Distribuzioni di probabilità e simulazione stocastica
|
|
|
- Floriana Manca
- 4 anni fa
- Visualizzazioni
Transcript
1 Probabilità e Statistica per l analisi di dati sperimentali Distribuzioni di probabilità e simulazione stocastica Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master Progetto PRISMA, UniBA/INFN Alessio Pollice Dipartimento di Scienze Economiche e Metodi Matematici Università degli Studi di Bari Aldo Moro [credits: G. Jona Lasinio, S. Sapienza Università di Roma] (Master PRISMA) 12/02/14 1 / 45
2 Statistical models Introduction Statistics concerns what can be learned from data using to study the variability of the data statistical models (Master PRISMA) 12/02/14 2 / 45
3 Statistical models Introduction Statistics concerns what can be learned from data using to study the variability of the data statistical models The key feature of a statistical model is that variability is represented using probability distributions, which form the building-blocks from which the model is constructed (Master PRISMA) 12/02/14 2 / 45
4 Introduction Statistical models Statistics concerns what can be learned from data using to study the variability of the data statistical models The key feature of a statistical model is that variability is represented using probability distributions, which form the building-blocks from which the model is constructed Statistical models must accommodate: systematic variation random variation (Master PRISMA) 12/02/14 2 / 45
5 Introduction Statistical models Statistics concerns what can be learned from data using to study the variability of the data statistical models The key feature of a statistical model is that variability is represented using probability distributions, which form the building-blocks from which the model is constructed Statistical models must accommodate: systematic variation random variation The key idea in statistical modelling is to treat the data as the outcome of a random experiment (Master PRISMA) 12/02/14 2 / 45
6 Random sample Random sample The fundamental idea of statistical modelling is to treat data as observed values of random variables (Master PRISMA) 12/02/14 3 / 45
7 Random sample Random sample The fundamental idea of statistical modelling is to treat data as observed values of random variables The data available y 1, y 2,..., y n are the observed values of a random sample of size n, defined to be a collection of n independent and identically distributed random variables Y 1, Y 2,..., Y n (Master PRISMA) 12/02/14 3 / 45
8 Random sample Random sample The fundamental idea of statistical modelling is to treat data as observed values of random variables The data available y 1, y 2,..., y n are the observed values of a random sample of size n, defined to be a collection of n independent and identically distributed random variables Y 1, Y 2,..., Y n We suppose that each of the Y j has the same cumulative distribution function F, which represents the population from which the sample has been taken (Master PRISMA) 12/02/14 3 / 45
9 Random sample Random sample Statistical models Random variables (Master PRISMA) 12/02/14 4 / 45
10 Random sample Random sample Statistical models Random variables mean of a random variable variance of a random variable moments of a random variable (Master PRISMA) 12/02/14 4 / 45
11 Random sample Mean and variance of a random variable Let Y be a random variable with cumulative distribution function F and density function f Expected value of Y E[Y ] = µ = ydf (y) = yf (y)dy Variance of Y V [Y ] = µ 2 µ 2 = ( y 2 df (y) ) 2 ydf (y) (Master PRISMA) 12/02/14 5 / 45
12 Random sample Moment generating function Moments of a random variable Y can be obtained by the use of the moment generating function (Laplace transform) provided that M(t) < M(t) = E(e ty ) (Master PRISMA) 12/02/14 6 / 45
13 Random sample Moment generating function Moments of a random variable Y can be obtained by the use of the moment generating function (Laplace transform) provided that M(t) < Let the derivatives of M be M(t) = E(e ty ) M (t) = dm(t) dt, M (t) = d2 M(t), M (r) (t) = dr M(t) dt 2 dt r (Master PRISMA) 12/02/14 6 / 45
