La media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
|
|
- Alberto Romani
- 4 anni fa
- Visualizzazioni
Transcript
1 La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato di n misurazioni (indipendenti) di una stessa quantità (aleatoria), la media è la media aritmetica di queste misurazioni.
2 La media È naturale chiedersi alcune cose su X n : posso dire che legge ha? c entra qualcosa con E(X)? Alla prima domanda rispondiamo che in generale non si è semplice conoscere la legge di X n, ma se n è grande e ci si accontenta di un approssimazione, il Limite Centrale dà una risposta. Alla seconda domanda risponderà la legge dei grandi numeri.
3 Su E(X 1 ) X n Notiamo fin d ora: se i valori che ognuna delle v.a. può assumere sono, ad esempio, v 1, v 2, v 3, v 4 e f X1 (v 1 ) = p 1, f X1 (v 2 ) = p 2, f X1 (v 3 ) = p 3, f X1 (v 4 ) = p 4, allora X n = 1 n (v 1 num. di volte che v 1 è presente nei dati + v 2 num. di volte che v 2 è presente nei dati + v 3 num. di volte che v 3 è presente nei dati + v 4 num. di volte che v 4 è presente nei dati) =v 1 freq.rel. di v 1 + v 2 freq.rel. di v 2 + v 3 freq.rel. di v 3 + v 4 freq.rel. di v 4 ) v 1 p 1 + v 2 p 2 + v 3 p 3 + v 4 p 4 = E(X 1 ). Quindi X n E(X 1 ) se pensiamo che le frequenze relative probabilità.
4 Su E(X 1 ) X n È dunque piuttosto naturale dire che, SE frequenze relative probabilità ALLORA ANCHE X n E(X 1 ). L idea di fondo è che frequenze relative probabilità sia un fatto improbabile se n è grande. L affermazione precisa è la legge dei che vedremo a breve.
5 Il teorema del Teorema Sia {X i } i 1 una successione di v.a. i.i.d. tutte con valore atteso E(X i ) = µ e varianza finita Var(X i ) = σ 2 > 0. Sia Allora per ogni t R vale S n = X n µ σ/ n. P(S n t) n + Φ(t).
6 S n = X n µ σ/ n. Significato è la standardizzata della media, infatti E(X n ) = E = 1 n Var(X n ) = Var ( 1 n ) n X i = 1 n i=1 n µ = µ. i=1 ( 1 n = 1 n 2 n i=1 n E(X i ) i=1 ) n X i = 1 n n 2 Var(X i ) i=1 σ 2 = σ2 n. i=1
7 Significato P(S n t) n + Φ(t) = P(N(0, 1) t). ci dice la legge di Sn si approssima, per n grande, con quella di una N(0, 1). In altre parole, se vogliamo calcolare probabilità relative a S n possiamo utilizzare quelle relative a N(0, 1) come approssimazione.
8 Approssimazione normale qui con indichiamo l approssimazione delle probabilità di cui abbiamo appena discusso: Pro S n N(0, 1) X n N(µ,σ 2 /n) X X n N(nµ, nσ 2 ) Questa approssimazione vale qualsiasi sia la legge delle X 1,..., X n. Contro È un approssimazione e vale solo se n è sufficientemente grande, ma quanto grande dipende dalla legge delle X 1,..., X n.
9 Quando vale l approssimazione In generale, se la legge delle X 1,...,X n non è troppo asimmetrica, a livello empirico si considera che n = 30 sia abbastanza grande. Se invece la legge di ciascuna X i è B(p), l approssimazione normale si considera valida se sia np che n(1 p) sono 5.
