Primi elementi di Probabilità
|
|
- Albina Sassi
- 4 anni fa
- Visualizzazioni
Transcript
1 Primi elementi di Probabilità Sergio Polidoro Dipartimento di Matematica, Università di Bologna In queste dispense vengono introdotte le nozioni di valore atteso e di varianza per variabili aleatorie discrete e continue; successivamente sono elencati gli esempi di variabili aleatorie di uso più comune. Alcune nozioni sono state date solo in maniera intuitiva, si rimanda ad un corso (o ad un testo) di Probabilità per una trattazione rigorosa degli argomenti esposti. 1 Probabilità su insiemi finiti Dato un insieme finito A = { a 1, a 2,..., a n } ed una funzione p : A R diremo che p definisce una probabilità su A se valgono le due seguenti affermazioni: i) p(a j ) 0 per ogni j = 1,..., n; ii) n j=1 p(a j) = 1. Ogni sottoinsieme B = { b 1, b 2,..., b m } di A sarà detto evento, inoltre chiameremo probabilità dell evento B il numero seguente: P(B) = m p(b j ). j=1 Osserviamo esplicitamente che risulta 0 P(B) 1, per ogni evento B. Gli eventi A e sono detti rispettivamente evento certo ed evento impossibile; evidentemente risulta P(A) = 1, P( ) = 0. Diremo inoltre che gli elementi di A sono gli eventi elementari e che l insieme A con la funzione p definiscono uno spazio di probabilità. Esempio 1.1 Lanciamo due dadi e leggiamo il numero che appare sulle due facce superiori. Per descrivere tale esperimento, possiamo scegliere l insieme A = { (i, j) : i, j = 1,..., 6 }. 1
2 Se si assume che i dadi non siano truccati, si usa stabilire che tutti gli eventi elementari abbiano la stessa proboabilità, ossia p(i, j) = 1, per ogni i, j = 1,..., In generale, quando tutti gli eventi elementari hanno la stessa probabilità, si parla di probabilità classica. 1.1 Probabilità condizionata ed indipendenza Sia dato uno spazio di probabilità, costituito da un inseme A e da una funzione p. Consideriamo il seguente problema: stabilire quale sia la probabilità che si verifichi un evento C, supponendo di sapere che si è verificato un evento B di probabilità P(B) positiva. Tale probabilità viene detta probabilità di C condizionata al verificarsi di B e si definisce attraverso la formula: P(C B) = P(B C). P(B) Con riferimento all esempio 1.1, possiamo considerare gli eventi B = { (i, j) : i = 6 }, C = { (i, j) : i + j > 10 }, D = { (i, j) : i + j = 6 }. Risulta allora P(C B) = 1/3, P(D B) = 0. Osserviamo esplicitamente che la funzione P( B) definisce una nuova probabilità sui sottoinsiemi di A. Se B e C sono due eventi, diremo che essi sono indipendenti se risulta P(B C) = P(B)P(C). Il seguente risultato mostra che la due eventi sono indipendenti se al probabilità che uno dei due si verifichi non dal fatto che l altro si sia verificato o meno. Osservazione 1.2 Siano B e C due eventi. Se P(B) > 0, allora: Se P(C) > 0, allora: P(C B) = P(C) B e C sono indipendenti; P(B C) = P(B) B e C sono indipendenti. 2
3 1.2 Teorema di Bayes Forniamo ora alcune semplici relazioni che permettono di calcolare la probabilità di alcuni eventi in termini di probabilità condizionata. Sia A uno spazio dotato di probabilità e siano B 1,..., B k sottoinsiemi di A. Diciamo che B 1,..., B k costituiscono una partizione di A se i) B i B j =, per ogni i, j = 1,...k, con i j; ii) B 1... B k = A. Teorema 1.3 Sia A uno spazio dotato di probabilità e sia B 1,..., B k una partizione di A. Sia poi C A. Allora: Formula delle probabilità totali: P(C) = k P(C B j )P(B j ), j=1 Formula di Bayes: se inoltre P(C) > 0, allora P(B m C) = P(C B m)p(b m ) k j=1 P(C B j)p(b j ). Osservazione 1.4 Nel precedente enunciato non abbiamo fatto l ipotesi P(B j ) > 0, che permette di definire P(C B j ). Nel caso che sia