14 Random sample Moment generating function Moments of a random variable Y can be obtained by the use of the moment generating function (Laplace transform) provided that M(t) < Let the derivatives of M be M(t) = E(e ty ) M (t) = dm(t) dt, M (t) = d2 M(t), M (r) (t) = dr M(t) dt 2 dt r If finite, the r th moment of Y is µ r µ r = M (r) (0) = E[Y r ] (Master PRISMA) 12/02/14 6 / 45
15 Random sample Moment generating function Some properties: Y 1,..., Y n are independent if and only if their joint moment generating function factorizes as E[exp(Y 1 t Y n t n )] = E[exp(Y 1 t 1 )] E[exp(Y n t n )] (Master PRISMA) 12/02/14 7 / 45
16 Random sample Moment generating function Some properties: Y 1,..., Y n are independent if and only if their joint moment generating function factorizes as E[exp(Y 1 t Y n t n )] = E[exp(Y 1 t 1 )] E[exp(Y n t n )] Let Y = a + bx. The moment generating function of Y is M Y (t) = e at M X (bt) (Master PRISMA) 12/02/14 7 / 45
17 Random sample Moment generating function Some properties: Y 1,..., Y n are independent if and only if their joint moment generating function factorizes as E[exp(Y 1 t Y n t n )] = E[exp(Y 1 t 1 )] E[exp(Y n t n )] Let Y = a + bx. The moment generating function of Y is M Y (t) = e at M X (bt) Any moment generating function corresponds to a unique probability distribution (Master PRISMA) 12/02/14 7 / 45
18 Random sample Probability distributions Important random variables include the following that will only be quickly reviewed to concentrate on the Normal distribution model Poisson distribution Binomial distribution Uniform distribution Exponential distribution (Master PRISMA) 12/02/14 8 / 45
19 Probability distributions Random sample Binomial Poisson probabilità p=0.5, n=50 p=0.5, n=20 p=0.5, n=5 probabilità lambda=1 lambda=4 lambda= valori valori Uniform Exponential f(x) U(2,5) U(0.5,6) U(1,9) f(x) lambda=0.5 lambda=1 lambda= x (Master PRISMA) 12/02/14 9 / 45 x
20 Normal distribution Normal distribution We say that X N(µ, σ 2 ) when f X (x; µ, σ) = 1 σ 2π exp ( 1 ) (x µ)2 2σ2 µ mean, median and mode (location parameter) σ 2 variance (scale parameter) (Master PRISMA) 12/02/14 10 / 45
21 Normal distribution Normal distribution Varying location parameter density µ = 0 µ = 1 µ = 3 µ = 1 µ = (Master PRISMA) 12/02/14 11 / 45
22 Normal distribution Normal distribution Varying scale parameter density σ 2 = 1 σ 2 = 4 σ 2 = 9 σ 2 = 0.1 σ 2 = (Master PRISMA) 12/02/14 12 / 45
23 Normal distribution Normal distribution Varying scale and location parameters density σ 2 = 1 σ 2 = 0.1 σ 2 = 3 µ = 0 µ = 2 µ = (Master PRISMA) 12/02/14 13 / 45
24 Normal distribution Normale con media 0 e varianza 1 density x (Master PRISMA) 12/02/14 14 / 45
25 Normal distribution Perché è tanto importante questa distribuzione? Molti fenomeni naturali hanno questo comportamento simmetrico rispetto ad un valore e campanulare nella distribuzione di frequenza La si può spesso usare anche quando i dati non mostrano un andamento normale, ma ricadono sotto le assunzioni del teorema del limite centrale (quando le osservazioni sono indipendenti ed hanno varianza finita la media campionaria tende a distribuirsi normalmente all aumentare della dimensione del campione) (Master PRISMA) 12/02/14 15 / 45
26 Normal distribution Perché è tanto importante questa distribuzione? Regola empirica Prendiamo un insieme di osservazioni che segue la distribuzione normale e calcoliamo media e varianza 1 circa il 68% dei dati cade in un intervallo di ampiezza 1 s.d. dalla media 2 circa il 95% dei dati cade in un intervallo di ampiezza 2 s.d. dalla media 3 quasi tutti i dati (99.7%) cadono in un intervallo di ampiezza 3 s.d. dalla media (Master PRISMA) 12/02/14 16 / 45
27 Normal distribution Esempio: pesi di 100 donne media=60kg, sd=2.5 Histogram of weights Density sd weights (Master PRISMA) 12/02/14 17 / 45
28 Normal distribution Esempio: pesi di 100 donne media=60kg, sd=2.5 Histogram of weights Density sd weights (Master PRISMA) 12/02/14 18 / 45
29 Normal distribution Come capire se i dati seguono una distribuzione normale? 1 QQ-plot: grafico a dispersione dei quantili empirici vs quelli teorici. Se i punti si dispongono lungo la bisettrice i dati seguono la distribuzione teorica 2 istogramma 3 test di adattamento (Master PRISMA) 12/02/14 19 / 45
