Funzioni di probabilità per variabili casuali discrete e continue
|
|
- Caterina Bini
- 4 anni fa
- Visualizzazioni
Transcript
1 Funzioni di probabilità per variabili casuali discrete e continue Prof.ssa Antonella Bitetto Facoltà di Economia Aziendale, Dipartimento di Management Università degli Studi di Torino PER USO DIDATTICO INTERNO AA 2018/2019
2 Variabile casuale La variabile casuale è la rappresentazione numerica dell esito di un esperimento casuale. Sono determinate in base alla «funzione» che associa un possibile evento dello spazio campionario S all insieme dei numeri reali R : X (ω): S R w 1 P(x) R w2 w 3 w 4 2
3 Variabili casuali discrete e continue Le variabili casuali si distinguono in discrete e continue. Le variabili casuali discrete assumono un numero finito o per lo più un infinità numerabile di valori. Sono esempi di variabili casuali discrete il numero di volte che esce un numero pari al lancio di un dado, quante volte occorre lanciare una moneta prima che esca testa, il numero di pezzi difettosi di una linea di produzione, il numero di reclami ricevuti da una ditta. Le variabili casuali continue possono assumere tutti i valori di un intervallo limitato o illimitato di numeri reali. Sono esempi di variabili casuali continue il peso di una linea di produzione di biscotti, la durata di un lotto di batterie, la percentuale di pezzi difettosi di una produzione di lampadine. 3
4 Distribuzione di probabilità delle v c discrete Una variabile casuale discreta è definita quando è nota la sua funzione di probabilità, P(x). Una variabile casuale discreta è definita dall insieme di valori che può assumere con le rispettive probabilità: X x 1 x 2 x 3 x i P(X=x) p 1 p 2 p 3 p i dove P(x) segue le proprietà della probabilità e quindi: 0 p i 1 e Σ p i =1 P(x) x 1 x 2 x i 4
5 Funzione di ripartizione delle v c discrete Una descrizione alternativa della funzione di probabilità di una variabile discreta è data dalla funzione di ripartizione. Data una variabile casuale X i, la funzione mette in relazione i valori di x i rispetto alle relative probabilità cumulate: F(x) = Σ p i È una funzione non decrescente con valori compresi 0 p i 1. P(x) X 5
6 Probabilità per v.c. continue La funzione di densità ƒ(x) assolve un compito simile a quello che per le v.c discrete svolge la funzione di probabilità P(x). Questo concetto si può chiarire meglio riferendosi all istogramma di probabilità. Supponiamo che un v.c. continua assuma tutti i possibili valori nell intervallo [a, b] e di procedere a suddividere tali valori in n intervalli sufficientemente piccoli. In questo modo è possibile disegnare un istogramma con colonne le cui basi rappresentano i limiti di classe. Le aree delle barre corrispondono alla frequenza con cui i valori della variabile si presenta in ciascuna classe. Quando il numero dei valori tende ad infinito e l ampiezza delle classi tende a 0, il poligono di frequenza assume la forma di una curva e l area sottesa non si calcola più come area del rettangolo ma come integrale della curva. a=80; b=
7 Funzione di densità delle v c continue Una variabile casuale si dice «continua» se può assumere qualsiasi valore dell intervallo con cui è definita. Alle v. c. continue è associata una funzione di densità ƒ(x) tale che la probabilità che x appartenga all intervallo [a, b] è pari a: P (a x b) = a b ƒ(x) dx ƒ(x) indica in quale misura si modifica la probabilità di x al variare dell intervallo considerato ma è nulla per uno specifico valore di x: P(X =x)=0. P(x) a b 7
8 Funzione di ripartizione delle v c continue Anche in questo caso le v.c. continue possono essere espresse in termini di probabilità cumulata ricompresa in un intervallo di valori [a, b]. Alle v. c. continue è associata una funzione di densità ƒ(x) tale che la probabilità che x appartenga all intervallo [a, b] è pari a: P (x a) = 0 a ƒ(x) dx P(x) X 8
