Programma del Corso per l AA

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Programma del Corso per l AA 2008-09"

Transcript

1 Matematiche Complementari Laurea Magistrale in Ecologia ed Evoluzione prof. L. Triolo Dipartimento di Matematica, Università di Roma Tor Vergata Programma del Corso per l AA Elementi di calcolo differenziale e integrale per la comprensione ed illustrazione di semplici equazioni differenziali per la dinamica di una popolazione (Malthus, Verlhurst): significato e calcolo di derivate ed integrali per funzioni di una variabile. 2. Elementi di Probabilità e Statistica: probabilità in spazi finiti, probabilità condizionata (Teor. di Bayes); variabili aleatorie, distribuzioni binomiale e normale. Campioni ed indici (media, varianza). Stimatori in Statistica inferenziale. Testi consigliati per consultazione, oltre alle presenti Note: 1. C. Cammarota: Elementi di Calcolo e di Statistica, L.S.D., Roma. 2. Per un introduzione alle equazioni differenziali ordinarie, vedi L.Lamberti e C.Mascia: triolo/soloedo.pdf Per un corso di Calcolo online, c è il sito web: 3. Collana Schaum: Probabilità e Statistica, McGraw-Hill, Milano 4. Corso on-line di Matematica per Biotecnologie, di D.Benedetto (La Sapienza): 1. Introduzione Il programma originariamente scritto per il corso di Matematiche Complementari comprendeva essenzialmente modelli di dinamica delle popolazioni, dal punto di vista deterministico e stocastico. Questi argomenti necessitano naturalmente di una preparazione di base sia sul calcolo differenziale ed integrale che sul Calcolo delle Probabilità. Ciò è risultato purtroppo difficile da trovare anche tra studenti diligenti e motivati, dopo l incongrua riduzione per legge della didattica di base. Si è quindi rivelato necessario, almeno in quest anno accademico , dover fornire in questa sede, elementi di teoria delle equazioni differenziali ed elementi di Probabilità e Statistica. Il programma si è quindi considerabilmente ridotto nella parte più specificatamente ecologica, prendendo in esame solo le prime equazioni d evoluzione per una popolazione. Si spera che miglioramenti apportati a livello di laurea triennale permetteranno in futuro di fornire in questo corso specialistico quelle nozioni matematiche un pò più avanzate, necessarie per muoversi con maggior facilità nell attuale letteratura scientifica in Ecologia. In Appendice è riportato il testo (esteso) di una conferenza rivolta ad un uditorio di ricercatori biologi e medici, sulla modellizzazione matematica in biomedicina. 1

2 2 2. Calcolo Combinatorio Si esaminano in questo capitolo le nozioni indispensabili di Disposizioni e Combinazioni, presenti sia nel Calcolo, attraverso l uso dei coefficienti binomiali, che nei primi calcoli probabilistici Disposizioni. Dati n elementi diversi, diciamo i numeri {1, 2, 3,..n}, ci si chiede in quanti modi differenti si possono disporre questi n elementi in gruppi di k n, ponendo cioè attenzione all ordine in cui si piazzano i diversi elementi; Dn k è il numero di tali Disposizioni di n oggetti di classe k. Ad esempio da un gruppo di ventuno lettere diverse, in quanti modi si possono formare delle parole di quattro lettere? Il calcolo di Dn k è abbastanza rapido: il primo elemento si può scegliere in n modi diversi, il secondo in n 1 modi, fino al k esimo, in n k+1 modi restanti, da cui Dn k = n(n 1)..(n k+1). Quindi, per l esempio proposto, D21 4 = = In particolare, se k = n, le disposizioni di n oggetti di classe n si dicono Permutazioni di n elementi ed il loro numero risulta P n Dn n = n(n 1)..2 1; si usa per tale espressione piuttosto comune in matematica il simbolo n! (n fattoriale). Per convenzione si estenderà successivamente la definizione del fattoriale anche ad n = 0, ponendo 0! = 1. In tal modo si può scrivere l identità Dn k = n! (n k)!. Il valore di n! cresce molto rapidamente con n: ad esempio le permutazioni di 52 carte sono circa Un esempio ulteriore: in quanti modi diversi n oggetti diversi (molecole, o persone) possono disporsi in cerchio? Se conta solo l ordine relativo tra gli elementi, tale numero sarà (n 1)!, dato che una rotazione non cambia la posizione relativa degli elementi. Si possono considerare anche le permutazioni con ripetizioni: consideriamo k elementi diversi, ad esempio lettere dell alfabeto, vogliamo contare quante parole diverse, lunghe l = n 1 + n 2 +..n k si possono formare con n 1 copie del primo elemento, n 2 copie del secondo elemento,..n k copie del k-esimo elemento; in generale questo numero P n1,n 2,..n k sarà dato dalla formula P n1,n 2,..n k = (n 1 + n 2 +..n k )! n 1!n 2!..n k! Questa formula si ottiene pensando alle permutazioni di n 1 + n 2 +..n k elementi diversi, e dividendo poi per le permutazioni corrispondenti alla presenza di n 1, n 2,..n k copie del primo, del secondo,.. del k-esimo elemento. Quindi se abbiamo 4 lettere diverse {a,b,c,d}, quante parole con due a, con tre b, con una c e due d si possono formare? La lunghezza è quindi = 8 e il calcolo si fa dividendo il numero delle permutazioni di 8 elementi (8!) per il prodotto 2!3!2! ottenendo Combinazioni. Dati n elementi diversi, diciamo i numeri {1, 2, 3,..n}, ci si chiede ora di calcolare in quanti modi differenti si possono estrarre gruppi di k n elementi, senza quindi porre attenzione all ordine in cui si piazzano i diversi elementi; C k n è il numero di tali Combinazioni di n oggetti di classe k. Il calcolo di C k n risulta derivabile senza particolari difficoltà da D k n: C k n = Dk n k! = n! (n k)!k!

3 Infatti, fissati k elementi, le loro k! permutazioni corrispondono alla stessa combinazione. Un esempio concreto è dato dal calcolo di quante combinazioni di 5 carte si possono formare con un mazzo di 52: C52 5 = D5 52 = ! In matematica si usa per Cn k il simbolo ( n k) (coefficiente binomiale n sopra k ) che appare in molte ed importanti formule, ad esempio nello sviluppo del binomio di Newton: n ( ) n (a + b) n = a n k b k k k=0 Dalla definizione segue la proprietà di simmetria ( ) ( ) n n = k n k e l importante proprietà ricorsiva: ( n k ) + ( ) n = k + 1 ( ) n + 1 k + 1 che dà luogo al cosiddetto triangolo di Tartaglia-Pascal ( 0 ( 0) 1 ) ( 1 1 ( 0 2 ) ( 1) 2 ) ( ( ) ( 3 ) ( 2) ) ( 3 = ( ) ( 4 ) ( 4 ) ( 3) ) ( ) Disposizioni con ripetizioni. Concludiamo questi brevi cenni di calcolo combinatorio con la nozione di Disposizioni con ripetizioni. Supponiamo di dover assegnare targhe diverse ad 10 6 veicoli: una targa numerica sarà composta da 6 caselle in ciascuna delle quali è presente una cifra da 0 a 9. In effetti se abbiamo n simboli da disporre ( l ordine conta!) in k caselle, poichè i simboli possono ripetersi, possiamo scegliere in n modi diversi il simbolo nella prima casella, sempre in n modi diversi quello nella seconda, etc, totalizzando quindi n k differenti disposizioni di n simboli, di classe k con ripetizioni. Ci si può allora chiedere quante caselle sono sufficienti per assegnare targhe alfabetiche (24 simboli) al milione di auto considerato prima: ora n = 24 e cerchiamo k in modo che 24 k 10 6 : prendendo il logaritmo in base 10 si ha k log 24 6 k = (244 = ) Occorrono quindi almeno 5 caselle. Se aggiungiamo le 10 cifre numeriche, si hanno 34 simboli e dunque il calcolo permette di dire che occorrono solo 4 caselle: infatti k log 34 6 k = (344 = ) In linea di principio, basterebbero due simboli {0, 1}, ma il numero di caselle cresce sino a 20: k log 2 6 k = (220 = ) 3

