Coppie di variabili aleatorie
|
|
- Leonardo Marra
- 5 anni fa
- Visualizzazioni
Transcript
1 Coppie di variabili aleatorie 1 Coppie di variabili aleatorie Definizione: Si definisce vettore aleatorio la coppia (,) dove,, sono definite sullo stesso spazio campione : S R, : S R (, ) : S R Esempio: peso-altezza di una persona (, ) random vector 1
2 Variabili discrete { } (, ) ω / ( ω), ( ω) = x = = S = x = { ω / ( ω) } ω / ( ω) { } = S = x S = ( ) ω = ( ) ω = x 3 Esempio: S = {( T, T ),( C, C ),( C, T ),( T, C )} massa di probabilità congiunta massa di probabilità marginale 4
3 Il grafico nel lucido precedente è stato costruito in R con le seguenti istruzioni: > librar(scatterplot3d) > x<-matrix(0.5,,) > x [,1] [,] [1,] [,] > sd3.dat<-data.frame(columns=c(col(x)),rows=c(row(x)),value=c(x)) > scatterplot3d(sd3.dat,tpe='h',lwd=5,color='red',main='joint pdf', + x.ticklabs=seq(0,1,0.0),.ticklabs=seq(0,1,0.0)) > 5 { ( ) ( ) } ( ) { } { ( ) } ω S : ω x, ω = ω S : ω x ω S : ω (ω) = ω S (ω) = x { ω : ( ω), ( ω) } P S x = F, ( x, ) Funzione di ripartizione doppia 6 3
4 Torniamo all esempio del lancio delle due monete. Massa di probabilità Funzione di ripartizione Proprietà F ( +, + ) = 1 ( ) F, = 0 ( ) ( ) F, = F x, = 0 7 Il grafico nel lucido precedente è stato costruito con le seguenti istruzioni: > x<-c(0,0.5,1,1.01,1.5,) > =x > z<-matrix(1,length(x),length()) > fix(z) > persp(x=x,=,z,zlim=c(0,),ticktpe='detailed',theta=40,phi=0, + main='cdf') 8 4
5 9 { 1 <, 1 < } = (, ) (, ) (, ) (, ) P x x F x F x F x F x x1 x 10 5
6 Funzioni di ripartizione marginali { ω ( ω) } ω ( ω) { } P S : x = F ( x), P S : = F ( ) Definizione : Le v.a. e si dicono indipendenti se e solo se F, ( x, ) = F ( x) F ( ) x, R 11 Esercizio: In un lotto scelto casualmente di 1000 bulloni, sia il numero di bulloni che non soddisfano la specifica per la lunghezza e sia il numero di quelli che non soddisfano la specifica per diametro. Si assuma che la funzione di probabilità di massa congiunta di e di sia quella presente nella tabella. Calcolare ( = 0 = ) P ( > 0 1) P P ( 1) P ( > 0) > Si calcoli la probabilità che tutti i bulloni nel lotto soddisfino la specifica per la lunghezza. > Si calcoli la probabilità che tutti i bulloni nel lotto soddisfino la specifica per il 1 diametro. 6
7 Variabili continue { ω ω ω } f ( x, ) x = P S / ( ) ( x, x + x), ( ) (, + ) { ω / ( ω) (, )} { ω / ( ω) (, )} = P S x x + x S + { ω ( ω) ( ω) } =, P S : x, F ( x, ) Funzione di ripartizione doppia x F x? = f ( x f, ( s, ) t) d s dt ( ),, Qual è la relazione fra la funzione densità congiunta e la funzione di ripartizione? 13 Gaussiana bidimensionale standard 1 x + f ( x, ) = exp π 1 x 1 f ( x, ) = f ( x) f ( ) = exp exp π π x<-seq(-3,3,0.1) <-seq(-3,3,0.1) fun<-function(x,){(1/(*pi))*exp(-(x^+^)/)} z<-outer(x,,fun) output<-persp(x,,z,theta=60,phi=15,ticktpe = "detailed", main='cdf plot',expand=0.8) 14 7
8 Teorema : Due variabili aleatorie ass. continue sono indipendenti se e solo se f ( x, ) = f ( x) f ( ) In generale, le densità marginali possono essere calcolate come: f ( ) f ( s, ) ds f ( x) f ( x, t) dt = = Ogni curva ottenuta sulla superficie fissando un valore per x o per è ancora gaussiana. I grafici si riferiscono a f ( x, 1.5) f ( x, 0.5) 16 8
