Sistemi Intelligenti Introduzione al calcolo delle probabilità - II
|
|
- Giuliano Fontana
- 5 anni fa
- Visualizzazioni
Transcript
1 Sstem Intellgent Introduzone al calcolo delle probabltà - II Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t A.A /34
2 Overvew Esemp sul teorema d Baes Denstà d probabltà Stma alla massma verosmglanza A.A /34
3 Teorema d Baes P(X,Y) P (Y X)P(X) P(X Y)P(Y) P (X Y) P( Y X ) P( X P( Y ) ) X causa Y effetto P (causa effetto) P( Effetto Causa) P( Causa) P( Effetto) We usuall do not know the statstcs of the cause, but we can measure the effect and, through frequenc, buld the statstcs of the effect or we know t n advance. A doctor knows P(Smptons Causa) and wants to determne P(Causa Smptoms) A.A /34
4 Probabltà condzonata Consderamo un mazzo d 40 carte: voglamo valutare quale sa la probabltà che una carta estratta a caso sa un re (probabltà semplce) voglamo valutare quale sa la probabltà che una carta estratta a caso sa un re, sapendo d avere estratto una fgura (probabltà condzonata) P(Y) probabltà che sa un re P(X) probabltà che sa una fgura P(Y X) /3 P(Y) P(Y/X) P(X) /3 /40 4/40 Fgura Pr(/40)!Fgura Pr(8/40 A.A RE Pr(/3) 4/34
5 Esempo I In una cttà lavorano due compagne d tax: blue e verde: X {T blu, T verde } con una Dstrbuzone d 85% d tax verd e 5% d tax blu. Succede un ncdente n cu è convolto un tax. Un testmone dchara che l tax era blu. Era sera e l affdabltà del testmone è stata valutata dell 80%. Qual è la probabltà che l tax fosse effettvamente blu? on è l 80%! A.A /34
6 Esempo - I X {T blu, T verde } Causa Y {C blu, C verde } Effetto Incdente Tax verde Tax blu Colore Verde Colore Blu Colore Verde Colore Blu P(XT blue Y blue ) P(Y blue X blue )P(X blue ) / P(Y blue ) P(X blue ) Probabltà a-pror 0.5 P(Y blue X blue ) Probabltà condzonata 0.8 A.A /34
7 Esempo - I X {T blu, T verde } Y {C blu, C verde } Inverto la relazone tra causa ed effetto applcando Baes: P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) Incdente Tax verde Tax blu Colore Verde Colore Blu Colore Verde Colore Blu P(Y blu ) Probabltà margnale d Y (probabltà semplce) P(Y blu X blu )P(X blu ) + P(Y blu X verde )P(X verde ) 0.8* * > 0.5!! P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) 0.8*0.5 / Pesano anche gl error commess quando l testmone vede un tax verde! A.A /34
8 Esempo - I Cambo la dstrbuzone de tax X {T blu, T verde } Y {C blu, C verde } P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) Incdente Tax verde Tax blu Colore Verde Colore Blu Colore Verde Colore Blu P(Y blu ) Probabltà margnale d Y (probabltà semplce) P(Y blu X blu )P(X blu ) + P(Y blu X verde )P(X verde ) 0.8* * P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) 0.8*0.9 / A.A /34
9 Affdabltà della stma - SW n Matlab 0 P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) 0.335,000 P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) 0.4 0,000 P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) ,000 P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) 0.473,000,000 P(XT blu Y blu ) P(Y blu X blu )P(X blu ) / P(Y blu ) Possamo dare degl ntervall d confdenza? Quanto deve essere grande per ottenere una certa confdenza? A.A /34
10 Estensone a pù varabl P(X Y ;Y ) f (P(Y ) and P(Y ) then P(X) x Z Y and Y mal ddent!mal ddent cavtà!cavtà cavtà!cavtà care 0,08 0,0 0,07 0,008!care 0,06 0,064 0,44 0,576 Dalla tabella delle probabltà congunte rcavamo: P(care; Z) P(mal d dent; cavtà) 0,08 P(care Z) P(care ; Z) / P(Z) 0,08 / 0,4 0,87 A.A /34
