Modelli'di'Variabili'Aleatorie'
|
|
- Antonino Magnani
- 5 anni fa
- Visualizzazioni
Transcript
1 ModellidiVariabiliAleaorie! VariabilialeaoriediBeroulli: " X èdiberoullidiparamero p (,) se P( X ) p e P( X ) p. " Proprieà: # E X # Var X : p X ( ) + p X ( ) p. E( X ) E( X) masiccome X X $ E( X) E( X) p p p( p).. Var X " Noazioe: X èdiberoullidiparamero p X B e p " ProvediBeroulli: # esperimeicasuali,idipedei,biari(ossiachehaosoloduepossibiliesiichechiamo successoefallimeo). p P successo.. P( X k). # Faccio provediberoullicoprobabiliàdisuccesso p, # Sia X umerodisuccessiiquese prove. p X k se k-esima prova è successo # X X + X X $ X k. se è fallimeo # E X # Var X E( X X ) E( X ) E( X ) p. Var( X X ) Var( X ) Var( X ) p( p). k # P X k pk ( p) k. p p ( ) se X èbiomialediparameri, p, X B i, p P( X k) k ( pk p) k, k {,,...,}. alrimei Ricordiamocheilcoefficieebiomialesicalcola k :! k! ( k)!. # X B i (, p), Y B i ( m, p) idipedei: X B i, p Y B i m, p X X X, X k B e ( p) idipedei. Y Y Y m,y k B e ( p) idipedei. idipedei ( + m i, p). X + Y X X + Y Y m sommadi + m. B e p X + Y B i " Uilizzo:quado X puòassumeresoloivalori,(successoofallimeo).! DesiàdiPoisso: " Cisooimedia λ impuriàperuiàdilughezza I k. " X umerodiimpuriàsulsegmeo. E( X) λ, X k umerodiimpuriài I k B e ( p).
2 " X X X, E( X) E( X ) E ( X ) p. X B, λ i k " P X k λ ( )... k + k k λ λ k k λ k! λ k k! ( k)! k λ co e λ k! λ λ k k! e λ. λ " Defiizioe: X èuavariabilealeaoriadipoissodiparamero λ > se λ k P( X k) k! e λ, k {,,,... }. alrimei " Leggedelfilo: # LavariabilealeaoriadiPoissopuòessereuilizzaacomeapprossimazioediuabiomiale prove di Beroulli diparameri (, p) quado. p probabilià di successo # Poisso λ B i (, p) Poisso( p). B i, λ " Proprieà: # X Po(λ) E X Var( X) λ. # X Po( λ),y Po ( µ ) X + Y Po( λ + µ ).,quado èmolo gradee p molopiccolopoedo λ p.ialriermii,iloaledei successi iugra umero diripeizioiidipedeidiuesperimeochehauapiccolaprobabiliàdiriuscia p. " Uilizzo:èu oimaapprossimazioediuabiomialediparameri, p,èuavariabilealeaoriacodisribuzioeapprossimaivameedipoisso,comedia λ p.! VariabilealeaoriaGeomerica: " SuccessioediprovediBeroullico p P( successo) e X umerodiproveecessarieper vedereilprimosuccesso. # P( X k) co k {,,... }. P ( I prova "successo") p. P X P P X I prova "isuccesso" II prova "succeso" p p. p( p) k perchéprimadelsuccessodella k Qesimaprovacisoosai P X k k isuccessi. p p " Defiizioe: X Geom( p) se P( X k) k k {,,... }. alrimei " P( X k) p( p) k,sia q : p p q co < q < $ q k q k $ q q. k k k k
3 " m X ( ) E e X < l( p) e k ( p) k p e ( k ) ( p) k p pe e k ( p) e p i " pe e k p ( p) pe e p k " m X. q p e " m X ( ) e p m X # m X ( ) p E( X). " ( ) m X m X # m X ( ) k ( ) e p e p e. p p p + p p p e ( p).perchéèuaseriegeomerica. k e e ( p) m ( ) X e ( p). p E( X ). p # Var( X) E( X ) E( X) p p p p p p p. " X Geom( p), P X > k ( p) k. P X k " Proprieàdiassezadimemoria: # P X > k + h X > h P( le prime k prove soo isuccessi) p P( X > k). # Dimosrazioe: P( X > k + h & X > h) P( X > h) ( p) k P( X > k). P( a h < X b h). P X > k + h X > h # P a < X b X > h P X > k + h P X > h q... p k vole k +h p p h < ( p) k " Uilizzo:èuilequadovogliamosaperelaprobabiliàchela k Qesimaripeizioesiailprimo successo.! Variabilealeaoriaipergeomerica: " Defiizioe:uavariabilealeaoria X sidiceipergeomericadiparameri N, M e sehamassa diprobabilià P( X i) N M i i co i,,...,. N + M " Uilizzo:possiamocapirloramieuesempio.Uascaolacoiee N baerieacceabilie M difeose.siesraggoosezarimessaeimaieracasuale baerie.deoiamoco X il umerodibaerieacceabilicoeueelcampioeesrao. 3