P(B j ) = 0, converremo di porre P(C B j ) = 1. Dimostrazione Ricordiamo innanzitutto che, per la definizione di probabilità condizionata, si ha P(C B j ) = P(C B j )P(B j ) (1.1) per ogni j = 1,..., k tale che P(B j ) > 0. D altra parte, se P(B j ) = 0 anche P(C B j ) = 0 e la (1.1) vale ugualmente. Ciò premesso, si ha P(C) = P(C A) = P (C (B 1... B k )) = P ((C B 1 )... (C B k )) = P(C B 1 ) P(C B k ), essendo B 1,..., B k una partizione di A. La prima affermazione segue allora dalla (1.1). Per la seconda basta ricordare che, sempre per la (1.1), si ha P(B m C) = P(C B m) P(C) = P(C B m)p(b m ). P(C) La formula di Bayes si ottiene da questa sostituendo P(C) con l espressione della formula delle probabilità totali. 3
4 1.3 Variabili aleatorie Siano dati un insieme finito A = { a 1, a 2,..., a n } ed una funzione p che definisce una probabilità su A. Una variabile aleatoria è una qualunque funzione X : A R. X definisce in maniera naturale una probabilità q sull immagine X(A) nel modo seguente: indichiamo con x 1, x 2,..., x k gli elementi dell immagine di A: X(A) = { X(a 1 ), X(a 2 ),..., X(a n ) } = { x 1, x 2,..., x k } e poniamo A m = { a A : X(a) = x m }. Definiamo allora q(x m ) = a A m p(a), per ogni m = 1,..., k. Si verifica immediatamente che q definisce una probabilità sull insieme { } x 1, x 2,..., x k. Tale probabilità viene detta legge o distribuzione della variabile aleatoria X. La funzione q viene invece detta densità di X. Esempio 1.5 Consideriamo l insieme A e la funzione p dell Esempio 1.1 e definiamo la funzione X : A R tale che X(i, j) = i + j. In questo caso l immagine è costituita dall insieme { 2, 3,..., 12 }. Possiamo calcolare alcuni valori di q: q(2) = p(1, 1) = 1, q(3) = p(1, 2) + p(2, 1) = 36 1, q(7) = p(1, 6) + p(2, 5) p(6, 1) = Il fatto che il dominio della funzione q sia un inseme di numeri, ci permette di dare la seguente Definizione 1.6 Sia X una variabile aleatoria. Chiameremo valore atteso di X (oppure media di X o speranza matematica di X) il seguente numero E(X) = k x m q(x m ). Osserviamo ora che, se X è una variabile aleatoria ed f : R R è una qualunque funzione, allora la funzione composta f(x) è una nuova variabile aleatoria ed è pertanto definito il suo valore atteso E(f(X)). Si verifica facilmente che vale la seguente identità, che permette di esprimere il valore atteso di f(x) senza bisogno di calcolare la legge di f(x): k E(f(X)) = f(x m )q(x m ). (1.2) 4
5 Definizione 1.7 Sia X una variabile aleatoria. Chiameremo varianza di X il seguente numero Var(X) = E ( (X E(X)) 2). Chiameremo scarto quadratico medio di X il numero σ X = Var(X). Osserviamo esplicitamente che σ X è ben definito, in quanto Var(X) 0. Infatti, dalla formula (1.2) applicata alla funzione f(t) = (t E(X)) 2 (ricordando che q(x m ) > 0 per ogni m = 1,..., k) segue immediatamente Var(X) = k (x m E(X)) 2 q(x m ) 0. Dalla precedente espressione si ottiene inoltre che Var(X) = E(X 2 ) E(X) 2 = 1.4 La legge dei grandi numeri k x 2 mq(x m ) E(X) 2. Il seguente Teorema giustifica l importanza delle nozioni di valore atteso e varianza. Teorema 1.8 (Legge dei grandi numeri) Siano X 1, X 2,..., X n variabili aleatorie indipendenti, dotate della stessa legge q. Definiamo una variabile aleatoria X n nel modo seguente: X n = 1 n (X 1 + X X n ). Allora, per ogni δ > 0 si ha ( Xn P E(X) ) δ Var(X) δ 2 n. Il significato dell ipotesi di indipendenza delle variabili aleatorie è analogo a quello relativo agli eventi: si richiede che il risultato dell esperimento casuale legato alla variabile aleatoria X m non dipenda dal risultato delle altre variabili aleatorie. Il seguente esempio può illustrare la legge dei grandi numeri da un punto di vista concreto. Supponiamo che una catena di montaggio produca processori e che X m indichi la probabilità che il processore m-esimo superi il collaudo. (X m = 1 significa che il processore ha superato il collaudo, X m = 0 significa che non lo ha superato). Affermare che le variabili aleatorie sono indipendenti significa richiedere che ad ogni X m corrisponda un processore diverso. La legge dei grandi numeri dice allora che 5