10 Grafici di approssimazione Prendiamo come esempio una successione di v.a. X i di tipo esponenziale (non è importante qui sapere come sono definite) e confrontiamo il grafico della densità della standardizzata di X n con quello di N(0, 1): 0,4 0,3 0,2 0, x S_10^* S_5^* N(0,1) 3
11 Grafici di approssimazione In realtà il teorema confronta le aree e non le curve, ma poiché siamo abituati a vedere la campana della densità N(0, 1) guardiamo questi grafici: 0,4 0,3 0,2 0, N(0,1) S_50^* S_20^*
12 Grafici di approssimazione Vediamo infine tutte le densità: quella di N(0, 1) e quelle di S 5, S 10, S 20, S 50. 0,4 0,3 0,2 0, x S_5^* N(0,1) S_10^* S_50^* S_20^*
13 Grafici di approssimazione Invece della densità, guardiamo ora il grafico della funzione x P(N(0, 1) x) = 1 0,8 0,6 0,4 0, P(N(0,1)<x)
14 Grafici di approssimazione Confrontiamo con gli analoghi grafici per le medie campionarie standardizzate di prima (S 5 e S 10 ): 1 0,8 0,6 0,4 0, x P(S_5^*<x) P(N(0,1)<x) P(S_10^*<x)
15 Grafici di approssimazione Consideriamo ora X 1, X 2, X 3, X 4, X 5 indipendenti e ciascuna con legge B(0.5). Sia S 5 = X 1 + X 2 + X 3 + X 4 + X 5 e guardiamo il grafico della funzione 1 0,8 0,6 x P(S 5 x) 0,4 0,
16 Grafici di approssimazione Standardizziamo S 5 e guardiamo il grafico di P(S 5 x) 1 0,8 0,6 0,4 0,
17 Grafici di approssimazione Confrontiamo il grafico di P(S5 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
18 Grafici di approssimazione Confrontiamo il grafico di P(S10 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
19 Grafici di approssimazione Confrontiamo il grafico di P(S30 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
20 Grafici di approssimazione Prendiamo ora delle B(0.2): confrontiamo il grafico di P(S5 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
21 Grafici di approssimazione Confrontiamo il grafico di P(S10 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
22 Grafici di approssimazione Confrontiamo il grafico di P(S30 x) e quello di P(N(0, 1) x): 1 0,8 0,6 0,4 0,
23 La binomiale Una delle approssimazioni normali viste è X X n N(nµ, nσ 2 ) poiché una B(n, p) può essere vista come somma di n B(p) indipendenti ne ricaviamo B(n, p) N(np, np(1 p)).
24 La moneta Se lancio 1000 volte una moneta equilibrata, qual è la probabilità che escano meno di 490 teste? e più di 530? E che la differenza con 500 superi 5? P(B(1000, 0.5) < 490) P(N(500, 250) < 490) P(B(1000, 0.5) > 530) P(N(500, 250)) > 530) P( B(1000, 0.5) 500 > 5) P( N(500, 250) 500 > 5)
25 Calcoliamo P(B(1000, 0.5) < 490) P(N(500, 250) < 490) = P(N(0, 1) < = = ) = Φ( 0.63) 250 P(B(1000, 0.5) > 530) P(N(500, 250)) > 530) = P(N(0, 1) > = = ) = 1 Φ(1.90) 250 P( B(1000, 0.5) 500 > 5) P( N(500, 250) 500 > 5) = P( N(0, 1) > 5 ) = 2(1 Φ(0.32)) 250 = 2 ( ) =
26 10000 lanci Se lancio volte una moneta equilibrata, qual è la probabilità che escano meno di 4900 teste? e più di 5300? E che la differenza con 5000 superi 50? P(B(10000, 0.5) < 4900) P(N(5000, 2500) < 4900) P(B(10000, 0.5) > 5300) P(N(5000, 2500)) > 5300) P( B(10000, 0.5) 500 > 50) P( N(5000, 2500) 5000 > 50)
27 Calcoliamo P(B(10000, 0.5) < 4900) P(N(5000, 2500) < 4900) = P(N(0, 1) < = = ) = Φ( 2) 2500 P(B(1000, 0.5) > 5300) P(N(5000, 2500)) > 5300) = P(N(0, 1) > ) = 1 Φ(6) 0 P( B(10000, 0.5) 5000 > 5) P( N(5000, 2500) 5000 > 50) = P( N(0, 1) > ) = 2(1 Φ(1)) = 2 ( ) =
28 e varianza cosa dicono? Ricordiamo: se X è una v.a. E(X) è un indice di posizione, Var(X) un indice di dispersione. Vogliamo ora quantificare il significato di varianza = misura della dispersione : la disuguaglianza di è quello che ci serve. Pafnuty Lvovich ( )
29 Disuguaglianza di Disuguaglianza di Sia X una v.a. con E(X)=µ e Var(X)=σ 2. Sia δ un numero reale positivo prefissato. Vale la seguente disuguaglianza: o equivalentemente P( X µ δσ) 1 δ 2 P( X µ < δσ) 1 1 δ 2.