9 F Per la funzione di ripartizione congiunta > install.packages('mnormt'), ( x, ) x = f ( s, t) d s dt > x<-seq(-3,3,0.1) > <-x appp<-matrix(0, length(x), length(x)) > fun<-function(x,){pmnorm(c(x,),mu,sigma)} > for (i in 1:61) { for (j in 1:61) { appp[i,j]<-fun1(x[i],[j])}} >persp(x,,appp,zlab="f(x,)",ticktpe = "detailed", + main='gaussian cdf plot',expand=0.8, col=rainbow(0)) 17 B f ( x, ) d x d Selezionando opportune regioni nel dominio, si ottiene un volume. 18 9
10 [ ] f ( x, ) x P x < x + x, < + f ( x, ) ( x, ) F = x Assegnata la funzione di ripartizione, come si calcola la funzione densità? Abbiamo visto che: { 1 <, 1 < } = (, ) (, ) (, ) (, ) P x x F x F x F x F x [ ] f ( x, ) x P x < x + x, < + (, ) (, ) (, ) (, ) = F x + x + F x + x F x + F x ( +, + ) ( +, ) (, + ) (, ) F x x F x x F x F x =? x x, 0 ( +, + ) ( +, ) (, + ) (, ) F x x F x x F x F x lim =? x ( x, ) F = x 0 10
11 Poichè x x x 1 1 allora x x 1 1 Condizione di normalizzazione ( ) { } = x < = f ( x, ) d x d = 1 F?, (, ) d d x P x f x x ( ) { } F P, f ( x, ) d x d ( x ) x = P{ x < x < } F, d d,, 1 1 = < = { } f ( x, ) d x d = P x < x, < Trasformazioni lineari di var. gaussiane sono ancora gaussiane, ossia µ σ µ σ se N(, ) allora = a + b N( a + b, a ) Pertanto i modelli di regressione lineare vengono molto usati in presenza di popolazioni gaussiane. Quando la relazione non è lineare, allora la funzione densità di probabilità diventa: f per ( x, ) R,(, ) R, con parame ( x µ ) ρ ( x µ )( µ ) ( µ ) 1 1 ( x, ) = exp + πσ σ 1 ρ (1 ρ ) σ σ σ σ µ µ tri σ > 0, σ > 0 e ρ (-1,1). [ ] [ ] [ ] [ ] dove µ = E, µ = E, σ = Var, σ = Var, ρ ( 1,1) Teorema : ρ = 0 e indipendenti 11
12 Gaussiana bidimensionale Un diverso modo di scrivere la densità è quello di usare la matrice di covarianza: ( x µ ) ρ ( x µ )( µ ) ( µ ) 1 + = Σ (1 ρ ) σ σ σ σ dove x µ σ cov(,) x =, µ = Σ = µ cov (, ) σ T 1 ( x µ ) ( x µ ) Notazione : La f for ( x, ) R ( x, ) = funzione densità di probabilità di una ( π ) 1 n / Σ,( µ, µ ) R 1/ 1 exp, con parametriσ T 1 [( x µ ) Σ ( x µ )] > 0, σ normale bivariata è : > 0 e ρ (-1,1). 4 1
13 Sezioni della gaussiana bidimensionale sono (contour()) 5 Esercizio : Consideriamo le v.a. e con densità congiunta 1 1+ x f(, )( x, ) = exp x 0, 0 3 1/ t x ( / t 1 x ) / x e e 1/ e F(, )( x, ) = f(, )( s, t)d s dt dt e 1 0 = 0 = 0 t 1 + x x 1/ F ( x) = lim F(, )( x, ) = F 1 + ( ) = lim F(, )( x, ) = e x x Istruzioni in R per il grafico della distribuzione congiunta: > x<-seq(0,15,0.5) > <-seq(0,4,0.5) > fun<-function(x,){exp(-1/)*(1-(exp(-x/)/(1+x)))} > z<-outer(x,,fun) > output<-persp(x,,z,theta=60,phi=15,ticktpe = "detailed", + main='cdf plot',expand=0.3,zlim=range(0,1)) > lines (trans3d(x, =0, z=x/(1+x), pmat = output), col = 'red',lwd=4) > lines (trans3d(x=15,, z=exp(-1/), pmat = output), col = 'green',lwd=4) 6 13
14 7 Mediante derivazione si ha: 1 1 f ( x) = f ( ) = e (1 + x) 1/ 8 14