4 4 Un altro esempio d interesse biologico: in quanti modi diversi i quattro simboli A,T,G,C possono formare una stringa lunga 10 7 (esempio ispirato dal DNA del lievito)? La cifra astronomica dice che la chimica fornisce vincoli molto forti per la formazione di sequenze reali di basi nucleotidiche. Di particolare interesse è il caso di n = 2, in cui i due simboli possono essere presi pari a 0 o ad 1. Una disposizione con ripetizione degli elementi dell insieme {0, 1}, di classe k, corrisponde ad un particolare sottoinsieme di un generico insieme E di k elementi. Tale corrispondenza si vede nel modo seguente: supponiamo che i k elementi dell insieme siano individuati dai numeri 1, 2,..k. Un sottoinsieme di E si determina con una stringa lunga k dei simboli 0 e 1, dove 0 nel posto i-esimo significa assenza dell elemento i-esimo ed 1 significa presenza di quell elemento: la stringa composta da tutti 1 corrisponde all insieme E, quella composta da tutti 0 all insieme vuoto. Esempio: la stringa di 6 cifre, {1, 0, 1, 0, 0, 0}, corrisponde al sottoinsieme formato dal primo e dal terzo elemento di un insieme di sei elementi. Tutti i sottoinsiemi, compreso l insieme vuoto, e l intero insieme di k elementi saranno allora 2 k : si dice in modo sintetico che l insieme delle parti di un insieme di k elementi, ha 2 k elementi. Verifichiamolo come esercizio a partire dalla formula del binomio prendendo a = b = 1: poichè ( k m) è il numero di sottoinsiemi con m elementi estratti dall insieme di k elementi, la loro somma dovrà essere 2 k, ed è proprio quello che si ottiene dalla formula (1 + 1) k = 2 k = k m=0 ( ) k m 3. Sistemi dinamici discreti Lo studio dell evoluzione di un sistema a tempi discreti, come la crescita di una popolazione batterica registrata ad intervalli di tempo di lunghezza costante, è un argomento di chiaro interesse applicativo, ed è anche stato alla base di sviluppi recenti nella teoria dei sistemi dinamici (caos deterministico). Formalmente si può anche considerare come una discretizzazione di evoluzioni a tempo continuo, legandosi quindi alle metodologie numeriche per la soluzione di equazioni differenziali. Si considerano qui di seguito gli elementi base della teoria, e qualche applicazione di carattere biologico Equazioni alle differenze del primo ordine. Supponiamo di voler misurare una grandezza y dipendente dal tempo ad intervalli di tempo fissi t 1, t 2,..t k,.. (ad es. una popolazione batterica ad ogni ora) e di scoprire che y k y(t k ) soddisfa ad una relazione del tipo y k+1 = αy k + f k (3.1) dove α è un parametro reale ed {f k }; k = 1, 2,.. è una successione data. È naturale voler valutare il comportamento di tale grandezza al crescere di k. Alla forma in (3.1) si arriva anche partendo da una discretizzazione dell equazione differenziale del primo ordine: ẏ(t) = ay(t) + F (t)

5 Si ha infatti, approssimando la derivata con il rapporto incrementale corrispondente ad un t = τ: y k+1 y k = ay k + F k (3.2) τ y k+1 = y k + aτy k + τf k (3.3) e si ottiene la forma semplificata (3.1) ponendo α = 1 + aτ, f k = τf k Come nel caso dell equazione differenziale occorre supplementare la legge d evoluzione (3.1) con un dato iniziale per ottenere una soluzione unica che soddisfi appunto la condizione iniziale. In tal caso infatti, dal valore iniziale y 0 si ricava y 1 = αy 0 + f 1 e così via; la legge d evoluzione con il dato iniziale costituisce un sistema dinamico discreto e lineare. Vogliamo vedere ora come si può ricavare la soluzione della (3.1) in generale e poi in modo esplicito, nel caso in cui f k f, vale a dire quando il dato {f k } si riduce ad una costante. Come nel caso dei sistemi lineari di equazioni, consideriamo dapprima il sistema omogeneo associato e descriviamone le soluzioni; cerchiamo poi una soluzione particolare del sistema completo (non omogeneo), e naturalmente la somma delle soluzioni sarà ancora soluzione di (3.1). Il problema sarà quindi risolto completamente quando si determinerà la soluzione che soddisfa il dato iniziale. Primo passo: cercare le soluzioni dell equazione omogenea associata (in generale saranno infinite, dipendenti da un parametro reale) u k+1 = αu k (3.4) Secondo passo: cercare una soluzione particolare dell equazione non-omogenea di partenza 5 p k+1 = αp k + f k (3.5) La soluzione del problema con un dato iniziale specifico si otterrà considerando la soluzione generale come somma della generica soluzione dell equazione omogenea e della soluzione particolare, calcolando poi il parametro libero mediante l imposizione del dato iniziale. Vediamo dunque che le soluzioni dell omogenea si ottengono esplicitamente dalla relazione ricorsiva (3.4), dove c è una costante arbitraria u k+1 = αu k = α(αu k 1 ) =... = α k+1 c (3.6) La successione soluzione dell omogenea si può discutere in funzione dei parametri: α = 0 o c = 0 dà la soluzione identicamente nulla u k 0, mentre α = 1 dà una soluzione costante u k c, k = 1, 2,.., c ha il significato di valore iniziale per la soluzione u k. Continuando nell analisi, con c 0, se α = 1, u k = ( 1) k c, ovvero u k = ±c a seconda della parità di k; se α > 1 la soluzione diverge a sign (c), (sign (c) = 1 se c > 0, e 1 se c < 0); mentre se α < 1, u k per k, con un cambio di segno per u k ad ogni passo. Infine, se α < 1, u k 0 per k. Di tali andamenti se ne può dare anche una rappresentazione grafica nel piano. Cerchiamo ora una soluzione particolare dell equazione non-omogenea, supponendo che il dato f k sia costante: f k f 0. Troviamo una soluzione anch essa costante, p k p, k, se α 1: basta scrivere l equazione lineare

6 6 p = αp + f (3.7) che ha come soluzione p = f (3.8) 1 α Se invece α = 1, si trova immediatamente una soluzione particolare non costante (precisamente una per cui p 1 = f): p k+1 = p k + f = (p k 1 + f) + f = p k 1 + 2f =.. = (k + 1)f La soluzione generale di (3.1) sarà la somma di u k e p k : per α 1 : y k = α k c + p = α k c + f 1 α (3.9) per α = 1 : y k = c + kf (3.10) Infine imponendo il dato iniziale, ad esempio il valore y 0, per k = 0, si ha la soluzione completa: per α 1 : y k = α k (y 0 p) + p, k = 0, 1, 2,.. (3.11) per α = 1 : y k = y 0 + kf, k = 0, 1, 2,.. (3.12) L analisi si completa valutando l andamento asintotico per k : il caso interessante è quando α < 1, perchè si vede subito che y k p; notare che il valore limite non dipende dal dato iniziale e costituisce un equilibrio asintoticamente stabile. In effetti vediamo subito che per α 1, se ponessimo il dato iniziale y 0 pari a p, la soluzione resterebbe sempre costante; però nel caso α < 1, un dato iniziale diverso porta asintoticamente verso p, mentre per α > 1 la soluzione se ne allontana, dato che y k. Quindi p è un equilibrio in ogni caso, ma è stabile (di più, è globalmente attrattivo) per α < 1 ed instabile per α > 1. Infine, per α = 1 non ci sono equilibri (abbiamo supposto f 0) Equazioni alle differenze del secondo ordine. Analogamente alle equazioni differenziali di ordine superiore, come ad esempio l equazione di Newton della dinamica del punto materiale (del secondo ordine), si possono considerare equazioni discrete in cui sono coinvolti valori presi in più di due istanti consecutivi. Consideriamo infatti la discretizzazione dell equazione differenziale lineare non omogenea del secondo ordine: Risulta e si ottiene la forma semplificata ÿ(t) + aẏ(t) + by(t) = F (t) y k+2 2y k+1 + y k τ 2 + a y k+1 y k + by k = F k (3.13) τ y k+2 + (aτ 2)y k+1 + (1 aτ + bτ 2 )y k = τ 2 F k (3.14) ponendo α = 2 aτ, β = aτ 1 bτ 2, f k = τ 2 F k. y k+2 = αy k+1 + βy k + f k (3.15)

