ELEMENTI DI CALCOLO DELLE PROBABILITA

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "ELEMENTI DI CALCOLO DELLE PROBABILITA"

Transcript

1 Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p X (x θ) dove θ è l insieme dei parametri che caratterizza la popolazione. In questo contesto, i dati osservati o raccolti rappresentano possibili realizzazioni della variabile casuale avvenute attraverso esperimenti casuali. Data la legge p X (x θ), possiamo calcolare la probabilità/densità di probabilità per ogni realizzazione X = x o insieme di realizzazioni X 1 = x 1,..., X n = x n.

2 Statistica, CLEA p. 2/55 Esperimento casuale L esperimento casuale è un esperimento il cui risultato non si può determinare con certezza. Ad esempio: risultato del lancio di una moneta colore di una pallina estratta da un urna contente palline di vario colore numeri estratti per il gioco del lotto Ciò che si può fare è calcolare la probabilità di ogni relizzazione dell esperimento. Si necessita: spazio di tutti i possibili eventi Ω variabile aleatoria X distribuzione di probabilità p X (x θ)

3 Statistica, CLEA p. 3/55 Spazio degli eventi Ω Definiamo con Ω, l insieme di tutti i possibili eventi elementari ω che si possono realizzare da un esperimento casuale. Consideriamo gli esperimenti k lanci consecutivi di una moneta k estrazioni da un urna contenente palline bianche e nere Spazio degli eventi Ω k = 1 k = 2 k = 3 T T T T T T C T C T T C CT T CT CC CT T T CC CCT CT C CCC Spazio degli eventi Ω k = 1 k = 2 k = 3 B BB BBB N BN BBN NB BNB NN NBB BNN NNB NBN NNN

4 Statistica, CLEA p. 4/55 Insiemi di eventi Consideriamo 3 lanci consecutivi di una moneta. L insieme degli eventi elemenatari ω: Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} Altri eventi almeno una volta testa: A = {T T T, T T C, T CT, CT T, T CC, CCT, CT C} due volte croce: B = {T CC, CCT, CT C} al massimo una volta testa: C = {T CC, CCT, CT C, CCC} tre volte croce, coincide con un evento elementare: ω = CCC

5 Statistica, CLEA p. 5/55 Operazione fra insiemi di eventi Consideriamo 2 eventi in Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC}: A = {T CC, CCT, CT C}, B = {T T T, T CC, CT C, CCC} UNIONE di eventi A B: insieme di eventi in A o in B A B = {T CC, CCT, CT C, T T T, CCC} INTERSEZIONI di eventi A B: insieme di eventi in A e in B A B = {T CC, CT C} NEGAZIONE di eventi A: insieme di eventi che non sono in A Ω \ A = {T T T, T T C, T CT, CT T, CCC}

6 Statistica, CLEA p. 6/55 Alcune proprietà Dato Ω lo spazio di tutti gli eventi e A, B Ω, con A, B A B non è mai un insieme vuoto A B può essere un insieme vuoto, allora A e B sono due eventi incompatibili, non si possono verificare contemporaneamente dati k eventi H 1,..., H k fra loro incompatibili, H i H j =, i, j = 1,..., k, sono anche esaustivi se A =, se e solo se A Ω Ω = H 1 H 2 H k A è un evento impossibile se non può mai verificarsi, quindi A Ω A è un evento certo se si verifica sempre, ad esempio: A Ω dato A, l evento complementare è l evento negato A = Ω \ A

7 Statistica, CLEA p. 7/55 Eventi condizionati Condizionare significa ridurre lo spazio Ω poiché si è verificato l evento B Ω, per cui B diventa un evento certo B = Ω \ B è un evento impossibile Consideriamo nello spazio Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} A = {T T T, T T C, T CT, CT T }: almeno due volte testa C = {T T C, T CT, CT T, T CC, CCT, CT C, CCC}: almeno 1 volta croce D = {CCT, CCC}: i primi due lanci croce Supponiamo di conoscere l esito del primo lancio che è T : evento certo B= testa al primo lancio e evento impossibile B= non testa al primo lancio. Lo spazio degli eventi possibili diventa Ω B = {T T T, T T C, T CT, T CC} da cui gli eventi condiziontati sono relativi non a Ω, ma a Ω B A B = {T T T, T T C, T CT } C B = {T T C, T CT, T CC} D B = è un evento impossibile perché D e B sono incompatibili

8 Statistica, CLEA p. 8/55 Probabilità: approccio classico Approccio classico: se tutti i casi sono equiprobabili, la probabilità di ogni evento A è il rapporto P (A) = numero dei casi favorevoli all evento numero di tutti i casi possibili Esempi di esperimenti casuali con risultati equiprobabili: lancio di un dado P (1) = P (2) = P (3) = P (4) = P (5) = P (6) = 1/6 lancio di una moneta non truccata P (T ) = P (C) = 1/2 =.5 estrazione di un numero da 1 a 9 P (1) = P (2) = = P (9) = 1/9