4 ! Variabilialeaoriauiforme: " Seoipredessimousegmeolugoeuiervallochevada a ab ivicoeuo,se x è scelocasualesigificachelaprobabiliàche x a,b [ ] dipedesolaodallalughezzadel segmeoeodallasuaposizioe. " L isiemeu èuiformei[,] selasuadesiàè f U ( u) : # P U u,u + du u [,] alrimei ( [ ]) du co u [,]. b a. b a co < a + h < b + h <. # P a < U b # < a < b < P a + h < U b + h " Defiizioegeerale:uavariabilealeaoriacoiuasidiceuiformesull iervallo [ α,β],seha fuzioedidesiàdaada f ( x) " U U, # E U # E U β α se α x β alrimei [ ].Ipassisuccessiviquidisooriferiiaduiervalloampio. uf u du u du u f u u,. du u du u 3 3, 3 Var U # U U [,], F U ( u) f U ( x)dx x " ( b a)u + a X co b > a. # U $ ( b a)+ a b. # U $( b a) + a a. " X ~ U a,b U + a,u ~ U, " E X " Var X [ ], X b a E b a U + a Var b a " F X ( x) P( X x) P b a " F X ( x) d dx F U " f X ( x) [ ]. x < x < x ( b a)e( U ) + a b a + a a + b. U + a ( b a) Var U b a b a (,U + a x) P U x a b a F U x a x a b a F U b a b a f x a U b a b a. < x a b a < alrimei # < x a b a < < x a < b a a < x < b.. x a b a... 4
5 " F X x b a x a F U x a b a x < a < x a b a < a < x < b x b " Uilizzo:quadolavariabilealeaoriahalesesseprobabiliàdicaderevicioauqualuque puodell iervallo.! Variabilialeaorieormaliogaussiae: " Defiizioe: z èormalesadardselasuadesià f Z z # f Z ( z)dz π e z dz. # z # Φ z π e s ds Φ z " m Z ( ) E e Z : Φ( z) : P( Z z)... : z π e z e Z π e dz e ( z z+ )+ dz π π e sosiuisco u z, du dz $ m( z) e # m Z ( ). # m Z m Z # m Z π e u du e. e m Z ( ).. ( ) m Z ( ) + m Z ( ). m Z ( ) + E( Z ), E( Z ) Var( Z ).,Var( X) X èsadard. m Z " Defiizioe: X variabilealeaoriaco E X. e ( z ) " Defiizioe: X variabilealeaoriaèormalese: X az + b, a >, b, Z èormale sadard.se Z èormalesadard Z èormalesadard. " Def: X èormalecomedia µ evariazaσ X ~ N µ,σ. sadard Z ~ N, " X ~ N ( µ,σ ),Y α X + β N (,)co a. # Dimosrazioe: X ~ N µ,σ Y α X + β α σ Z + µ # E Y X σ Z + µ, Z ~ N, + β ασ E( α X + β) αe( X) + β αµ + β. Var( α X + β) α Var( X). dz ( ) se X σ Z + µ, Z ormale Z + αµ + β. # Var Y " X ~ N ( µ,σ ),calcoliamolafuzioediriparizioeedesià. 5
6 # Co X σ Z + µ, F X ( x) P( X x) P( σ Z + µ x) P Z x µ F X Φ x µ σ. # P a < X < b F X ( b) F X ( a) perlevariabilialeaoriecoiue. Φ b µ P a < X < b # f X x σ ( x) d dx Φ x µ F X ( x µ ) Φ a µ σ. σ Φ x µ σ σ f Z x µ σ σ σ Φ x µ σ $ π e x µ σ πσ e σ. " X ~ N ( µ,σ ), X µ ~ N (,). σ # E X µ σ E( X) µ X µ,var σ σ V σ X µ σ σ Var( X). " Teorema: X, X,..., X ormaliidipedei X X èormale. # Dimosrazioe: X ~ N ( µ,σ ). m X ( ) E( e X )masiccomeèormalesappiamoche X σ Z + µ, Z ~ N, m X. ( ) E e ( σ Z + µ ) E e σ m X e σ +µ. Z e µ eµ E e ( σ ) z eµ m Z ( σ ) e µ e ( σ ) e m X X m X ( )...m X ( ) exp σ + µ...exp σ + µ σ k exp + µ k k exp σ k + µ k exp ( σ ) + µ k k ( σ ) µ X X ~ N µ k, σ k. k k σ σ +µ " Uilizzo:quesoipodivariabilealeaoriaèmoloimporaeeuilizzaagraziealeoremadel limieceralecheraerremopiùavai.! Espoeziali: " Def: X èespoezialediparamero λ > ( X ~ ( λ) ) se f X ( x) λe λx " F X x x < ds x λe λs ds e λs x. e λx x x f X s x >. alrimei $ 6
7 " Fuzioegeeraricedeimomei: m X ( ) E e X λ λ e x f X x dx e x λe λx ds λ e λ x dx co λ > $ ( λ )e ( λ )x dx. # m X ( ) λ λ. # m X ( ) m X # λ ( ) ( λ ) λ λ $ m X ( ) λ E( X). ( ) λ( λ ) ( ) λ $ ( λ ) 4 3 ( λ ) m X ( ) λ # Var( X) λ λ λ. " Assezadimemoria: # X ~ λ 7 ( λ ). λ 3 λ E X P( X > + s X > ) P( X > s). P( X > + s & X > ) P( X > ) ( e λ + s) e F X ( ) λs P( X > s),ricordache e λ e λx F X ( x) e λx. # Dimosrazioe: P X > + s X > F X + s P X > z " cx ~ λ c.! VariabilialeaoriediipoΓ : " Defiizioe: X è Γ( α,λ)se f X ( X) " Noa: Γ α λ α Γ( α ) xα e λx x >. alrimei serveafarsìcheladesiàfacciauoi(,) : f X ( x)dx λα Γ α divariabili y λx, dy λdx $ λ α " Γ α : x α e x dx " GammadiEulero: Γ # Osservazioe: Γ,λ. e x dx ( λ). x α e λx dx Γ α. y λ λ α x α e λx dx α e y dy λ λα λ α P X > + s P X > y α e y dy # Permezzodell iegrazioeperpari: Γ( α ) y α e y dy e y α y + ( α ) y ( α ) e y dy ( a ) y ( α ) e y dy ( α )Γ ( α ) $ Γ( α ) ( α )Γ α # Γ( ) ( )Γ ( ) ( ) ( )Γ( )...Γ ( ) ( )!. facciamoilcambiameo. Γ( α ).