9 Valore Atteso e Varianza di una variabile casuale Le caratteristiche delle variabili casuali possono essere sintetizzate da indici analoghi nel loro significato a quelli utilizzati in statistica descrittiva per un collettivo di osservazioni. L indice di posizione che si può ricavare per le v.c., nota la funzione di probabilità, è il valore atteso, E [x]. Il valore atteso è concettualmente equiparabile a quello di media in statistica descrittiva : E [x] = media v.c. discreta: E [x] = Σ x i p i v. c. continua: + E [x] = ƒ(x) dx La varianza di una v. c. indica i gradi di dispersione intorno al valore atteso: v.c. discreta: V [x] = Σ (x i - µ ) 2 p i o V [x] = Σ (x i 2 p i ) - µ 2 v. c. continua: + V [x] = (xi µ ) 2 ƒ(x) dx 9
10 Valore Atteso di una funzione di variabile casuale e combinazione lineare La funzione Y = g (X) di una variabile casuale è a sua volta una v.c. con cui condivide la proprietà di calcolare il valore atteso e la sua dispersione intorno ad esso. Un caso particolare è il caso in cui Y= g (X) = ax + b. Questa trasformazione prende il nome di combinazione lineare. In questo caso E(Y) = a(x) + b V (Y) = a 2 Σ (X-μ) 2 p i = a 2 σ 2 10
11 Variabili casuali standardizzate In alcune circostanze può essere utile trasformare la variabile casuale in un numero puro che prende il nome di variabile casuale standardizzata z. Z = X µ σ Un a variabile casuale standardizzata ha sempre media nulla e varianza unitaria: E [Z] = 0 V [Z] = 1 Tali proprietà risultano importanti al fine di derivare il valore della probabilità di var. casuali continue con una distribuzione normale (vedi in seguito). 11
12 Funzioni di probabilità delle variabili casuali discrete Esistono vari tipi di funzione che associano gli eventi dello spazio campionario discreti ai numeri reali R. Alle v.c. discrete dicotomiche si applica la distribuzione Binomiale. 12
13 Distribuzioni Binomiale Consideriamo un esperimento aleatorio dicotomico articolato in n prove indipendenti e con probabilità costante, per esempio il lancio di una moneta che ha un esito dicotomico (T o C). La probabilità di avere x eventi favorevoli (p.e. «T») sarà pertanto la costante π, mentre gli insuccessi hanno la probabilità complementare 1- π. Pertanto possiamo rappresentare la distribuzione di probabilità della sequenza come : π 1 π 2 π i π n x 1-π 1 1-π 2 1 π i 1-π n n-x Ƒ (x) è data dal prodotto delle combinazioni semplici di ordine n,x, dove: n è il numero di prove e x in numero di eventi favorevoli. nc x va quindi moltiplicato per il prodotto della probabilità della variabile casuale X (π x ) e del suo complemento (1 - π n-x ). 13
14 Funzione di probabilità di v. c. ~ Binomiale La probabilità di una v.c. ~ b è: b (X=x ) = n C x π x (1- π) n-x Nella funzione di probabilità P(x) ~b (X=x ), X e la variabile casuale ed n il numero di prove. È una distribuzione di probabilità perché sono valide le condizioni: ƒ(x) 0 per ogni valore reale di X. Ciò si deduce dal fatto che n e π sono positivi per cui n C x, π x, (1- π) n-x sono anch essi positivi. Σƒ(x) = 1. Anche questo è dimostrabile in quanto Σ n C x π x (1- π) n-x = [(1- π) + π ] n = 1 n =1 14
15 Esempio applicazione ~ Binomiale Un venditore sa che per ogni visita al domicilio la probabilità di acquisto del cliente è di 0,35 (π). Se il venditore ha in programma 5 visite al domicilio che probabilità ha di vendere i prodotti. Calcolare la probabilità dei prodotti venduti da un minimo di 0 a un massimo di 5, se si ipotizza che possa vendere 1 prodotto a visita. P (X =0) = 5! 0!5! 0,350 (1-0,35) 5 =0,116 P (X =1) = 5! 1!5! 0,351 (1-0,35) 4 =0,312 P (X =2) = 5! 2!5! 0,352 (1-0,35) 3 =0,181 P (X =3) = 5! 3!5! 0,353 (1-0,35) 2 =0,049 P (X =4) = 5! 3!5! 0,354 (1-0,35) 1 =0,049 P (X =5) = 5! 5!o! 0,355 (1-0,35) 0 =0,005 15
16 Distribuzione v.c. Bernoulliana Un esperimento casuale con un esito dicotomico ed una sola sequenza di esperimenti (n=1), ha una distribuzione di probabilità P(X) che prende il nome di distribuzione di Bernoulli. In questo caso P(X=x) dipende solo da π, in quanto essendoci una sola prova esiste anche un unica sequenza come risultato dell esperimento.. X ~ Bern: P X = x = π x (1- π) n-x 16