9 Statistica, CLEA p. 9/55 Esempio Consideriamo lo spazio Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} A = {T T T, T T C, T CT, CT T }: due volte testa P (A) = 4/8 =.5 C = {T T C, T CT, CT T, T CC, CCT, CT C, CCC}: almeno 1 volta croce P (C) = 7/8 =.875 D = {CCT, CCC}: i primi due lanci croce P (D) = 2/8 =.25

10 Statistica, CLEA p. 1/55 Probabilità condizionata Supponiamo di conoscere l esito del primo lancio che è T. Lo spazio degli eventi possibili diventa A B = {T T T, T T C, T CT } Ω B = {T T T, T T C, T CT, T CC} P (A B) = 3/4 =.75 C B = {T T C, T CT, T CC} P (C B) = 3/4 =.75 D B = P (D B) =

11 Statistica, CLEA p. 11/55 Assiomi e proprietà La probabilità è una funzione definita sullo spazio degli eventi Ω che associa ad ogni evento A Ω un numero reale P (A) P (A) 1 la prob. di un evento certo è 1: P (Ω) = 1 la prob. di un evento impossibile è, ma viceversa non è vero P (A B) = P (A) + P (B) P (A B) P (A B) = P (A) + P (B) se A B = P (A) = 1 P (A) P (A B) = P (A B)P (B) = P (B A)P (A), da cui P (A B) = P (A B)/P (B) P (A B) = P (A)P (B) se e solo se A e B sono indipendenti, da cui P (A B) = P (A) e P (B A) = P (B)

12 Statistica, CLEA p. 12/55 Indipendenza Due eventi A e B sono indipendenti, A B se e solo se P (A B) = P (A)P (B) Questo vuol dire che il verificarsi di B non influisce sulla probabilità di A e viceversa P (A B) = P (A B) P (B) = P (A)P (B) P (B) = P (A) P (B A) = P (A B) P (A) = P (A)P (B) P (A) = P (B) N.B. Se due eventi A e B con probabilità positive sono incompatibili, sicuramente non sono indipendenti, poiché se A e B sono incompatibili, A B =, quindi P (A B) = P (A). Analogamente, se due eventi sono indipendenti sono necessariamente compatibili.

13 Statistica, CLEA p. 13/55 Teorema delle probabilità totali Siano E 1,..., E k k eventi esaustivi ed incompatibili Ω = E 1 E k E j E i =, i, j = 1,..., k Dato un qualunque evento B Ω P (B) = P (B E 1 ) + + P (B E k ) P (B) = P (B E 1 )P (E 1 ) + + P (B E k )P (E k ) Esempio. Ci sono k urne E 1,..., E k contenenti palline bianche e nere. La probabilità di estrarre una pallina bianca considerando che la scelta delle urne è equiprobabile P (E i ) = 1 k, P (B E i) = numero palline bianche in E i numero palline in E i P (B) = numero palline bianche in E 1 1 numero palline in E 1 k + + numero palline bianche in E k 1 numero palline in E k k

14 Statistica, CLEA p. 14/55 Teorema di Bayes Consideriamo un modo alternativo di calcolare la probabilità condizionata P (A B) = P (B A) P (B) = P (B A)P (A) P (B A)P (A) + P (B A)P (A) dove il denominatore si può calcolare col teorema delle probabilità totali Interpretazione: supponiamo che l evento B sia l EFFETTO che può essere causato da tanti eventi E 1,..., E k che sono CAUSE esaustive e disgiunte P (CAUSA i EF F ET T O) = P (EF F ET T O CAUSA i)p (CAUSA i ) P (EF F ET T O) P (E i B) = P (B E i)p (E i ) P (B) = P (B E i )P (E i ) P (B E 1 )P (E 1 ) + + P (B E k )P (E k ) P (E i ): probabilità a priori della CAUSA (scegliere l urna E i ) P (E i B): probabilità a posteriori della CAUSA E i dato l EFFETTO B (estratta pallina bianca)

15 Statistica, CLEA p. 15/55 Variabile aleatoria X Una variabile aleatoria X è una funzione definita sullo spazio Ω che associa un numero reale X(ω) = x ad ogni elemento elementare ω Ω. X: numero di volte testa X: numero di palline nere Spazio degli eventi Ω e var. aleatoria X Spazio degli eventi Ω e var. aleatoria X k = 1 X k = 2 X k = 3 X k = 1 X k = 2 X k = 3 X T 1 T T 2 T T T 3 B BB BBB C T C 1 T T C 2 N 1 BN 1 BBN 1 CT 1 T CT 2 NB 1 BNB 1 CC CT T 2 NN 2 NBB 1 T CC 1 BNN 2 CCT 1 NNB 2 CT C 1 NBN 2 CCC NNN 3 N.B. Con X indichiamo una var. aleatoria, con x una possibile realizzazione.

16 Statistica, CLEA p. 16/55 Variabile aleatoria discreta Una variabile aleatoria X descrive il comportamento di un fenomeno a prescindere della realizzazione del singolo esperimento casuale dopo la realizzazione dell esperimento casuale, la variabile aleatoria assume un valore certo X = x la variabile aleatoria è DISCRETA se X assume un infinità numerabile di valori numero di volte testa in 3 lanci de una moneta numero di palline bianche estratte da un urna numero di prodotti difettosi al giorno numero di auto al casello ogni giorno etc...