8 " X ~ Γ( a,λ).fuzioegeeraricedeimomei: # E e X λα λ α Γ α ( λ ). α # m X ( ) λ λ λ m X ( ) α λ x α e λx e x dx λα Γ α α. α m X ( ) αλα α + λ # E( X) α λ ; # E X α α + λ ( λ ) λ x α e ( λ )x dx α αλ α + $ λ m X α λ. ( λ ) α ( ) $ m α + X ( ) α ( α + ). λ ; α ( α + ) # Var X α λ λ α λ. " Proprieà: X ~ Γ( α,λ),y ~ Γ β,λ # Dimosrazioe: m X +Y ( ) m X ( )m Y ( ) α Γ( α ) λ α λ ( λ ) α idipedei X + Y ~ Γ( α + β,λ). λ λ X + Y ~ Γ( α + β,λ). # Uilià: Capire X,Y ~ ( λ) idipedei. X ~ ( λ) Γ(,λ ) $ X + Y ~ Γ,λ Y ~ ( λ) Γ(,λ ). Igeerale: X,..., X ~ λ! DisribuzioiChiGquadro: " Z Z ~ Γ, χ # X ~ χ # E[ X] X ~ Γ, # Var( X).. α λ λ β λ λ $ X + X X ~ Γ(,λ). ( ) chigquadroco gradidiliberà.. α +β x α e ( λ ) dx 8
9 # X ~ χ ( ), f X ( x) Γ x e x x >. alrimei # X ~ χ ( ),Y ~ χ ( m) idipedei$ X + Y X X + Y Y m X + Y ~ χ ( + m). " Se X èuachiqquadroco gradidiliberàeα èurealecompresora e,sidefiiscela α. quaià χ α, ramiel equazioeseguee: P X χ α,! Disribuzioi: " Se Z e C soovariabilialeaorieidipedei,laprimaormalesadardelasecodachiq quadroco gradidiliberà,alloralavariabilealeaoriat defiiacomet : Z C sidice averedisribuzioe co gradidiliberà$t ~.Talevariabilealeaorievieedefiia spesso disude. Γ + # f T ( ) Γ π + + # E[ T ] co. # Var( T ) co 3. $ P( T α, ) α. # T èsimmerica$ P( T α, ) α. " SeT ~ α, coα, co a gradidiliberà.! TeoremieTeorie: " Teoriadell affidabilià: # T isaediroura.t > all isae ilsisemafuzioa. # P( T > ) F T ( ) fuzioedisopravviveza. # Def:iesiàdirischiooassodiguaso. λ T ( ) : P T (, + d] & T > # P( T (, + d] T > ) P( T > ) # T > λ T # λ T ( ) : λ T ( s)ds f T ( ) èoa. f T ( ) ( ) d d l F ( ) T f T ( ) F T ( ). P T (, + d] F T ( ) iegradoiluo$ F T d ds l ( F T ( s) )ds l F T ( ) l F T ( ) f ( )d T F T, λ T d 9
10 ( s)ds l( F T ( ) ) l F T λ T F T ( ) exp λ T ( s)ds ( ( ) ) F T # λ T ( ) λ T ~ ( λ) $ F T ( ) exp λ ds # λ T P T > + s T > s e λ T s { }.Ricordache: f T { } e λ. ds.. d d F T ( ) P( T < ),( sigificaodecrescee). P( T > + s & T > s) P( T > + s) F ( + s) T P( T > s) P( T > s) F T ( s) P T > + s T > s { } { } exp + s λ ( u)du s ( T λ T ( u)du ) + s exp λ T ( u)du s exp λ T ( u)du P( T > ) F T ( ) exp{ λ T ( u)du }. Facedoigraficivediamoche P T > + s T > s # T èweibull λ T αβ β. { } exp + s { ( λ ( u)du T s )} P( T < ) effeivameeèvera. " Teoremadellimiecerale: # X, X,... variabilialeaorieidipedei,uecolasessaformuladiriparizioe, # E( X )... µ,var( X ) Var( X )... σ. E X k X k E X X mediacampioaria. µ. Var( X ) σ. P( X µ > ε) (leggedeigradiumeri). Var( X µ ) Var( X ) σ. X µ ± k Var( X ) µ ± σ. # X µ σ. # Teoremalimiecerale: X, X,.. variabilialeaorieidipedeicolasessaformuladi riparizioe E( X ) E( X )... µ,var( X ) Var( X )... σ X µ σ lim P X µ σ # Z X µ σ z Φ z z N (,). X Z σ π e u du. + µ, X N µ, σ..
11 # X X k X k Var k X k k k σ. $ Z σ + µ σ Z + µ $ E X N, k k µ,
12
13
14
15
16 V.A. di Beroulli Defiizioe: X è di Beroulli ( X~Be(p) ) di paramero p ϵ(,) se : P(x) p P(x) -p Proprieà: E(X) p Var(X) p(-p) Uilizzo: quado ho UNA prova ella uqale ho a disposizioe solo risulai, p è la probabilià che il risulao oeuo sia posiivo. (es: esrarre ua pallia da u ura e corollare che sia del colore desiderao) V.A. Biomiale Defiizioe: X è biomiale di parameri,p ( X~Bi(,p) ) se: Proprieà: E(X) p Var(X) p(-p) X,Y V.A. idipedei X~Bi(,p), Y~Bi(m,p) > (X+Y)~Bi(+m,p) Uilizzo: serve per calcolare la probabilià di avere k successi i prove beroulliae (es: esraedo pallie da u ura SENZA REIMMISSIONE, calcolare la probabilià di avere k di u cero ipo)
17 Desià di Poisso Defiizioe: si uilizza quado >> e p<< X~P(λ) Proprieà: per passare da Biomiale a Poisso: P(λ) Bi(, ) > Bi(,p) P(p) E(X) λ Var(X) λ X,Y V.A. idipedei X~P(λ), Y~P(μ) > (X+Y) ~P(λ+μ) Uilizzo:. Gli evei soo casuali ello spazio (empo) coiuo. Gli evei hao luogo sigolarmee e soo esclusivi 3. Il umero di evei che ha luogo i u dao iervallo è proporzioale alla lughezza delliervallo ; 4. Gli evei soo idipedei 5. La variabile è il umero di evei avei luogo elliervallo cosiderao. V.A. Geomerica Defiizioe: X~Geom(p) se: Proprieà: Uilizzo:. Cè ua successioe di prove;. Due possibili risulai (successo/isuccesso); 3. Le prove soo idipedei; 4. La probabilià ad ogi prova rimae cosae; 5. La variabile è il umero di prove ecessarie per avere il primo successo
18 V.A. Ipergeomerica Defiizioe: La disribuzioe ipergeomerica I(N,M,) descrive la variabile aleaoria X che coa, per elemei disii esrai a caso (i modo equiprobabile) da u isieme A di cardialià N, quai soo el sooisieme B di cardialià M. I ermii più cocrei descrive, daa uura coeee M pallie biache e N-M pallie ere, il umero di pallie biache che vegoo oeue esraedo seza reiserimeo pallie. Proprieà: Uilizzo: serve per calcolare la probabilià di avere k successi i prove (es: esraedo pallie da u ura CON REIMMISSIONE, calcolare la probabilià di avere k di u cero ipo) DISTRIBUZIONE Defiizioe: La disribuzioe χ (k) descrive la variabile aleaoria, dove X,...,X k soo variabili aleaorie idipedei co disribuzioe ormale sadard paramero k è deo umero di gradi di liberà.. Il Proprieà: Uilizzo: I saisica la disribuzioe χ viee uilizzaa per codurre il es di verifica dipoesi χ e per simare ua variaza
0 per x / ( 1, ). i) (4 p) Trovare per quali valori di α la funzione f è una densità di probabilità (non si chiede di calcolare C α ).
