di interesse): R tot = R sorgente + R fondo Si vuole determinare il tasso di conteggi relativo al solo processo di interesse. Si deve quindi e ettuare la cosiddetta sottrazione del fondo : R sorgente = R tot R fondo tot = 2540 ± p 2540 (2540 ± 50) (vedi stima di sorgente t = 10 min. R tot = tot / sorgente t = (254 ± 5) conteggi min da una singola misura) fondo = 95 ± p 95 (95 ± 10) (vedi stima di fondo t =3min. R fondo = fondo / fondo t = (32 ± 3) conteggi min da una singola misura) R sorgente = R tot R fondo L incertezza su q R sorgente si ottiene dalla formula di propagazione delle incertezze: R sorgente = Rtot 2 + Rfondo 2 = p =6 conteggi min (le incertezze si sommano in quadratura in quanto le misure con e senza sorgente hanno incertezze statistiche indipendenti). R sorgente = R tot R fondo = (222 ± 6) conteggi min
14 Esercizio 6: Il reparto ostetrico di un piccolo paese ha un solo posto e dunque può gestire non più di un parto al giorno. Negli ultimi anni e stato visto che si ha un parto nel paese circa una volta la settimana. Sulla base di questi dati: - a) Calcolare la probabilità che domani arrivino 2 o più donne per partorire, e che quindi una o più di loro debba essere mandata in un altro ospedale vicino - b) Calcolare la probabilità che l evento del punto a) si verifichi almeno una volta in un anno
15 Soluzione Esercizio 6: a) Il primo quesito si risolve assumendo che il numero di donne che in un dato giorno arriva in ospedale a partorire segue una distribuzione poissoniana (P (n)) con tasso di conteggio: R =1 conteggio settimana = 1 7 conteggi giorno t = 1 giorno = R t =1/ P (0) = (0.143)0 e ! = 86.7% P (1) = (0.143)1 e ! = 12.4% p(2 o più donne in un giorno) = 1 P (0) P (1) 0.9% b) Il secondo quesito di risolve considerando un problema binomiale:, in un dato giorno, - successo = l evento che due o più donne si presentino in ospedale per partorire. A questo evento e associata una probabilità p =0.9% (calcolata al punto precedente). - N = 365 rappresenta il numero di prove indipendenti del processo binomiale (in questo caso il numero di giorni in un anno in cui può verificarsi un parto in ospedale). - n e il numero di successi in N prove indipendenti, e rappresenta una variabile casuale distribuita secondo una binomiale (B N,p (n)). La probabilità che in un anno succeda almeno una volta l evento definito sopra come successo e : p(n 1) = 1 B N,p (n = 0) = 96.3% essendo N! B N,p (n = 0) = n!(n n)! pn (1 p) N n 365! = 0!(365 0)! (0.009)0 ( ) %
16 Esercizio 7: Tre contatori per raggi cosmici contano in media 256 eventi al minuto. - Calcolare la probabilità che almeno 2 contatori osservino un conteggio inferiore a 240 in un minuto.
5 - 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
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
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
Dettagli9 - Esercizi su Test di Ipotesi e Media Pesata
9 - Esercizi su Test di Ipotesi e Media Pesata Esercizio 1: Prese due risme di fogli di carta, la misura della lunghezza di un campione di 10 fogli presi a caso da ciascuna delle due risme fornisce i seguenti
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
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
DettagliProbabilità e Statistica
Probabilità e Statistica - 12.01.2016 Cognome e Nome............................................................................... C. d. L.:................................................Anno di Corso:
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
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)
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
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.
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.
DettagliLa distribuzione di Poisson
La distribuzione di Poisson La distribuzione di Poisson (poissoniana) descrive fenomeni fisici per i quali nello schema successo-insuccesso ci si trovi nelle seguenh situazioni: - Il numero di evenh possibili,
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
DettagliCONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI
CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI ipotesi sul confronto tra le medie di due campioni indipendenti Obiettivo: decidere, attraverso il confronto tra le medie dei due campioni indipendenti,
DettagliCompitino del Statistica e Probabilità Laurea Specialistica in Ingegneria Meccanica e dei Materiali
Dichiaro di acconsentire all esposizione dei risultati dei compitini in rete Firma Compitino del 23-12-2002 Statistica e Probabilità Laurea Specialistica in Ingegneria Meccanica e dei Materiali Esercizio
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
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
Dettagli3 - Esercizi: strumenti di misura, propagazione degli errori, media, deviazione standard, intervalli
3 - Esercizi: strumenti di misura, propagazione degli errori, media, deviazione standard, intervalli Esercizio 1: Si intende misurare la densità di un fluido tramite misure di massa e di volume. Lo si
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliElementi. 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
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
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
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
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
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
DettagliProbabilità e Statistica
Cognome e Nome............................................................................... C. d. L.: GESL Anno di Corso: 1 2 3 altro Matricola....................................... Firma.......................................