7 Procediamo come nel caso precedente, passando all omogenea associata e poi alla ricerca di una soluzione particolare della non-omogenea. Primo passo: cercare le soluzioni dell equazione omogenea associata (in generale saranno infinite, dipendenti da due parametri reali) u k+2 = αu k+1 + βu k (3.16) Secondo passo: cercare una soluzione particolare dell equazione non-omogenea di partenza 7 p k+2 = αp k+1 + βp k + f k (3.17) Per l omogenea cerchiamo soluzioni simili a quelle trovate direttamente nel caso del primo ordine: u k = r k c (3.18) Sostituendo in (3.16), si trova per r un equazione algebrica di secondo grado r 2 αr β = 0(equazione caratteristica) le cui soluzioni dipendono dai parametri α e β: Se α 2 + 4β > 0, ci sono due radici reali distinte r + e r, date da r ± = α ± α 2 + 4β 2 e la soluzione sarà una sovrapposizione lineare delle due soluzioni u k = c + r k + + c r k Se α 2 + 4β < 0, ci sono due radici distinte complesse coniugate s + e s, date da s ± = α ± i α 2 + 4β 2 = ρ exp(±iθ) dove ρ = s ± e θ = arg s + ; la soluzione sarà una sovrapposizione del tipo u k = ρ k (c 1 cos(kθ) + c 2 sin(kθ)) Se α 2 + 4β = 0, ci sono due radici reali coincidenti pari a α/2 una soluzione sarà del tipo costante per potenze di α/2 e si può verificare che un altra soluzione è data da v k = k(α/2) k. La soluzione sarà quindi una sovrapposizione del tipo u k = (c 1 + c 2 k)( α 2 )k Soluzioni particolari {p k }, per f k f le troviamo in modo simile a quello visto precedentemente per il primo ordine: se α + β 1, p k = p = f 1 α β f 2 α k se α + β = 1, e α 2, p k = se α = 2 e β = 1, p k = k 2 f/2

8 8 Esempio. La successione di Fibonacci. Si tratta di un sistema del secondo ordine definito nel modo seguente : F k+2 = F k+1 + F k, k = 0, 1, 2,.., e F 0 = F 1 = 1 Si può arrivare, seguendo lo schema visto prima per le equazioni omogenee alla formula esplicita F k = 1 [( ]) k+1 ( 1 5 ]) k+1 ] Notare che il rapporto F k+1 /F k tende per k, al numero = (sezione aurea), e che malgrado la presenza del numero irrazionale nella formula precedente, gli F k sono tutti numeri naturali. L origine di questa successione sta nel Libro XII del Liber Abaci di Leonardo Pisano, detto il Fibonacci (1202): F k rappresenta il numero di coppie di conigli adulti al k esimo mese; si suppone che ogni coppia adulta produce ogni mese una coppia che diventa adulta in un mese, e così via; si parte con una coppia matura, e si suppone anche che ogni coppia rimane per sempre nella conigliera...in tal modo la successione è data da 1, 1, 2, 3, 5, 8, 13,... Si può anche osservare che il numero delle coppie immature corrisponde alla stessa successione spostata di un posto, 0, 1, 1, 2, 3, 5, 8,.., per cui la popolazione totale ad ogni tempo è data ancora da una successione dello stesso tipo 1, 2, 3, 5, 8, 13,... Il comportamento asintotico descritto sopra significa che per valori grandi di k l evoluzione degli F k è bene approssimata da una crescita esponenziale (il rapporto tra le popolazioni successive è vicino a 1.6 > 1). 4. Elementi di Probabilità e Statistica Si inizia questa sezione conclusiva con alcune nozioni elementari di Statistica descrittiva, introducendo gli indici più usati nell analisi di dati, per poi passare ad esporre qualche elemento del Calcolo delle Probabilità, e concludendo con una breve esposizione preliminare di Statistica inferenziale Statistica descrittiva. La Statistica descrittiva consiste nella costruzione di opportuni indici e/o di grafici per ordinare in modo razionale ed efficiente i dati raccolti. La raccolta dei dati si fa tramite un Campionamento. Poichè l acquisizione di dati da un intera popolazione= classe di individui o unità potrebbe essere onerosa, se ne prende un sottoinsieme (campione) cercando di non distorcerne la rappresentatività. Il numero n di individui selezionati forma un campione di ampiezza, o rango n, (Refs 1,3) Indici di posizione. Il campione consista in n misure (o valori) {x 1, x 2,..., x n }; si definiscono i seguenti indici: media (campionaria) x (è la media aritmetica dei valori registrati): x := 1 n n k=1 x k

9 media geometrica x g (per dati, o valori, positivi): n x g := ( x k ) 1 n k=1 Notare che la media geometrica è l esponenziale della media aritmetica dei logaritmi dei dati x g = e 1 n n k=1 log x k = 10 1 n n k=1 log 10 x k mediana med {x 1, x 2,.., x n }: ordiniamo i valori presi, vale a dire li numeriamo in modo tale che x 1 x 2... x n ; se n è dispari, med {x 1, x 2,.., x n } = x (n+1)/2, se n è pari, med {x 1, x 2,.., x n } = 1 2 (x n/2 + x 1+n/2 ) Ad esempio, i 10 numeri qui elencati (già ordinati) rappresentino dei voti presi nell esame di Matematica da un campione di 10 studenti, {21, 21, 22, 24, 24, 25, 26, 27, 27, 30}; la loro media è 24.7, mentre la mediana è 24, Indici di variabilità. Per valutare quantitativamente quanto i dati siano sparsi o raggruppati si possono introdurre: l intervallo di variazione, o campo ( in inglese, range) = max{x 1, x 2,.., x n } min{x 1, x 2,.., x n }, ovvero per dati ordinati, = x n x 1. Varianza campionaria S 2 : S 2 1 n (x k x) 2 = 1 n x 2 k x 2 (dallo sviluppo dei quadrati) n n k=1 k=1 Le differenze x k x sono gli scarti dalla media, e vale per essi l identità evidente n (x k x) = 0 k=1 Talvolta, in alcuni testi la varianza campionaria S 2 è definita con il fattore davanti alla somma dei quadrati degli scarti pari a 1/(n 1) anzichè 1/n. Con questa scelta il significato della varianza come stimatore delle caratteristiche della popolazione diventa più preciso. La radice quadrata S della varianza campionaria si dice deviazione standard. Esempi. Supponiamo per valutare la qualità di semi di un vivaio, si prendano 7 sacchetti da 100 semi e si contino quanti semi per ognuno di essi germinano correttamente; si trovi {82, 75, 60, 54, 91, 58, 63}. Il range è dato da = 37. La media risulta x = k=1 x k = 483/7 = 69. Gli scarti dalla media sono {13, 6, 9, 15, 22, 11, 6}, per cui la varianza campionaria risulta S 2 = k=1 (x k 69) 2 = 164.5, e la deviazione standard è S Naturalmente una media alta (vicino a 100), con una deviazione standard piccola (rispetto alla media) sono indici di buona qualità del prodotto. È anche chiaro che una valutazione più accurata si avrebbe con un campione più numeroso. Da questo esempio si capisce che compito essenziale della statistica è quello di fare affermazioni globali (sull intera popolazione), razionalmente basate sui dati disponibili a partire da un campione (inferenza). 9