30 La prima versione Sciogliendo il modulo in P( X µ δσ) 1 δ 2 e il fatto che (X µ + δσ) e (X µ δσ) sono eventi incompatibili otteniamo che P(X µ + δσ) + P(X µ δσ) 1 δ 2
31 La prima versione Significa che la probabilità che la v.a. X assuma valori X µ δσ µ µ+δσ oppure X µ δσ µ µ+δσ è minore di 1 δ 2.
32 La seconda versione Sciogliendo il modulo in P( X µ < δσ) 1 1 δ 2 otteniamo che P(µ δσ < X < µ + δσ) 1 1 δ 2
33 La seconda versione Significa che la probabilità che la v.a. X assuma valori X µ δσ µ µ+δσ è maggiore o uguale a 1 1 δ 2.
34 con alcuni δ Riscriviamo la seconda versione di con δ = 2, 3, 5, 10: P(µ 2σ < X < µ + 2σ) = 0.75 P(µ 3σ < X < µ + 3σ) = 0.88 P(µ 5σ < X < µ + 5σ) = 0.96 P(µ 10σ < X < µ + 10σ) = 0.99
35 Significato Ad esempio con δ = 5 abbiamo che con una probabilità almeno del 96% X assume valori nell intervallo [µ 5σ,µ + 5σ]; con una probabilità al massimo del 4% X assume valori fuori da quell intervallo. Cosa mi dice Non so prevedere esattamente il valore di X (perché è una v.a.), MA ho un intervallo di valori in cui è molto probabile che si trovi il valore che X assumerà.
36 Varianza=dispersione P(µ δσ < X < µ + δσ) 1 1 δ 2 Come influisce la varianza σ 2 La probabilità (almeno 1 1 δ 2 ) è fissata se scelgo δ, ma quanto è largo l intervallo dipende da σ 2. µ δσ µ µ+δσ
37 con varianze diverse Sia X v.a. con E(X) = 2 e Var(X) = 1 e sia Y v.a. con E(Y) = 2 e Var(Y) = 4. Cerchiamo un intervallo in cui X assuma valori con probabilità 0.96 e idem per Y. Per X: Per Y : µ =2 2 5= 3 2+5=7 2 5*2= 8 µ =2 2+5*2=12
38 Differenze Il centro dell intervallo è lo stesso, ma fissata la probabilità l intervallo è più ampio per la v.a. con varianza maggiore. Varianza come misura dell incertezza Una varianza maggiore mi dà maggiore incertezza sull esito dell esperimento qual è il valore assunto da X. L idea è resa quantitativa da.
39 La legge dei Siano X 1, X 2,..., X n v.a. indipendenti e identicamente distribuite. Sia E(X i ) = µ e Var(X i ) = σ 2 per ogni i. Allora per ogni ε > 0 vale Ricordiamo P( X n µ > ε) 0 per n. Che tutti i valori attesi e tutte le varianze siano uguali è implicito nella richiesta identicamente distribuite. Quello che specifichiamo nelle ipotesi è che chiamiamo µ e σ 2 rispettivamente il valore atteso e la varianza. X n è la media cioè 1 n P n i=1 X i.
40 Dimostrazione Applichiamo la disuguaglianza di alla v.a. X n: q «P X n E(X n) δ Var(X n) 1 per ogni δ > 0. δ 2 Ci serve il calcolo di E(X n) e di Var(X n), si fa utilizzando le proprietà di valore atteso e varianza:!! E(X n) = E 1 nx X i = 1 nx n n E X i = 1 n Var(X n) = Var i=1 nx E(X i ) = 1 n i=1 1 n i=1 nx µ = µ. i=1! nx X i = 1 nx n Var( X 2 i ) i=1 = 1 nx Var(X n 2 i ) = 1 n 2 i=1 nx i=1 i=1 σ 2 = σ2 n.