17 Valore atteso di una v.c. Bernoulliana e Binomiale Data una v.c. X ~ Bern: P X = 0 = 1- π Da cui e P X = 1 = π E(x ~ Bern) = 0 (1- π) + 1 π = π Data una v.c. X ~ Bin, con parametri n e π, può essere rappresentata come la somma di X i v. c. bernoulliane indipendenti, con la stessa probabilità costante π: E(X ~ Bin ) = E [ X 1 + X X i ]= n π i 17
18 Esempio calcolo del valore atteso e della varianza di una v.c. con ~ Binomiale Un venditore sa che per ogni visita al domicilio la probabilità di acquisto del cliente è di 0,35 (π). Se il venditore ha in programma 5 visite al domicilio qual è la probabilità media di vendita e la sua variabilità. E(x) = n π = 5 0,35 = 1,75 V(X) = n π ( 1 - π ) = 5 0,35 0,65 =1,
19 Varianza di una v.c. Bernoulliana e Binomiale Data una v.c. X ~ Bern: P X = 0 = 1- π e P X = 1 = π, V(X ~ Bern) = (0 - π) 2 (1 π) + 1 π 2 π = π 1 π Data una v.c. X ~ Bin, con parametri n e π, può essere rappresentata come la somma di n X i var casuali bernoulliane indipendenti, per cui V(X ~ Bin ) = V [ X 1 + V X i ] = n π 1 π 19
20 Distribuzione ipergeometrica La distribuzione binomiale ipotizza che gli elementi siano estratti in modo indipendente, con probabilità di estrazione del singolo elemento costante per tutti gli esperimenti. In molte situazioni in cui si estrae da spazi campionari piccoli (p.e. estrarre 5 soggetti da un gruppo di 25) tali condizioni sono difficilmente soddisfatte per cui è meglio ricorrere alla distribuzione ipergeometrica. Questo tipo di funzione di probabilità evita infatti che le probabilità siano distorte dal fatto che un soggetto o un elemento venga estratto due volte (e quindi vengano violati gli assunti di indipendenza e probabilità costante). 20
21 Distribuzione ipergeometrica La distribuzione ipergeometrica si deriva dalla definizione di combinazione applicata alle seguenti componenti della distribuzione: 1. Combinazioni dei casi «favorevoli» (o della casistica d interesse p.e pezzi F difettosi), F; x = F! x!(f x)! 2. Combinazioni dei casi «non favorevoli» ( che non hanno caratteristiche d interesse p.e. pezzi non difettosi), N F; N F N F! = n x x!(f x)! 3. Combinazioni tra tutti i possibili elementi dello spazio campionario, N ; N n = N! n!(n n)! P (X =x) = F x N F n x N n 21
22 Distribuzione Normale La distribuzione normale, come suggerisce il nome è una distribuzione molto ricorrente in natura: in molte circostanze si verifica che i valori osservati assumano una probabilità massima intorno al valore medio. Questo accade per pesi, altezze, distanze e molte altre misure. La distribuzione normale è un modello idoneo a rappresentare questi fenomeni perché presenta una densità massima di probabilità intorno al valore centrale e decresce in modo simmetrico nelle code, assumendo la nota forma a campana. σ 22
23 Funzione di densità di probabilità di v. c. continue con ~ Normale Una variabile casuale continua X, che assume valori nell insieme dei numeri reali R, è «normale» se la sua funzione di densità è: Ƒ (x ~n) = 1 e x μ 2 π σ 2 2 σ 2 2 Dove: μ : la media della v.c. X σ : lo scarto quadratico medio della v.c. X x : valore dalla v. c. continua ricompreso tra < x < + e : costante, base dei logaritmi naturali approssimata a π : costante, rapporto tra circonferenza e diametro approssimata a
24 Proprietà della funzione di densità Normale La ~ N assume sempre valori positivi ed è asintotica ovvero tende a 0 per lim -> + o lim -> -. È una ~ unimodale simmetrica rispetto alla media μ, con la caratteristica forma a «campana». Presenta un massimo assoluto in corrispondenza di μ Media, Mediana e Moda coincidono Presenta due flessi in corrispondenza di x= μ - σ e x= μ + σ Il valore medio μ e lo scarto quadratico medio σ determinano la forma della distribuzione. 24
25 Errori casuali i e ~ Normale L errore casuale è definito come scarto dalla media ( i = x - ). Gauss ha osservato come i valori delle v.c. continue, al crescere delle osservazioni tendono a collocarsi intorno alla media mentre l ampiezza degli errori casuali i si riduce. e a collocarsi nelle code, per effetto della riduzione della dispersione. Per v.c. continue - < x i < +, il 75% dei valori di x i è incluso nell'intervallo x σ x (dove σ x è lo scarto quadratico medio) e il 95% nell'intervallo x 2σ x. f(x) ±1 deviazione standard 0.03 ± 2 deviazioni standard x = concentrazione di glucosio (mg/dl) 25