6 la media campionaria X n, che nel nostro esempio è la percentuale dei processori che hanno superato il collaudo, sarà vicina al valore atteso E(X) con probabilità tanto più alta, quanto più alto è il numero n dei collaudi. La varianza misura il grado di dispersione della probabilità; se la varianza è bassa, allora X n sarà vicina al valore atteso E(X) con probabilità alta. 2 Variabili aleatorie discrete e continue Alcuni problemi non possono essere descritti in maniera naturale con spazi di probabilità finiti. Osserviamo preliminarmente che la definizione di valore atteso e di varianza di una variabile aleatoria X dipendono esclusivamente dalla legge q. Per questo motivo, le variabili aleatorie che saranno considerate nel seguito saranno caratterizzate solamente dalla loro legge. Esempio 2.1 (Variabile aleatoria geometrica) Supponiamo di ripetere un esperimento, che abbia probabilità p di realizzarsi, fino ad ottenere il primo successo. Supponiamo inoltre che le diverse prove siano tra loro indipendenti. Evidentemente lo spazio naturale per descrivere tale procedimento è l insieme N dei numeri naturali. Si calcola poi facilmente che la probabilità che il primo successo si verifichi al k-esimo tentativo è q(k) = p(1 p) k 1. Solitamente ci si riferisce al modello sopra descritto col termine variabile aleatoria geometrica di parametro p (con p ]0, 1[) e con la notazione G(p). Questo tipo di variabile aleatoria viene detta variabile aleatorie discreta. Per essa si possono definire le nozioni di valore atteso e varianza in analogia con quanto visto per le variabili aleatorie finite Definizione 2.2 Sia X una variabile aleatoria discreta, di densità q. Diremo che X è dotata di valore atteso finito se la serie x m q(x m ) è convergente. In tal caso, chiameremo valore atteso di X (oppure media di X o speranza matematica di X) il seguente numero E(X) = x m q(x m ). 6
7 Se X è una variabile aleatoria discreta, dotata di valore atteso finito, diremo che X è dotata di varianza finita se risulta finito il valore atteso di (X E(X)) 2. In tal caso chiameremo varianza di X il seguente numero Var(X) = E ( (X E(X)) 2) ; chiameremo infine scarto quadratico medio di X il numero σ X = Var(X). Tutte le considerazioni fatte per le variabili aleatorie finite si estendono in maniera ovvia alle variabili aleatorie discrete. In particolare è utile ricordare le seguenti due formule: se f : R R è una funzione qualunque, allora f è dotata di valore atteso finito se f(x m ) q(x m ) < ; in tal caso Inoltre risulta E(f(X)) = f(x m )q(x m ). Var(X) = E(X 2 ) E(X) 2 = x 2 mq(x m ) E(X) 2. Mostriamo ora, a titolo di esempio, che valore atteso e la varianza della variabile aleatoria geometrica sono E(G(p)) = 1 p e Var(G(p)) = 1 p p 2. A tal fine, ricordiamo che, per ogni x ] 1, 1[ risulta 1 1 x = x k, inoltre, derivando termine a termine la serie, si trova ( 1 1 (1 x) = 2 2 (1 x) 3 = ) = (x k ) = kx k 1, 1 x k=1 ( ) 1 = (x k ) = k(k 1)x k 2. 1 x 7 k=2