11 Estensone a pù varabl P(X Y ;Y ) f (P(Y ) and P(Y ) then P(X) x Z Y and Y mal d dent!mal d dent cavtà!cavtà cavtà!cavtà care 0,08 0,0 0,07 0,008!care 0,06 0,064 0,44 0,576 Applchamo l teorema d Baes P(X Y and Y ) P(Y and Y X) * P (X) Abbamo bsogno d conoscere come s comporta Z per ogn valore d X, coè (Mal d dent and Cavtà) n funzone d Care. Dventa dffcoltoso quando le varabl dventano tante: per capre se c è una care possamo msurare anche: ragg-x, gente orale... A.A /34
12 Condtonal ndependence P(X Y and Y ) P(Y and Y X) * P (X) Introducamo un altra potes. Cosa succede se Y e Y sono ndpendent? Dpendono entrambe da X ma non dpendono tra d loro. Sono coè condzonatamente ndpendent, coè vale che: P(Y and Y X) * P (X) P(Y X) * P(Y X) In questo caso: P(cavtà and mal d dent care) P(cavtà care) * P(mal d dent care) che dventa pù trattable. P(Care ; cavtà ; mal d dent) P(Care) [P(Cavtà Care)*P(Mal d dent care) Modello ave Baes Gl effett sono ndpendent tra loro e dpendono da una stessa causa In generale: P(Causa Effetto and Effetto and... Effetto ) A.A P( Effetto Causa) /34
13 Condtonal ndependence at work P(X Y ;Y ) f (P(Y ) and P(Y ) then P(X) x mal d dent!mal d dent cavtà!cavtà cavtà!cavtà care 0,08 0,0 0,07 0,008!care 0,06 0,064 0,44 0,576 P(X Y and Y ) P(Y and Y X) * P (X) / (P(Y ) and P(Y )) P(care cavtà and mal d dent) P(cavtà and mal d dent and care) / P(cavtà and mal d dent) 0,08 / 0,4 87,% P(care cavtà and mal d dent) P(cavtà and mal d dent care) * P(care) / P(cavtà and mal d dent) P(care cavtà and mal d dent) P(cavtà care) * P(mal d dent care) * P(care) / (P(cavtà) and P(mal d dent)) P(cavtà care) 0,8 / 0, 0,9 P(care) 0, P(mal d dent care) 0, / 0, 0,6 P(care cavtà and mal d dent) (0,9* 0,6 * 0,) / (0,4) 87,% A.A /34
14 Esempo - II Lo strumento prncpe per lo screanng per l tumore al seno è la radografa (mammografa). Defnamo X la stuazone della donna: X{sana, malata} Defnamo Y l esto della mammografa: Y{postva, negatva} La senstvtà della mammografa è ntorno al 90%: npostve senstvtà > P(Ypostve Xll) ll La specfctà della mammografa è anch essa ntorno al 90%: nnegatve specfctà > P(Ynegatve Xhealth) health A.A /34
15 X {Health, Ill} Y {Postve, egatve} Esempo II 0.99 Screenng 0.0 Health Ill Postve egatve Postve egatve P(YPostve XIll) 0.9 * P(YPostve XIll) 0.* P(YPostve) P(YPostve XIll) + P(YPostve XHealth) % d probabltà d avere un esame postvo a fronte d uno 0.0% d donne malate! Solo lo 0,9% provene da donne effettvamente malate, le altre sono false postve A.A /34
16 Esempo - II Qual è la probabltà che una donna sa veramente malata se l test rsulta postvo? Applchamo Baes: P(XIll YPostve) P(YPostve XIll)P(XIll) / P(YPostve) P(X Ill) 0.0 Il PPV (Postve Predctve Value) è: P(XIll YPostve) P(YPostve XIll)P(XIll) / P(YPostve) 0.09 / (8.3%) Solo 8.3% delle donne con mammografa postva sono effettvamente ammalate. Analzzando la formula del teorema d Baes, dove ha senso nvestre per ottenere un rendmento delle screenng maggore? A.A /34
17 X {Health, Ill} Y {Postve, egatve} Esempo II 0.99 Screenng 0.0 Health Ill Postve P(YPostve XIll) 0.9 * egatve Postve egatve P(YPostve P(YPostve XIll) + P(YPostve XHealth) * P(XIll YPostve) P(YPostve XIll)P(XIll) / P(YPostve) / ,6% >> 8.3% A.A /34
18 X {Health, Ill} Y {Postve, egatve} Esempo II 0.99 Screenng Health Ill 0.0 Postve egatve Postve egatve P(YPostve XIll) 0.99 * P(YPostve P(YPostve XIll) + P(YPostve XHealth) * P(XIll YPostve) P(YPostve XIll)P(XIll) / P(YPostve) / % > 8.3%. A.A /34
19 Replogo P (X Y) P( Y X) P( X) P( Y) P( X, Y) P( Y) Teorema d Baes Lega probabltà condzonate, congunte, semplc (margnal) Consente d nferre la probabltà d un evento causa, X, a partre dalla probabltà assocata alla frequenza d una certa msura, effetto, P(Y), dalla frequenza relatva dell evento assocato alla msura, P(Y), e dalla probabltà nota a-pror, P(X), della causa. La probabltà P(X Y) vene per questo detta probabltà a-posteror ed è una probabltà condzonata. Vene utlzzata ne problem nvers. A.A /34