10 Quantili ed istogrammi. Se ordiniamo i dati come è stato visto in precedenza, si dice che costituiscono una statistica ordinata. Data una statistica ordinata {x 1, x 2,.., x n }, dividiamo l intervallo [x 1, x n ] in quattro parti tali che in ciascuna caschi lo stesso numero di valori: vale a dire, un quarto o il 25% del rango del campione, con opportune correzioni se n/4 non è intero. Per scrivere l argomento in modo preciso, occorre premettere la definizione di parte intera, [x], di un generico numero reale x. Si tratta semplicemente del massimo tra i numeri interi che siano minori od eguali al numero stesso; pertanto, se il numero x è intero, coincide con la sua parte intera [x]; se non è intero, si va indietro fino ad arrivare al primo intero (minore di x). Ovviamente, per un qualunque x, [x] x < [x] + 1. Esempi: [10/5] = [2] = 2, [10/4] = [2.5] = 2, [π] = 3, [ 1.5] = 2... Tornando alla definizione di quartile, se n/4 non è intero, (ovvero n/4 > [n/4]), il primo quartile q 25 è dato dal valore di quell x avente come indice il primo intero maggiore di n/4, (cioè [n/4] + 1); se invece n/4 è intero (n/4 = [n/4]), q 25 è la media aritmetica tra l x avente come indice proprio n/4 ed il successivo; analogamente per gli altri due quartili (q 50 e q 75 ). Naturalmente q 50 coincide con la mediana. In formule: q 25 = { x[ n 4 ]+1 se n/4 non è intero 1 2 (x n + x n ) se n/4 è intero Per i dati introdotti inizialmente {21, 21, 22, 24, 24, 25, 26, 27, 27, 30}, q 25 = 22, q 50 = 24.5, q 75 = 27, che si legge nel modo seguente: il 25% dei voti sono tra il minimo (21) e 22, un altro 25% tra 22 e 24.5, ( e quindi 50% tra il minimo e 24.5), un altro 25% tra 24.5 e 27, ed infine l ultimo quarto tra 27 ed il massimo 30. Questo discorso può farsi anche per diverse percentuali (quantili), e descrive in modo quantitativo la distribuzione dei dati. Un utile rappresentazione grafica della statistica si fa tramite l istogramma. Partendo dalla statistica ordinata, si divide l intervallo I = [x 1, x n ] in m parti non necessariamente eguali: I = m k=1 I k, eseguendo questa partizione sull asse delle ascisse. Si costruiscono poi m rettangoli, il k-esimo con base I k, detti classi,e con area pari al corrispondente numero n k di dati della statistica, (cioè che capitano in I k ) (se le basi sono eguali, le altezze sono proporzionali alle aree, e quindi le ordinate corrispondono alle frequenze). Talvolta, sopratutto quando il campione è molto ampio, conviene normalizzare: invece di n k si considerano le frequenze f k := n k /n. Le relazioni corrispondenti sono m n k = n; k=1 m f k = 1 k=1 Se le classi hanno stessa ampiezza, quella con maggiore altezza si dice classe modale o moda; nel caso in figura, è quella con estremi 20 e Correlazione e regressione. Quando si esaminano due grandezze diverse sullo stesso campione (es. per un campione di persone, peso e altezza, peso e consumo di grassi, etc) è certamente interessante sapere se ci sia una qualche relazione tra le grandezze in esame e valutarla anche quantitativamente.

11 y x Figure 1. Un istogramma non normalizzato con m = 6, n = 84, x 1 = 4, x 84 = 44 Siano {x 1, x 2,.., x n } e {y 1, y 2,.., y n } i valori registrati per le due grandezze X e Y, e x, y le corrispondenti medie. Si definisce covarianza (tra X e Y), la seguente quantità: σ XY 1 n (x i x)(y i y) = 1 n x i y i xy n n i=1 Ricordando la disuguaglianza di Cauchy-Schwartz (vedi alla fine della sezione), e la definizione di deviazione standard, si ha che Quindi il coefficiente di correlazione σ X σ Y σ XY σ X σ Y ρ XY = σ XY σ X σ Y è compreso tra 1 ed 1: valori positivi (negativi) corrispondono ad una correlazione positiva (negativa), e un valore nullo corrisponde ad assenza di correlazione (lineare). Esempio. Sia x i, per i = 1, 2,..5 la quantità X di grassi assunti, in grammi al giorno, dalla persona i-esima, ed y i, per i = 1, 2,..5 la quantità Y di calorie assunte al giorno dalla stessa persona. Precisamente per la X si registrano i valori {63, 64, 23, 128, 82} e per Y si registrano i valori {1800, 2000, 1100, 4100, 1900}. Sviluppando i calcoli, dopo aver normalizzato la Y con un fattore 100, si ha: i=1 x = 72, σ X 34; y = 21.80, σ Y 10.10; σ XY 323 Da qui si ha per il coefficiente di correlazione ρ XY = 0.94, mostrando quindi una correlazione fortemente positiva. Questi concetti si applicano nel calcolo della retta di regressione. Supponiamo di associare alle coppie di valori (x i, y i ), per i = 1, 2,..n, i punti nel piano (X, Y ), di ascisse ed ordinate corrispondenti. In generale questi punti saranno dispersi nel piano (fig. 2), ma talvolta è visibile un certo allineamento (fig. 3) Il calcolo permette di determinare in ogni caso (non degenere) la retta nel piano (XY ) che minimizza lo scarto quadratico dei dati da essa (a, b) n i=1 (y i ax i b) 2 (metodo dei

12 12 y x Figure 2. Dati molto dispersi y x Figure 3. Dati alquanto allineati minimi quadrati): consiste nel cercare i parametri a e b della retta di equazione y = ax + b, in modo tale che (a, b) sia minimo. Cerchiamo quindi a e b tali che (a, b) a = 0; (a, b) b vale a dire { n i=1 (y i ax i b) = n(y ax b) = 0 n i=1 x i(y i ax i b) = n[σ XY aσ X 2 + x(y ax b)] = n[σ XY aσ X 2 ] = 0 (l ultima eguaglianza si ottiene usando la relazione immediatamente precedente). Si ha in definitiva a = σ XY σx 2, b = y ax = y σ XY σx 2 x Per l esempio precedente si ha che a 0.28, b 1.64 = 0

13 Cal Gras Figure 4. Dati e retta di regressione (Calorie/Grassi) Le nozioni di correlazione e regressione possono estendersi anche in un contesto nonlineare (vedi Ref.3). La disuguaglianza di Cauchy-Schwartz ha un utilizzazione assai frequente in Matematica, e conviene quindi vederla un pò in dettaglio. Per qualunque scelta dei numeri (a 1, a 2,..a n ) e (b 1, b 2,..b n ), è sempre vero che n n n n ( a i b i ) 2 ( a 2 i )( b 2 i ) a i b i n n i=1 i=1 i=1 i=1 La dimostrazione consiste nell osservare che per ogni λ, 0 n (a i + λb i ) 2 = i=1 n a 2 i + 2λ i=1 i=1 n a i b i + λ 2 Per cui il discriminante ( n i=1 a ib i ) 2 ( n i=1 a2 i )( n i=1 b2 i ) dev essere nonpositivo. i=1 a 2 i n i=1 b 2 i i=1 b 2 i 4.2. Elementi di Probabilità. La nascita della teoria della Probabilità si può collocare nel diciassettesimo secolo (Fermat, Pascal, Huyghens), per la valutazione delle corrette aspettative nell ambito del gioco d azzardo e delle assicurazioni. Successivamente fu introdotto il Calcolo delle Probabilità per opera di Laplace (1774) e Bernoulli (1778). Rinviando ai manuali specifici per osservare lo sviluppo di questa disciplina, attualmente assai rilevante sia nelle applicazioni alle scienze fisiche, biologiche ed economiche, che negli sviluppi teorici, limitiamoci ai primi elementi indispensabili per ottenere un modello matematico dell incertezza (e del rischio) Definizioni di Probabilità. Risulta intuitivamente chiaro, quando si getta un dado a sei facce (numerate 1,2,..6), o una moneta (T o C), cosa significa ad es. che la probabilità che esca T sia di 1/2 = 50%; analogamente la probabilità che il dado mostri la faccia 1 sia di 1/6; ed egualmente la probabilità che il dado mostri un numero pari sia 1/2. In tutti questi casi l evento aleatorio si manifesta in una sola modalità su due o su sei, nei primi due esempi, ed in tre modalità su sei nel terzo (infatti faccia pari significa che esca due, quattro o sei). Formalizzando un pò, se un evento E può verificarsi in k E modalità egualmente probabili, su