Corsi di Probabilià, Saisica e Processi socasici per Ig dell Auomazioe, Iformaica e If Ges Azieda /5/ Esercizio U sisema di preallarme su u velivolo segala ua A allarme oppure ua N o allarme ogi dieci
Dettagli(x + 1) α (1 x) 3 α per x ( 1, 1) 0 per x / [ 1, 1]
Corsi di Probabilià, Saisica e Processi socasici per Ig dell Auomazioe, Iformaica e If Ges Azieda // Esercizio Si osserva l iesià del veo el poro di Maria regisrado uo ogi gioro i cui il veo o supera ua
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 6
X c () 0 0 0 0 t dx e x t altrove x e x x f x t x X = =4 =8 E[X] = Var[X] = Teorema Z, Z,, Z N(0 ; ) e idipedeti X= Z + Z + +Z c () Nota Esistoo tavole dei puti percetuali delle distribuzioi chi-quadro
DettagliProva d esame di Calcolo delle Probabilità 02/07/2011
Prova d esame di Calcolo delle Probabilità 0/07/0 N. MATRICOLA... COGNOME e NOME... Esercizio Cosideriamo due ure ed ua moeta truccata. La prima ura (ura A) cotiee pallie rosse e 4 biache, la secoda ura
DettagliIl risultato di una prova è un n. aleatorio Funzioni degli esiti: Ω IR X, Y, Z,... funzioni, X(ω), Y (ω), Z(ω)
Variabili aleatorie (v.a.) Il risultato di ua prova è u. aleatorio Fuzioi degli esiti: Ω IR X, Y, Z,... fuzioi, X(ω), Y (ω), Z(ω) se B IR, P(X B) = = P({ω Ω : X(ω) B}) = P(X 1 (B)) I geerale iteressa B
DettagliEsercizio 1. Sia N un processo di Poisson di parametro λ. Dimostrare che, per ogni t > 0,
Esercizi di Calcolo delle Probabilià della 9 a seimaa Corso di Laurea i Maemaica, Uiversià degli Sudi di Padova. Esercizio 1. Sia N u processo di Poisso di paramero λ. Dimosrare che, per ogi > 0, N P oλ.
DettagliStima della media di una variabile X definita su una popolazione finita
Stima della media di ua variabile X defiita su ua popolazioe fiita otazioi: popolazioe, campioe e strati Popolazioe. umerosità popolazioe; Ω {ω,..., ω } popolazioe X variabile aleatoria defiita sulla popolazioe
DettagliP(X = k) = (k 1). 2 Infatti, le uniche sequenze di lunghezza k (di T e C) possibili sono
Prima Prova Itermedia testo co soluzioi 5 Aprile 09 Elemeti di Probabilità e Statistica, Laurea Trieale i Matematica, 08-9 M Romito, M Rossi Problema 0 Ua moeta equa viee laciata fio alla prima volta i
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
CORSO DI CALCOLO DELLE PROBABILITÀ (o modulo) - PROVA d esame del 6/06/200 - Laurea Quadrieale i Matematica - (Prof. Nappo) Scrivere su ogi foglio NOME e COGNOME. Le risposte devoo essere giustificate
Dettagli1 Catene di Markov a stati continui
Caene di Markov a sai coninui In queso caso abbiamo ancora una successione di variabili casuali X 0, X, X,... ma lo spazio degli sai è un insieme più che numerabile. Nel seguio supporremo che lo spazio
DettagliUniversità degli Studi di Salerno Pietro Coretto. Corso di Statistica FORMULARIO
Versioe: 16 ottobre 2017 (h17:25) Uiversità degli Studi di Salero Pietro Coretto Corso di Statistica FORMULARIO Valori osservati per statistiche di posizioe, variabilità e correlazioe Nota: per ua distribuzioe
DettagliT ) = q n 1 p n 1. q n = p/(1 q) = 1;
Distribuzioe geometrica Si lacia ua moeta o regolare P (T ) = p ; P (C) = q = p Ω = isieme ifiite successioi di T e C T = T all -mo lacio C = C all -mo lacio X =. laci fio alla 1 a T P (X = ) = P (CC }{{...