20 Overvew Esemp sul teorema d Baes Denstà d probabltà Stma alla massma verosmglanza A.A /34
21 La probabltà nel caso contnuo Y P(x) / X {punteggo dado} p(x) x + x + p( x) dx A.A x+ x P ( x [ x, x + x]) p( x) dx x x x + x X C 0 /34
22 Defnzone d p(x) Caso dscreto: prescrzone della probabltà per ognuno de fnt valor che la varable X può assumere: P(X). Caso contnuo: valor che X può assumere sono nfnt. Devo trovare un modo per defnrne la probabltà. Descrzone analtca medante la funzone denstà d probabltà. S consdera la probabltà che x cada n un certo ntervallo. Valgono le stesse relazon del caso dscreto, dove alla somma s sosttusce l ntegrale. x+ x + P ( X x [ x, x + x]) p( x, ) dxd x A.A /34
23 Dstrbuzon notevol: la Gaussana p(x,) p ( x, ) x exp ( ) D πσ Σ D dmensone, n questo caso D Pr( X- < ) Pr( X- < ) P(x,) Pr( X- < 3) A.A /34
24 I moment d una varable statstca k + ( X ) k ( x a) p( x) dx Momento rspetto ad a, soltamente alla meda E + [ X ] x p(x) Valore atteso (Expeted value) d X meda dstrbuzone + [ ] ( X ) ( x ) E p( x) Varanza ( ) + [ ] 3 ( X ) ( x ) E p( x) 3 Asmmetra + 4 Kurtos peso delle code d p(x) [ ] 4 ( X ) ( x ) E p( x) A.A /34
25 Overvew Esemp sul teorema d Baes Denstà d probabltà Stma alla massma verosmglanza A.A /34
26 6/34 A.A ozon d base Varabl ndpendent: p(, ) p( )p( ) Gaussana: sano date due realzzazon ndpendent della stessa varable casuale Y Quale è la probabltà d msurare nella prma realzzazone e nella seconda realzzazone (estrazone con rpetzone)? ( ) ( ) ( ) ( ) ( ) exp exp,,,, exp, exp, π π π π p p p p p Il rsultato dpende da parametr della Gaussana che descrve l errore d msura: e. Qual è l valore pù ragonevole per e?
27 Funzone d verosmglanza Sano date varabl casual ndpendent Quale è la probabltà d msurare l vettore [,, ]? p (,..., ) p( ) p( )... p( ) L(,,..., ), E l prodotto delle probabltà semplc. Questa è la Funzone d verosmglanza o funzone d Lkelhood, L(.) A.A /34
28 Funzone d verosmglanza (rassunto) Data una sere d msure d varabl casual ota la dstrbuzone statstca dell errore sulla msura espressa come denstà d probabltà d cascuna varable casuale Sotto l potes che le varabl sano tra loro ndpendent E possble scrvere la funzone d verosmglanza come l prodotto delle probabltà d cascuna msura. A.A /34
29 9/34 A.A Stma alla massma verosmglanza caso Gaussano Supponamo l vettore corrsponda a realzzazon d una varable Gaussana a meda, devazone standard ( msure ndpendent d una stessa quanttà) La funzone verosmglanza dpende da e che non sono note a-pror. Quale sarà l valore pù verosmle per e? ( ) ( ) ( ) ( ) exp... exp...,,...,, π π p p p L
30 Stma alla massma verosmglanza Se massmzzamo LL(,) rspetto a e trovamo parametr, tal per cu è massma la probabltà d msurare l vettore d dat {, }. Stma alla massma verosmglanza. Pù n generale, le varabl possono avere denstà d probabltà dverse, cascuna descrtta da un set d parametr. I parametr delle dverse denstà d probabltà possono essere calcolat utlzzando l approcco alla massma verosmganza La funzone d verosmglanza dpende da parametr che defnscono le denstà d probabltà delle varabl casual che entrano nella verosmglanza Massmzzando la funzone d verosmglanza rspetto a tal parametr se ne effettua la stma n modo tale che l vettore osservato { } sa massmamente probable (massma verosmglanza). A.A /34
31 3/34 A.A Stma alla massma verosmglanza Il caso gaussano E soltamente pù facle mnmzzare l logartmo negatvo della verosmglanza, f(.), (prodotto sommatora) ( ) ( ) [ ] ( ) ( ) + + L f ln ln exp ln exp ln,,...,, ln,,...,, π π π
32 3/34 A.A Determno Per trovare l mnmo, ponamo a zero le dervate: ( ) ( ) ( ) ( ) ( ) f ln ln,..., π Meda camponara!