26 Distribuzione di una v.c. continua con ~ N standardizzata È possibile derivare la probabilità di intervalli di una v. c. X ~ N, ovvero il valore integrale dell area sottesa alla distribuzione, trasformando x in z, anch essa v.c. ~ N. z = x μ x σ 2 da cui x = μ x + z σ 2 z è un numero puro e dà origine ad una ~ N con le seguenti proprietà: -media «nulla» (µ Z =0); -scarto quadratico medio «unitario» (σ Z =1); -funzione densità di probabilità: Ƒ (z ~n) = 1 2 π ez = =1 GAUSSIANA STANDARD
27 Distribuzione Funzione di Ripartizione di z : F(z*) L area sottesa alla curva della ~ N standard si può calcolare come integrale definito - e z* per F(z ~ N), funzione di ripartizione della normale standardizzata. z = N) F(z ~ a F z a dz F(z) 1 0,8 0,6 0,4 0, centile 75 centile deviata gaussiana standard z 27
28 Tavola della ƒ(z) di ripartizione z*
29 Utilizzo tavole ƒ(z) di ripartizione: valori positivi di z Per valori positivi di z (superiori alla media e quindi > 0) il valore di probabilità riportato sulla tavola si riferisce all area da - a z. ƒ(z) P(Z z) P(Z z) = 1 -z µ=0 z 29
30 Esempio utilizzo tavole ƒ(z) di ripartizione per valori positivi di z Il peso di una confezione di biscotti ha una ~ N con μ x = 350 grammi e σ x = 5 gr. Calcolare la probabilità che un pacco di biscotti pesi meno di 360 grammi. P( x 360)= P (z ) = P (z 2) = 0,9772 La probabilità che un pacco pesi meno di 360 grammi è pari al 98% 30
31 Utilizzo tavole ƒ(z) di ripartizione: valori negativi di z Per valori negativi di z (al di sotto della media e quindi < 0) il valore di probabilità riportato sulla tavola si riferisce all area da z a +. ƒ(z) P(Z - z) = 1 z con z < 0 P(Z - z) -z µ=0 31
32 Esempio utilizzo tavole ƒ(z) di ripartizione per valori negativi di z Sulla base dello storico è stato osservato che i rendimenti di un titolo azionario in percentuale ha una ~ N con μ x = 6,5 e σ x = 3,5. Calcolare la probabilità che si abbia una perdita. P( x 0) = P ( (o 6,5)/3,5 z) = P (z - 1,86) = 1 0,9686 = 0,0314 La probabilità che il fondo azionario perda è del 3,14% 32
33 Utilizzo tavole ƒ(z) di ripartizione: intervallo di valori Definito un intervallo di valori di x, si trasformano in z e si verifica qual è la probabilità che x cada all interno, sopra o sotto i limiti dell intervallo. Nell immagine l ipotesi che si voglia conoscere la probablità all interno dell intervallo. ƒ(x) P(a X b) = ƒ( b µ σb ) [1- ƒ( a µ σa ) ] a µ b 33
34 Esempio utilizzo tavole ƒ(z) di ripartizione per un intervallo di valori (x 1 P x 2 ) Una ditta che produce lampadine, la cui durata è ~ N, ha una μ x = 1200 ore di durata e σ x =250 ore di durata. Calcolare la probabilità che la durata sia compresa tra 900 e 1300 ore. P( 900 < x 1300)= P (( )/250 < z < ( )/250) = = P (-1,2 <z < 0,4) = = P(z > 0,4) - [1 - P (z < -1,2)] = 0,6554 ( ) = 0,6554 0,1151 =0,5404 P( 900 < x 1300) durata in ore delle lampadine è pari al 54,04% 34
35 Combinazione lineare di v. c. continue ~ N La funzione Y = g (X) di una variabile casuale è a sua volta una v. c. con cui Y, ottenuta come combinazione lineare di due v. c. X1 e X2. Se X1 e X2 sono indipendenti e con ~ N, anche per Y è possibile derivare il valore atteso E(Y), la varianza V(Y) e la probabilità, previa opportuna trasformazione in v. c. standardizzata z. DatoY = ax 1 + bx 2 con a e b costanti prefissate, E(Y) = a E(X 1 ) + b E(X 2 ) V (Y) = a 2 σ 2 x1 + b 2 σ 2 x2 + 2 ab Cov (X 1, X 2 ) La V(Y) si può anche calcolare a partire dalla correlazione, V (Y) = a 2 σ 2 x1 + b 2 σ 2 x2 + 2 ab Corr (X 1, X 2 ) 35