41 Dimostrazione Applichiamo la disuguaglianza di alla v.a. X n: q «P X n E(X n) δ Var(X n) 1 per ogni δ > 0. δ 2 Ora abbiamo E(X n) = µ e Var(X n) = σ2 n. P X n µ) δ n σ «1 per ogni δ > 0. δ 2 Scegliamo δ = ε n/σ (in modo che δ σ n = ε): P X n µ ε σ2 ε 2 n Per n si ottiene la tesi. per ogni ε > 0
42 Significato P( X n µ > ε) 0 per n. Scelgo ε. Confronto la media X n con µ (che è il valore atteso di ciascuna X i ). La probabilità che la distanza fra le due superi ε è trascurabile ( 0) se n è abbastanza grande. = La probabilità che X n cada fuori dall intervallo colorato in figura è trascurabile ( 0) se n è abbastanza grande. = La probabilità che X n cada dentro l intervallo colorato in figura è 1 se n è abbastanza grande. µ ε µ µ+ε
43 Supponiamo di avere un tipo di v.a. (ovvero una legge) con valore atteso µ, e facciamo n osservazioni indipendenti di quel tipo. Significa che consideriamo n v.a. i.i.d. X 1,...,X n. La legge dei dice che il valore osservato per X n con grande probabilità è vicino a µ. Se non conosco µ, posso stimarla con X n. Se n è grande, la probabilità che i due valori siano molto diversi è quasi zero.
44 teorica media osservata In pratica confrontiamo µ, media teorica di ciascuna osservazione, con X n media osservata. La legge dei rende precisa l affermazione µ X n. Nella pratica µ non si conosce, ma si stima con la media di (molti) esperimenti.
45 Caso B(p) Sia A un evento di cui non conosco la probabilità. Posso fare n esperimenti e porre X i = 1 se nell esperimento i-esimo si è verificato A (=il caso ha pescato un caso da A), X i = 0 altrimenti. Le v.a. X i sono B(p) dove p = P(A). La legge dei grandi numeri dice che (nel senso dell enunciato rigoroso...) X n = 1 n n i=1 X i n E(X1 ). Ma la somma delle X i è il numero di volte che ho osservato A nei miei esperimenti, dunque X n è la frequenza relativa di A, mentre E(X 1 ) = p. In altre parole, ecco che la casalinga di Voghera aveva ragione: frequenza con cui osservo A in n esperimenti n P(A).
46 Quanto grande n? Dalla dimostrazione della legge dei ricaviamo un altra informazione: P ( X n µ ε ) σ2 ε 2 n per ogni ε > 0 quindi se fisso ε e η e voglio che la probabilità che X n disti più di ε da µ sia η basta scegliere n in modo che ovvero σ 2 ε 2 n = η n = σ2 ε 2 η. Notate che n è direttamente proporzionale a σ 2 e inversamente proporzionale a ε 2 e η.
I modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliIl modello di Bernoulli
Il modello di in funzione DEFINIZIONE DI V.A. B(p) Una v.a. di arametro p è una v.a. che può assumere solo i valori 0 e 1, e per cui la probabilità di assumere il valore 1 è pari a p, e quella di assumere
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliStatistica inferenziale
Statistica inferenziale Problema Nello studio delle distribuzioni teoriche di probabilità si suppone di conoscere i principali parametri della popolazione che esaminiamo (ad esempio la media, varianza).