33 33/34 A.A Per trovare l mnmo, ponamo a zero le dervate: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) f ln ln,,...,, π Varanza camponara! Determno
34 Overvew Esemp sul teorema d Baes Denstà d probabltà Stma alla massma verosmglanza A.A /34
Sistemi Intelligenti Stimatori e sistemi lineari - III
Sstem Intellgent Stmator e sstem lnear - III Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t /6 http:\\borghese.d.unm.t\
DettagliIntroduzione al calcolo delle probabilità - II
Introduzione al calcolo delle probabilità - II Alberto Borghese Università degli Studi di Milano Laboratory of Applied Intelligent Systems (AIS-Lab) Dipartimento di Informatica borghese@di.unimi.it 1/25
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliLa likelihood. , x 3. , x 2. ,...x N
La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliPropagazione degli errori
Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da
DettagliEsercizi di econometria: serie 1
Esercz d econometra: sere Eserczo E data la popolazone dell Abruzzo classcata n se categore d reddto ed n tre class d età come segue: Reddto: () L... 4.. () L. 4.. 8.. () L. 8.... (4) L..... () L.....
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
DettagliPropagazione degli errori
Propagazone degl error Msure drette: la grandezza sca vene msurata drettamente (ad es. Spessore d una lastrna). Per questo tpo d msure, la teora dell errore svluppata nelle lezone precedent é sucente per
DettagliUniversità di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano
Unverstà d Cassno Eserctazone d Statstca del 4 dcembre 6 Dott.ssa Smona Balzano Eserczo Sa la varable casuale che descrve l rsultato del lanco d dad, sulle cu facce v sono numer: 5, 5, 7, 7, 9, 9. a) Defnre
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 18 1 dcembre 2011 Covaranza, Varabl aleatore congunte professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19?
DettagliFRAME 1.1. Definizione Diciamo variabile aleatoria una funzione definita sullo spazio campionario di un esperimento a valori reali.
FRAME 0.1. Contents 1. Varabl aleatore 1 1.1. Introduzone 1 1.2. Varabl aleatore dscrete 2 1.3. Valore atteso (Meda) e Varanza 3 1.4. Varabl aleatore bnomal e d Posson 4 1.1. Introduzone. 1. Varabl aleatore
DettagliEsercitazione 1 del corso di Statistica 2
Eserctazone del corso d Statstca rof. Domenco Vstocco Dott.ssa aola Costantn 8 Aprle 008 Eserczo n. S consder un campone d 00 student d cu s conoscono le seguent probabltà dstnt secondo l sesso (Mmascho,
DettagliPer calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:
ESERCIZIO.1 Sa X la varable casuale che descrve l numero d teste ottenute nella prova lanco d tre monete truccate dove P(Croce)= x P(Testa). 1) Defnrne la dstrbuzone d probabltà ) Rappresentarla grafcamente
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliEsercizi di Probabilità e Statistica
Esercz d Probabltà e Statstca Samuel Rota Bulò 25 maggo 2007 Funzon d v.a., meda, varanza, moda, medana, quantl e quartl. Vettor aleator, denst condzonata, covaranza, correlazone. Eserczo 1 Sa Y ax + b
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliVariabili casuali. Variabili casuali
Varabl casual Assegnato uno spazo d probabltà (S, A, P[.]) s densce varable casuale una unzone avente come domno lo spazo de campon (S) e come codomno la retta reale. S Le varabl casual s ndcano con lettere
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
Dettagliuna variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
Dettagli1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x
TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1
DettagliTeoria degli errori. La misura implica un giudizio sull uguaglianza tra la grandezza incognita e la grandezza campione. Misure indirette: velocita
Teora degl error Processo d msura defnsce una grandezza fsca. Sstema oggetto. Apparato d msura 3. Sstema d confronto La msura mplca un gudzo sull uguaglanza tra la grandezza ncognta e la grandezza campone
DettagliTutorato di Complementi di Analisi Matematica e Statistica 23 e 30 marzo 2017
Tutorato d Complement d Anals Matematca e Statstca 23 e 30 marzo 2017 Gl esercz con l smbolo eo sono tratt da prove d esame del 2016 ( eo gorno/mese eo) Esercz dagl ncontr precedent 3. Una varable X può
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
DettagliStima dei Parametri Metodo di Massima Verosimiglianza