36 Esempio utilizzo della combinazione lineare di v. c. continue ~ N Il direttore commerciale di u azienda ha un portfolio con 20 azioni di tipo A e 30 di tipo B. I prezzi della azioni di tipo A e B hanno distribuzione normale con E(X a )=25 e V(X a )=81 mentre E(X b )=40 e V(X b )= 121. I prezzi delle azioni sono correlati negativamente con r=-40 e il direttore si chiede qual è la probabilità che il portfolio superi i 2000 euro. Svolgimento: il valore del portfolio è definito dalla combinazione Y = 20 X a + 30 X b Da cui: E(Y) = 20 E(X a )+ 30 E(X b )= 20x x40 = 1700 V(Y) = a 2 σ 2 a + b 2 σ 2 b + 2 ab Corr (X a, X b ) σ a σ b = = 20 2 x x x 20 x 30 x (-0,40)x 9 x 11 =
37 Calcolo probabilità di una combinazione lineare con ~ N Il direttore si chiede qual è la probabilità che il portfolio superi i 2000 euro pertanto il valore Yi=2000 va trasformato in z. Z y = Y i E(Y) = = σ y = 0,98 P(z y 2000) = P (1 z y ) = 0,1635 La probabilità che il portfolio superi i 2000 euro è pari allo 16,35%. 37
38 densità di probabilità Densità di probabilità Altre distribuzioni di v.c. continue Neofita : distribuzione uniforme Giocatore neofita 0,3 0,25 0,2 0,15 0,1 0, Distanza in cm dal boccino Esperto : distribuzione esponenziale negativa Giocatore esperto 1,2 1 0,8 0,6 0,4 0, Distanza in cm dal boccino 16-17/04/2012 Elementi di calcolo delle probabilità 38
Variabili 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
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
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
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 =
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
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
DettagliPROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale
PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE In questa scheda vedremo due famiglie di variabili aleatorie (una discreta e una continua), che ci serviranno per descrivere uno dei risultati
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
DettagliPrincipi di Statistica a.a
Principi di Statistica a.a. 2014-2015 Dr. Luca Secondi 1. Introduzione al corso 1.01Variabili casuali Distribuzioni di probabilità 1 Corso di laurea in Biotecnologie Matematica e PRINCIPI DI STATISTICA
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
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
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
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
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
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
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
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
DettagliLe v.c. si utilizzano come modelli di riferimento per studiare la realtà
Le v.c. si utilizzano come modelli di riferimento per studiare la realtà Ogni carattere nelle sue varie manifestazioni è determinato da cause costanti e da cause accidentali modello di riferimento dallo
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
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
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
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
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,
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
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
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
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
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
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
DettagliPROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
Matematica e statistica: dai dati ai modelli alle scelte wwwdimaunige/pls_statistica Responsabili scientifici MP Rogantin e E Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
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
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
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
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
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:
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
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliLezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
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.