8 Ciò premesso, scegliendo x = 1 p, si trova E(G(p)) = kp(1 p) k 1 = 1 p ; inoltre k 2 p(1 p) k 1 = Otteniamo allora k=1 k(k 1)p(1 p) k 1 + k=2 Var(G(p)) = = p(1 p) kp(1 p) k 1 k=1 k(k 1)(1 p) k p k=2 2.1 Variabili aleatorie continue k 2 p(1 p) k 1 E(G(p)) 2 = 1 p p 2. = 2(1 p) p p. Alcuni problemi legati ad eventi casuali non sono descritti in maniera soddisfacente nemmeno dalle variabili aleatorie discrete. Esempio 2.3 (Variabile aleatoria esponenziale) Supponiamo di accendere una lampadina ed aspettare il momento in cui questa cessa di funzionare. Questa volta è opportuno utilizzare come spazio campionario l insieme dei numeri positivi A = R +, conviene inoltre assegnare ad un intervallo di tempo, piuttosto che ad un singolo istante, la probabilità che la lampadina si fulmini. Per questo tipo di fenomeno si usa scegliere un parametro positivo a e stabilire che la probabilità che la lampadina si fulmini nell intervallo [x, y] R + sia P([x, y]) = e ax e ay. Risulta così definita una probabilità sugli intervalli di R +. Tale probabilità viene solitamente chiamata Legge esponenziale di parametro a. Notiamo esplicitamente che la probabilità che si verifichi un evento elementare è P({x}) = P([x, x]) = 0, per ogni x R +. Nell esempio precedente possiamo definire la seguente funzione F ponendo { F (t) = 0 per t 0, F (t) = 1 e at per t > 0. Evidentemente F (t) indica la probabilità che l evento si verifichi prima dell istante t. In generale, data una variabile aleatoria X, la funzione viene detta funzione di ripartizione di X. F X (t) = P(], t]) 8
9 Definizione 2.4 Sia X una variabile aleatoria, con funzione di ripartizione F X. Diremo che X è una variabile aleatoria continua se esiste una funzione f X : R R, non-negativa e continua in tutti i punti, tranne al più un numero finito, tale che F X (y) F X (x) = y x f X (s)ds, per ogni x, y R tali che x < y. La funzione f X si dice densità di X. Ad esempio, la densità della la variabile aleatoria esponenziale è la funzione { f(t) = 0 per t 0, f(t) = a e at per t > 0. Le nozioni di valore atteso e varianza si definiscono, in maniera analoga a quanto si fa per le variabili aleatorie discrete, nel modo seguente Definizione 2.5 Sia X una variabile aleatoria continua, di densità f X. Diremo che X è dotata di valore atteso finito se l integrale t f X (t)dt è convergente. In tal caso, chiameremo valore atteso di X (oppure media di X o speranza matematica di X) il seguente numero E(X) = tf X (t)dt. Se X è una variabile aleatoria continua, dotata di valore atteso finito, diremo che X è dotata di varianza finita se risulta finito il valore atteso di (X E(X)) 2. In tal caso chiameremo varianza di X il seguente numero Var(X) = E ( (X E(X)) 2) ; chiameremo infine scarto quadratico medio di X il numero σ X = Var(X). Tutte le considerazioni fatte per le variabili aleatorie finite e discrete si estendono anche alle variabili aleatorie continue. In particolare valgono le seguenti due formule: se g : R R è una funzione continua, allora g(x) è dotata di valore atteso finito se g(t) f X (t)dt < ; 9
10 in tal caso si ha E(g(X)) = Var(X) = E(X 2 ) E(X) 2 = g(t)f X (t)dt; t 2 f X (t)dt E(X) 2. Mostriamo ora che valore atteso e la varianza della variabile aleatoria esponenziale X sono, rispettivamente E(X) = 1/a e Var(X) = 1/a 2. Si ha: + M E(X) = t a e at dt = lim t a e at dt = 0 M + 0 (per parti) [ lim ] M t e at M + lim e at dt = 1 M + 0 M + 0 a. Analogamente si calcola Var(X) = + 0 t 2 a e at dt E(X) 2 = 2 a 2 1 a 2 = 1 a 2. 