17 Statistica, CLEA p. 17/55 Distribuzione di probabilità p X (x) Data una var. aleatoria X discreta, la distribuzione di probabilità p X (x) è una funzione che associa ad ogni x la probabilità di verificarsi p(x) = P (X = x) p(x) i p(x i) = probabilità numero di figli N.figli X tot p(x)

18 Statistica, CLEA p. 18/55 Funzione di ripartizione F (x) = P (X x) = p(x i ) x i x è non decrescente, continua a destra, lim x F (x) =,lim x F (x) = 1 1 Funzione di ripartizione.9.8 frequenze rel. cumulate numero di figli N.figli X p(x) F (x)

19 Statistica, CLEA p. 19/55 Valore atteso e varianza Il valore atteso di una variabile casuale X discreta è E(X) = µ X = i x i p(x i ) E(X) = µ X = = 1.21 La varianza di una variabile casuale X discreta è V(X) = E(X µ X ) 2 = i (x i µ X ) 2 p(x i ) V(X) = = 1.4 N.figli X p(x) (x i µ X )

20 Statistica, CLEA p. 2/55 Varianza e deviazione standard La varianza si può calcolare anche V(X) = E(X 2 ) µ 2 x = i x 2 i p(x i) µ 2 X V(X) = = 1.4 la deviazione standard è SD(X) = V(X) = 1.4 = 1.1 N.figli X p(x) x 2 i

21 Statistica, CLEA p. 21/55 Indipendenza fra var. casuali Date 2 variabili casuali X e Y rispettivamente con legge di probabilità p X (x) e p Y (x), la distribuzione della variabile congiunta (X, Y ) è p XY (x, y) = p X (x) p Y (y) X Y Esempio. Consideriamo il lancio di una moneta per cui P (1) =.2 e P () =.8 dove 1 indica il successo T e l insuccesso C. Consideriamo le variabili X= risultato del primo lancio Y = risultato del secondo lancio Dato che i due lanci sono indipendenti, possiamo calcolare p XY (x, y) p XY (X = 1, Y = ) = p X (1) p Y () =.2.8 p XY (X =, Y = 1) = p X () p Y (1) =.8.2 p XY (X = 1, Y = 1) = p X (1) p Y () =.2.2 p XY (X =, Y = ) = p X (1) p Y () =.8.8

22 Statistica, CLEA p. 22/55 Combinazioni lineari di var. casuali Date n variabili casuali X i ognuna distribuita con una legge di probabilità p Xi (x i ) con un certo valore atteso E(X i ) e una certa varianza V(X i ), consideriamo la variabile casuale Y ottenuta come combinazione lineare Y = n a i X i + b i, dove a i, b i sono costanti i=1 Se le X i sono tutte indipendenti fra loro E(Y ) = n a i E(X i ) + b i, V(Y ) = i=1 n a 2 i V(X i) i=1 Esempio. Siano due variabili casuali indipendenti X e Z con E(X) = 8, V(X) =.5 e con E(Z) =.4, V(Z) =.1. Consideriamo Y = 3X 4Z + 5 E(Y ) = , V(Y ) =

23 Statistica, CLEA p. 23/55 Alcune variabiabili casuali discrete X U(a, b) Uniforme, a x b X Be(π) Bernoulli, x =, 1 X Bin(n, π), Binomiale, x n X P o(λ), Poisson, x N.B. I valori a, b, n, π e λ sono i parametri che caratterizzano la distribuzione di probabilità che descrive il comportamento della variabile casuale X nella popolazione.

24 Statistica, CLEA p. 24/55 Distribuione discreta Uniforme La variabile casuale discreta X assume un numero finito di valori x 1,..., x K ed assume probabilità costante per ogni x i p(x i ) = 1 K, F (x) = num. di x i x K, i = 1..., K Esempio: X = lancio di un dado {1, 2, 3, 4, 5, 6} ha una distribuzione uniforme discreta 1.5 Distribuzione uniforme discreta 1 Distribuzione uniforme discreta probabilità.5 Funz. ripartizione X X

25 Statistica, CLEA p. 25/55 Distribuzione di Bernoulli (1) La variabile casuale discreta X Be(x π), dove π è la probabilità di successo, assume due valori x = 1: successo x = : insuccesso x = 1, p(x) = π, prob. successo p(x) = π x (1 π) 1 x, π 1 x =, p(x) = 1 π, prob. insuccesso E(X) = µ x = 1 π + (1 π) = π V(X) = E(X 2 ) µ 2 X = 1 π + (1 π) π2 = π(1 π) Esempio: consideriamo una moneta truccata per cui la probabilità di successo (T ) è π =.7 P (X = 1) = =.7 P (X = ) = =.3

26 Statistica, CLEA p. 26/55 Distribuione di Bernoulli (2) (nei grafici p si legga π) 1 Distribuzione di Bernoulli 1 Distribuzione di Bernoulli 1 Distribuzione di Bernoulli.8 p =.8.8 p = p =.5.7 probabilità.6.4 probabilità.6.4 probabilità Funz. ripartizione X p =.8 Distribuzione di Bernoulli X Funz. ripartizione X p =.3 Distribuzione di Bernoulli X Funz. ripartizione X p =.5 Distribuzione di Bernoulli X