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliModulo III. Definizione ed elementi di calcolo delle probabilità Le variabili casuali La distribuzione normale e la normale standardizzata
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea triennale Tecniche della Prevenzione PERCORSO SRTAORDINARIO 2007/08 Insegnamento di STATISTICA MEDICA Docente:Dott.ssa Egle
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
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
DettagliPROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliVARIABILI CASUALI. E (X) = ( 0 x 0,125) + (1 x 0,375) + (2 x 0,375) + (3 x 0,125) = 0 + 0, ,75 + 0,375 = 1,5
VARIABILI CASUALI ESERCIZIO 1.1 Determinate la funzione di probabilità del numero di teste nel lancio di tre monete regolari. Trovare quindi il valore atteso e lo scarto quadratico medio dell uscita di
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
Dettagli9. VARIABILI CASUALI
9. VARIABILI CASUALI 9. Definizione di variabile casuale In molte situazioni reali l interesse è rivolto non tanto agli eventi che possono verificarsi nel corso di un esperimento, quanto al valore numerico
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.
DettagliDistribuzione degli Errori di Misura. La distribuzione normale
Distribuzione degli Errori di Misura La distribuzione normale Errori casuali e sistematici Gli errori vengono generalmente suddivisi in due categorie: errori casuali ed errori sistematici. Gli errori casuali
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
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
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
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
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
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. La distribuzione Normale (o di Gauss)
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in medicina e chirurgia - Corso di Statistica
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
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
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
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:
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
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
DettagliStatistica descrittiva
Statistica descrittiva L obiettivo è quello di descrivere efficacemente i dati prima delle elaborazioni vere e proprie: - mediante rappresentazioni grafiche e tabelle - sintetizzandoli con indici opportuni
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
DettagliUtilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi
La variabile standardizzata Utilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi X'= X Media(X ) DS(X ) Visto l ampio uso in statistica di questa procedura, la
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 7 1. Utilizzando le tavole della distribuzione
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
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
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliProbabilità III. Variabile casuale continua: osservazioni. Variabile casuale continua X. Densità di probabilità: proprietà
Variaile casuale continua: osservazioni Proailità III Variaili casuali continue Definizioni principali. Valore atteso e Varianza. V.C. Notevoli: uniforme, gaussiana, Χ Teorema del limite centrale. Principio
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
DettagliLA DISTRIBUZIONE DEGLI ERRORI DI MISURA. La distribuzione normale. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE DEGLI ERRORI DI MISURA La distribuzione normale http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo
DettagliVariabili Casuali Continue
Distribuzione Normale Concentrazione di cloro nel sudore Variabili Casuali Continue 9 8 7 6 5 4 3 media = 98.8 meq/l mediana =. meq/l moda =. meq/l < 3 6 5 me/l La distribuzione empirica (diagramma a barre)
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
DettagliLA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
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
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
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
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
Dettagli