30 Normal distribution E se i dati non sono normali? se i dati mostrano un comportamento molto lontano dalla normale possiamo sempre trasformarli le trasformazioni più usate sono la radice quadrata e il logaritmo naturale (Master PRISMA) 12/02/14 20 / 45
31 Normal distribution E se i dati non sono normali? se i dati mostrano un comportamento molto lontano dalla normale possiamo sempre trasformarli le trasformazioni più usate sono la radice quadrata e il logaritmo naturale Normal Q Q Plot Theoretical Quantiles Sample Quantiles Normal Q Q Plot Theoretical Quantiles Sample Quantiles radice quadrata (Master PRISMA) 12/02/14 20 / 45
32 Normal distribution E se i dati non sono normali? Normal Q Q Plot Theoretical Quantiles Sample Quantiles Normal Q Q Plot Theoretical Quantiles Sample Quantiles logaritmo naturale (Master PRISMA) 12/02/14 21 / 45
33 Standardization Normal distribution The random variable Z = X µ N(0, 1) σ is a standardized Normal distribution. f Z (z) = 1 exp ( 12 ) z2 2π Clearly, X = σz + µ (Master PRISMA) 12/02/14 22 / 45
34 Standardization Normal distribution The cumulative density function is obtained by integrating the density as follows F Z (z) = 1 u exp ( 12 ) z2 dz = Φ(u) 2π For X N(µ = 3, σ 2 = 4) P(X 2) = F X (x = 2) = 1 2 2π 4 that cannot be computed analytically. Use R! ( exp 1 ) (z 3)2 dz 2 4 (Master PRISMA) 12/02/14 23 / 45
35 Normal distribution M.G.F. of Normal distribution The moment generating function of X N(0, 1) is M X (t) = E[e tx ] = e 1 2 t2 Let Y = µ + σx, then Y N(µ, σ 2 ) The m.g.f. of the linear transformation Y of Z is M Y (t) = E[e ty ] = exp(µt)exp( 1 2 σ2 t 2 ) (Master PRISMA) 12/02/14 24 / 45
36 Chi-squared distribution Chi-squared Let X N(0, 1), then the random variable Y = X 2 χ 2 (1) F Y (u) = 2Φ( u) f Y (u) = 1 u2π e 1 2 u Density ν = 1 ν = 3 ν = 5 ν = 10 ν = (Master PRISMA) 12/02/14 25 / 45
37 Chi-squared distribution Chi-squared More generally, for X χ 2 (n) f X (x, n) = 1 2 n/2 Γ(n/2) e x/2 x n 2 1 (Master PRISMA) 12/02/14 26 / 45
38 Chi-squared distribution Chi-squared More generally, for X χ 2 (n) f X (x, n) = 1 2 n/2 Γ(n/2) e x/2 x n 2 1 Note that X χ 2 (n) X Gamma(θ = 1/2; ν = n/2) (Master PRISMA) 12/02/14 26 / 45
39 Chi-squared Chi-squared distribution The m.g.f. of a Gamma distribution X Gamma(θ, ν) is ( ) θ ν M X (t) = E[e tx ] = θ t and hence the m.g.f. of a X χ 2 (1) (θ = 1 2, ν = 1 2 ) M X (t) = E[e tx ] = 1 1 2t (Master PRISMA) 12/02/14 27 / 45
40 Chi-squared Chi-squared distribution The m.g.f. of a Gamma distribution X Gamma(θ, ν) is ( ) θ ν M X (t) = E[e tx ] = θ t and hence the m.g.f. of a X χ 2 (1) (θ = 1 2, ν = 1 2 ) M X (t) = E[e tx ] = 1 1 2t Theorem Let (X 1, X 2,..., X 2 ) iid N(0, 1), then Z = X X X 2 n χ 2 (n) (Master PRISMA) 12/02/14 27 / 45
41 Student T distribution Other distributions Let X N(0, 1) and W χ 2 (ν) (independent), then the random variable Y = X W /ν T ν Density ν = 1 ν = 3 ν = 5 ν = 10 ν = 20 N(0,1) (Master PRISMA) 12/02/14 28 / 45
42 Fisher F distribution Other distributions Let X 1 χ 2 (ν 1 ) and X 2 χ 2 (ν 2 ) (independent), then the random variable Z = X 1/ν 1 X 2 /ν 2 F (ν 1, ν 2 ) F distribution (nu1=5) Density nu2 = 1 nu2 = 5 nu2 = 10 nu2 = (Master PRISMA) 12/02/14 29 / 45
43 Association measures Other distributions Let Y 1 and Y 2 be any two random variables The covariance between Y 1 and Y 2 is Cov(Y 1, Y 2 ) = E[(Y 1 E[Y 1 ])(Y 2 E[Y 2 ])] = E[(Y 1 Y 2 )] E[Y 1 ]E[Y 2 ] (Master PRISMA) 12/02/14 30 / 45
44 Association measures Other distributions Let Y be a p-dimensional random vector The variance-covariance matrix is a p p matrix defined as Σ = Cov(Y, Y) = E[(Y E[Y])(Y E[Y]) ] The generic element σ rs is σ rs = Cov(Y r, Y s ) = E[(Y r E[Y r ])(Y s E[Y s ])] (Master PRISMA) 12/02/14 31 / 45
45 Association measures Other distributions Let Y be a p-dimensional random vector The variance-covariance matrix is a p p matrix defined as Σ = Cov(Y, Y) = E[(Y E[Y])(Y E[Y]) ] The generic element σ rs is σ rs = Cov(Y r, Y s ) = E[(Y r E[Y r ])(Y s E[Y s ])] Theorem: Σ is a positive semidefinite matrix (Master PRISMA) 12/02/14 31 / 45