27 Statistica, CLEA p. 27/55 Distribuzione Binomiale (1) La variabile casuale discreta X Bin(x n, π), dove π è la probabilità di successo e n è la dimensione del campione assume valori x n p(x) = ( n x) π x (1 π) n x, π 1 dove x indica il numero di successi in n prove indipendenti. E(X) = µ x = nπ, V(X) = nπ(1 π) Esempio: consideriamo un urna contenente 1 palline bianche e 15 palline nere. Il successo è l estrazione di pallina bianca (B) la cui probabilità è π = 1/25 =.4. La probabilità di ottenere x = 3 successi in n = 5 prove è P (X = 3) = ( 5 3) = 5! 3!2! =.23 P (X = ) = ( 5 ) =.8, P (X = 5) = ( 5 5) =.1

28 Statistica, CLEA p. 28/55 Distribuione Binomiale (2) (nei grafici p si legga π).45 Distribuzione binomiale.4 Distribuzione binomiale.35 Distribuzione binomiale.4 p = p =.5 probabilità probabilità p =.7 probabilità X X X Prob. di più di 3 successi: P (X > 3) = P (X = 4) + P (X = 5) Prob, di al massimo 2 successi: P (X 2) = P (X = ) + P (X = 1) + P (X = 2) Prob. di almeno 1 successo: P (X 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) = 1 P (X = )

29 Statistica, CLEA p. 29/55 Binomiale come somma di Bernoulli (1) La variabile casuale X Binomiale può essere vista come somma di n variabili Y Bernoulli indipendenti e identicamente distribuite (con lo stesso parametro p) X = n i=1 Y i Per l indipendenza E(X) = n E(Y i ) = i=1 n π = nπ, V(X) = i=1 n V(Y i ) = i=1 n π(1 π) = nπ(1 π) i=1 Per ogni var. Y i Bernoulli si può calcolare la prob. di successo P (Y i = T ) in un singolo lancio di una moneta secondo una prob. di successo π. La var. X binomiale calcola la prob. di x volte testa (successi) in n lanci indipendenti ognuno dei quali ha la stessa prob. di successo π.

30 Statistica, CLEA p. 3/55 Binomiale come somma di Bernoulli (2) Esempio. Dati n = 3 lanci indipendenti di una moneta in cui la probabilità di successo (T ) è π =.3, calcolare la probabilità di una volta testa, P (X = 1), X Bin(x n, π). Ad esempio calcoliamo la prob. di questo risultato, che, data l indipendenza delle prove, P (T C C) = P (T ) P (C) P (C) = = Quanti sono i possibili risultati per cui si ha un solo successo? ( n x) = ( 3 1) = 3 : (T CC), (CT C), (CCT ). Da cui, se X è Binomaile con n = 3 e π =.3, P (X = 1) = ( 3 1)

31 Statistica, CLEA p. 31/55 Variabile aleatoria continua Una variabile aleatoria X è CONTINUA se X assume un infinità non numerabile di valori altezza peso distanza tempo di percorrenza etc... Alcuni aspetti delle variabili continue: Se ogni possibile realizzaione della X è equiprobabile, allora P (X = x) =, per ogni x R. La funzione di probabilità non si può usare, come nel caso discreto per descrivere il comportamento di una var. casuale continua. Con la funzione di ripartizione possiamo calcolare la prob. di un intervallo F (x) = P (X x) Per descrivere la X si utilizza la funzione di densità f X (x) = d dx F (x)

32 Statistica, CLEA p. 32/55 La funzione di densità f X (x) Data una variabile aleatoria continua X, la funzione di densità f(x) = d dx F (x) è una curva per ogni valore x attribuisce la densità di probabilità probabilità. La probabilità è l area al di sotto della curva P (a X b) = b a f X (x)dx = F (b) F (a) Proprietà: f(x), per ogni x R, ma non necessariamente f(x) 1 + f X(x)dx = 1

33 Statistica, CLEA p. 33/55 Funzione di ripartizione F (x) = P (X x) = x f(x)dx è non decrescente, continua, lim x F (x) =,lim x F (x) = 1 1 Funzione di ripartizione 4 Funzione di densità media = 1.6 varianza = media = 1.6 varianza = F(x).5 f(x) altezza altezza

34 Statistica, CLEA p. 34/55 Valore atteso e varianza Il valore atteso di una variabile casuale X continua è E(X) = µ X = + xf(x)dx La varianza di una variabile casuale X continua è V(X) = E(X µ X ) 2 = + (x µ X ) 2 f(x)dx oppure + V(X) = E(X 2 ) µ 2 x = x 2 f(x)dx µ 2 X la deviazione standard è SD(X) = V(X)

35 Statistica, CLEA p. 35/55 Variabili standardizzate Una variabile Z è standardizzata quando E(X) = V(X) = 1 Una variabile X con valore atteso E(X) e varianza V(X) si può standardizzare Z = X E(X) V(X), E(Z) = E(X) E(X) V(X) =, V(Z) = V(X) V(X) = Media = 1.6 Varianza =.1.5 Variabile standardizzata Media = 1.6 Varianza = densità densità altezza altezza standardizzata