14 14 un totale di n, la probabilità P (E) di E è data da P (E) = k E n Questa definizione è alquanto limitata e implica la conoscenza di eguale probabilità prima di aver definito la probabilità. Conviene quindi passare ad una definizione assiomatica. In analogia all assegnazione delle masse ai corpi materiali, si associano dei numeri compresi tra 0 ed 1 agli eventi aleatori in esame. Quest assegnazione potrebbe essere sperimentalmente verificata: se consideriamo la solita moneta, dove l evento aleatorio consiste nel gettarla su di un piano avendole impresso un buon momento angolare, in un numero n di prove ripetute uscirà T un numero k n (aleatorio) di volte. La legge dei grandi numeri, conseguenza dell impostazione assiomatica del Calcolo delle Probabilità, dice che k n lim n n = 1 2 Quindi la frequenza relativa kn n dell evento, in n prove indipendenti, tende alla probabilità ( questa proprietà, nel cosiddetto approccio frequentistico, fornisce la definizione della probabilità di un evento). Per sviluppare un pò il calcolo occorre però dare qualche definizione generale. Partiamo dallo spazio degli eventi S, i cui elementi sono gli eventi elementari (es. S mon. = {T, C}; S dado = {1, 2, 3, 4, 5, 6}), ed i cui sottoinsiemi sono gli eventi generici (per il dado un evento non elementare, potrebbe essere {1} {2} da leggere, uno o due ). È opportuno considerare tra gli eventi anche l insieme vuoto. In generale quindi due sottoinsiemi A e B di S sono due eventi, e anche A B (A o B), o A B (A e B) sono altri due eventi, così come A c (complementare di A) è l evento non A. Esempi. Per il dado l evento P ( esce un numero pari ) si può scrivere come P = {2, 4, 6} = {2} {4} {6} e l evento complementare D ( esce un numero dispari )si può scrivere come D = P c = {1, 3, 5} = {1} {3} {5} Sempre per il dado, l evento P ( esce un numero pari ) e l evento B ( esce un numero minore di 3 ) hanno un intersezione P B = {2, 4, 6} {1, 2} = {2} (= esce un numero pari e minore di 3 ); l evento unione sarà P B = {2, 4, 6} {1, 2} = {1, 2, 4, 6} (= esce un numero pari o un numero minore di 3 ). Una volta definito uno spazio S = {x 1, x 2,..x n } (qui considerato finito per semplicità), la probabilità consiste nell assegnazione di un valore numerico compreso tra zero ed uno agli eventi elementari ( quindi è una funzione p : S [0, 1], definita sullo spazio degli eventi) con le proprietà seguenti, che permettono di definirne il valore per tutti gli eventi: n p( ) = 0; p(s) = p(x i ) = 1; p(a) = p(x i ) x i A i=1 L assegnazione della probabilità agli eventi di uno spazio di n eventi elementari è del tutto simile ad assegnare le masse degli n punti materiali elementari (gli atomi ), con la convenzione che la massa totale sia uno, e valutando la massa dei corpi formati da più punti semplicemente sommando le masse degli atomi costituenti. Come conseguenza della definizione si ha dunque che per due eventi disgiunti (A B = ) vale la proprietà additiva p(a B) = p(a) + p(b); questo significa che per due eventi mutuamente esclusivi, e cioè che non possono mai verificarsi assieme, (per il dado, A = P e

15 B = {1}), la probabilità che si realizzi l evento A o l evento B è la somma delle rispettive probabilità. Si inoltre, dalla definizione, che p(a c ) = 1 p(a) (la probabilità che piova o che non piova è uno..) e che se A B, p(a) p(b). Una probabilità p su di uno spazio finito S = {x 1, x 2,..x n } si dice uniforme se p(x i ) = 1/n, i = 1, 2,..n. Questo è il caso della moneta (n = 2) o del dado (n = 6). La probabilità dell intersezione di due eventi introduce una importante nozione tipicamente probabilistica (dipendenza/indipendenza) che vedremo in seguito. Per ora calcoliamo in base alla definizione, nel caso del dado, p(p B), dove P corrisponde a uscita di un pari, e B a uscita di un numero minore di tre : bisogna osservare che P B = {2, 4, 6} {1, 2} = {2}, e quindi p(p B) = 1/6. Esempi. Il gioco del lotto: fissata una ruota, si estraggono 5 numeri su di un totale di 90. Lo spazio ( S consiste quindi nelle combinazioni di 90 elementi di classe 5 (in totale sono 90 ) 5 = ); la probabilità uniforme è dunque, per qualunque combinazione x, p(x) = 1/ Il DNA: sono presenti nel DNA umano i nucleotidi A (adenina), G (guanina), C (citosina) e T (timina) (primi due sono purine ed i secondi pirimidine), in percentuali tali da poter assegnare le seguenti probabilità p(a) = 0.304; p(g) = 0.196; p(c) = 0.199; p(t ) = La probabilità di estrarre a caso una purina sarà quindi p(pur) = p(a) + p(g) = = 0.5 e sarà quindi eguale alla probabilità che venga una pirimidina. Esempio del compleanno in comune. Supponendo che gli anni abbiano 365 giorni, che le nascite avvengano con la stessa probabilità, ed indipendentemente per diversi individui, calcolare la probabilità che almeno due persone in un gruppo di r 1, abbiano il compleanno in comune. Ad ogni giorno dell anno corrisponde un numero tra 1 e 365, quindi lo spazio degli eventi è costituito dalle disposizioni con ripetizione di classe r di 365 oggetti, quindi da 365 r elementi. È facile valutare la probabilità P c dell evento complementare, e cioè che non ci sia alcun compleanno in comune: tutte le possibili date di compleanno delle r persone senza ripetizioni, sono tante quante le disposizioni di 365 oggetti di classe r (365(365 1)(365 2)...(365 r + 1)), quindi P c = 365(365 1)(365 2)...(365 r + 1) 365 r = 1( )( )...(1 r ) La probabilità cercata è 1 P c e svolgendo i calcoli si vede mentre per r = 2, si ottiene 1 364/365 = , per r > 23, questo valore supera 0.5. La coppia di dadi. Per una coppia di dadi lo spazio degli eventi è il prodotto nel senso insiemistico degli spazi corrispondenti ai due dadi: per ogni uscita del primo dado sono possibili sei del secondo, quindi lo spazio ha 36 elementi (eventi elementari), ad ognuno dei quali si attribuisce la probabilità 1/36 (notare che risulta il prodotto delle probabilità relative agli eventi fattori 1/6 1/6). La domanda interessante (soprattutto per i giocatori) è: qual è la probabilità di ottenere un dato punteggio (somma dei punti dei due dadi)? Basta valutare a quali eventi corrispondono i vari punteggi e calcolarne le probabilità. 15