46 Other distributions Association measures Let Y be a p-dimensional random vector a be a q-dimensional vector B be a p q matrix For the vector a + B Y the q q variance-covariance matrix is given by Var(a + B Y) = B ΣB (Master PRISMA) 12/02/14 32 / 45
47 Association measures Other distributions The correlation between two variables Y 1 and Y 2 is defined as ρ(y 1, Y 2 ) = Cov(Y 1, Y 2 ) Var(Y1 )Var(Y 2 ) (Master PRISMA) 12/02/14 33 / 45
48 Other distributions Association measures The correlation between two variables Y 1 and Y 2 is defined as ρ(y 1, Y 2 ) = Cov(Y 1, Y 2 ) Var(Y1 )Var(Y 2 ) Cov(Y 1, Y 2 ) Var(Y 1 )Var(Y 2 ) 1 ρ(y 1, Y 2 ) 1 (Master PRISMA) 12/02/14 33 / 45
49 Association measures Other distributions The correlation between two variables Y 1 and Y 2 is defined as ρ(y 1, Y 2 ) = Cov(Y 1, Y 2 ) Var(Y1 )Var(Y 2 ) Cov(Y 1, Y 2 ) Var(Y 1 )Var(Y 2 ) 1 ρ(y 1, Y 2 ) 1 The correlation matrix is given by Ω = Σ Σ Σ 2 where Σ 1 2 elements is a diagonal matrix with the variances of Y as non-zero (Master PRISMA) 12/02/14 33 / 45
50 Other distributions The multivariate normal distribution Y = (Y 1,..., Y p ) N p (µ, Σ) has density function { 1 f (y; µ, Σ) = (2π) p/2 exp 1 } Σ 1/2 2 (y µ) Σ 1 (y µ) where Σ = det(σ) (Master PRISMA) 12/02/14 34 / 45
51 Other distributions The multivariate normal distribution Example: p = 2 where f (y 1, y 2 ; µ 1, µ 2, Σ) = Q(y 1, y 2 ) = 1 1 ρ 2 { 1 2πσ 1 σ exp 1 } 2 1 ρ 2 2 Q(y 1, y 2 ) [ (y1 ) 2 ( ) ( µ 1 y1 µ 1 y2 µ 2 2ρ σ 1 σ 1 σ 2 ) + ( ) ] 2 y2 µ 2 σ 2 (Master PRISMA) 12/02/14 35 / 45
52 Other distributions The multivariate normal distribution rho= 0.8 rho= f(x,y) x y f(x,y) x y 2 4 rho= 0.4 rho= f(x,y) x y f(x,y) x y 2 4 (Master PRISMA) 12/02/14 36 / 45
53 Other distributions The multivariate normal distribution rho= 0.8 rho= rho= 0.4 rho= (Master PRISMA) 12/02/14 37 / 45
54 Other distributions The multivariate normal distribution The moment generating function of Y N p (µ, Σ) is M Y (t) = E[e t Y ] = exp(t µ t Σt) Theorem: Let Y N p (µ, Σ) and B a k p matrix, then the variable W = BY is W N k (Bµ, BΣB ) (Master PRISMA) 12/02/14 38 / 45
55 Other distributions Marginal and conditional distribution Let Y N p (µ, Σ) and Y = (Y 1, Y 2 ) where Y 1 is q 1 and Y 2 is (p q) 1 Let µ = (µ 1, µ 2 ) Let ( ) Σ11 Σ Σ = 12 Σ 12 Σ 22 where Σ 11 is q q, Σ 12 = Σ 21 is q (p q) and Σ 22 is (p q) (p q) (Master PRISMA) 12/02/14 39 / 45
56 Other distributions Marginal and conditional distribution Let Y N p (µ, Σ) and Y = (Y 1, Y 2 ) where Y 1 is q 1 and Y 2 is (p q) 1 Let µ = (µ 1, µ 2 ) Let ( ) Σ11 Σ Σ = 12 Σ 12 Σ 22 where Σ 11 is q q, Σ 12 = Σ 21 is q (p q) and Σ 22 is (p q) (p q) It can be shown that 1 Y 1 N q (µ 1, Σ 11 ) 2 Y 2 N p q (µ 2, Σ 22 ) 3 Y 1 Y 2 = y N q (µ 1 + Σ 12 Σ 1 22 (y µ 2)Σ 11 Σ 12 Σ 1 22 Σ 21) (Master PRISMA) 12/02/14 39 / 45
57 Convergence Modes of convergence IDEA: The bigger our sample, the more faith we can have in our inferences, because the sample is more representative of the distribution F from which it comes We will mention two modes of convergence: convergence in probability convergence in distribution (Master PRISMA) 12/02/14 40 / 45
58 Convergence Convergence in probability The the sequence of random variables X 1, X 2,... converges in probability to X, X n p X if for any ɛ > 0 Pr( X n X > ɛ) 0 as n A special case of this is the weak law of large numbers: let Y 1, Y 2,... be a sequence of iid random variables, each with finite mean µ, then Ȳ n p µ (Master PRISMA) 12/02/14 41 / 45
59 Convergence Weak law of large numbers n = 1 n = 5 Density Density y y n = 10 n = 50 Density Density y y (Master PRISMA) 12/02/14 42 / 45
60 Convergence Convergence in distribution The sequence of random variables X 1, X 2,... converges in distribution to X, X n D X if Pr(X n < x) Pr(X < x) as n An special case of this is the Central Limit Theorem: let Y 1, Y 2,... be a sequence of iid random variables with finite mean µ and finite variance σ 2 > 0, then Z n = (Ȳ n µ) σ/ n D Z N(0, 1) (Master PRISMA) 12/02/14 43 / 45
61 Central Limit Theorem Convergence n = 1 n = x x n = 10 n = x x (Master PRISMA) 12/02/14 44 / 45