36 Statistica, CLEA p. 36/55 Indipendenza e combinazioni lineari Date 2 variabili casuali X e Y rispettivamente con funzione di densità f X (x) e f Y (x), la distribuzione della variabile congiunta (X, Y ) è f XY (x, y) = f X (x) f Y (y) X Y Date n variabili casuali X i ognuna con funzione di densità f Xi (x i ) con un certo valore atteso E(X i ) e una certa varianza V(X i ), consideriamo la variabile casuale Y ottenuta come combinazione lineare Y = n a i X i + b i, dove a i, b i sono costanti i=1 Se le X i sono tutte indipendenti fra loro E(Y ) = n a i E(X i ) + b i, V(Y ) = i=1 n a 2 i V(X i) i=1

37 Statistica, CLEA p. 37/55 Alcune variabili aleatorie continue X N(µ, σ 2 ) Normale, < x < + X t(r) t-student, < x < + X χ 2 (r) chi-quadrato, x X F (r 1, r 2 ) Fisher x N.B. I valori µ, σ 2, r, r 1 e r 2 sono i parametri che caratterizzano la distribuzione di probabilità che descrive il comportamento della variabile casuale X nella popolazione.

38 Statistica, CLEA p. 38/55 Distribuzione Normale La variabile casuale X Normale o Gaussiana ha una forma campanulare ed è simmetrica. E caratterizzata da due parametri E(X) = µ la media V(X) = σ 2 la varianza f X (x µ, σ 2 ) = 1 2πσ 2 exp[ (x µ)2 2σ 2 ], x + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x µ, σ 2 )dx = F (b) F (a) P (X a) = a f X (x µ, σ 2 )dx = F (a), P (X a) = + a f X (x µ, σ 2 )dx = 1 F (a) N.B. Si dimostra che f X (x µ, σ 2 )dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole).

39 Statistica, CLEA p. 39/55 Distribuzione Normale (2) 1.9 P(a < X < b) = F(b) F(a) = =.8.4 =.4 Funzione di ripartizione P(a < X < b) =.4 media = 1.6 varianza = F(b) media = 1.6 varianza = F(a) a b altezza 1.5 a b altezza

40 Statistica, CLEA p. 4/55 La media: parametro di posizione Media = 1.6 Varianza = media = 1.4 varianza = densità densità altezza altezza media = 1.6 varianza = media = 1.4 varianza =.2 Funz. ripartizione Funz. ripartizione altezza altezza

41 Statistica, CLEA p. 41/55 La varianza: parametro di dispersione Media = 1.6 Varianza = Media = 1.6 Varianza = densità 1.5 densità altezza altezza media = 1.6 varianza = media = 1.6 varianza = Funz. ripartizione Funz. ripartizione altezza altezza

42 Statistica, CLEA p. 42/55 Combinazioni lineari di Normali Se X 1,..., X n sono var. casuali N(µ i, σi 2 ) indipendenti, la combinazione lineare Y = n a i X i i=1 Y N( i a i µ i, i a 2 i σ2 i ) Se X 1,..., X n sono i.i.d. N(µ, σ 2 ), Y N(nµ, nσ 2 )

43 Z: la Normale standard La variabile casuale Z normale standardizzata ha la caratteristica di avere µ = σ 2 = 1 f Z (z, 1) = 1 2π exp[ z2 2 ] media = varianza = media = varianza = 1 densità Funz. ripartizione Z Z Statistica, CLEA p. 43/55

44 Statistica, CLEA p. 44/55 Z: esempio (1) Attraverso le tavole della Normale standard si può calcolare la probabilità P (Z ) =.5, P (Z ) = P(Z <.31) =.62 Normale standard P(Z >.31) = 1 P(Z <.31) = 1.62 = P (Z.31) =.62 >.5, P (Z.31) =.38 <.5

45 Statistica, CLEA p. 45/55 Z: esempio (2) Normale standard P(Z <.45) = P(Z >.45) = 1 P(Z <.45) = = 1.67 =.33 P(Z >.45) = P(Z <.45) = P (Z.45) = 1 P (Z.45) = 1.67 =.33 P (Z.45) = P (Z.45) = 1 P (Z.45) = 1.67 =.33

46 Statistica, CLEA p. 46/55 Distribuzione t-student La variabile casuale X t (r) ha una forma campanulare ed è simmetrica rispetto allo. Rispetto alla Normale standard ha le code più pesanti. E caratterizzata dal parametro r: gradi di libertà f X (x r) = Γ[(r + 1)/2] πrγ(r/2), x +, r N + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x r)dx = F (b) F (a) N.B. Si dimostra che f X (x r)dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole). E(X) =, V(X) = r r 2

47 Statistica, CLEA p. 47/55 I gradi di libertà.4 t Student 1 t Student.35.3 r = 3 r = 5 r = r = 3 r = 5 r = 1 densità X Funz. ripartizione X Quando aumentano i gradi di libertà diminuisce la varianza e quindi la dispersione