15 Istruzioni in R per il grafico precedente: > x<-seq(0,,0.1) > <-seq(0,1,0.05) > fun<-function(x,){(1/^3)*exp(-(1+x)/)} > z<-outer(x,,fun) > output<-persp(x,,z,theta=40,phi=0,ticktpe = "detailed", + main='pdf plot') > lines (trans3d(x, =0, z=1/(1+x^), pmat = output), col = 'red',lwd=4) > lines (trans3d(x=,, z=exp(-1/)/^, pmat = output), + col = 'green',lwd=4) 9 Domini non rettangolari La probabilità che la coppia (,) appartenga al dominio D si può esprimere come somma (al limite, come integrale) delle probabilità che la coppia (,) appartenga a rettangolini di area infinitesima che ricoprono il dominio D
16 Sia (,) una coppia di variabili aleatorie con pdf congiunta f (x, ): calcoliamo P( ). Il dominio D da considerare in questo caso è quello definito da {(, ) : } D = x R x Tale dominio si può riguardare come normale sia rispetto all asse x che all asse, 31 Esercizio : Siano T e T tempi di vita di due sistemi indipendenti con tassi 1 costanti λ e λ. Calcolare P( T T ). 1 1 t 1 = ( 1 ) 1 1 P( T T ) f t, t dt dt t1 t1 = f ( t ) f ( t )dt d t f ( t ) f ( t )dt = dt t1 = λ exp( λ t ) λ exp( λ t )dt dt [ ] = λ exp( λ t ) 1 exp( λ t ) dt λ = λ + λ
17 Esercizio : Calcolare P( ) quando e sono variabili aleatorie con densità congiunta e e x > > f ( x, ) = 0 altrove x x 0, 0 ( ) P( ) = f x, d x d = Una classe molto importante di trasformazioni: Somme di variabili aleatorie P( Z z) = P( + z) = f ( x, ) d x d z x {( x, ) : x+ z} = f ( x, ) d dx Se le v.a. sono indipendenti allora f ( x, ) = f ( x) f ( ) z x = f ( x) f ( ) d dx = f ( ) ( ) x F z x dx z x poni GZ ( z) = f ( x) f ( ) d dx = t = + x z z f ( x) f ( t x) dt d x = f ( t x) f ( x)d x dt 34 17
18 (font wikimedia) Spesso usate in operazioni di smoothing Convoluzione di una legge gaussiana con una esponenziale Convoluzione di una legge di tipo Heaviside con la bisettrice I e III quadrante. 35 Trasformazioni di variabili aleatorie = g( ) discreta a) g monotona = P(=x) 1/3 1/3 1/3 b) g non monotona P(=x) 1/3 1/3 1/3 = -1 5 P(=) 1/3 1/3 1/3 0 1 P(=) 1/3 /
19 assolutamente continua a) g monotona 1 1 ( ) ( ) ( ( ) ) ( = = = ( )) = ( ( )) F P P g P g F g d f F d ( ) = ( ) µ σ = + Esempio: Provare che se N(, ) allora a b N(?,?) 37 Distribuzione Lognormale Se N( µ, σ ), allora = exp( ) ha distribuzion e lognormale. La distribuzione ha due parametri: µ, σ Usata per modellare il tempo di vita di unità i cui guasti avvengono per usura o per stress. (sistemi meccanici) La funzione di ripartizione è: 1 1 ln x µ + Erf σ erf function 38 19
20 La Erf function è anche detta funzione errore, poichè contribuisce alla funzione di ripartizione della distribuzione gaussiana. x 1 1 x Erf ( x) = exp ( t ) d t Φ ( x) = + Erf π 0 Si può costruire il probabilit plotting paper usando la seguente trasformazione: 1 µ Erfinv Φ ( x) 1 = ln x σ σ 39 Distribuzione di Gumbel Altra legge molto usata in teoria dell affidabilità è ( ) T = µ β log λ con Exp( λ) La v.a. così costruita prende il nome di v.a. di Gumbel (o dei valori estremi) = max o min di campioni casuali. Esercizio: Determinare la funzione densità della v.a. di Gumbel. In R la distribuzione di Gumbel è inserita tra le functions del pacchetto evd. µ location β scale > dgumbel(x,loc,scale) 40 0