3 Alcuni esempi di variabili aleatorie Riportiamo qui un breve elenco delle più importanti variabili aleatorie. Procederemo in maniera piuttosto schematica: per ogni variabile aleatoria considerata daremo la legge che la caratterizza, ne calcoleremo valore atteso e varianza, infine daremo un indicazione di quali siano i problemi pratici in cui questa viene utilizzata. Variabile aleatoria di Bernoulli Viene indicata con la notazione B(p, n), dove p ]0, 1[ ed n N. Essa è definita dalla legge ( ) n q(k) = p k (1 p) n k per k = 0,..., n. k Risulta E(B(p, n)) = np e Var(B(p, n)) = np(1 p). La variabile aleatoria di Bernoulli viene utilizzata per descrivere il seguente problema: si effettuano n prove indipendenti di un esperimento, ogni prova ha probabilità p di avere successo. Allora q(k) è la probabilità di avere k successi nelle n prove. Variabile aleatoria di Poisson Viene indicata con la notazione P (λ), dove λ è un parametro positivo, la sua legge è definita sull insieme N { 0 } attraverso la seguente formula λ λk q(k) = e per k N { 0 }. k! 10
11 Mostriamo ora che il valore atteso e la varianza della variabile di Poisson sono E(P (λ)) = Var(P (λ)) = λ. E(P (λ)) = λ λk ke k! = e λ k=1 λ k (k 1)! = λ e λ k=1 λ k 1 (k 1)! = λ, in quanto λ k è la serie di Taylor di e λ. Per la varianza si procede in maniera k! analoga: calcoliamo preliminarmente E(P (λ) 2 ) = di conseguenza si ha k 2 λ λk e k! = λ2 e λ k=2 λ k 2 (k 2)! + λ e λ k=1 Var((P (λ)) = E((P (λ) 2 ) E((P (λ)) 2 = λ 2 + λ λ 2 = λ. λ k 1 (k 1)! = λ2 + λ, La variabile aleatoria di Poisson viene utilizzata per approssimare la variabile di Bernoulli B(n, p) quando il parametro n è molto grande, nel senso che ( B n, λ ) (k) P (λ)(k), per n, n per ogni k intero k 0. Variabile aleatoria Ipergeometrica Consideriamo il seguente problema: prendiamo 5 carte da un mazzo di 52 e determiniamo la probabilità che k di esse siano di cuori. Si verifica che ( ) ( ) k 5 k p(k) = ( ) 52 5 In generale si suppone di scegliere n oggetti da un contenitore con K oggetti neri ed N K bianchi e si vuole calcolare la probabilità di ottenere k oggetti neri. Tale variabile aleatoria viene detta variabile aleatoria ipergeometrica, viene indicata con G(N, K, n) e si ha ( ) ( ) K N K k n k G(N, K, n)(k) = ( ), per k = 0,..., n. N n Si verifica (con qualche calcolo non troppo semplice) E(G(N, K, n)) = n K N e Var(G(N, K, n)) = nk N ( 1 K ) N n N N 1. 11
12 Quando N e K sono molto grandi (rispetto ad n), si usa approssimare la variabile ipergeometrica con quella di Bernoulli, risulta infatti ( G(m N, m K, n)(k) B n, K ) per m +, N e per k = 0, 1,...n. Variabile aleatoria continua uniforme La sua densità è legata alla scelta di un intervallo non banale [a, b] R: definiamo { f(t) = 1 per t [a, b], b a f(t) = 0 per t [a, b]. Si calcola facilmente che il valore atteso della variabile uniforme è E(X) = (b + a)/2 e che la sua varianza è Var(X) = (b a) 2 /12. Variabile aleatoria normale La variabile aleatoria normale N viene individuata dalla densità f(t) = 1 e t2 /2. 2 π Il suo valore atteso è 0, per evidenti ragioni di simmetria, la sua varianza è + t π e t2 /2 dt = (per parti) = π e t2 /2 dt = 1. La variabile aleatoria normale, di parametri µ e σ 2 viene indicata con N(µ, σ 2 ) ed è individuata dalla densità f(t) = 1 2 π σ e (t µ)2 /2σ 2, i parametri µ e σ 2 sono, rispettivamente, il valore atteso e la varianza di N(µ, σ 2 ). L importanza della variabile aleatoria normale è legata al seguente Teorema 3.1 (Teorema Limite Centrale) Sia (X k ) una successione di variabili aleatorie indipendenti, dotate della stessa legge, di valore atteso e varianza finite. Allora la media X n = 1 n (X 1 + X X n ) tende, in un senso opportuno, alla variabile aleatoria normale. La variabile normale viene pertanto utilizzata per descrivere un qualunque fenomeno dove si sovrappongono gli effetti di molte variabili indipendenti X k, in particolare quando non si conosce la loro legge. 12
Matematica 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
DettagliCP210 Introduzione alla Probabilità: Esame 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, II semestre 9 luglio, 2019 CP210 Introduzione alla Probabilità: Esame 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