Captolo 8 Stma de Parametr Metodo d Massma Verosmglanza Lo scopo dello studo de fenomen fsc è quello d scoprre le legg che legano le grandezze studate e d msurare l valore delle costant che compaono della
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
DettagliMisure Ripetute ed Indipendenti
Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una
DettagliEsercitazione 8 del corso di Statistica (parte 1)
Eserctazone 8 del corso d Statstca (parte ) Dott.ssa Paola Costantn Eserczo Marzo 0 Un urna rossa contene 3 pallne banche, nere e galla. S consder l estrazone d due pallne. S calcol la probabltà d estrarre:.
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 9: 3 marzo 2014
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2013-2014 lezone 9: 3 marzo 2014 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/25? Eserczo Consderamo una rendta perodca d 2n termn
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:
Costruzone d macchne Modulo d: Progettazone probablstca e affdabltà Marco Beghn Lezone : Probabltà condzonata e varabl casual Probabltà condzonata: La probabltà d un evento A (r)valutata quando è noto
DettagliLaboratorio 2B A.A. 2013/2014. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 013/014 Elaborazone Dat Lab B CdL Fsca Elaborazone dat spermental Come rassumere un nseme d dat spermental? Una statstca è propro un numero calcolato a partre da dat stess. La Statstca
DettagliPropagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
Dettagli= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)
ESERCIZIO 3.1 Una dtta vende computer utlzzando on-lne, utlzzando sa processor Celeron che processor Intel. Dat storc mostrano che l 80% de clent preferscono acqustare un PC con processore Intel. a) Sa
DettagliLa sincronizzazione. (Libro) Trasmissione dell Informazione
La sncronzzazone (Lbro) Problem d sncronzzazone La trasmssone e la dverstà tra gl OL del trasmetttore e del rcevtore ntroducono (anche n assenza d fadng) un errore d d frequenza, d fase e d camponamento
DettagliC.I. di Metodologia clinica
C.I. d Metodologa clnca I metod per la sntes e la comuncazone delle nformazon sulla salute Come possamo trarre concluson attendbl su parametr a partre dalle stme camponare? I metod per la produzone delle
DettagliANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI Rappresentazone tabellare della sere storca Sequenza cronologca Sequenza ordnata Osservazon d massmo annuo d pogga n un gorno 2 Rappresentazone grafca della
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
DettagliCARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
DettagliL arcobaleno. Giovanni Mancarella. n = n = n = α( o )
Govann Mancarella L arcobaleno I(α) (a.u.) n =.3338 n =.336 39 40 4 4 43 α( o ) In questa nota utlzzeremo l termne dstrbuzone per ndcare la denstà d probabltà d una varable casuale. Il fenomeno dell arcobaleno
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 15 23 novembre 211 Funzon Eulerane - robabltà professor Danele Rtell www.unbo.t/docent/danele.rtell 1/2? Cambo
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DettagliScienze Geologiche. Corso di Probabilità e Statistica. Prove di esame con soluzioni
Scenze Geologche Corso d Probabltà e Statstca Prove d esame con soluzon 004-005 1 Corso d laurea n Scenze Geologche - Probabltà e Statstca Appello del 1 gugno 005 - Soluzon 1. (Punt 3) In una certa zona,
DettagliLe soluzioni della prova scritta di Matematica per il corso di laurea in Farmacia (raggruppamento M-Z)
Le soluzon della prova scrtta d Matematca per l corso d laurea n Farmaca (raggruppamento M-Z). Data la funzone a. trova l domno d f f ( ) ln + b. scrv, esplctamente e per esteso, qual sono gl ntervall
DettagliStatistica di Bose-Einstein
Statstca d Bose-Ensten Esstono sstem compost d partcelle dentche e ndstngubl che non sono soggette al prncpo d esclusone. In quest sstem non esste un lmte al numero d partcelle che possono essere osptate
DettagliStrada B. Classe Velocità valore frequenza Frequ. ass Frequ. % hi Freq. Cum
Eserczo SINTESI S supponga d avere eseguto 70 msure della veloctà stantanea de vecol che transtano nelle sezon d due strade A e B. S supponga che tal msure sano state eseguta n corrspondenza d valor modest
DettagliModelli con varabili binarie (o qualitative)
Modell con varabl bnare (o qualtatve E( Y X α + βx + ε quando Y è una varable benoullana Y 1 0 s ha l modello lneare d probabltà Pr( Y 1 X α + βx + ε dove valor stmat della Y assumono l sgnfcato d probabltà.