16 16 Punteggio Eventi Probabilità k = 2 (1, 1) 1/36 k = 3 (1, 2) (2, 1) 1/18 k = 4 (1, 3) (2, 2) (3, 1) 1/12 k = 5 (1, 4) (2, 3) (3, 2) (4, 1) 1/9 k = 6 (1, 5) (2, 4) (3, 3) (4, 2) (5, 1) 5/36 k = 7 (1, 6) (2, 5) (3, 4) (4, 3) (5, 2) (6, 1) 1/6 k = 8 (2, 6) (3, 5) (4, 4) (5, 3) (5, 2) 5/36 k = 9 (3, 6) (4, 5) (5, 4) (6, 3) 1/9 k = 10 (4, 6) (5, 5) (6, 4) 1/12 k = 11 (5, 6) (6, 5) 1/18 k = 12 (6, 6) 1/ La distribuzione geometrica. Supponiamo di sapere che la probabilità di cogliere un bersaglio al tiro a segno sia pari a p, 0 < p < 1; consideriamo l evento B n { i primi n-1 tiri non colpiscono, ma l ennesimo sì}. Risulta dunque che P r{b n } = q n 1 p; q 1 p; per le proprietà delle progressioni geometriche q n = 1 1 q, pertanto q n 1 p = 1 n=0 Vedremo più avanti altri aspetti di questa distribuzione, nella sezione riguardante le variabili aleatorie La distribuzione binomiale. Questa distribuzione fornisce la probabilità che un evento di probabilità 0 < p < 1 si ripeta (esattamente) 0 k n volte su n prove indipendenti. Ad esempio si può pensare all uscita di k = 3 volte del numero uno in n = 10 lanci di un dado (p = 1/6), o di k = 300 volte T in n = 500 lanci di una moneta (p = 1/2). Il calcolo consiste nel considerare prima la probabilità di una particolare successione di prove in cui l evento si ripete esattamente k volte, e quindi di probabilità p k (1 p) n k, e di contare poi quante sequenze lunghe n contengono lo stesso numero k di successi ( ( n k) ). È cruciale qui l indipendenza delle prove, che permette di calcolare, ad esempio la probabilità di A 1 = {si verifica l evento solo nella prima prova}: P (A 1 ) = p(1 p) n 1. Analogamente la probabilità di A i, sarà la stessa i, e quella di A i,j, dove A i,j ={si verifica l evento solo nelle prove i-esima e j-esima}, i j, è data da P (A i,j ) = p 2 (1 p) n 2 ; il calcolo si generalizza a k successi in k prove diverse. Analogamente al punteggio di un dado, associato al presentarsi della corrispondente faccia, è opportuno associare all evento in esame ( verificarsi di k successi in n prove indipendenti),un numero X(n, p), definita dal numero di successi (vale a dire del verificarsi dell evento di probabilità p) nelle n prove ripetute, ha lo stesso valore k per tutti questi ( n k) eventi esclusivi, corrispondenti ciascuno a fissare su quali delle k prove si è verificato l evento; quindi per la proprietà additiva, si ha P r(x(n, p) = k) = Pk n(p) = ( n k) p k (1 p) n k. Osserviamo che, come dev essere per ogni distribuzione di probabilità, poichè X(n, p) assume certamente un valore tra 0 ed n, P r(x(n, p) = k) = n k=0 n=1 ( ) n p k (1 p) n k = (p + 1 p) n = 1 k

17 Prima di tornare su altri aspetti teorici assai rilevanti della distribuzione binomiale, vediamone una rappresentazione grafica in un caso particolare ed un paio di esempi. 0.1 P 100 k k Figure 5. Alcuni punti del grafico della distribuzione binomiale con p = 0.2, n = 100 Si vede abbastanza chiaramente un andamento a campana attorno al valor medio 20; si tornerà più avanti su questo punto di portata assai generale. Vediamo ora un altro esempio che si colloca all inizio (frivolo) del calcolo delle probabilità. Problema di S.Pepys (posto a Newton nel 1693): è più probabile che l uno esca almeno una volta in sei lanci di un dado (evento E 1 ), o che esca almeno due volte in dodici lanci (evento E 2 )? La prima probabilità si calcola usando la distribuzione binomiale corrispondente a sei prove relativamente ad un evento elementare di probabilità 1/6: l evento complementare ad E 1, ovvero uno non esce neppure una volta in sei prove ha la probabilità corrispondente a zero successi, vale a dire P0 6(1/6) = (1 1/6) 6 = (5/6) 6 = ; pertanto P (E 1 ) = = Anche per valutare P (E 2 ) conviene passare al complementare, e si ottiene quindi: P (E 2 ) = 1 [P0 12 (1/6) + P 12 1 (1/6)] = 1 [(5/6) /6(5/6) 11 ] = = Concludiamo quindi che E 1 ha una probabilità maggiore di E La Probabilità condizionata. Vediamo un pò più in dettaglio la nozione di indipendenza, poichè talvolta la si assume per poi sviluppare i calcoli successivi. Ad esempio, nel lancio simultaneo di un dado e di una moneta, se le procedure di lancio si possono considerare non legate tra loro, gli eventi elementari congiunti si considerano indipendenti, in modo tale che, se ε denota T o C, e k un intero tra 1 e 6, P (ε, k) = P (ε)p (k) = 1/2 1/6 = 1/12. Se invece, per un misterioso dispositivo che accoppia i due lanci, quando la moneta dà T, il dado mostra solo facce dispari (uniformemente), e quando esce C, il dado esce pari, non ci sarà più indipendenza: P (T, 1) = P (T, 3) = P (T, 5) = 1/6, e P (T, 2) = P (T, 4) = P (T, 6) = 0, e simmetricamente per P (C, k). Come si vede la probabilità che esca T senza guardare l uscita del dado (probabilità marginale dell evento T) è sempre 1/2, e così anche le altre probabilità marginali, ma certamente non si verifica l indipendenza tra gli eventi congiunti. In generale, in uno spazio di probabilità {S, P }, non saranno mai indipendenti un evento A S con 0 < P (A) < 1 ed il suo complementare A c, dato che P (A A c ) = P ( ) = 0 P (A)(1 P (A)).

18 18 Anche per due eventi A e B tali che B A, (A implica B), con P (B) < P (A) < 1, si ha che P (A B) = P (B) P (A)P (B). La nozione di dipendenza porta all importante nozione di probabilità condizionata così definita. Se P (B) > 0, la probabilità condizionata di A, dato B, (B è l evento condizionante, ed A quello condizionato), in simboli P (A B), è P (A B) := P (A B) P (B) È facile verificare che, fissato B, la probabilità condizionata, come funzione di A (generico evento di S), gode delle stesse proprietà della probabilità, con l ovvia relazione P (B B) = 1. Esprime quindi la variazione dell assegnazione delle probabilità, quando si sa che l evento B si è verificato. Naturalmente se i due eventi A e B sono indipendenti, P (A B) P (B A) P (A B) = = P (A); P (B A) = = P (B) P (B) P (A) mentre se sono identici (A = B), vale a dire estremamente dipendenti, P (A A) = P (A A) P (A) = P (A) P (A) = 1 Esempio. Nel lancio del dado, calcoliamo le P (k D), dove k = 1, 2,.., 6 e D = {1, 3, 5} (quindi la condizione D, l evento dato, è l uscita di un dispari). Si ha P (k D) = 0 se k è pari, e P (k D) = 1/3 se k è dispari. È opportuno esaminare nel seguente esempio l origine di un diffuso pregiudizio, le strategie da seguire nel gioco del lotto basate sui cosiddetti ritardi. Consideriamo, senza perdere l essenziale, ma con maggiore semplicità espositiva, che i lanci successivi di una moneta (T o C) siano indipendenti e che si sia verificata una (assai improbabile) successione di 100 T. Il pregiudizio consiste nel pensare che nel centounesimo lancio, quasi che la moneta debba pareggiare i conti, ci si deve aspettare l uscita di C con maggior fiducia: cioè che la probabilità di C sia maggiore di 1/2. Ciò è naturalmente falso, per l indipendenza delle prove ripetute; l errore si avvalora talvolta di valutazioni numeriche, consistente in questo caso nell uso scorretto della disuguaglianza (corretta) seguente: P (X 101 (1/2) = 0) = ( 1 2 )101 < P (X 101 (1/2) = 1) = 101( 1 2 )101 Qui l evento di maggiore probabilità consiste nell uscita di una (sola) C in 101 lanci, ma indipendentemente dal fatto che ciò avvenga nella prima, nella seconda, o nell ultima (la centounesima) prova, mentre l evento in cui si è interessati consiste nell uscita di C al centounesimo lancio, e la sua probabilità, sempre pari a 1/2, non dipende da cosa si è verificato nelle prime cento prove. Anzi, come si è verificato nelle case da gioco, osservazioni prolungate di uscite di numeri al gioco della roulette possono dare indicazioni sul fatto che sia apprezzabile una piccola differenza tre le probabilità di uscita dei numeri stessi (utilizzabile per puntate ben studiate); nel caso precedente, l uscita di 100 T potrebbe suggerire che la moneta sia truccata (vedi il cap. sull inferenza statistica), e che quindi ci si potrebbe piuttosto attendere che al centounesimo lancio esca ancora T (perchè con buona probabilità la moneta ha due T!).