62 Some consequences Convergence Consider the average Ȳ of a random sample of iid random variables with mean µ and variance σ 2 > 0 The weak law of large numbers implies that Ȳ is a consistent estimator of µ It is also an unbiased estimator of µ: E[Ȳ ] = µ The central limit theorem implies that Ȳ = µ + n 1/2 σz n where Z n D N(0, 1). Hence in large samples Ȳ is essentially a normal variable with mean µ and variance σ 2 /n (Master PRISMA) 12/02/14 45 / 45
Probability Distributions T O P I C # 1
Probability Distributions ١ T O P I C # 1 Discrete Random Variable A discrete random variable is a variable that can assume only a countable number of values Many possible outcomes: number of complaints
Università 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
ESERCIZI EPOS. { C x 3 (1 x) 0 x 1 0 altrove
ESERCIZI EPOS 1. Sia X una v.c. con densità f X (x) = { C x 3 (1 x) 0 x 1 0 altrove (a) Determinare il valore della costante C (b) Calcolare la funzione di ripartizione F X (x) (c) Calcolare P (X > 1/2)
SCHEDA INSEGNAMENTO A.A. 2017/2018
SCHEDA INSEGNAMENTO A.A. 2017/2018 CORSO DI LAUREA MAGISTRALE IN ECONOMIA E FINANZA INSEGNAMENTO STATISTICA PER LE DECISIONI Docente: prof. Corrado Crocetta email: corrado.crocetta@unifg.it pagina web:
Constant Propagation. A More Complex Semilattice A Nondistributive Framework
Constant Propagation A More Complex Semilattice A Nondistributive Framework 1 The Point Instead of doing constant folding by RD s, we can maintain information about what constant, if any, a variable has
6.6 ARIMA Model. Autoregressive Integrated Moving Average (ARIMA ) Model. ARIMA(p, d, q) Process
128 6.6 ARIMA Model Autoregressive Integrated Moving Average (ARIMA ) Model ARIMA(p, d, q) Process φ(l) d y t = θ(l)ɛ t, where d y t = d 1 (1 L)y t = d 1 y t d 1 y t 1 = (1 L) d y t for d = 1, 2,, and
Neyman Construction. θ s true. pdf f (x θ) is known for each prospectiveθ generate x construct an int erval in DATA phase space.
Neyman Construction θ s true x s measured pdf f (x θ) is known for each prospectiveθ generate x construct an int erval in DATA phase space Interval = x h xl repeat for each θ f (x θ)dx = 68% 158!60 Figure
Probabilità e Statistica per l analisi di dati sperimentali. Modelli lineari I
Probabilità e Statistica per l analisi di dati sperimentali Modelli lineari I Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master Progetto PRISMA, UniBA/INFN Alessio
Esclusione dei valori meno probabili Il criterio di Chauvenet
Esclusione dei valori meno probabili Il criterio di Chauvenet Nel campo dell analisi sperimentale è frequente trovare, in una serie di misure, qualche dato che non concorda con gli altri. 1 Il criterio
Testi del Syllabus. Docente UMETON CESARE PAOLO Matricola:
Testi del Syllabus Docente UMETON CESARE PAOLO Matricola: 001842 Anno offerta: 2012/2013 Insegnamento: 27005184 - MECCANICA SPERIMENTALE PARTE A Corso di studio: 0729 - SCIENZA DEI MATERIALI INNOVATIVI
COIN TOSSINGS. Contents. 1 Sistemi dinamici a tempo discreto 2. 2 Bernoulli shifts 4. 3 Equivalenza tra sistemi deterministici e stocastici 8
COIN TOSSINGS Contents 1 Sistemi dinamici a tempo discreto 2 2 Bernoulli shifts 4 3 Equivalenza tra sistemi deterministici e stocastici 8 4 Large and small deviations 9 5 From coin tossing to statistical
Estratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi, ed. SAGE, 2008.
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano BIVARIATE AND MULTIPLE REGRESSION Estratto dal Cap. 8 di: Statistics for Marketing and Consumer Research, M. Mazzocchi,
Relative error analysis of matrix exponential approximations for numerical integration
Relative error analysis of matrix exponential approximations for numerical integration S. Maset Dipartimento di Matematica e Geoscienze Università di Trieste Due giorni di Algebra Lineare Numerica e Applicazioni
Optmization Methods for Machine Learning. Gradient method for multilayer perceptron
Optmization Methods for Machine Learning Laura Palagi http://www.dis.uniroma1.it/ palagi Dipartimento di Ingegneria informatica automatica e gestionale A. Ruberti Sapienza Università di Roma Via Ariosto
Finite Model Theory / Descriptive Complexity: bin
, CMPSCI 601: Recall From Last Time Lecture 19 Finite Model Theory / Descriptive Compleity: Th: FO L DSPACE Fagin s Th: NP SO. bin is quantifier-free.!#"$&% ('*), 1 Space 0 1 ) % Time $ "$ $ $ "$ $.....