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
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
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 /
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
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
DettagliElementi. Statistica. Masterclass - Frascati 18/3/2015 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? 2 Variabili
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
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
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
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
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliProbabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
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
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
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
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
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
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 DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
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
DettagliStatistica I. Ingegneria Gestionale. Scritto del 17/07/2012
Statistica I. Ingegneria Gestionale. Scritto del 17/07/01 Cerchiare, su questo foglio, le risposte corrette e risolvere per esteso gli esercizi sui fogli assegnati. Esercizio 1. Un operatore finanziario
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 205- P.Baldi Lista di esercizi 5, 8 febbraio 20. Esercizio Si fanno 25 estrazioni
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
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
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliIntroduzione all Inferenza Statistica
Introduzione all Inferenza Statistica Fabrizio Cipollini Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) G. Parenti Università di Firenze Firenze, 3 Febbraio 2015 Introduzione Casi di studio
DettagliPROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati
PROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati 1. - Un urna contiene 2 palline bianche e 28 nere; da essa vengono
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
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
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)
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Ines Campa Probabilità e Statistica - Esercitazioni
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
DettagliSOLUZIONI DEL 2 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA Esercizio 0.1 Una moneta non truccata viene lanciata 10 volte. Calcolare la probabilità che non esca mai testa. Quale risulta la probabilità
DettagliIntroduzione all'inferenza Lezione 4
Last updated April 16, 2016 Introduzione all'inferenza Lezione 4 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Introduzione all inferenza Popolazione Campione
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 del 28/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 8/0/01 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio 1. Sia X una v.a. aleatoria assolutamente continua con densità f X data da { 0 x < 0 f X
DettagliTeorema del limite centrale TCL
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
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione
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
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
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
DettagliProva di recupero di Probabilità e Statistica - A * 21/04/2006
Prova di recupero di Probabilità e Statistica - A * /04/006 (NB: saranno prese in considerazione solo le risposte adeguatamente motivate) tempo di lavoro: Due ore. Per conseguire la patente di guida, un
DettagliAppunti di statistica ed analisi dei dati
Appunti di statistica ed analisi dei dati Indice generale Appunti di statistica ed analisi dei dati...1 Analisi dei dati...1 Calcolo della miglior stima di una serie di misure...3 Come si calcola μ...3
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
Dettaglib) E necessario formulare delle ipotesi per calcolare l intervallo di confidenza ottenuto al punto a? (motivare brevemente la risposta):
ESERCIZIO 1 Una grande banca vuole stimare l ammontare medio di denaro che deve essere corrisposto dai correntisti che hanno il conto scoperto. Si seleziona un campione di 100 clienti su cui si osserva
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
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 I risultati di un esperimento
DettagliEsercizi di statistica inferenziale
Dipartimento di Fisica SMID a.a. 004/005 Esercizi di statistica inferenziale Prof. Maria Antonietta Penco tel. 0103536404 penco@fisica.unige.it 6/1/005 Esercizio1 E noto che un grande numero di pazienti
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
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
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliApprofondimento 3.3. Approssimazione della distribuzione binomiale alla normale
Approfondimento 3.3 Approssimazione della distribuzione binomiale alla normale Come aveva notato de Moivre, se il numero di prove è sufficientemente ampio e la probabilità del successo π sufficientemente
DettagliVariabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
DettagliCorso di Statistica. Distribuzioni di probabilità per variabili casuali discrete. Prof.ssa T. Laureti a.a
Corso di Statistica Distribuzioni di probabilità per variabili casuali discrete Prof.ssa T. Laureti a.a. 2013-2014 1 Variabili casuale di Bernoulli La v.c. di Bernoulli trae origine da una prova nella
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
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliLa SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI Test del χ 2 (il file Excel test_chi.xls mostra possibili sviluppi degli esercizi proposti) Esercizio 1a) un
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
Dettagli, B con probabilità 1 4 e C con probabilità 1 4.
Laurea triennale in MATEMATICA, Corso di PROBABILITÀ Prof. L. Bertini - G. Nappo - F. Spizzichino Esonero del 0.06.00 N.B. Scrivere le soluzioni degli esercizi su questi fogli giustificando brevemente
Dettagli