DettagliII Esonero - Testo A
Dip. di Igegeria, Uiv. Roma Tre Prof. E. Scoppola, Dott.M. Quattropai Probabilità e Statistica, 2017-18, I semestre 29 Geaio 2018 II Esoero - Testo A Cogome Nome Matricola Esercizio 1. (20%) Si cosideri
DettagliSoluzione CPS 22/6/04. I parte. (1). Chiamiamo C l evento l individuo scelto ha il colesterolo alto, V, O e NL rispettivamente
Soluzioe CPS 22/6/04 I parte 1. Chiamiamo C l eveto l idividuo scelto ha il colesterolo alto, V, O e NL rispettivamete è vegetariao, è oivoro e o magia latticii. I dati soo: P C = 0.4, P O C = 0.75, P
DettagliTeoria delle distribuzioni Parte quinta Limiti nel senso delle distribuzioni
ezioi di Maemaica e disribuzioi pare 5 Teoria delle disribuzioi Pare quia imii el seso delle disribuzioi operazioe di limie i seso disribuzioale Passiamo a raare, araverso ua serie di esempi precedui da
Dettagli1 Famiglia delle densità gamma
olitecico di Milao, Statistica INF, TEL [A-LZ], Epifai I., AA 7/8 Famiglia delle desità gamma Le espressioi delle desità espoeziale di parametro θ e χ date da (E(β)) (χ ) /θe x/β (, ) (x), β > (/) / x
DettagliPopolazione e Campione
Popolazioe e Campioe POPOLAZIONE: Isieme di tutte le iformazioi sul feomeo oggetto di studio Viee descritta mediate ua variabile casuale X: X ~ f ( x; ϑ) θ = costate icogita Qual è il valore di θ? E verosimile
DettagliCALCOLO DELLE PROBABILITÀ PROVA SCRITTA DEL 1/2/2011
CALCOLO DELLE PROBABILITÀ PROVA SCRITTA DEL //0 PRIMA PARTE Esercizio U sitomo S è ricoducibile a tre malattie M, M e M 3 a due a due icompatibili. Sapedo che la probabilità che u idividuo abbia la patologia
DettagliVariabili aleatorie multiple. X = (X 1,..., X n ) vettore aleatorio
Variabili aleatorie multiple X = (X 1,..., X n ) vettore aleatorio F X (x 1,..., x n ) = P(X 1 x 1,..., X n x n ) caso particolare n = 2 (variabile doppia) F X,Y (x, y) = P(X x, Y y) V.a. discreta: (X,
DettagliSenza reimmissione. Le n v.a. non sono più indipendenti e identicamante distribuite. Campionamento da universo
STATISTICA A K (60 ore Marco Riai mriai@uipr.it http://www.riai.it Ifereza statistica Dal campioe alla popolazioe Co quale precisioe si possoo descrivere le caratteristiche di ua popolazioe sulla base
DettagliIl modello di Black e Scholes come limite del modello binomiale multiperiodale
Capiolo Il modello di Blac e Scholes come limie del modello biomiale muliperiodale. Il Modello Biomiale Muliperiodale Ricordiamo brevemee il Modello Biomiale Muliperiodale o Cox-Ross-Rubisei IPOTESI e
DettagliProbabilità II. Concetto di variabile casuale. Variabile casuale: definizione. Concetto di variabile casuale. Cos'è una variabile casuale?
Cocetto di variabile casuale Defiizioi pricipali. Valore atteso e Variaza. Probabilità II Variabili casuali discrete Teorema di Bieaymé - Čebičev. V.C. Notevoli: Beroulli e Biomiale. Cos'è ua variabile
DettagliEsercizi 2 Pietro Caputo 14 dicembre se ξ n > log n
Esercizi 2 Pietro Caputo 4 dicembre 2006 Esercizio. Siao Y, per =, 2,..., variabili aleatorie co distribuzioe biomiale di parametri e p := λ, per qualche λ > 0. Dimostrare che Y coverge i distribuzioe
DettagliSeconda Prova Intermedia 28 Maggio 2019 Elementi di Probabilità e Statistica, Laurea Triennale in Matematica, M. Romito, M.
Secoda rova Itermedia 8 Maggio 09 Elemeti di robabilità e Statistica, Laurea Trieale i Matematica, 08-9 M. omito, M. ossi roblema 0. Sia X, Y ) ua v.a. a valori i co desità dove N è u parametro fissato.
DettagliInferenza statistica. Popolazione. Camp. Statistiche campionarie basate sulle osservazioni del campione. Estrazione casuale. Parametro e statistica
6/0/0 Corso di Statistica per l impresa Prof. A. D Agostio Ifereza statistica Per fare ifereza statistica si utilizzao le iformazioi raccolte su u campioe per cooscere parametri icogiti della popolazioe
DettagliEsercitazione X Complementi di Probabilità a.a. 2011/2012
Esercitazioe X Complemeti di Probabilità a.a. 20/202 Argometi: covergeza e TLC. Esercizio. Sia {X k } k ua successioe di v.a. i.i.d. di legge Exp(. Sia G = S,. a Scrivere la fuzioe caratteristica φ di
DettagliLezione 3 Proprietà statistiche degli stimatori OLS - 1. Anche in questo capitolo si considera il modello di regressione lineare.
Lezioe 3 Proprieà saisiche degli simaori OLS - Ache i queso capiolo si cosidera il modello di regressioe lieare y x β + u co E( u Ω ) 0, x appariee a Ω per,,, e si assume che sia assegao il processo (fiio)
DettagliEsercitazioni del Corso di Probabilitá e Statistica Lezione 6: Stime di parametri puntuali e per intervalli
Esercitazioi del Corso di Probabilitá e Statistica Lezioe 6: Stime di parametri putuali e per itervalli Stefao Patti 1 19 geaio 005 Defiizioe 1 Ua famiglia di desitá f(, θ) ad u parametro (uidimesioale)
DettagliAFFIDABILITA DEI SISTEMI STOCASTICI (complessi)
AFFIDABILITA DEI SISTEMI STOCASTICI (complessi) 1 No ecessariamee il verificarsi di u guaso provoca la more del sisema. A vole soo ecessari più guasi el empo, affiché il sisema collassi. Fissao u empo
Dettagliφ X (t) = mentre nel caso continuo, indicando con f(x) la densità di X, si ha e itx f(x) dx + e itx e itx f(x)dx. f(x)dx = e itx +
10.1 Funzione caratteristica 11 10.1. Funzione caratteristica La funzione caratteristica è uno strumento teorico utile sotto diversi aspetti per studiare la distribuzione di probabilità di numeri aleatori
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliEsercitazione due: soluzioni
Esercitazioe due: soluzioi. Sia il ricavo r i pk i ti, p, k, t i > applicado la defiizioe di media di Chisii il tempo medio t che lascia ivariato il ricavo totale é quel valore tale che pk i ti pk i t
DettagliIL CAMPIONAMENTO. POPOLAZIONE un insieme finito o infinito di unità statistiche
IL CAMPIONAMENTO Defiizioi POPOLAZIONE u isieme fiito o ifiito di uità statistiche CAMPIONE piccola frazioe di ua popolazioe le cui caratteristiche si approssimao a quelle della popolazioe. Il campioe