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
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
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
DettagliEsercitazione del 21/10/2011 Calcolo delle probabilità
Esercitazione del /0/0 Calcolo delle probabilità Funzione di ripartizione Sia F X una funzione da R in R. consideriamo le seguenti condizioni: F X è non decrescente ( ) x F X (x) x F X (x) 0 F X è continua
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliEsercitazione del 16/04/2019 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/04/09 Istituzioni di Calcolo delle Probabilità David Barbato Nozioni di riepilogo con esercizi Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
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
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliVETTORI DI VARIABILI ALEATORIE
VETTOI DI VAIABILI ALEATOIE E. DI NADO 1. Funzioni di ripartizione congiunte e marginali Definizione 1.1. Siano X 1, X 2,..., X n v.a. definite su uno stesso spazio di probabilità (Ω, F, P ). La n-pla
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - 05AA - A.A. 014-015 Prima prova di verifica intermedia - 9 aprile 015 Problema 1. Dati due eventi A, B, su uno spazio probabilizzato (Ω, F, P), diciamo che A è in
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 23 maggio, 213 CP11 Probabilità: Esonero 2 Testo e soluzione 1. (7 punti) Una scatola contiene 1 palline, 5 bianche e 5 nere. Ne vengono
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,
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
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
Dettagli1 Successioni di funzioni
Analisi Matematica 2 Successioni di funzioni CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 6 SERIE DI POTENZE Supponiamo di associare ad ogni n N (rispettivamente ad ogni n p, per qualche
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
DettagliEsercitazione del 21/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del /0/0 Istituzioni di Calcolo delle Probabilità David Barbato Funzione di ripartizione Sia F X una funzione da in. consideriamo le seguenti condizioni: F X è non decrescente lim ( ) x F
DettagliCP110 Probabilità: Esame del 6 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 21-11, II semestre 6 giugno, 211 CP11 Probabilità: Esame del 6 giugno 211 Testo e soluzione 1. (6 pts) Ci sono 6 palline, di cui nere e rosse. Ciascuna,
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 12, Modelli Probabilistici
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
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
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
DettagliVariabili aleatorie binomiali e di Poisson
Variabili aleatorie binomiali e di Poisson Tiziano Vargiolu Dipartimento di Matematica Pura ed Applicata via Trieste, 63-35121 Padova email: vargiolu@math.unipd.it 9 gennaio 2007 Indice 1 Variabili aleatorie
DettagliCorso di Istituzioni di Matematiche con Elementi di Statistica. anno accademico 2015/2016 corso A-L (G. Gaeta & N. Bressan)
Corso di Istituzioni di Matematiche con Elementi di Statistica anno accademico 215/216 corso A-L (G. Gaeta & N. Bressan) Esercizi Foglio 9 (Funzioni aleatorie; distribuzioni di probabilita ) Esercizio
DettagliCP110 Probabilità: Esame 30 gennaio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2010-11, II semestre 30 gennaio, 2012 CP110 Probabilità: Esame 30 gennaio 2012 Testo e soluzione 1. (5 pts) Un gioco consiste in n prove ripetute, tali
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
Dettagli, B con probabilità 1 4 e C con probabilità 1 4.