19 Applicazioni assai importanti della nozione di condizionamento derivano dalla seguente formula, (qui in forma semplificata), che riguarda la valutazione dell inversione del ruolo tra evento condizionante ed evento condizionato. Formula di Bayes Se P (A)P (B) > 0, vale l identità P (B A) = P (A B)P (B) P (A) = P (A B)P (B) P (A B)P (B) + P (A B c )(1 P (B)) La dimostrazione è un semplice esercizio sulla definizione di probabilità condizionata, ed usa la decomposizione, del tutto generale, di un evento A nell unione di due eventi tra loro complementari (usando E = B B c, A = A E, e quindi A = (A B) (A B c ): P (B A) = P (A B) P (A) = P (A B)P (B) P (A B) + P (A B c ) = P (A B)P (B) P (A B)P (B) + P (A B c )(1 P (B)) L interesse di questa relazione si può apprezzare in questo esempio (di uso corrente nella pratica epidemiologica e farmacologica), dove si vede in concreto il significato di probabilità condizionata. Valutazione del falso positivo e del falso negativo. In generale un test clinico non è mai perfetto: per un individuo sottoposto a test, il risultato può essere positivo T +, o negativo T sia se l individuo è malato (M), o se sano (S := M c ); si definisce sensibilità del test la probabilità condizionata P (T + M), vale a dire la probabilità che il test sia positivo in presenza della malattia, e specificità del test, la probabilità condizionata P (T S), vale a dire la probabilità che il test sia negativo in assenza della malattia. Un buon test dovrebbe avere entrambe vicino ad uno (ed infatti la loro somma definisce l efficienza del test). Supponendo di conoscere quanto l infezione sia diffusa, in termini di P (M) (probabilità che un individuo sia malato), vogliamo calcolare la probabilità f + del falso positivo, vale a dire f + = P (S T + ) = 1 P (M T + ), ed anche quella del falso negativo f = P (M T ) = 1 P (S T ). Risulta (ripetendo la deduzione dell identità di Bayes) P (M T + ) = P (M T +) P (T + ) = P (T + M)P (M) P (T + ) Il denominatore P (T + ) lo calcoliamo mediante la decomposizione in parti disgiunte P (T + ) = P (T + (M S)) = P (T + M) + P (T + S) = (P (T + M)P (M) + P (T + S)P (S) Le quantità P (T + S) e P (S) sono note dai dati del problema, poichè P (T + S) = 1 P (T S) e P (S) = 1 P (M). Vediamo ora un caso numerico: se P (T S) = 0.80, P (T + M) = 0.90, P (M) = 0.01, calcolare f + ed f. Valutiamo prima P (T + ): P (T + ) = P (T + M)P (M) + P (T + S)P (S) = (1 0.80)(1 0.01) = Completando f + = 1 P (M T + ) = 1 = = Risulta assai alto! Analogamente si trova f = Variando i valori numerici, si ottengono risultati assai differenti: se ad esempio fosse P (M) = 0.10, ed il resto invariato, si avrebbe f + = e f =

20 20 Vediamo ora un altro esempio simile, ma in contesto studentesco: consideriamo aleatori l esito e la preparazione di un esame. Sia S l evento { superare l esame} (ed S c { il non superarlo}); sia B l evento {avere una buona preparazione}, (ed B c {il non averla}). Supponiamo che P (S) = 0.8, P (B) = 0.6; P (S B) = 0.95 Può essere interessante valutare P (S B c ); P (B S); P (S c B) La prima probabilità condizionata potrebbe riguardare il ruolo della fortuna per chi non si prepara bene, la seconda valuta l efficacia dell esame, come garanzia di buona preparazione, e la terza il peso della sfortuna per chi si è ben preparato. Con quei dati si ottiene P (S B c ) = 0.58; P (B S) = 0.71; P (S c B) = 0.05 Cambiandoli, si apprezza cosa determina le differenze, anche notevoli, nei risultati Le variabili aleatorie, v.a. Come nel caso del dado, dove l uscita di una faccia può formularsi in termini numerici, dicendo che la variabile numerica punteggio ha proprio il valore corrispondente ai punti mostrati dalla faccia uscita, così più in generale è utile definire una variabile numerica associata ad eventi aleatori (questa funzione, definita sullo spazio degli eventi E, si chiama appunto variabile aleatoria, o casuale). In tal modo i dati della precedente tabella relativa alle uscite di una coppia di dadi possono rappresentare la distribuzione della v.a. punteggio dei due dadi. In generale, se una v.a. Z assume valori discreti (in corrispondenza con un sottoinsieme dei numeri interi, quindi denotabili con a k, k = 1, 2,...), la sua distribuzione è assegnata dalle probabilità corrispondenti p k : P r{z = a k } = p k, k = 1, 2,... Naturalmente sarà p k 0, k p k = 1. Caratteristiche interessanti della distribuzione di probabilità sono il valore atteso (o medio) EZ k a kp k e la varianza V ar Z k (a k E Z) 2 p k (il simbolo E sta per Expectation, ed il valore atteso di una generica funzione φ(z) non è altro che E φ(z) k φ(a k)p k ).Una variabile con un numero n, finito, di valori costituisce un caso particolare: in questo caso le probabilità p k sono positive solo in corrispondenza agli n valori possibili. Talvolta, soprattutto in letteratura fisica, si usa φ(z) in alternativa al simbolo Eφ(Z). Sviluppando il quadrato, si vede che V ar Z = k (a2 k 2a kez + (EZ) 2 )p k = EZ 2 (EZ) 2. Ritroviamo in questi termini i risultati sulle notevoli distribuzioni introdotte precedentemente: per la distribuzione geometrica, consideriamo la v.a. X p = n. d ordine del primo colpo vincente: vale a dire l evento {X p = n} al verificarsi dell evento B n. Pertanto P r{x p = n, n = 1, 2,..} = qn 1 p. Considerando ora la distribuzione binomiale, vediamo innanzitutto che viene definita in modo naturale la variabile numerica (aleatoria) X(n, p) come numero di successi in n prove,e di cui possiamo ora valutare le caratteristiche sia in modo diretto, sia attraverso la rappresentazione di X(n, p) come somma di v.a. elementari Un calcolo diretto permette infatti di valutare il valore medio di X(n, p), e vedremo successivamente una giustificazione elementare del risultato, quando s interpreta X(n, p) come somma di n variabili aleatorie: n n ( ) n EX(n, p) := kp r(x n = k) = k p k (1 p) n k = np k k=0 k=0

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Lezioni di STATISTICA MATEMATICA A

Lezioni di STATISTICA MATEMATICA A Università di Modena e Reggio Emilia Facoltà di Ingegneria Lezioni di STATISTICA MATEMATICA A Corso di Laurea in Ingegneria Meccanica Corso di Laurea in Ingegneria dei Materiali - Anno Accademico 010/11

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

ESAME DI STATO 2010 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2010 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Archimede ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARTICOLO Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. Sia ABCD un quadrato di

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE - Matematica - Griglie di valutazione Materia: Matematica Obiettivi disciplinari Gli obiettivi indicati si riferiscono all intero percorso della classe quarta

Dettagli

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k Pordenone Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica

Dettagli

esame di stato 2014 seconda prova scritta per i licei scientifici di ordinamento

esame di stato 2014 seconda prova scritta per i licei scientifici di ordinamento ARTICOLO Archimede 4 4 esame di stato 4 seconda prova scritta per i licei scientifici di ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. PROBLEMA Nella figura

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli

RETTE, PIANI, SFERE, CIRCONFERENZE

RETTE, PIANI, SFERE, CIRCONFERENZE RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06 Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o

Dettagli

esame di stato 2013 seconda prova scritta per il liceo scientifico di ordinamento

esame di stato 2013 seconda prova scritta per il liceo scientifico di ordinamento Archimede esame di stato seconda prova scritta per il liceo scientifico di ordinamento ARTICOLO Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. PROBLEMA La funzione f

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE TELECOMUNICAZIONI (TLC) Tele (lontano) Comunicare (inviare informazioni) Comunicare a distanza Generico sistema di telecomunicazione (TLC) Segnale non elettrico Segnale elettrico TRASMESSO s x (t) Sorgente

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento: Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa

Dettagli

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia?