DettagliStatistica inferenziale, Varese, 5 febbraio 2009 Prima parte - Modalità B - Soluzione
Statistica ifereziale, Varese, 5 febbraio 2009 Prima parte - Modalità B - Soluzioe Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete
DettagliStatistica inferenziale, Varese, 5 febbraio 2009 Prima parte - Modalità D
Statistica ifereziale, Varese, 5 febbraio 2009 Prima parte - Modalità D Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete modo: +1
DettagliStatistica inferenziale, Varese, 5 febbraio 2009 Prima parte - Modalità C
Statistica ifereziale, Varese, 5 febbraio 2009 Prima parte - Modalità C Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete modo: +1
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliStatistica inferenziale, Varese, 5 febbraio 2009 Prima parte - Modalità A - Soluzioni
Statistica ifereziale, Varese, 5 febbraio 2009 Prima parte - Modalità A - Soluzioi Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete
DettagliFondamenti Segnali e Trasmissione IOL Prova in presenza 23/02/2006
Fodamei Segali e rasmissioe IOL Prova i preseza 0006 è l igresso di u sisema lieare empo ivariae caraerizzao dalla risposa all impulso h () rec 0. 5. Disegare ale risposa all impulso e valuare quale y
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliProbabilità e Statistica Laurea Triennale in Matematica 17/06/2014 Soluzioni traccia B
Probabilità e Statistica Laurea Trieale i Matematica 7/06/204 Soluzioi traccia B Esercizio 2. (Appello completo) Cosideriamo due ure A e B. L ura A cotiee 4 biglie rosse e 2 ere, metre l ura B cotiee biglia
DettagliEsercitazione 1 del corso di Statistica (parte 2)
Esercitazioe del corso di Statistica (parte ) Dott.ssa Paola Costatii Esercizio 7 Aprile 0 Il tempo di percorreza del treeo che collega la stazioe di Roma Termii co l aeroporto di Fiumicio è di 30 miuti
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Trieale i Matematica Calcolo delle Probabilità I doceti G. Nappo, F. Spizzichio Prova di martedì luglio tempo a disposizioe: 3 ore. Scrivere su ogi foglio NOME e COGNOME. Le risposte devoo
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2005/06
PROVE SCRITTE DI MTEMTIC PPLICT, NNO 5/6 Esercizio 1 Prova scritta del 14/1/5 Sia X ua successioe I.I.D. di variabili aleatorie co distribuzioe uiforme cotiua, X U(, M), ove M = umero lettere del cogome.
DettagliCampionamento casuale da popolazione finita (caso senza reinserimento )
Campioameto casuale da popolazioe fiita (caso seza reiserimeto ) Suppoiamo di avere ua popolazioe di idividui e di estrarre u campioe di uità (co < ) Suppoiamo di studiare il carattere X che assume i valori
DettagliProbabilità II. Concetto di variabile casuale. Variabile casuale: definizione. Concetto di variabile casuale. Cos'è una variabile casuale?
Cocetto di variabile casuale Defiizioi pricipali. Valore atteso e Variaza. Probabilità II Variabili casuali discrete Teorema di Bieaymé - Čebičev. V.C. Notevoli: Beroulli e Biomiale. Cos'è ua variabile
DettagliCampionamento e distribuzioni campionarie
Campioameto e distribuzioi campioarie Approccio idu8vo Ruolo dell ifereza sta>s>ca Procedure ifereziali di uso comue (itervalli di cofideza e test delle ipotesi) Risulta> e decisioi che dipedoo dalla limitatezza
DettagliStatistica inferenziale, Varese, 25 novembre 2008 Prima parte - Modalità A - soluzione
Statistica ifereziale, Varese, 25 ovembre 2008 Prima parte - Modalità A - soluzioe Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete
DettagliEsercitazione sette: soluzioni. H 1 : θ > 0.48 ( =
Esercitazioe sette: soluzioi. { H0 : θ 0.48 H : θ > 0.48 a) La variabile Y ha ua distribuzioe beroulliaa di parametro θ. La desità appartiee alla famiglia espoeziale e possiamo vedere se è a rapporto di
DettagliStatistica inferenziale, Varese, 25 novembre 2008 Prima parte - Modalità B - soluzione
Statistica ifereziale, Varese, 25 ovembre 2008 Prima parte - Modalità B - soluzioe Cogome Nome: Numero di matricola: ISTRUZIONI: Il puteggio relativo alla prima parte dell esame viee calcolato el seguete
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 24 maggio 26 Desità e distribuzioi cogiute e codizioate. Covergeza e approssimazioe Esercizio Uo studio dice che l ivestimeto i titoli di stato, rappresetato
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Probabilià e Saisica 26-7 PBaldi, GTerenzi Tuorao 5, 2 aprile 27 Corso di Laurea in Maemaica Esercizio Dire se esisono delle cosani c ali che le funzioni a) f (x)
DettagliStimatori corretti, stimatori efficaci e disuguaglianza di Cramer Rao
Stimatori corretti stimatori efficaci e disuguagliaza di Cramer Rao Lucio Demeio Dipartimeto di Igegeria Idustriale e Scieze Matematiche Uiversità Politecica delle Marche Defiizioe. Sia {X X 2... X } u
DettagliProcessi stocastici e affidabilità
Processi socasici e affidabilià ω Dao un esperimeno casuale, si assuma di associare ad ogni ( ω ) esio ω una funzione x, di. Risula così definio un insieme di funzioni del empo, deo processo socasico,
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2016/2017 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea i Igegeria Iformatica Ao Accademico 26/27 Calcolo delle Probabilità e Statistica Matematica Nome... N. Matricola... Acoa, geaio 27. (8 puti) Si vuole stimare il parametro p di ua legge
DettagliEsperimentazioni di Fisica 1. Prova scritta del 1 febbraio 2016 SOLUZIONI
Esperimetazioi di Fisica 1 Prova scritta del 1 febbraio 2016 SOLUZIONI Esp-1 Prova di Esame Primo appello - Page 2 of 7 10/09/2015 1. (12 Puti) Quesito. La variabile casuale cotiua x ha ua distribuzioe
DettagliUniversità degli Studi di Roma - La Sapienza, Facoltà di Farmacia Formulario di Matematica - versione per esame
Uiversità degli Studi di Roma - La Sapieza, Facoltà di Farmacia Formulario di Matematica - versioe per esame L equazioe lieare ax + by + c 0 elle coordiate cartesiae x e y rappreseta ua retta el piao.