21 Per il probabilit plotting paper si osservi che la funzione di ripartizione risulta: µ x F( x) = exp exp β Di conseguenza la trasformazione cercata è 1 µ 1 log log x F ( x ) = β β Il grafico è costruito su datiprimoesercizio.r 41 Distribuzione chi-quadrato b) Se la gnon è monotona Esercizio: Sia N(0,1). Si calcoli la pdf di = 0 < 0 F ( ) = P ( ) = P( ) = P( ) 0 1 x x = exp dx = exp dx π π 0 Pertanto la funzione densità risulta essere: f 1 ( ) = exp π > <-dchisq(x,1) 1
22 I gradi di libertà di una v.a. chi-quadrato possono assumere valori interi maggiori di 1. Trattandosi di una v.a. che assume valori solo positivi, i quantili non sono simmetrici rispetto all asse delle. Problema: etichettare gli estremi dell intervallo I tale che P( I) = 1 α 43 1 α?? α P χn χ α = 1 n,1 > qchisq(0.05,3) [1] α / α P χn χ α = n, > qchisq(0.975,3) [1]
23 Oltre alla convoluzione di due v.a., è possibile calcolare il rapporto di due variabili aleatorie. Ne segnaliamo due che useremo nel seguito: Distribuzione T-Student Siano Z N(0,1) e χn Chi( n) indip. La variabile aleatoria T n = Z χ / n n è detta variabile aleatoria T-student [ ] E T n [ ] Var T = 0, n n n =, n 3 n William Seal Gosset 45 Per n = 1, T Cauch T N(0,1) = N(0,1) Per n T N(0,1) Esercizio: Determinare il valore del quantile ( n n ) P t < T < t = t α, α /, α / 1 α n, / tale che 46 3
24 Bisogna determinare quel valore del range di T tale che n = 5 e α = 0.05 =.57 t10, α / t5, α / n = 10 e α = 0.15 > qt(0.975,5) [1] = t α / > qt(0.95,30) [1] > qt(0.95,50) [1] α > qt(0.95,10) [1] > qnorm(0.95,0,1) [1] Distribuzione F-fisher Se T è Tn -student, allora F = T ha legge di Fisher (1, n). Infatti T χ /1 / / n = Z 1 χn n χn Siano χm e χn due var. al. con legge chi-quadrato con gradi ( m n) ( χm ) ( χn ) di libertà rispettivamente m e n. La var. al. / m / / n ha legge di Fisher di gradi di libertà,. >df(x, m, n) Sintassi in R 48 4
25 Al variare di m Al variare di n 49 5
Teoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliE (X 2 ) = E (G) + E (E 2 ) = 1, V ar (X 2 ) = V ar (G) + V ar (E 2 ) = 5, Cov(X 1, X 2 ) = Cov(G + E 1, G + E 2 ) = V ar (G) = 4,
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 04/05 Prova di Esonero Maggio 05 degli esercizi proposti Siano G, E, E tre variabili aleatorie gaussiane indipendenti, rispettivamente
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
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
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
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
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
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
DettagliVariabili aleatorie n-dim
Sessione Live #6 Settimana dal 6 maggio al giugno 003 Variabili aleatorie n-dim Funzioni di ripartizione e di densità (F.D.R. e f.d.d.) congiunte e marginali, valori medi e momenti misti, funzione generatrice
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliDISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliVariabili aleatorie. continue. Discreto continuo
Variabili aleatorie continue Discreto continuo.18 Uniforme discreta, n=11 n=21 n=11 n=6 n=51 n=51 Uniforme.16.14.12.1.8.6?.4.2 1 1 2 2 3 3 4 4 5 5 6 6 7 7 Per passare dal modello discreto al modello continuo
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliCOPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliNome e cognome:... Matricola...