Laurea triennale in MATEMATICA, Corso di PROBABILITÀ Prof. L. Bertini - G. Nappo - F. Spizzichino Esonero del 0.06.00 N.B. Scrivere le soluzioni degli esercizi su questi fogli giustificando brevemente
DettagliCP110 Probabilità: Esame 2 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2010-11, II semestre 2 settembre, 2011 CP110 Probabilità: Esame 2 settembre 2011 Testo e soluzione 1. (5 pts) Nel gioco dello Yahtzee si lanciano cinque
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
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
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
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliNotazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con
DettagliCP110 Probabilità: esame del 20 giugno 2017
Dipartimento di Matematica, Roma Tre Pietro Caputo 6-7, II semestre giugno, 7 CP Probabilità: esame del giugno 7 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una
DettagliCP210 Introduzione alla Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 218-19, II semestre 4 giugno, 219 CP21 Introduzione alla Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di mercoledì 22 Settembre 24 (tempo a disposizione: 2 ore e 4 minuti. consegna compiti e inizio
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
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
DettagliDistribuzioni di probabilità discrete. Prof.ssa Fabbri Francesca Classe 5C
Distribuzioni di probabilità discrete Prof.ssa Fabbri Francesca Classe 5C Esempio Consideriamo un urna con 6 palline Verdi e 4 palline Gialle; estraiamo senza reimmissione 3 palline e valutiamo l evento:
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
DettagliMatematica con elementi di Informatica
Probabilità discreta Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
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
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
Dettagli0 se y c 1 (y)) se c < y < d. 1 se y d
Capitolo. Parte IX Exercise.. Sia X una variabile aleatoria reale assolutamente continua e sia (a,b) un intervallo aperto (limitato o illimitato) di R, tale che P(X (a,b)) =. Sia ϕ : (a,b) R una funzione
DettagliProva Scritta di Probabilità e Statistica Cognome: Laurea in Matematica
Prova Scritta di Probabilità e Statistica Cognome: Laurea in Matematica Nome: 25 febbraio 2013 Matricola: ESERCIZIO 1. Si mostri la seguente formula di disintegrazione per la probabilità condizionata:
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 11, Probabilità
DettagliPROVE SCRITTE, A.A. 2012/2013 P (Z = 2) = P (B 1 R 2 ) + P (R 1 B 2 ) = P (B 1 )P (R 2 B 1 ) = P (R 1 )P (B 2 R 1 ) =
PROVE SCRITTE, A.A. 202/20 Giugno 20 () Un'urna contiene palline rosse e 2 palline bianche. Le estraiamo senza rimpiazzo nché non otteniamo almeno una pallina per ciascun colore. Denotiamo con X il numero
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica 69AA) A.A. 06/7 - Prima prova in itinere 07-0-03 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliIl valore atteso del prodotto di v.a.i. Valore atteso (8)
Il valore atteso del prodotto di v.a.i. Valore atteso (8) Siano X,Y : Ω N v.a. indipendenti (per semplicità a valori in N) E(X Y) = k Nk P(X Y = k) = h i P(X,Y = h,i) h,i N = h i P(X=h) P(Y=i) h,i N =
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliPROVE D'ESAME DI CCP, A.A. 2014/ /06/2015
PROVE D'ESAME DI CCP, A.A. 04/0 0/06/0 Esercizio ( punti) Un'urna contiene due palline bianche e una pallina rossa. Estraiamo senza rimpiazzo le palline no ad ottenere una pallina bianca e denotiamo con
DettagliII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 20 febbraio
II Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 3/4 Nome: febbraio 4 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliStatistica Sociale e Criminale (12 CFU) A.A. 2015/2016
Statistica Sociale e Criminale (12 CFU) A.A. 2015/2016 CdL Sociologia e Criminologia Simone Di Zio Dove siamo MODULO 3. L Inferenza statistica 3.1 Probabilità e variabili casuali 3.2 Le tecniche di campionamento
DettagliVariabili aleatorie unidimensionali: v.a. non notevoli discrete e continue indici, momenti e funzione generatrice dei momenti
Sessione live #4 Variabili aleatorie unidimensionali: v.a. non notevoli discrete e continue indici, momenti e funzione generatrice dei momenti Lezioni CD: - 3-4 Esercizio Consideriamo le seguenti funzioni:
DettagliEsercitazione del 28/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 8/0/01 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio 1. Sia X una v.a. aleatoria assolutamente continua con densità f X data da { 0 x < 0 f X
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
Dettagli4.1 Variabili casuali discrete e continue, e loro distribuzioni
4 Variabili casuali 4.1 Variabili casuali discrete e continue, e loro distribuzioni Nel Capitolo di Statistica Descrittiva abbiamo chiamato variabile una quantità numerica che vegna rilevata o misurata.