DettagliProbabilità CENNI DI PROBABILITÀ
CENNI DI PROBABILITÀ Itroduzioe I queste pagie verrao esposti i breve i cocetti base della teoria delle probabilità. Lo scopo è quello di forire le basi i modo che siao più compresibile l uso che e viee
DettagliLezioni del Corso di Fondamenti di Metrologia Meccanica
Facoltà di Igegeria Lezioi del Corso di Fodameti di Metrologia Meccaica A.A. 005-006 Prof. Paolo Vigo Idice. Frequeza e Probabilità. 3. Curva di Gauss 4. Altre Distribuzioi Frequeza e Probabilità Me spiego:
DettagliTecnica delle misurazioni applicate Esame del 7 gennaio 2008
Tecica delle misurazioi applicae Esame del 7 geaio 008 Problema 1. La Beloiglio rl è u impresa che alleva idusrialmee coigli e da lugo empo uilizza il magime ProRabbi 10% che ha sempre garaio, i u presabilio
DettagliIl modello di Black e Scholes come limite del modello binomiale multiperiodale
Capiolo Il modello di Blac e Scholes come limie del modello biomiale muliperiodale. Il Modello Biomiale Muliperiodale Ricordiamo brevemee il Modello Biomiale Muliperiodale o Cox-Ross-Rubisei.. Ipoesi e
DettagliCALCOLO DELLE PROBABILITÀ
CALCOLO DELLE PROBABILITÀ PROVA SCRITTA DEL 8//009. U treo arriva i ritardo el 70% dei casi quado evica e el 5% dei casi quado o evica. Idicati co R e N, rispettivaete, gli eveti {il treo arriva i Ritardo}
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2009/10
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 9/1 Prova scritta del 13/1/1 Esercizio 1 Ua Ditta commerciale guadaga ogi ao ua somma X, ove si puo assumere che X N(µ, σ ). Ogi ao la Ditta paga ua tassa fissa
Dettagli1 Esercizi tutorato 27/5
Esercizi tutorato 7/5 Esercizi tutorato 7/5 Esercizio.. Si cosideri u compoete elettroico costituito da compoeti collegate i serie. Ogi compoete ha u tempo di vita T i Expλ), i =,..., idipedete. Sia X
DettagliUNIVERSITÀ DEGLI STUDI DI LECCE APPUNTI PER IL SEMINARIO DI ELEMENTI DI TEORIA DELLA PROBABILITÀ A.A. 2007/2008
UNIVERSITÀ DEGLI STUDI DI LECCE APPUNTI PER IL SEMINARIO DI ELEMENTI DI TEORIA DELLA PROBABILITÀ A.A. 007/008 Questi apputi soo stati cocepiti come u aiuto didattico per gli studeti della Facoltá di Ecoomia.
DettagliCopyright Esselibri S.p.A.
CAPITOLO OTTAVO LE VARIABILI CASUALI Sommario:. Geeralità. -. La variabile casuale biomiale. - 3. La variabile casuale di Poisso. - 4. La variabile casuale ormale. 5. La variabile casuale chi-quadrato.
DettagliQuesito 1. I seguenti dati si riferiscono ai tempi di reazione motori a uno stimolo luminoso, espressi in decimi di secondo, di un gruppo di piloti:
Quesito. I segueti dati si riferiscoo ai tempi di reazioe motori a uo stimolo lumioso, espressi i decimi di secodo, di u gruppo di piloti: 2, 6 3, 8 4, 8 5, 8 2, 6 4, 0 5, 0 7, 2 2, 6 4, 0 5, 0 7, 2 2,
DettagliELEMENTI DI TEORIA DELLE PROBABILITA
ELEMENTI DI TEORIA DELLE PROBABILITA Nozioi base Spazio S S è l isieme di ui i possibili esii di u esperimeo. Esempio 1. Nel lacio di u dado abbiamo S{1,2,3,4,5,6}. Esempio 2. La duraa di ua lampadia S{x
Dettagli7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità
7.6 Distribuzione Esponenziale. 111 7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità { λe λx se x, (76) f(x) = se x
Dettagliconverge in probabilità alla v.a. X e si scrive: converge in media quadratica alla v.a. X e si scrive: m n
98 Covergeza i probabilità Si dice che la successioe X coverge i probabilità alla v.a. X e si scrive: se, per qualsiasi ε > 0, si ha: X p X oppure plim X = X limp( X X < ε)= Covergeza i media quadratica
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elemeti di Probabilità e Statistica - 05AA - AA 05-06 Prova scritta - 9 settembre 06 Problema pt Su uo spazio probabilizzato Ω, F, P, suppoiamo di avere ua successioe Z di va discrete idipedeti, tali che
DettagliLa funzione di ripartizione caratterizza la v.a. Ad ogni funzione di ripartizione corrisponde una ed una sola distribuzione.
Funzione di ripartizione X v.a. a valori in IR F X (x) = P (X x), x IR Indice X omesso quando chiaro Proprietà funzione di ripartizione F (i) F X (x) ; x (ii) è non decrescente Sia a < b P (a < X b) =
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
Dettagli5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimeto di Igegeria Idustriale e Scieze Matematiche Uiversità Politecica delle Marche 1. Esercizio (31 marzo 2012. 1). Al
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
DettagliPopolazione e Campione
Popolazioe e Campioe POPOLAZIONE: Isieme di tutte le iformazioi sul feomeo oggetto di studio Viee descritta mediate ua variabile casuale X: X ~ f x; = costate icogita Qual è il valore di? E verosimile
DettagliFormulario (versione del 3/10/2015)
Uiversità degli Studi della Basilicata C.d.L. Ecoomia Aziedale Statistica a.a. 04/05 Docete: E. Di Nardo Frequeze Formulario versioe del 3/0/05 taglia campioe casuale x,..., x campioe casuale ordiato x...