DettagliLimiti della Distribuzione Binomiale
Limiti della Distribuzione Binomiale Giuseppe Sanfilippo 11 maggio 2012 1 Teorema di Bernoulli Sia X 1, X 2,..., X n... una successione di variabili aleatorie bernoulliane stocasticamente indipendenti
DettagliV.a. continue. Statistica e biometria. D. Bertacchi. Le v.a. continue. Uniforme. Normale. Indipendenza di v.a. continue
gge una v.a. V.a. continue Ricoramo: DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è una funzione che ha come dominio Ω e come codominio R. In formule: X : Ω R. DEFINIZIONE
DettagliTest per una media - varianza nota
Situazione Test per una media - varianza nota Popolazione N(µ,σ 2 ); varianza σ 2 nota. µ 0 numero reale fissato. Test di livello α per µ Statistica: Z n = X n µ 0 σ/ n. H 0 H 1 Rifiutiamo H 0 se p-value
DettagliVariabili aleatorie binomiali e di Poisson
Variabili aleatorie binomiali e di Poisson Tiziano Vargiolu Dipartimento di Matematica Pura ed Applicata via Trieste, 63-35121 Padova email: vargiolu@math.unipd.it 9 gennaio 2007 Indice 1 Variabili aleatorie
DettagliCP210 Introduzione alla Probabilità: Esame 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, II semestre 9 luglio, 2019 CP210 Introduzione alla Probabilità: Esame 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
Dettaglisi tratta del test del chi-quadro di adattamento e di quello di indipendenza. 1 l ipotesi che la popolazione segua una legge fissata;
di : dado : normale Finora abbiamo visto test d ipotesi per testare ipotesi differenti, ma tutte concernenti il valore atteso di una o due popolazioni. In questo capitolo vediamo come testare 1 l ipotesi
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliCP210 Introduzione alla Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 218-19, II semestre 4 giugno, 219 CP21 Introduzione alla Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliIl 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.
DettagliPROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale
PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE In questa scheda vedremo due famiglie di variabili aleatorie (una discreta e una continua), che ci serviranno per descrivere uno dei risultati
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliCampionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliEsercizi. 2. [Conteggio diretto] Due dadi vengono lanciati in successione. a) Qual è la probabilità che la somma dei due risultati faccia 7?
1 E. Vitali Matematica (Scienze Naturali) Esercizi 1. [Conteggio diretto] Quattro ragazzi, A, B, C e D, dispongono di due biglietti per il teatro e decidono di tirare a sorte chi ne usufruirà. a) Qual
DettagliIl valore atteso di una v.a. (discreta)
di una v.a. (discreta) Introduciamo un nuovo concetto. DEFINIZIONE DI VALORE ATTESO DI UNA V.A. DISCRETA Sia X : Ω R una v.a. discreta avente come immagine in R l insieme V. di X è il numero reale E(X)
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliPrimi elementi di Probabilità
Primi elementi di Probabilità Sergio Polidoro Dipartimento di Matematica, Università di Bologna In queste dispense vengono introdotte le nozioni di valore atteso e di varianza per variabili aleatorie discrete
DettagliLA MEDIA CAMPIONARIA 14-1
LA MEDIA CAMPIONARIA Prendiamo un urna e inseriamo 10 palline numerate da 0 a 9 (questa è la nostra popolazione ). La media dei 10 valori è 4.5 (questa è la media vera µ). La varianza dei 10 valori è 8.25
DettagliCorso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di mercoledì 22 Settembre 24 (tempo a disposizione: 2 ore e 4 minuti. consegna compiti e inizio
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliDISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)
DettagliCorso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017
Corso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 12, Modelli Probabilistici
DettagliProbabilità 1, laurea triennale in Matematica II prova di valutazione in itinere a.a. 2008/09
robabilità, laurea triennale in Matematica II prova di valutazione in itinere a.a. 008/09. Francesco lancia ripetutamente due dadi non truccati: sia T il numero di lanci necessario ad ottenere per la prima
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliNotazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliCorso di Istituzioni di Matematiche con Elementi di Statistica. anno accademico 2015/2016 corso A-L (G. Gaeta & N. Bressan)
Corso di Istituzioni di Matematiche con Elementi di Statistica anno accademico 215/216 corso A-L (G. Gaeta & N. Bressan) Esercizi Foglio 9 (Funzioni aleatorie; distribuzioni di probabilita ) Esercizio
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 14 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 14/15 Nome: 14 luglio 15 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliCorso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 2015
Corso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 215 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2013/14 Nome: 20 febbraio
II Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 3/4 Nome: febbraio 4 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
DettagliESERCIZI HLAFO ALFIE MIMUN
ESERCIZI HLAFO ALFIE MIMUN December, 27. Testo degli esercizi Risolvere i seguenti problemi: () Siano X, X 2, X 3 variabili aleatorie i.i.d. bernulliane di media.5 e siano Y, Y 2, Y 3, Y 4 variabili aleatorie
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliCP110 Probabilità: esame del 20 giugno 2017
Dipartimento di Matematica, Roma Tre Pietro Caputo 6-7, II semestre giugno, 7 CP Probabilità: esame del giugno 7 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 205- P.Baldi Lista di esercizi 5, 8 febbraio 20. Esercizio Si fanno 25 estrazioni
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 luglio 6 Vettori aleatori e funzioni di v.a. Esercizio Si lanciano due dadi equi. Qual è la probabilità che la somma sia? [ ] Siano X, X le v.a.