48 Statistica, CLEA p. 48/55 t-student: esempio Attraverso le tavole si può calcolare la probabilità P (X ) =.5, P (X ) = r = 1 r = 5 r = 3 P(X > 3.8) =.1 P(X > 1.48) =.1 P(X > 1.31) =

49 Statistica, CLEA p. 49/55 t-student Normale standard Quando i gradi di libertà aumentano, la t-student tende ad una Normale standard Normale Standard r = 3 r = 5 r = 1 densità X

50 Statistica, CLEA p. 5/55 Distribuzione chi-quadrato La variabile casuale X χ 2 (r) parametro r: gradi di libertà mostra un asimmetria positiva. E caratterizzata dal f X (x r) = 1 2 r/2 Γ(r/2) xr/2 1 e x/2, x, r N + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x r)dx = F (b) F (a) N.B. Si dimostra che f X (x r)dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole). E(X) = r, V(X) = 2r

51 Statistica, CLEA p. 51/55 I gradi di libertà.25 1 r = r = 1 r = r = 15 r = 1 densità.15.1 Funz. ripartizione r = X X Quando aumentano i gradi di libertà diminuisce l asimmetria

52 Statistica, CLEA p. 52/55 χ 2 (r) : esempio Attraverso le tavole si può calcolare la probabilità r = 3 r = 1 r = 15 P(X > 6.25) =.1 P(X > 15.99) =.1 P(X > 22.31) =.1 densità

53 Statistica, CLEA p. 53/55 Teorema del limite centrale Se X 1,..., X n sono i.i.d. E(X i ) = µ, V(X i ) = σ 2 allora la loro somma Y = n i=1 X i, Y N(nµ, nσ 2 ) L approssimazione è tanto migliore quanto maggiore è n. Inoltre, la bontà dell approssimazione dipende molto dalla forma della distribuzione di partenza. Esempio. Consideriamo n variabili χ 2 (1) : X 1,..., X n, con E(X i ) = 1 e V(X i ) = 2 Y = n i=1 X i Per le proprietà della distribuzione χ 2, Y χ 2. Per il teorema del limite centrale, (n) quando n è molto grande Y N(n, 2n)

54 Statistica, CLEA p. 54/55 TLC: esempio (1).16 Chi quadro 5 d.f. e N(5, 1).1 Chi quadro 1 d.f. e N(1, 2) chi quadro (5) N(5,1) chi quadro (1) N(1,2).1.6 densità.8 densità

55 Statistica, CLEA p. 55/55 TLC: esempio (2).8 Chi quadro 15 d.f. e N(15, 3).6 Chi quadro 3 d.f. e N(3, 6).7 chi quadro (15) N(15,3).5 chi quadro (3) N(3,6) densità.4 densità

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

Dettagli

Statistica Applicata all edilizia: alcune distribuzioni di probabilità

Statistica Applicata all edilizia: alcune distribuzioni di probabilità Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Probabilità II Variabili casuali discrete

Probabilità II Variabili casuali discrete Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Inferenza statistica. Inferenza statistica

Inferenza statistica. Inferenza statistica Spesso l informazione a disposizione deriva da un osservazione parziale del fenomeno studiato. In questo caso lo studio di un fenomeno mira solitamente a trarre, sulla base di ciò che si è osservato, considerazioni

Dettagli

Cosa dobbiamo già conoscere?

Cosa dobbiamo già conoscere? Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire

Dettagli

CP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione

CP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 8 luglio, 2010 CP110 Probabilità: Esame del 3 giugno 2010 Testo e soluzione 1. (6 pts 12 monete da 1 euro vengono distribuite tra

Dettagli

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛ Università di Macerata Facoltà di Scienze Politiche - Anno accademico 009- Una variabile casuale è una variabile che assume determinati valori con determinate probabilità; Ad una variabile casuale è associata

Dettagli

Teoria della probabilità Assiomi e teoremi

Teoria della probabilità Assiomi e teoremi Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Assiomi e teoremi A.A. 2008-09 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento

Dettagli

PARTE PRIMA PROBABILITA

PARTE PRIMA PROBABILITA i PARTE PRIMA PROBABILITA CAPITOLO I - Gli assiomi della probabilità 1.1 Introduzione........................................................... pag. 1 1.2 Definizione assiomatica di probabilità.......................................

Dettagli

1 Probabilità condizionata

1 Probabilità condizionata 1 Probabilità condizionata Accade spesso di voler calcolare delle probabilità quando si è in possesso di informazioni parziali sull esito di un esperimento, o di voler calcolare la probabilità di un evento

Dettagli

Probabilità. Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità

Probabilità. Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità Probabilità Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità Probabilità: indicazioni quantitative sul verificarsi di certi eventi (linguaggio comune), ad es. P di superare o

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

VARIABILI ALEATORIE E VALORE ATTESO

VARIABILI ALEATORIE E VALORE ATTESO VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI

E NECESSARIO RICORRERE ALLE VARIABILI CASUALI IL CONCETTO DI VARIABILE CASUALE Associare una misura di probabilità al verificarsi di un certo evento (come esito di un esperimento) non sempre è sufficiente a risolvere gran parte dei problemi reali

Dettagli

STATISTICA E PROBABILITá

STATISTICA E PROBABILITá STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano

Dettagli

Esercizi. Rappresentando le estrazioni con un grafo ad albero, calcolare la probabilità che:

Esercizi. Rappresentando le estrazioni con un grafo ad albero, calcolare la probabilità che: Esercizi Esercizio 4. Un urna contiene inizialmente 2 palline bianche e 4 palline rosse. Si effettuano due estrazioni con la seguente modalità: se alla prima estrazione esce una pallina bianca, la si rimette

Dettagli

1. la probabilità che siano tutte state uccise con pistole; 2. la probabilità che nessuna sia stata uccisa con pistole;

1. la probabilità che siano tutte state uccise con pistole; 2. la probabilità che nessuna sia stata uccisa con pistole; Esercizi di Statistica della 5 a settimana (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Esercizio 1. L FBI ha dichiarato in un rapporto che il 44% delle vittime di un omicidio

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

(concetto classico di probabilità)

(concetto classico di probabilità) Probabilità matematica (concetto classico di probabilità) Teoria ed esempi Introduzione Il calcolo delle probabilità è la parte della matematica che si occupa di prevedere, sulla base di regole e leggi

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il calcolo delle probabilità ha avuto origine nel Seicento in riferimento a questioni legate al gioco d azzardo e alle scommesse. Oggi trova tante applicazioni in ambiti anche

Dettagli

Elementi di probabilità

Elementi di probabilità Elementi di probabilità Alessandra Nardi Gianpaolo Scalia Tomba Caius Gavrila Livio Finos Dipartimento di Matematica Università di Roma Tor Vergata 27 dicembre 2012 Outline Le denizioni di probabilità

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

Capitolo 4 Probabilità

Capitolo 4 Probabilità Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE AREA TECNICO ASSISTENZIALI

Dettagli

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010 LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno

Dettagli

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete

Corso di Calcolo delle Probabilità e Statistica. Esercizi su variabili aleatorie discrete Corso di Calcolo delle Probabilità e Statistica Esercizi su variabili aleatorie discrete Es.1 Da un urna con 10 pallina bianche e 15 palline nere, si eseguono estrazioni con reimbussolamento fino all estrazione

Dettagli

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

ESERCIZI DI RIEPILOGO 2. 7 jj(addi

ESERCIZI DI RIEPILOGO 2. 7 jj(addi ESERCIZI DI RIEPILOGO 2 ESERCIZIO 1 Da un comune mazzo di 52 carte francesi (13 carte per ognuno dei quattro semi: picche, cuori, fiori e quadri) viene estratta casualmente una carta. Definiti gli eventi:

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato

Dettagli

Marco Di Marzio. Primi elementi di inferenza statistica

Marco Di Marzio. Primi elementi di inferenza statistica Marco Di Marzio Primi elementi di inferenza statistica Ringraziamenti Un sentito ringraziamento a Fabiola Del Greco e Agnese Panzera per la preziosa collaborazione. Indice Probabilità. Esperimenti casuali...........................................2

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

PROBABILITA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

PROBABILITA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia PROBABILITA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO Probabilità Variabili casuali: distribuzioni, densità, istogrammi Media, varianza, momenti Distribuzione

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze

Dettagli

1 Modelli di variabili aleatorie continue

1 Modelli di variabili aleatorie continue Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Probabilità e Statistica Esercitazioni. a.a. 2006/2007 Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile

Dettagli

La Distribuzione Normale (Curva di Gauss)

La Distribuzione Normale (Curva di Gauss) 1 DISTRIBUZIONE NORMALE o CURVA DI GAUSS 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito

Dettagli

Lezioni di STATISTICA MATEMATICA A

Lezioni di STATISTICA MATEMATICA A Università di Modena e Reggio Emilia Facoltà di Ingegneria Lezioni di STATISTICA MATEMATICA A Corso di Laurea in Ingegneria Meccanica Corso di Laurea in Ingegneria dei Materiali - Anno Accademico 010/11

Dettagli

TEORIA DELLA PROBABILITÀ I

TEORIA DELLA PROBABILITÀ I TEORIA DELLA PROBABILITÀ I Dipartimento di Matematica ITIS V.Volterra San Donà di Piave Versione [2015-16] Indice 1 Probabilità 1 1.1 Introduzione............................................ 1 1.2 Eventi...............................................

Dettagli

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo

Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo Calcolo delle Probabilità A.A. 2013/2014 Corso di Studi in Statistica per l Analisi dei dati Università degli Studi di Palermo docente Giuseppe Sanfilippo http://www.unipa.it/sanfilippo giuseppe.sanfilippo@unipa.it

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

Inferenza Statistica a.a. 2010/2011. Docente Dott.a Daniela Nappo daniela.nappo@unina.it

Inferenza Statistica a.a. 2010/2011. Docente Dott.a Daniela Nappo daniela.nappo@unina.it Inferenza Statistica a.a. 2010/2011 Docente Dott.a Daniela Nappo daniela.nappo@unina.it Programma del corso Richiami delle variabili casuali Richiami di inferenza (stima e stimatore, stima puntuale ed

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità David Barbato Questa raccolta comprende sia gli esercizi dell esercitazione del 14 febbraio sia gli esercizi di ricapitolazione sulle