DettagliTeoria dell informazione e Meccanica Statistica
Teora dell nformazone e Meccanca Statstca L. P. Gugno 2007 Rporto qu una breve rassegna dell approcco alla Meccanca Statstca medante la teora dell nformazone. Partamo dalla consderazone che la probabltà
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
DettagliPropagazione degli errori statistici. Test del χ 2 per la bontà di adattamento. Metodo dei minimi quadrati.
Propagazone degl error statstc. Test del χ per la bontà d adattamento. Metodo de mnm quadrat. Eserctazone 14 gennao 004 1 Propagazone degl error casual Sano B 1,..., B delle varabl casual con valor attes
DettagliStima dei Parametri: Metodo di Massima Verosimiglianza
Captolo 8 Stma de Parametr: Metodo d Massma Verosmglanza Lo scopo dello studo spermentale de fenomen fsc è quello d scoprre qual sono le legg che legano le grandezze fsche e d ottenere l valore delle costant
DettagliFACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012
CdL n SCIENZE DELL ORGANIZZAZIONE ESAME d STATISTICA ESERCIZIO 1 (+.5+.5+3) La tabella seguente rporta la dstrbuzone d frequenza del peso X n gramm d una partta d mele provenent da un certo frutteto. X=peso
DettagliSoluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k
(1) La sere bnomale è B n (z) = k=0 Con l metodo del rapporto s ottene R = lm k Soluzon 3.1 n(n 1) (n k + 1) z n k! c k c k+1 = lm k k + 1 n k lm k c k z k. k=0 1 + 1 k 1 n k = 1 (2) La multfunzone f(z)
DettagliAd esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliLa t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.
Pccol campon I parametr della dstrbuzone d una popolazone sono n generale ncognt devono essere stmat dal campone de dat spermental per pccol campon (N N < 30) z = (x µ)/ )/σ non ha pù una dstrbuzone gaussana
DettagliI Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 29 gennaio
I Appello d Calcolo delle Probabltà Cognome: Laurea Trennale n Matematca 24/5 Nome: 29 gennao 25 Emal: Se non è espressamente ndcato l contraro, per la soluzone degl esercz è possble usare tutt rsultat
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
DettagliMisure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
DettagliUniversità degli Studi di Cassino, Anno accademico 2004-2005 Corso di Statistica 2, Prof. M. Furno
Unverstà degl Stud d Cassno, Anno accademco 004-005 Corso d Statstca, Pro. M. Furno Eserctazone del 5//005 dott. Claudo Conversano Eserczo Ad un certo tavolo d un casnò s goca lancando un dado. Il goco
DettagliRichiami di modelli di utilità aleatoria
Corso d LOGISTICA TERRITORIALE www.unroma.t/ddattca/lt DOCENTE prof. ng. Agostno Nuzzolo Rcham d modell d utltà aleatora prof. ng. Agostno Nuzzolo - Corso d Logstca Terrtorale Modell d domanda e utltà
DettagliIntegrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
Dettagli1 La domanda di moneta
La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la
DettagliModelli di variabili casuali
Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.
DettagliPICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO
PICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO Stabltà e Teorema d Drclet Defnzone S dce ce la confgurazone C 0 d un sstema è n una poszone d equlbro stable se, portando l sstema n una confgurazone
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliLezione 6. Bayesian Learning
Lezone 6 Bayesan Learnng Martedì, 6 Novembre 004 Guseppe Manco Readngs: Sectons 6.-6.5, Mtchell Chapter, Bshop Chapter 4, Hand-Mannla-Smth Bayesan Learnng Bayesan Learnng Concett probablstc, apprendmento
DettagliLA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
DettagliDinamica del corpo rigido
Anna Nobl 1 Defnzone e grad d lbertà S consder un corpo d massa totale M formato da N partcelle cascuna d massa m, = 1,..., N. Il corpo s dce rgdo se le dstanze mutue tra tutte le partcelle che lo compongono
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
DettagliNote U = L + Q. Chimica Fisica I a.a. 2012/2013 Scienza e Tecnologia dei Materiali S. Casassa. April 3, 2013
1 Note U L + Q Chca Fsca I a.a. 01/013 Scenza e Tecnologa de Materal S. Casassa Aprl 3, 013 Contents 1 Cnetca Molecolare 3 1.1 La dstrbuzone d Maxwell.......................... 3 1. Cenn d statstca................................
DettagliCapitolo 11: IL METODO DEI MINIMI QUADRATI. Nel Capitolo precedente ci siamo posti il problema di determinare la miglior retta che passa per
Captolo : IL METODO DEI MINIMI QUADRATI. La mglor retta Nel Captolo precedente c samo post l problema d determnare la mglor retta che passa per cert punt spermental, ed abbamo dscusso un metodo graco.
DettagliIntelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
DettagliSOLUZIONE PRIMA PROVA INTERMEDIA DI STATISTICA CLEA (COD. 5047/4038) 6 Novembre 2002 COMPITO A1
FIRM DELLO STUDENTE SOLUZIONE PRIM PROV INTERMEDI DI STTISTIC CLE (COD. 547/438) 6 Novembre 22 Cognome Numero d matrcola Nome COMPITO 1 fn della valutazone s terrà conto solo ed esclusvamente d quanto
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliLezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Rconoscmento e recupero dell nformazone per bonformatca Teora della decsone d Bayes Manuele Bcego Corso d Laurea n Bonformatca Dpartmento d Informatca - Unverstà d Verona Sommaro Sstema d classfcazone
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione marzo 2009
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Matematca aa 2008-2009 lezone 25 17 marzo 2009 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/26? Convesstà Sa I un ntervallo
DettagliUniversità di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua
Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43
Dettagli3 (solo esame 6 cfu) Elementi di Analisi Numerica, Probabilità e Statistica, modulo 2: Elementi di Probabilità e Statistica (3 cfu)
lement d Anals Numerca, Probabltà e Statstca, modulo 2: lement d Probabltà e Statstca ( cfu) Probabltà e Statstca (6 cfu) Scrtto del 06 febbrao 205. Secondo Appello Id: A Nome e Cognome: same da 6 cfu
DettagliCalcolo delle Probabilità
alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.
DettagliMetodi di analisi R 1 =15Ω R 2 =40Ω R 3 =16Ω
Metod d anals Eserczo Anals alle magle n presenza d sol generator ndpendent d tensone R s J R Determnare le tenson sulle resstenze sapendo che: s s 0 R R 5.Ω s J R J R R 5Ω R 0Ω R 6Ω R 5 Dsegnamo l grafo,
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
DettagliCompito di SISTEMI E MODELLI 25 Gennaio 2016
Compto d SISTEMI E MODELLI 5 Gennao 06 È vetato l uso d lbr o quadern. Le rsposte vanno gustfcate. Saranno rlevant per la valutazone anche l ordne e la charezza espostva. Consegnare SOLO la bella copa,
DettagliIncertezza di sensibilità < fluttuazione intrinseca delle misure.
Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso
DettagliLA CORRENTE ELETTRICA CONTINUA
CAPITOLO 33 LA CORRENTE ELETTRICA CONTINUA 1 L INTENSITÀ DELLA CORRENTE ELETTRICA 1! v! a t! F m e! E m t v! e t m! E Fssato l ntervallo d tempo t, s può scrvere! v! E 2 Q t 4,0 10 2 A 5,0 s 0,20 C 3 t
DettagliProbabilità cumulata empirica
Probabltà cumulata emprca Se s effettua un certo numero d camponament da una popolazone con dstrbuzone cumulata F(y), s avranno allora n campon y, y,, y n. E possble consderarne la statstca d ordne, coè
Dettagli