DettagliALCUNI ESERCIZI SUI TEST DI IPOTESI PARAMETRICHE PARTE 1
ALCUNI ESERCIZI SUI TEST DI IPOTESI PARAMETRICHE PARTE ESERCIZIO. Si vuole verificare l ipotesi, a livello di sigificatività α, che la media μ di ua variabile aleatoria X abbia u valore fissato μ. Si effettuao
DettagliAPPROSSIMAZIONE NORMALE. 1. Si tirano 300 dadi non truccati. Sia X la somma dei punteggi. Calcolare approssimativamente le probabilità seguenti.
AROSSIMAZIONE NORMALE 1. Si tirao 300 dadi o truccati. Sia X la somma dei puteggi. Calcolare approssimativamete le probabilità segueti. (a (X 1000; (b (1000 X 1100. 2. La quatità di eve, che cade al gioro,i
DettagliErrata Corrige Teoria della probabilità e variabili aleatorie con applicazioni McGraw-Hill-Italia: marzo ISBN:
Errata Teoria della probabilità e variabili aleatorie con applicazioni McGraw-Hill-Italia: marzo 005. ISBN: 88-386-688-6. Alberto Bononi e Gianluigi Ferrari 5 Estrazione di carta da mazzo da 54 Estrazione
DettagliSuccessioni di variabili aleatorie
0 Caitolo 5 Successioi i variabili aleatorie 5. Covergeza i istribuzioe e teorema cetrale i covergeza Sia {X } = (X,..., X,... ua successioe ifiita i variabili aleatorie e X u ulteriore variabile aleatoria.
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
DettagliCALCOLO DELLE PROBABILITA - 13 Aprile 2011 CdL in STAD, SIGAD - docente: G. Sanfilippo
Cognome e Nome: Matricola CdS CALCOLO DELLE PROBABILITA - 13 Aprile 211 CdL in STAD, SIGAD - docente: G Sanfilippo Motivare dettagliatamente le risposte su fogli allegati e scrivere le risposte negli appositi
DettagliIV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2011/12 Nome: 17 luglio
IV Appello di Calcolo delle Probabilità Cogome: Laurea Trieale i Matematica / Nome: 7 luglio Email: Quado o è espressamete idicato il cotrario, per la soluzioe degli esercizi è possibile usare tutti i
DettagliAppunti complementari per il Corso di Statistica
Apputi complemetari per il Corso di Statistica Corsi di Laurea i Igegeria Edile e Tessile Ilia Negri 24 settembre 2002 1 Schemi di campioameto Co il termie campioameto si itede l operazioe di estrazioe
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliEsercizi settimana 10
y = = 0 0,5 0,5,5 x Esercizi settimaa 0 Esercizi applicati Esercizio. Siao X ) i.i.d. tali per cui X U0, ), si dimostri che X 0. Soluzioe. Per calcolare la covergeza i legge dobbiamo usare la fuzioe di
DettagliCOME CALCOLARE L INTERVALLO DI CONFIDENZA QUANDO E NECESSARIO STIMARE LA DEVIAZIONE STANDARD? (è quasi sempre così!)
COME CALCOLARE L INTERVALLO DI CONFIDENZA QUANDO E NECESSARIO STIMARE LA DEVIAZIONE STANDARD? (è quasi sempre così!) Per fortua le cose o cambiao poi di molto visto che la uova variabile x µ s x co s x
DettagliCorrezione Esercitazione 6
Correzioe Esercitazioe 6 Esercizio. Poiché vogliamo usare il test del rapporto di verosimigliaza per u ipotesi ulla semplice, dobbiamo calcolare Λ(x) L(θ 0 x) supl(θ x) quidi al umeratore ci basta sostituire
DettagliCampionamento e Statistiche Campionarie. Inferenza. Pietro Coretto Università degli Studi di Salerno
Campioameto e Statistiche Campioarie Pietro Coretto pcoretto@uisa.it Uiversità degli Studi di Salero Corso di Statistica (0212700010) CDL i Ecoomia e Maagemet Curriculum i Maagemet e Iformatica a.a. 2018/2019
DettagliCalcolo delle Probabilità Distribuzioni di probabilità
Calcolo delle Probabilità Distribuzioi di probabilità Istituzioi di Matematiche Scieze Naturali Sergio Cosole Tora alla prima pagia Distribuzioi di probabilità Facciamo u istogramma le cui barre rappresetao
DettagliTraccia delle soluzioni degli esercizi del fascicolo 6
Traccia delle soluzioi degli esercizi del fascicolo 6 Esercizio Vegoo geerati umeri casuali tra 0 e, co distribuzioe uiforme. Quati umeri è ecessario geerare affiché la probabilità che la somma di essi
DettagliSOLUZIONI DEL TEST DI PREPARAZIONE ALLA 2 a PROVA INTERMEDIA
SOLUZIONI DEL TEST DI PREPARAZIONE ALLA a PROVA INTERMEDIA Esercizio. Le v.c. X e Y possono assumere solo i valori e (ad es. ingresso ed uscita di un canale di comunicazione binario). Sapendo che X è una
DettagliINFERENZA o STATISTICA INFERENTE
INFERENZA o STATISTICA INFERENTE Le iformazioi sui parametri della popolazioe si possoo otteere sia mediate ua rilevazioe totale (o rilevazioe cesuaria) sia mediate ua rilevazioe parziale (o rilevazioe
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2013
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 3 Prova scritta del 6//3 Esercizio Suppoiamo che ua variabile aleatoria Y abbia la seguete desita : { hx e 3/x, x > f Y (y) =, x, co h opportua costate positiva.
DettagliDal punto di vista teorico, questi valori possono essere assegnati a piacimento con l unico vincolo che
4. 5 marzo 2013 Cocetto di variabile casuale (o aleatoria): a livello ituitivo 1, ua quatità (umerica) che è il risultato di u feomeo aleatorio; o possiamo quidi prevedere esattamete il suo valore, ma
Dettagli