Nome e cognome:................................................... Matricola................. CALCOLO DELLE PROBABILITA - 0/07/008 CdS in Economia e Finanza - Cds in Informatica - Cds SIGAD Motivare dettagliatamente
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliVariabili casuali multidimensionali
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 PBaldi appello, 23 giugno 29 Corso di Laurea in Matematica Esercizio Per α 2 consideriamo la catena di Markov su {, 2, 3} associata alla matrice
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie Combinazioni di più variabili aleatorie continue Distribuzione
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliProbabilità e Statistica
Probabilità e Statistica Variabili Casuali multidimensionali Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2/29 Marco Pietro Longhi Prob. e Stat.
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
DettagliRichiami di Teoria della probabilità (I)
Richiami di Teoria della probabilità (I) ESPERIMENTO: ogni operazione il cui risultato non può essere predetto con certezza EVENTO: è il risultato di un esperimento Eventi semplici e composti Eventi disgiunti
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliProbabilità 1, laurea triennale in Matematica Prova scritta sessione invernale a.a. 2008/09 del 26/01/2010
Probabilità 1, laurea triennale in Matematica Prova scritta sessione invernale a.a. 2008/09 del 26/01/2010 1. Nello scaffale di un negozio vi sono 20 CD-Rom di software, di cui 2 di grafica e gli altri
DettagliEsercitazioni di Statistica Matematica A Lezione 2. Variabili con distribuzione gaussiana
Esercitazioni di Statistica Matematica A Lezione 2 Variabili con distribuzione gaussiana.) Una bilancia difettosa ha un errore sistematico di 0.g ed un errore casuale che si suppone avere la distribuzione
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliLezione 2: Descrizione dei Da0. h2p://
Lezione 2: Descrizione dei Da0 h2p://www.mi.infn.it/~palombo/dida=ca/analisista0s0ca/lezioni/lezione2.pdf Funzione Densità di Probabilità q La variabile casuale assume valori diversi con diverse probabilità.
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliSessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie.
Sessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie. 9 e 11 Dicembre 2008 Richiami di teoria Come si calcolano le densità marginali Esercizi Una v.a. n-dimensionale (o vettore aleatorio
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliFacoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica
Facoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica Prima prova scritta A.A. 8-9 Durata della prova h Punteggi: ) + + ; ) + + + ; ) +. Totale. Esercizio Sia
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliCAPITOLO 9. Vettori Aleatori
CAPITOLO 9 Vettori Aleatori 9 9 Vettori Aleatori 3 9 Vettori Aleatori In molti esperimenti aleatori, indicando con Ω l insieme dei possibili risultati, al generico risultato dell esperimento, ω Ω, sono
DettagliLezione 13 Corso di Statistica. Domenico Cucina
Lezione 13 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 20 obiettivi della lezione comprendere il concetto di variabile aleatoria continua familiarizzare
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2012/2013 www.mat.uniroma2.it/~caramell/did 1213/ps.htm 05/03/2013 - Lezioni 1, 2, 3 Breve introduzione al corso. Fenomeni deterministici
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliIl Modello di Markowitz e la frontiera efficiente (1952)
Il Modello di Markowitz e la frontiera efficiente (1952) Introduzione La selezione di portafoglio consiste nella ripartizione di un capitale tra più investimenti di reddito aleatorio Il capitale da ripartire
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
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,
DettagliCP110 Probabilità: Esame 4 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 202-3, II semestre 4 giugno, 203 CP0 Probabilità: Esame 4 giugno 203 Testo e soluzione . (6 pts) Un urna contiene inizialmente pallina rossa e 0 palline
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliEventi numerici e variabili aleatorie
Capitolo Eventi numerici e variabili aleatorie. Probabilità di eventi numerici Nel capitolo precedente si sono considerate le nozioni di esperimento, risultato, evento. Un evento è individuato dai risultati
Dettagli0 z < z < 2. 0 z < z 3
CALCOLO DELLE PROBABILITÀ o - 7 gennaio 004. Elettronica : 4; Nettuno: 3.. Data un urna di composizione incognita con palline bianche e nere, sia K = il numero di palline bianche nell urna è il doppio
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
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
DettagliStatistica parametrica e non parametrica. Gli intervalli di confidenza
Statistica parametrica e non parametrica Per un campione univariato Gli intervalli di confidenza MEDIA CAMPIONARIA MEDIA VERA 1 Gli intervalli di confidenza 3 Gli intervalli di confidenza 4 Una introduzione
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
Dettagli{ } { } { } {( ) ( ) ( ) { } { } ( ) ( { } ( ) Valor medio statistico (o valore atteso): Se g(x) è una funzione di V.A., si ha:
Variabili Aleatorie Valor medio statistico (o valore atteso: μ + { } ( = E = x f ( x dx Se g( è una funzione di V.A., si ha: + { ( } = ( ( E g g x f x dx Esempi di valore atteso di funzione di variabile
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (69AA) A.A. 06/7 - Prova del 07-07-07 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate. Problema
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2017/18 - Prova scritta
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA A.A. 2017/18 - Prova scritta 2018-09-12 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2017/2018 Probabilità e Statistica - Prova pratica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2017/201 Probabilità e Statistica - Prova pratica Nome... N. Matricola... Ancona, 1 febbraio 201 1. ( punti) Un azienda che produce relè elettrici
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
Dettagli1 Richiami di algebra lineare
1 Richiami di algebra lineare Definizione 11 (matrici e vettori) Una matrice A e un insieme di numeri A hk, h = 1,, m, k = 1,, n, ordinati in base alla coppia di indici h e k nel modo seguente A 1 A n
Dettagli(e it + e 5 2 it + e 3it )
CALCOLO DELLE PROBABILITÀ - 13 gennaio 1999 1. Siano A, B, C eventi, con P (A) = 0.3, P (B) = 0.5, P (C) = 0.7, e per i quali è noto che i relativi costituenti sono C 1 = A c B c C c, C 2 = AB c C c, C
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliAFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della v.a.
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità M. Pratelli e M. Romito Gli esercizi che seguono sono stati proposti nel corso Probabilità dell Università di Pisa negli a.a. 2012-13 e 2013-14 (M. Romito) e 2014-15
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliV.a. continue. Statistica e biometria. D. Bertacchi. Le v.a. continue. Uniforme. Normale. Indipendenza di v.a. continue
gge una v.a. V.a. continue Ricoramo: DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è una funzione che ha come dominio Ω e come codominio R. In formule: X : Ω R. DEFINIZIONE
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliVariabili casuali multidimensionali
Variabili casuali multidimensionali Variabili casuali multidimensionali: k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità X = (X 1,..., X k ) Funzione di
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliCONFRONTO DIDUE CAMPIONI CASUALI
CONFRONTO DIDUE CAMPIONI CASUALI ( x, x,, x ) ( y, y,, y ) 1 n 1 n POPOLAZIONE 1 POPOLAZIONE Le due popolazioni hanno lo stesso modello stocastico? Le due popolazioni hanno la stessa media? Le due popolazioni
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
Dettagli