Testi del Syllabus. Resp. Did. STRACCI FABRIZIO Matricola:
Testi del Syllabus Resp. Did. STRACCI FABRIZIO Matricola: 006234 Docente STRACCI FABRIZIO Anno offerta: 2017/2018 Insegnamento: GP003917 - STATISTICA MEDICA Corso di studio: L056 - LOGOPEDIA (ABILITANTE
Probabilità e Statistica per l analisi di dati sperimentali. Modelli lineari II
Probabilità e Statistica per l analisi di dati sperimentali Modelli lineari II Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master Progetto PRISMA, UniBA/INFN Alessio
UNIVERSITÀ DEGLI STUDI DI FOGGIA DIPARTIMENTO DI ECONOMIA
SCHEDA INSEGNAMENTO A.A. 2016/2017 CORSO DI LAUREA IN ECONOMIA INSEGNAMENTO STATISTICA 2 Docente: SPADA ALESSIA email:alessia.spada@unifg.it pagina web: http://www2.unifg.it/spada-alessia/?docente=232
Vettore (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
Testi del Syllabus. Docente BARTUCCI ROSA Matricola: Insegnamento: INTRODUZIONE AL METODO SPERIMENTALE. Anno regolamento: 2012 CFU:
Testi del Syllabus Docente BARTUCCI ROSA Matricola: 002232 Anno offerta: 2012/2013 Insegnamento: 27002058 - INTRODUZIONE AL METODO SPERIMENTALE Corso di studio: 0727 - FISICA Anno regolamento: 2012 CFU:
Calcolo 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
Nonlinear Control Lecture # 12 Passivity. Nonlinear Control
Nonlinear Control Lecture # 12 Passivity Memoryless Functions Ù ¹ Ý È È È ÈÈ È y u µ power inflow = uy (b) Resistor is passive if uy 0 y y y u u u (a) (b) (c) Passive Passive Not passive y = h(t,u), h
Gaussian processes (GP)
Gaussian processes (GP) Corso di Modelli di Computazione Affettiva Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it Giuseppe.Boccignone@unimi.it http://boccignone.di.unimi.it/compaff017.html
INTRODUZIONE AL METODO SPERIMENTALE
Testi del Syllabus Docente CAPUTI LORENZO Matricola: 001996 Anno offerta: 2013/2014 Insegnamento: 27002058 - INTRODUZIONE AL METODO SPERIMENTALE Corso di studio: 0727 - FISICA Anno regolamento: 2013 CFU:
number of successes, or a vector of length 2 giving the numbers of successes and failures, respectively.
Quesito 1. Under (the assumption of) simple Mendelian inheritance, a cross between plants of two particular genotypes produces progeny 1/4 of which are dwarf and 3/4 of which are giant, respectively. In
Discrete-Continuous models using Genz s algorithm
Discrete-Continuous models using Genz s algorithm Cinzia Cirillo ccirillo@umd.edu University of Maryland June 24, 2016 C Cirillo (U of MD) Discrete-Continuous models using Genz s algorithm June 24, 2016
Richiami di Probabilità e Statistica
Università di Pavia Richiami di Probabilità e Statistica Eduardo Rossi Insiemi Un insieme è una collezione di oggetti. x A indica che l oggetto x è un elemento dell insieme A. A B indica che l insieme
TEST D IPOTESI. Statistica
TEST D IPOTESI D Statistica Descrittiva Inferenziale Progr. & Controllo Produz. 1/13 Hypothesis Testing Decision Theory Detection Theory Pattern Classification Learning Theory Diagnosis Hypothesis Testing
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona DISTRIBUZIONI TEORICHE DI
College Algebra. Logarithms: Denitions and Domains. Dr. Nguyen November 9, Department of Mathematics UK
College Algebra Logarithms: Denitions and Domains Dr. Nguyen nicholas.nguyen@uky.edu Department of Mathematics UK November 9, 2018 Agenda Logarithms and exponents Domains of logarithm functions Operations
26/01/2012 ANOVA ANALYSIS OF VARIANCE
ANOVA ANALYSIS OF VARIANCE 1 Disegnare i box plot >> boxplot(x ) Values 2 22 20 18 16 1 12 10 8 1 2 3 Column Number Y osservazioni i = 1,, a = µ + τ + ε j = 1,, n ij i ij Media comune Scostamenti dalla
Variabili 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
MODULO: Medie. Francesco Bologna Enrico Rogora. CASIO Università di Roma Luglio Avellino
MODULO: Francesco Bologna Enrico CASIO Università di Roma 10-14 Luglio 2017 - Avellino (CASIO UniRoma) 10-14 Luglio 2017 1 / 25 A(x 1,..., x n ) = 1 n (x 1 + + x n ) Senza Calcolatrice Lanciare 12 volte
Coppie di variabili aleatorie
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:
Statistica descrittiva
Misure di tendenza centrale Statistica descrittiva Moda: il valore più frequente Media: sommadeivaloridivisoper il numero delle osservazioni Mediana: valore di mezzo in una lista ordinata 1 Misure di variabilità
Statistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 13 aprile 211 Programma 1 Approccio stocastico all analisi delle serie storiche Programma 1 Approccio stocastico
STATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it STIMA PUNTUALE (p. 55) Il parametro è stimato con un unico valore Esempio: stima della share di un programma TV = % di spettatori
Mattia Zanella. Ferrara, April
Department of Mathematical Sciences Politecnico di Torino, Italy http://www.mattiazanella.eu Ferrara, April 5 217 Programma della lezione Seminario I Introduzione a Matlab U(, 1): metodo di inversione
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona media e varianza campione
Statistica. Capitolo 6. Variabili Aleatorie Continue e Distribuzioni di Probabilità. Cap. 6-1
Statistica Capitolo 6 Variabili Aleatorie Continue e Distribuzioni di Probabilità Cap. 6-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare la differenza tra una variabile
Tecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
Matematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
Dependable Systems. Theoretical background
Dependable Systems Theoretical background Failures and repairs as Stochastic Processes 2 A Stochastic Process is a set of random variables X 1, X 2, X n that operates over the same set. Since the variables
Z-test, T-test, χ 2 -test
Z-test, T-test, χ 2 -test Francesco Corrias Chiara Todaro DIMA 13 febbraio 2012 Francesco Corrias Chiara Todaro (DIMA) Z-test, T-test, χ 2 -test 13 febbraio 2012 1 / 19 Verifica d ipotesi Definizione (Test
Richiami 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
Single-rate three-color marker (srtcm)
3. Markers Pag. 1 The Single Rate Three Color Marker (srtcm) can be used as component in a Diffserv traffic conditioner The srtcm meters a traffic stream and marks its packets according to three traffic
Syllabus Course description
Syllabus Course description Course title Statistics Course code 27010 Scientific sector Degree Bachelor in Economics and Management Semester and academic year 1st semester 2017/2018 Year 2 Credits 6 Modular
Il Teorema del limite Centrale (TLC)
(TLC) Teorema. Sia X 1,..., X n un campione i.i.d. per una v.a. X, avente E(X ) = µ e Var(X ) = σ 2 entrambi finiti. Allora Z n = X µ σ 2 n n Y N(0, 1) Si noti che nel calcolare Z n ho standardizzato X.