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliI Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 3 gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliTecniche 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
DettagliApprofondimento 3.3. Approssimazione della distribuzione binomiale alla normale
Approfondimento 3.3 Approssimazione della distribuzione binomiale alla normale Come aveva notato de Moivre, se il numero di prove è sufficientemente ampio e la probabilità del successo π sufficientemente
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliCP110 Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 22-3, II semestre 23 maggio, 23 CP Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una penna
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
DettagliStudente: Matricola: Soluzione. V usando la disuguaglianza di Chebyschev, per n sucientemente grande segue,
Es Es 2 Es 3 Es 4 Tot Secondo appello luglio Calcolo delle probabilità 2 luglio 29 Studente: Matricola: Vero o falso Esercizio ( pti). Si dica, motivando la propria risposta, se le seguenti aermazioni
Dettagli, B con probabilità 1 4 e C con probabilità 1 4.
Laurea triennale in MATEMATICA, Corso di PROBABILITÀ Prof. L. Bertini - G. Nappo - F. Spizzichino Esonero del 0.06.00 N.B. Scrivere le soluzioni degli esercizi su questi fogli giustificando brevemente
DettagliFoglio di Esercizi 10 con Risoluzione 18 dicembre 2017
Matematica per Farmacia, a.a. 07/8 Foglio di Esercizi 0 con Risoluzione 8 dicembre 07 ATTENZIONE: in alcuni degli esercizi di Probabilità puó essere utile usare il Teorema di Bayes. Esercizio (Vedere il
DettagliEsame di Probabilità e Statistica del 27 giugno 2007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Probabilità e Statistica del 7 giugno 007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliEsame di Calcolo delle Probabilità del 4 luglio 2006 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Calcolo delle Probabilità del 4 luglio 26 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
Dettagli1. Quali sono i possibili campioni di numerosità 2 senza reimmissione? X 1 e X 2 sono indipendenti?
Esercizio 1 Consideriamo una popolazione X, dove X = {3,5,7}. 1. Quali sono i possibili campioni di numerosità 2 senza reimmissione? X 1 e X 2 sono indipendenti? 2. Quali sono i possibili campioni di numerosità
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
DettagliCP110 Probabilità: Esame 5 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 21-11, II semestre 5 giugno, 212 CP11 Probabilità: Esame 5 giugno 212 Testo e soluzione 1. (6 pts) Sette biglietti numerati da 1 a 7 vengono distribuiti
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliIII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2018/19
III Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 8/9 Martedì luglio 9 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliEsercitazione del 21/10/2011 Calcolo delle probabilità
Esercitazione del /0/0 Calcolo delle probabilità Funzione di ripartizione Sia F X una funzione da R in R. consideriamo le seguenti condizioni: F X è non decrescente ( ) x F X (x) x F X (x) 0 F X è continua
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
DettagliEsercitazione del 28/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 8/0/01 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio 1. Sia X una v.a. aleatoria assolutamente continua con densità f X data da { 0 x < 0 f X
DettagliEsercitazione 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
DettagliMatematica con elementi di Informatica
Statistica descrittiva ed inferenziale Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche
DettagliElementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
DettagliEsercitazione del 13/03/2018 Istituzioni di Calcolo delle Probabilità
Esercitazione del /0/08 Istituzioni di Calcolo delle Probabilità David Barbato I quesiti con asterisco saranno accessibili dalla quinta settimana di lezione. Esercizio Vengono lanciati due dadi a 6 facce
Dettagli