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE 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 -

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo febbraio 2015 Modelli continui di probabilità: la v.c. uniforme continua Esercizio 1 Anna ha una gift card da 50 euro. Non si sa se sia mai stata utilizzata

Dettagli

Esercitazioni di Statistica con Matlab

Esercitazioni di Statistica con Matlab Dalmine, 28 aprile 2004 Esercitazioni di Statistica con Matlab Dott. Orietta Nicolis orietta.nicolis@unibg.it 1 0.8 0.6 0.4 0.2 0-0.2-0.4 40 30 20 10 0 0 5 10 15 20 25 30 35 V.c.d. di Poisson P(X = x)

Dettagli

A = { escono 2 teste e due croci (indipendentemente dall ordine) } B = { al primo tiro esce testa }.

A = { escono 2 teste e due croci (indipendentemente dall ordine) } B = { al primo tiro esce testa }. ESERCIZI ELEMENTARI DI CALCOLO DELLE PROBABILITÀ Teorema della somma 1) Giocando alla roulette, calcolare la probabilità che su una estrazione esca: a) Un numero compreso tra 6 e 12 (compresi) oppure maggiore

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del

Dettagli

Corso di Matematica. Corso di Laurea in Farmacia, Facoltà di Farmacia. Università degli Studi di Pisa. Maria Luisa Chiofalo.

Corso di Matematica. Corso di Laurea in Farmacia, Facoltà di Farmacia. Università degli Studi di Pisa. Maria Luisa Chiofalo. Corso di Matematica Corso di Laurea in Farmacia, Facoltà di Farmacia Università degli Studi di Pisa Maria Luisa Chiofalo Scheda 18 Esercizi svolti sul calcolo delle probabilità I testi degli esercizi sono

Dettagli

matematica probabilmente

matematica probabilmente IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili

Dettagli

Algoritmi (9 CFU) (A.A. 2009-10)

Algoritmi (9 CFU) (A.A. 2009-10) Algoritmi (9 CFU) (A.A. 2009-10) Probabilità e Algoritmi randomizzati Prof. V. Cutello Algoritmi 1 Overview Definiamo concetti di base di probabilità Variabili casuali e valore medio Algoritmi randomizzati

Dettagli

Esercizi sul calcolo delle probabilità

Esercizi sul calcolo delle probabilità Esercizi sul calcolo delle probabilità Svolti e da svolgere (per MAR 13 marzo) Dati due eventi A e B dello spazio campionario Ω. Si sappia che P(A c )=0,3 P(B)=0,4 e P(A B c )=0,5 si determinino le probabilità

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità Luca Mari, versione 2.3.15 Contenuti La generazione combinatoria di campioni...1 L algebra dei campioni...4 Il calcolo delle frequenze relative dei campioni...5 Indipendenza

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA ANNO ACCADEMICO 2013-2014 UNIVERSITA DEGLI STUDI DI TERAMO FACOLTA DI MEDICINA VETERINARIA CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA CFU 5 DURATA DEL CORSO : ORE 35 DOCENTE PROF. DOMENICO DI DONATO

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/2/215 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema di

Dettagli

APPUNTI DI CALCOLO COMBINATORIO E PROBABILITA' Corso di Matematica ed Elementi di Statistica Scienze della Natura a.a. 2013/14

APPUNTI DI CALCOLO COMBINATORIO E PROBABILITA' Corso di Matematica ed Elementi di Statistica Scienze della Natura a.a. 2013/14 APPUNTI DI CALCOLO COMBINATORIO E PROBABILITA' Corso di Matematica ed Elementi di Statistica Scienze della Natura a.a. 2013/14 Elementi di calcolo combinatorio. Primi elementi di probabilita: denizione

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

Probabilità e Statistica Esercitazioni. a.a. 2009/2010. C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico.

Probabilità e Statistica Esercitazioni. a.a. 2009/2010. C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico. Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico Probabilità Ines Campa e Marco Longhi Probabilità e Statistica - Esercitazioni

Dettagli

1 Breve introduzione alla probabilità elementare: approccio intuitivo

1 Breve introduzione alla probabilità elementare: approccio intuitivo Breve introduzione alla probabilità elementare: approccio intuitivo. È usuale che in molte situazioni che si presentano concretamente ci sia a priori incertezza su ciò che accadrà nel futuro: il calcolo

Dettagli

Esercizi di probabilità discreta

Esercizi di probabilità discreta Di seguito, potete trovare i testi (con risposta) degli esercizi svolti (o proposti) nel corso di esercitazioni dell insegnamento di Matematica applicata. 1 Esercizi di probabilità discreta Algebra degli

Dettagli

Calcolo delle P robabilitá. Esercizi svolti e quesiti per il CdS in Economia e Finanza

Calcolo delle P robabilitá. Esercizi svolti e quesiti per il CdS in Economia e Finanza Calcolo delle P robabilitá Esercizi svolti e quesiti per il CdS in Economia e Finanza Giuseppe Sanfilippo Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Università degli Studi di Palermo

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Calcolo delle probabilità Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si vuole studiare la distribuzione del sesso dei figli nelle famiglie aventi due figli

Dettagli