Università di Siena. Corso di STATISTICA. Parte prima: Probabilità e variabili aleatorie. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte prima: Probabilità e variabili aleatorie Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università
LA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
Discrete Parabolic Anderson Model with Heavy Tailed Potential
Discrete Parabolic Anderson Model with Heavy Tailed Potential F. Caravenna 1, P. Carmona 2 and N. Pétrélis 2 1 Università degli Studi di Milano-Bicocca 2 Laboratoire Jean Leray, Université de Nantes 1March2011
Distribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
Accesso Mul*plo - modelli
Accesso Mul*plo - modelli Conceptual Model of Mul/ple Access A B C D Station A Station B Station C Station D Master Channel The Master does not know if and how many packets are present in each queue (i.e.,
Significanza di un test / goodness-of-fit
Significanza di un test / goodness-of-fit Supponiamo l ipotesi H predica la pdf variabili aleatorie per un insieme di Noi misuriamo un singolo punto in questo spazio: Che cosa possiamo dire sulla validità
Statistica Di Base Con Aggiornamento Online
We have made it easy for you to find a PDF Ebooks without any digging. And by having access to our ebooks online or by storing it on your computer, you have convenient answers with statistica di base con
Stima della qualità dei classificatori per l analisi dei dati biomolecolari
Stima della qualità dei classificatori per l analisi dei dati biomolecolari Giorgio Valentini e-mail: valentini@dsi.unimi.it Rischio atteso e rischio empirico L` apprendimento di una funzione non nota
Syllabus Course description
Syllabus Course description Course title Statistics Course code 27010 Scientific sector Degree Bachelor in Economics and Management Semester and academic year 1st semester 2018/2019 Year 2 Credits 6 Modular
Numerical Heat and Mass Transfer
Master Degree in Mechanical Engineering Numerical Heat and Mass Transfer 16 Convective Heat Transfer Fausto Arpino f.arpino@unicas.it Forced convection over a flat plate Assuming steady-state regime, two-dimensional
II Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
Markov Chain Monte Carlo Estimation and Diagnostics. Summary of Session Gibbs Sampling. Metropolis Hastings Sampling. Adaptive method for MH Sampling.
Markov Chain Monte Carlo Estimation and Diagnostics. Summary of Session Gibbs Sampling. Metropolis Hastings Sampling. Adaptive method for MH Sampling. Variance Components model. Informative prior distributions.
Misure riassuntive di effetto per varie tipologie di variabili statistiche
Misure riassuntive di effetto per varie tipologie di variabili statistiche VARIABILE DI RISPOSTA di tipo qualitativo esprime categorie di risposta del tipo successo / insuccesso (di un trattamento somministrato).
Variabili 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
0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
UNIVERSITÀ DEGLI STUDI DI TORINO
How to register online for exams (Appelli) Version updated on 18/11/2016 The academic programs and the career plan Incoming students can take exams related to the courses offered by the Department where
Serie di numeri di diverse origini. Marcata asimmetria in favore dei digits bassi nella prima cifra. Legge di Benford. Processi moltiplicativi
Serie di numeri di diverse origini Marcata asimmetria in favore dei digits bassi nella prima cifra Legge di Benford Processi moltiplicativi Primi 3 digits dei titoli di borsa: 60%,2 e 3 40% da 4 a 9 s
Variabili aleatorie continue: la normale. Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia
Variabili aleatorie continue: la normale Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia 2015-16 1 / 40 Distinzione Le variabili aleatorie possono essere 1 discrete 2 continue 2
Cenni di Statistica Inferenziale
Cenni di Statistica Inferenziale Teorema del limite centrale Data una variabile, qualsiasi sia la sua distribuzione, la media di tutti i suoi campioni di ampiezza n ha una distribuzione normale: dove:
Misure riassuntive di effetto per varie tipologie di variabili statistiche
Misure riassuntive di effetto per varie tipologie di variabili statistiche VARIABILE DI RISPOSTA di tipo qualitativo esprime categorie di risposta del tipo successo / insuccesso (di un trattamento somministrato).
PROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
Distribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
Metodi Quantitativi per Economia, Finanza e Management. Lezione n 5 Test d Ipotesi
Metodi Quantitativi per Economia, Finanza e Management Lezione n 5 Test d Ipotesi Test per lo studio dell associazione tra variabili Nella teoria dei test, il ricercatore fornisce ipotesi riguardo la distribuzione
Modelli a effetti misti
Probabilità e Statistica per l analisi di dati sperimentali Modelli a effetti misti Sviluppo e gestione di Data Center per il calcolo scientifico ad alte prestazioni Master Progetto PRISMA, UniBA/INFN
Fourier transform of images
Fourier transform of images Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Methods for Image Processing academic year 2017 2018 Extension to bidimensional domain The concepts introduced
Singular integrals on Riemannian manifolds
Singular integrals on Riemannian manifolds G. Mauceri Dipartimento di Matematica Università di Genova Workshop Varietà reali e complesse: geometria, topologia e analisi armonica. SNS Pisa, 28/2-03/03 2013
1.1 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
Esercizi 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
Fisher Linear discriminant analysis (pag 228)
Fisher Linear discriminant analysis (pag 228) 1 Nell Analisi delle componenti proncipali PCA si trovano quelle componenti utili per la rappresentazione dei dati Tali componenti non sono utili a discriminare
Statistica per principianti
Statistica per principianti Eva Pagano SID Academy: Metodologia degli studi clinici in diabetologia Bologna, 20-21 marzo 2018 Randomization Randomization ensures that each patient has an equal chance of
Variabili 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
Calcolo 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
Variabili 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
Metodologie statistiche per l analisi del rischio ELEMENTI DI PROBABILITÀ PER L ANALISI DEL RISCHIO
Corso di Laurea in Sicurezza igienico-sanitaria degli alimenti Metodologie statistiche per l analisi del rischio ELEMENTI DI PROBABILITÀ PER L ANALISI DEL RISCHIO Facoltà di Medicina Veterinaria, Università
Syllabus Course description
Syllabus Course description Course title Statistics Course code 27010 Scientific sector Degree Bachelor in Economics and Management Semester and academic year 1st semester 2019/2020 Year 2 Credits 6 Modular
Metodologie statistiche per l analisi del rischio ELEMENTI DI PROBABILITÀ PER L ANALISI DEL RISCHIO
Corso di Laurea in Sicurezza igienico-sanitaria degli alimenti Metodologie statistiche per l analisi del rischio ELEMENTI DI PROBABILITÀ PER L ANALISI DEL RISCHIO Facoltà di Medicina Veterinaria, Università
Testi del Syllabus. Testi in italiano. Resp. Did. TORELLI LUCIO Matricola: BORELLI MASSIMO, 3 CFU TORELLI LUCIO, 3 CFU.
Testi del Syllabus Resp. Did. TORELLI LUCIO Matricola: 004255 Docenti Anno offerta: Insegnamento: Corso di studio: Anno regolamento: 2018 CFU: Settore: Tipo Attività: Anno corso: Periodo: Sede: BORELLI
I 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,
Exam of ELECTRONIC SYSTEMS June 15 th, 2012 Prof. Marco Sampietro
Exam of ELECTRONIC SYSTEMS June 15 th, 2012 Prof. Marco Sampietro Matr. N NAME Problem 1 Operational Amplifier circuit 1. Considerare l amplificatore della figura seguente. Supporre inizialmente di usare
distribuzione 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.
Crescita e dimensione delle aziende: un approccio statistico Fabrizio Lillo
Crescita e dimensione delle aziende: un approccio statistico Fabrizio Lillo Scuola Normale Superiore (Italy) Measuring size and growth First of all firm size can be measured in many different ways: number
Docente Prof. Paola Perchinunno - Tel
Corso di Laurea: Scienze e Tecnologie Alimentari Corso: Modulo: STATISTICA (3 CFU) (2 CFU Lezioni + 1 CFU Esercitazioni) Docente Prof. Paola Perchinunno email: p.perchinunno@dss.uniba.it - Tel. 080 5045250
Modelli lineari generalizzati
Modelli lineari generalizzati Estensione del modello lineare generale Servono allo studio della dipendenza in media di una variabile risposta da una o più variabili antecedenti Vengono attenuate alcune
Indice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
A.S. 2011/2012. Circuito semaforico da incrocio. Corso di Elettronica. Dipartimento di Elettrotecnica
A.S. 2011/2012 Circuito semaforico da incrocio Corso di Elettronica Dipartimento di Elettrotecnica Alunno: Bari Aldo 3E 1 Relazione Elettronica Realizzazione di un impianto semaforico da incrocio 2 Relazione
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
A.A. 2006/2007 Laurea di Ingegneria Informatica. Fondamenti di C++ Horstmann Capitolo 3: Oggetti Revisione Prof. M. Angelaccio
A.A. 2006/2007 Laurea di Ingegneria Informatica Fondamenti di C++ Horstmann Capitolo 3: Oggetti Revisione Prof. M. Angelaccio Obbiettivi Acquisire familiarità con la nozione di oggetto Apprendere le proprietà