Dettagli13 LIMITI DI FUNZIONI
3 LIMITI DI FUNZIONI Estendiamo la nozione di ite a funzioni reali di variabile reale. Definizione caratterizzazione per successioni) Si ha fx) = L x 0, L R) se e solo se per ogni successione a n x 0 con
DettagliCP110 Probabilità: Esame 2 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 2 luglio, 213 CP11 Probabilità: Esame 2 luglio 213 Testo e soluzione 1. (6 pts Due mazzi di carte francesi vengono uniti e mischiati.
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliANNO ACCADEMICO 2015/2016 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA - I appello, 6/6/2016
ANNO ACCADEMICO 05/0 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA - I appello, //0 Esercizio. Le carte di un mazzo da 0, composto solo delle carte da a 5, vengono distribuite (5 a testa) ai quattro giocatori
DettagliCorrezione Esercitazione 2
Correzione Esercitazione Esercizio. Per contare correttamente i casi favorevoli all uscita del 9 e all uscita del bisogna considerare i modi in cui si possono ottenere le loro scomposizioni: in particolare,
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
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
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
DettagliFacoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA
Facoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA Attività didattica CALCOLO DELLE PROBABILITA' [60/64/186] Periodo di svolgimento: Primo Semestre Docente titolare del
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
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
DettagliCP110 Probabilità: Esonero 1
Dipartimento di Matematica, Roma Tre Pietro Caputo 2016-17, II semestre 11 aprile, 2017 CP110 Probabilità: Esonero 1 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante l esame
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
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
DettagliIl modello di Bernoulli
Il modello di in funzione DEFINIZIONE DI V.A. B(p) Una v.a. di arametro p è una v.a. che può assumere solo i valori 0 e 1, e per cui la probabilità di assumere il valore 1 è pari a p, e quella di assumere
DettagliEsercitazione del 19/02/2013 Istituzioni di Calcolo delle Probabilità
Esercitazione del 19/0/013 Istituzioni di Calcolo delle Probabilità David Barbato Variabili aleatorie esponenziali. Minimo di v.a. esponenziali indipendenti. Ricordiamo innanzitutto che due variabili aleatorie
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliCorrezione terzo compitino, testo A
Correzione terzo compitino, testo A 24 maggio 2 Parte Esercizio.. Procederemo per esclusione, mostrando come alcune funzioni della lista non possano avere il grafico in figura. La prima cosa che possiamo
DettagliCP110 Probabilità: Esonero 1. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 1 aprile, 2010 CP110 Probabilità: Esonero 1 Testo e soluzione 1. (7 pt Una scatola contiene 15 palle numerate da 1 a 15. Le palle
DettagliCP410: Esame 2, 3 febbraio 2015
Dipartimento di Matematica, Roma Tre Pietro Caputo 2014-15, I semestre 3 febbraio, 2015 CP410: Esame 2, 3 febbraio 2015 Cognome Nome Matricola Firma 1. Sia (Ω, F, P) lo spazio di probabilità definito da
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
Dettagli