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Danilo Pelusi 1 Gianpiero Centorame 2 Sunto: Il seguente articolo illustra le possibili analogie e differenze tra il calcolo delle

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento RTICL rchimede 4 esame di stato seconda prova scritta per il liceo scientifico di ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario PRBLEM Siano f e g le funzioni

Dettagli

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Lezioni di Matematica 1 - I modulo

Lezioni di Matematica 1 - I modulo Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Appunti di Analisi Matematica 1. Docente:Fabio Camilli. SAPIENZA, Università di Roma A.A. 2014/15. http://www.dmmm.uniroma1.it/~fabio.

Appunti di Analisi Matematica 1. Docente:Fabio Camilli. SAPIENZA, Università di Roma A.A. 2014/15. http://www.dmmm.uniroma1.it/~fabio. Appunti di Analisi Matematica Docente:Fabio Camilli SAPIENZA, Università di Roma A.A. 4/5 http://www.dmmm.uniroma.it/~fabio.camilli/ (Versione del 9 luglio 5) Note scritte in collaborazione con il prof.

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali. www.vincenzoscudero.it novembre 2009

ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali. www.vincenzoscudero.it novembre 2009 ESERCIZI SVOLTI Ricerca del dominio di funzioni razionali fratte e irrazionali v.scudero www.vincenzoscudero.it novembre 009 1 1 Funzioni algebriche fratte 1.1 Esercizio svolto y = x 1 x 11x + 10 (generalizzazione)

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Capitolo 8 - Introduzione alla probabilità

Capitolo 8 - Introduzione alla probabilità Appunti di Teoria dei Segnali Capitolo 8 - Introduzione alla probabilità Concetti preliminari di probabilità... Introduzione alla probabilità... Deinizione di spazio degli eventi... Deinizione di evento...

Dettagli

Programmazione Generale. Matematica e Complementi. Classi: 2 Biennio Quarta. Istituto Tecnico Tecnologico Basilio Focaccia Salerno

Programmazione Generale. Matematica e Complementi. Classi: 2 Biennio Quarta. Istituto Tecnico Tecnologico Basilio Focaccia Salerno Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Generale Matematica e Complementi Classi: 2 Biennio Quarta I Docenti della Disciplina Salerno, lì 12 settembre 2014 Finalità della Disciplina

Dettagli

Equazioni differenziali ordinarie

Equazioni differenziali ordinarie Capitolo 2 Equazioni differenziali ordinarie 2.1 Formulazione del problema In questa sezione formuleremo matematicamente il problema delle equazioni differenziali ordinarie e faremo alcune osservazioni

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

Analisi Matematica I

Analisi Matematica I Analisi Matematica I Fabio Fagnani, Gabriele Grillo Dipartimento di Matematica Politecnico di Torino Queste dispense contengono il materiale delle lezioni del corso di Analisi Matematica I rivolto agli

Dettagli

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARCHIMEDE 4/ 97 ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA In un

Dettagli

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α?

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? QUESITO 1 Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? Applicando il Teorema dei seni si può determinare il valore di senza indeterminazione, in quanto dalla

Dettagli

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. UdA n. 1 Titolo: Disequazioni algebriche Saper esprimere in linguaggio matematico disuguaglianze e disequazioni Risolvere problemi mediante l uso di disequazioni algebriche Le disequazioni I principi delle

Dettagli

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti Y T T I Numeri Complessi Operazioni di somma e prodotto su Consideriamo, insieme delle coppie ordinate di numeri reali, per cui si ha!"# $&% '( e )("+* Introduciamo in tale insieme una operazione di somma,/0"#123045"#

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

PROGRAMMA DI FISICA ( CLASSE I SEZ. E) ( anno scol. 2013/2014)

PROGRAMMA DI FISICA ( CLASSE I SEZ. E) ( anno scol. 2013/2014) PROGRAMMA DI FISICA ( CLASSE I SEZ. E) ( anno scol. 2013/2014) Le grandezze fisiche. Metodo sperimentale di Galilei. Concetto di grandezza fisica e della sua misura. Il Sistema internazionale di Unità

Dettagli

IV-1 Funzioni reali di più variabili

IV-1 Funzioni reali di più variabili IV- FUNZIONI REALI DI PIÙ VARIABILI INSIEMI IN R N IV- Funzioni reali di più variabili Indice Insiemi in R n. Simmetrie degli insiemi............................................ 4 2 Funzioni da R n a R

Dettagli

Appunti sulle disequazioni

Appunti sulle disequazioni Premessa Istituto d Istruzione Superiore A. Tilgher Ercolano (Na) Appunti sulle disequazioni Questa breve trattazione non vuole costituire una guida completa ed esauriente sull argomento, ma vuole fornire

Dettagli

Equazioni alle differenze finite (cenni).

Equazioni alle differenze finite (cenni). AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza

Dettagli

I numeri reali. Note per il corso di Analisi Matematica 1. G. Mauceri. a.a. 2003-04

I numeri reali. Note per il corso di Analisi Matematica 1. G. Mauceri. a.a. 2003-04 I numeri reali Note per il corso di Analisi Matematica 1 G. Mauceri a.a. 2003-04 2 I numeri reali Contents 1 Introduzione 3 2 Gli assiomi di campo 3 3 Gli assiomi dell ordine 4 4 Valore assoluto 5 5 I

Dettagli

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Rita Giuliano (Pisa) 0. Introduzione. È ormai acquisizione comune il fatto che uno

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità CAPITOLO TEORIA Il dilemma di Monty Hall In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio

Dettagli

Esercizi svolti sui numeri complessi

Esercizi svolti sui numeri complessi Francesco Daddi - ottobre 009 Esercizio 1 Risolvere l equazione z 1 + i = 1. Soluzione. Moltiplichiamo entrambi i membri per 1 + i in definitiva la soluzione è z 1 + i 1 + i = 1 1 + i z = 1 1 i. : z =

Dettagli

Consideriamo due polinomi

Consideriamo due polinomi Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al

Dettagli

Corso di Analisi Matematica. Polinomi e serie di Taylor

Corso di Analisi Matematica. Polinomi e serie di Taylor a.a. 2013/14 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli

Dettagli

Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta

Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta Equazione della Circonferenza - Grafico di una Circonferenza - Intersezione tra Circonferenza e Retta Francesco Zumbo www.francescozumbo.it http://it.geocities.com/zumbof/ Questi appunti vogliono essere

Dettagli

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione METODO DELLE FORZE CORSO DI PROGETTZIONE STRUTTURLE a.a. 010/011 Prof. G. Salerno ppunti elaborati da rch. C. Provenzano 1. METODO DELLE FORZE PER L SOLUZIONE DI STRUTTURE IPERSTTICHE 1.1 Introduzione

Dettagli

Esponenziali elogaritmi

Esponenziali elogaritmi Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli