X = X 1 + X X n. dove. 1 se alla i-esima prova si ha un successo 0 se alla i-esima prova si ha un insuccesso. X i =
|
|
- Cinzia Cavaliere
- 7 anni fa
- Visualizzazioni
Transcript
1 PIU DI UNA VARIABILE CASUALE Supponiamo di avere n variabili casuali, X 1, X 2,..., X n. Le n variabili casuali si dicono indipendenti se e solo se P(X 1 x 1 X 2 x 2... X n x n ) = = P(X 1 x 1 ) P(X 2 x 2 )... P(X n x n ) per qualunque x 1, x 2,..., x n. Se le n variabili sono riferite a n esperimenti o prove indipendenti, allora le n variabili saranno esse stesse indipendenti e vale la precedente fattorizzazione. Le n variabili casuali si dicono identicamente distribuite se hanno esattamente la stessa distribuzione di probabilità. Per variabili che sono sia indipendenti che identicamente distribuite si userà l abbreviazione i.i.d.. Esempio Abbiamo visto che la variabile casuale X Bin(n, p) descrive il numero di successi in n prove indipendenti, in cui ad ogni prova si ha una probabilità pari a p di osservare un successo. Abbiamo anche visto che X può essere espressa come dove X i = X = X 1 + X X n { 1 se alla i-esima prova si ha un successo 0 se alla i-esima prova si ha un insuccesso 78
2 è la variabile casuale che descrive l esito della i-esima prova, i = 1,..., n. Ciascuna delle X i è tale che X i Be(p) e quindi le n variabiabili sono identicamente distribuite. Inoltre le n prove sono indipendenti, quindi le variabili X i sono indipendenti. In sintesi, le n variabili X 1,..., X n sono i.i.d.. 79
3 VALORE ATTESO E VARIANZA DI COMBINAZIONI LINEARI DI VARIABILI CASUALI Siamo interessati a valutare alcune proprietà, ad esempio media e varianza, di combinazioni linerari di variabili casuali, come somme di variabili casuali. Esempio Gli incassi di un ristorante in una settimana (supponendo 6 giorni di apertura) derivano dalla somma degli incassi di ognuno dei 6 giorni della settimana in cui il ristorante è aperto. La variabile casuale che descrive gli incassi di una settimana è pertanto la somma di 6 variabili casuali che descrivono gli incassi giornalieri. Possiamo essere interessati all incasso atteso di una settimana, ossia il valore atteso della somma degli incassi giornalieri, o alla variabilità dell incasso di una settimana, ossia la varianza della somma degli incassi. Supponiamo di avere n variabili casuali X 1, X 2,..., X n. Una combinazione lineare delle n variabili, è una nuova variabile Y così definita: Y = a 1 X 1 + a 2 X a n X n dove a 1, a 2,..., a n sono costanti fissate. La media e la varianza della variabile casuale Y sono: E(Y ) = a 1 E(X 1 ) + a 2 E(X 2 ) +... a n E(X n ) 80
4 e V (Y ) = a 2 1V (X 1 ) + a 2 2V (X 2 ) a 2 nv (X n ) ATTENZIONE: L ultima equazione vale se le n variabili sono indipendenti. Come caso particolare, si ha che, se X 1,..., X n sono i.i.d. con E(X i ) = m e V (X i ) = v 2 (se sono identicamente distribuite devono anche avere uguale media e uguale varianza) allora, posto e Y = X 1 + X X n E(Y ) = nm V (Y ) = nv 2 Esempio 1 Si sa che gli incassi in migliaia di euro di un ristorante in un giorno lavorativo seguono una distribuzione uniforme sull intervallo [0,5,3]. Si determinino la media e la varianza degli incassi di una settimana sapendo che i giorni di apertura del ristorante in una settimana sono 6 e che gli incassi dei vari giorni possono considerarsi indipendenti. Poniamo X i =v.c. che descrive gli incassi nell i-esimo giorno di apertura di una settimana U[0, 5, 3]. Per le ipotesi del problema X 1,..., X 6 sono i.i.d.. Sappiamo che E(X i ) = 3, 5 2 = 1, 75 e V (X i) = 81 (3 0, 5)2 12 = 0, 52
5 Posto abbiamo Y = X X 6 E(Y ) = 6 1, 75 = 10, 5 migliaia di euro e V (Y ) = 6 0, 52 = 3, 12 Esempio 2 Abbiamo visto che X Bin(n, p) è esprimibile come X = X X n dove le X i sono i.i.d. Be(p). In base ai precedenti risultati E(X) = n E(X i ) = np e V (X) = n V (X i ) = np(1 p) Abbiamo ottenuto con un procedimento diverso rispetto a quello precedentemente visto la media e la varianza di una variabile casuale binomiale. 82
6 Se le X i sono normali, non solo si riesce a determinare la media e la varianza di una loro combinazione lineare, ma anche l esatta distribuzione. Siano X 1,..., X n n variabili casuali normali indipendenti tali che X i N(µ i, σ 2 i ), i = 1,..., n Posto abbiamo che Y = a 1 X 1 + a 2 X a n X n Y N(a 1 µ 1 +a 2 µ a n µ n, a 1 σ 2 1+a 2 2σ a 2 nσ 2 n) In particolare, se le X i sono i.i.d. N(µ, σ 2 ), posto Y = X 1 + X X n si ha che Y N(nµ, nσ 2 ) Esempio Supponiamo che una ditta produttrice di birra utilizzi per riempire le bottiglie dal contenuto nominale di 330gr un macchinario che è imperfetto. In particolare, il contenuto di birra (in gr) che il macchinario versa in ciascuna bottiglia è una variabile casuale con distribuzione normale di media 330gr e varianza 9gr 2. Sapendo che il peso di una bottiglia vuota è di 180gr, si calcoli la probabilità che il peso di una confezione di 10 bottiglie piene sia maggiore 83
7 a 5,13kg. Indichiamo con X i e W i, rispettivamente, il peso (in gr) e il contenuto di birra (in gr) della i-esima bottiglia della confezione, per i = 1,..., 10, X i = W i Sappiamo che W i N(330, 9) e dalla proprietà di chiusura della variabile casuale normale a trasformazione lineari abbiamo che X i N( = 510, 9) per tutti gli i. Sia T = X X 10 la variabile casuale che descrive il peso (in gr) complessivo delle 10 bottiglie della confezione. Si vuole determinare P(T > 5130) Se la quantità versata in ciascuna bottiglia non dipende dalle quantità versate nelle altre bottiglie, allora le X i oltre ad essere identicamente distribuite sono anche indipendenti e T N(10 510, 10 9). Pertanto, ( ) P(T > 5130) = 1 P(T 5130) = 1 Φ = 90 = 1 Φ(3, 16) = 0,
8 IL TEOREMA DEL LIMITE CENTRALE Prendiamo n variabili casuali X 1, X 2,..., X n i.i.d. e tali che E(X i ) = m e V (X i ) = v 2. Posto S n = X 1 + X X n Sappiamo dai precedenti risultati che E(S n ) = nm e V (S n ) = nv 2 Si può dimostrare che, per n grande, S n. N(nm, nv 2 ) indica si distribuisce approssimativamente co- dove. me. In altre parole, la distribuzione normale approssima la distribuzione della somma di n variabili casuali i.i.d., per n sufficientemente grande, qualunque sia la loro distribuzione (anche se le X i sono discrete). Da questo risultato deriva il ruolo fondamentale della distribuzione normale. Quanto grande deve essere n affiché questa approssimazione sia valida? Dipende dalla forma della funzione (di densità) di probabilità delle X i. 85
9 Esempio: Somma di v.c. U(0,5) indipendenti f(x) x 86
10 Esempio: Somma di v.c. esponenziali indipendenti f(x) x 87
11 Un esempio importante di applicazione del teorema del limite centrale è alla distribuzione binomiale. Sappiamo che se X Bin(n, p), allora X = X X n dove le X i sono variabili casuali i.i.d. Be(p), con E(X i ) = p e V (X i ) = p(1 p). Per il teorema del limite centrale, X. N(np, np(1 p)) Per n grande possiamo approssimare la distribuzione binomiale con la distribuzione normale. Agli effetti pratici, si verifica che l approssimazione è adeguata se np e n(1 p) sono entrambi maggiori di 5. Ad esempio, per p = 0, 5, n
12 prob n=4,p=0.3 prob n=10,p= x x n=20,p=0.3 n=100,p=0.3 prob prob x x 89
13 Se possiamo approssimare la distribuzione binomiale con quella gaussiana, possiamo calcolare la funzione di ripartizione della binomiale tramite la funzione di ripartizione della gaussiana. Ad esempio, sia X Bin(100, 0, 3). Vogliamo calcolare P(X 40). Piuttosto che calcolare, P(X 40) = P(X = 0)+P(X = 1)+...+P(X = 40) = ( ) ( ) = 0, 3 0 (1 0, 3) , 3 1 (1 0, 3) ( ) , 3 40 (1 0, 3) essendo n grande, possiamo usare l approssimazione ( ) P(X 40) = P(Y 40) = Φ 21 dove Y N(100 0, 3 = 30, 100 0, 3 0, 7 = 21) e =. indica è approssimativamente uguale a. 90
14 Esempio 1 Una banca decide di offrire azioni della propria società ad un gruppo di 1400 clienti selezionati. Il prezzo di ciascuna azione è di 5û. Per ciascuno dei 1400 clienti il numero X di azioni richieste è una variabile casuale così distribuita 0 con p = 1/2 1 con p = 1/3 X = 2 con p = 1/6 > 2 con p = 0 Le richieste dei clienti sono assunte indipendenti. 1. Si calcoli il ricavo atteso dalla vendita delle azioni e la varianza del ricavo. Sia X i la variabile casuale che descrive il numero di azioni richieste dall i esimo cliente, i = 1,..., In base alle specificazioni del problema, le X i sono i.i.d., con distribuzione di probabilità sopra specificata. La richiesta complessiva dei 1400 clienti è T = X 1 + X X 1400 Il ricavo dalla vendita delle azioni è Allora, R = 5 T E(R) = E(5 T) = 5 E(T) = E(X i ) Dato che E(X i ) = =
15 7û si ha E(R) = = 4666, 3 V (R) = V (5 T) = 25 V (T) = V (X i ) Dato che V (X i ) = E(Xi 2 ) {E(X i )} 2 = = 5 9 si ha V (R) = = 19444, 4û Si calcoli la probabilità che il numero di azioni richieste dai 1400 clienti sia compreso tra 900 e 950. Si richiede P(900 T 950). T è la somma di 1400 v.c. i.i.d. e per il teorema del limite centrale T. N(E(T), V (T)). E(T) = 1400 E(X i ) = = 933, 3 V (T) = 1400 V (X i ) = = 777, 78 9 Allora, P(900 T 950) =. P(900 Y 950) = = Φ = P(Y 950) P(Y 900) = ( ) ( ) , , 3 Φ = 777, , 78 = Φ(0, 6) Φ( 1, 2) = Φ(0, 6) 1 + Φ(1, 2) = = 0, , 885 dove Y N(933, 3, 777, 78). 92
16 Esempio 2 Si supponga che le telefonate che arrivano ad un centralino abbiano una distribuzione uniforme sull intervallo (1,5) minuti. Si calcoli la probabilità che la durata complessiva di 60 telefonate sia superiore a 3 ore e un quarto. Sia X i la variabile casuale che descrive la durata in minuti della i esima telefonata. Allora, X i U[1, 5] e le X i sono i.i.d. (è ragionevole assumere indipendenti le durate delle chiamate). Sia T = X 1 + X X 60 la variabile casuale che descrive la durata complessiva delle 60 telefonate. Vogliamo calcolare P(T > 195). Per il teorema del limite centrale, T. N(E(T), V (T)) dove e E(T) = 60 E(X i ) = = 180 min V (T) = 60 V (X i ) = 60 (5 1)2 12 = 80 min 2 P(T > 195) =. P(Y > 195) = 1 P(Y 195) = ( ) = 1 Φ = 1 0, dove Y N(180, 80). 93
17 Esempio 3 Sia p = 0, 02 la probabilità che una bottiglia di vino si rompa durante il trasporto dal produttore al rivenditore. Il danno per una bottiglia rotta, a carico del rivenditore, è pari a 4û. Calcolare la probabilità che il danno subito dal rivenditore 1. per una partita di 10 bottiglie sia almeno 8û Dire che su 10 bottiglie il danno subito dal rivenditore è almeno di 8ûequivale a dire che almeno due delle 10 bottiglie si rompono. Indichiamo con X la variabile casuale che descrive il numero di bottiglie rotte tra le 10 acquistate dal rivenditore. X Bin(10, 0, 02) (dobbiamo però assumere che ciò che accade a ciascuna bottiglia sia indipendente da ciò che accade alle altre bottiglie, il che potrebbe essere non realistico). La probabilità cercata è allora P(X 2) = 1 P(X < 2) = 1 [P(X = 0)+P(X = 1)] = [( ) ( ] = 1 0, 02 0 (1 0, 02) 10 + )0, 02(1 0, 02) Si noti che non possiamo applicare il teorema del limite centrale in quanto np = 10 0, 02 = 0, 2 < 5 e quindi l approssimazione normale non è molto buona. 2. per una partita di 400 bottiglie si mantenga sotto 40û Il danno subito si mantiene sotto 40ûse e solo se 94
18 si rompono meno di 10 bottiglie. Indichiamo con Y la variabile casuale che descrive il numero di bottiglie rotte nella partita di 400 bottiglie. Y Bin(400, 0, 02). Vogliamo P(Y < 10). Poiché np, n(1 p) > 5 possiamo calcolare questa probabilità sfruttando il teorema del limite centrale. In particolare, Y. N(400 0, 02 = 8, 400 0, 02 0, 98 = 7, 84) Allora, P(Y < 10) =. Φ ( , 84 ) = Φ(0, 71) = 0, 76 95
19 Il teorema del limite centrale ci dice che se X 1,..., X n sono i.i.d. con E(X i ) = m e V (X i ) = v 2, allora, per n sufficientemente grande, S n = X X n. N(nm, nv 2 ) Per la proprietà di chiusura a trasformazioni lineari della variabile casuale normale X n = S n n = X X n n. N(m, v2 n ) ossia la media di variabili casuali i.i.d. si distribuisce, per n grande, approssimativamente come una variabile casuale normale. Si noti che, mentre la media della normale rimane costante e pari a m = E(X i ), al crescere di n la varianza v2 n diminuisce e anzi tende a 0 per n. Ciò significa che la distribuzione della media X n diventa al crescere di n sempre più concentrata attorno a m sino a quando, al limite, Xn = m con probabilità 1. Questa è la legge dei grandi numeri. 0 densita m x 96
20 Supponiamo che le n variabili X i si riferiscano a n ripetizioni indipendenti dello stesso esperimento. La legge dei grandi numeri ci permette di interpretare il valore atteso m di una variabile casuale come la media (in senso statistico) dei valori che si ottengono replicando un numero elevato di volte l esperimento casuale a cui è associata la variabile. Un importante applicazione del precedente risultato è alla variabile casuale binomiale. Abbiamo visto che, se X Bin(n, p), per n grande, X. N(np, np(1 p)) da cui ˆp = X p(1 p) n. N(p, ) n da cui si vede che per n, ˆp = p con probabilità 1. Ma se X è il numero di successi in n prove indipendenti, ˆp non è altro che la frazione di successi in n prove indipendenti. Concludiamo che all aumentare del numero di prove la frazione di successi converge alla probabilità di successo (si confronti con la definizione frequentista di probabilità). Lanciamo una moneta bilanciata. La probabilità che esca testa è 1/2. Se lanciamo una moneta 10 volte la frequenza relativa del numero di teste può essere diversa da 1/2, ma la legge dei grandi numeri mi assicura che aumentando il numero di lanci, la frequenza relativa delle teste si avvicinerà sempre più a 1/2 e si stabilizzerà su questo valore. 97
21 LA VARIABILE CASUALE CHI-QUADRATO Siano Z 1,..., Z r r variabili casuali i.i.d. N(0, 1). Poniamo X = Z Z Z 2 r Si dice che X ha distribuzione chi-quadrato con r gradi di libertà e si scrive X χ 2 r. Si ha E(X) = r e V (X) = 2r La variabile casuale chi-quadrato assume valori positivi e la sua funzione di densità di probabilità ha una asimmetria positiva. f(x) r=3 r=6 r= x Per r, in virtù del teorema del limite centrale, χ 2 r. N(r, 2r) Come per la variabile casuale normale, la funzione di ripartizione della variabile casuale chi-quadrato non è esplicitabile. Tuttavia, la variabile casuale chi-quadrato è usata soprattutto in Statistica Inferenziale, dove più che 98
22 essere interessati a calcolare le probabilità, si è interessati a calcolare i quantili di tale variabile. Nel seguito indicheremo con χ 2 α;r il quantile α della variabile chiquadrato con r gradi di libertà. Dalle tavole dei quantili del chi-quadrato si vede, ad esempio, che χ 2 0,9;12 = 18, 5 e χ 2 0,05;5 = 1, 15 Per valori grandi di r possiamo approssimare il quantile χ 2 α;r tramite il quantile α di N(r, 2r), ossia prendiamo il quantile z α di N(0, 1) e poniamo χ 2 α;r =. z α 2r + r 99
23 LA VARIABILE CASUALE t DI STUDENT Prendiamo due variabili casuali X 1 e X 2 indipendenti e tali che X 1 N(0, 1) e X 2 χ 2 r. Poniamo T = X 1 X2 /r Si dice che la variabile casuale T si distribuisce come una variabile casuale t di Student con r gradi di libertà e si scrive T t r. La funzione di densità della variabile casuale t con r gradi di libertà ha una forma simile a quella di una normale standardizzata (campanulare e simmetrica attorno allo 0), ma è caratterizzata da code più lunghe. f(x) r=2 r=10 r= Per r la t di Student con r gradi di libertà converge ad una N(0, 1). Anche per la distribuzione t non è esplicitabile la funzione di ripartizione. Tuttavia, il suo uso principale si ha in Statistica Inferenziale, dove si è più interessati a calcolare quantili della variabile, piuttosto che probabilità. Indicheremo con t α;r il quantile α della variabile t con r x 100
24 gradi di libertà. Dalle tavole dei quantili della t si vede, ad esempio, che t 0,975;5 = 2, 5706 e t 0,95;7 = 1, 8946 Per la simmetria attorno allo 0 della densità della t di Student, vale t α;r = t 1 α;r Pertanto, se vogliamo t 0,05;7 (non riportato nelle tavole), possiamo usare t 0,05;7 = t 0,95;7 = 1, 8946 Per r grande, possiamo approssimare t α;r con z α. 101
Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliTeoremi limite. Enrico Ferrero. 27 febbraio 2007
Teoremi limite Enrico Ferrero 27 febbraio 2007 LA DISEGUAGLIANZA DI CHEBYCHEV Sia X una variabile aleatoria avente valore medio µ e varianza σ 2. Sia poi K un arbitrario numero positivo. È possibile dimostrare
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 00- P.Baldi Lista di esercizi. Corso di Laurea in Biotecnologie Esercizio Si sa che in una schedina del totocalcio i tre simboli, X, compaiono con
DettagliAlcune nozioni introduttive alla statistica
Capitolo 1 Alcune nozioni introduttive alla statistica 1.1 Valore atteso e varianza di variabili casuali Definizione 1. Se X è una variabile casuale discreta con distribuzione p(x), ossia P(X = x i ) =
DettagliProbabilità 1, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09. Due roulette regolari vengono azionate più volte; sia T il numero di volte che occorre azionare la prima roulette
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
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
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 =
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliVARIABILI ALEATORIE Una moneta equilibrata viene lanciata più volte. Qual è la probabilità che al 6 lancio:
VARIABILI ALEATORIE. Una moneta equilibrata viene lanciata più volte. Qual è la probabilità che al lancio: a) si abbia testa per la prima volta? b) Si sia avuto testa almeno una volta? c) Si sia avuta
DettagliDistribuzioni di probabilità discrete. Prof.ssa Fabbri Francesca Classe 5C
Distribuzioni di probabilità discrete Prof.ssa Fabbri Francesca Classe 5C Esempio Consideriamo un urna con 6 palline Verdi e 4 palline Gialle; estraiamo senza reimmissione 3 palline e valutiamo l evento:
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
Dettagli0.1 P(A n ) Quindi stiamo cercando n che soddisfa la seguente relazione: n + 180
Esercizio 1 Alcuni ingegneri civili ritengono che il peso in tonnellate che un braccio di ponte può sopportare senza avere cedimenti strutturali possa descriversi mediante una variabile aleatoria Y con
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
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
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 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
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
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
DettagliEsercitazione 1 - Statistica II - Economia Aziendale Davide Passaretti 9/5/2017
Esercitazione 1 - Statistica II - Economia Aziendale Davide Passaretti 9/5/2017 Contents 1 Variabili casuali discrete 1 1.1 Variabile casuale di Bernoulli.................................... 1 1.2 Variabile
DettagliEsercizi di Probabilità
Esercizi di Probabilità Annalisa Cerquetti - Sandra Fortini Vai all indice Istituto di Metodi Quantitativi, Viale Isonzo, 25, 2033 Milano, Italy. E-mail: annalisa.cerquetti@unibocconi.it,sandra.fortini@unibocconi.it
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA A.A. 2010/2011 - Distribuzione binomiale - Distribuzione Normale Sezione di Epidemiologia & Statistica Medica Università degli Studi di Verona DISTRIBUZIONI TEORICHE DI PROBABILITA
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica La distribuzione delle statistiche campionarie Teorema del limite centrale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio (Scozzafava) Una ferrovia metropolitana
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliEsercitazione del 03/06/2014 Probabilità e Statistica
Esercitazione del 03/06/2014 Probabilità e Statistica David Barbato Esercizio 1. Sia (X i ) i N una successione di variabili aleatorie i.i.d. con distribuzione geometrica di parametro p = 1 2. Sia Y i
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
Dettagli= = 4 5.
n.a. discreti Esempio 54 Dieci carte vengono suddivise in due scatole U 1 e U 2 di 5 carte ciascuna. Nella scatola U 1 vi sono solo carte vincenti mentre nella scatola U 2 vi sono 3 carte vincenti e 2
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 13
Esercitazione del 04/06/2015 Probabilità e Statistica Foglio 13 David Barbato Approssimazioni normali. Theorem 1 (Teorema del limite centrale). Siano X 1,..., X n variabili aleatorie indipendenti ed identicamente
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
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
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
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
DettagliSTATISTICA (2) ESERCITAZIONE 2. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 2 5.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. La v.c. Normale: uso delle tavole E noto che un certo tipo di dati si distribuiscono secondo una gaussiana di media 10
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.
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
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
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 giugno 4 (tempo a disposizione: ore. Scrivere su ogni foglio NOME e COGNOME. Le
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
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
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia
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
DettagliSTATISTICA (modulo II - Inferenza Statistica) Soluzione Esercitazione I
Soluzione Esercitazione I Esercizio A. Si indichi con A i l evento la banca i decide di aprire uno sportello per il quale Pr(A i = 0.5 (e dunque Pr(A i = 0.5 per i =, 2, 3. Lo spazio degli eventi dato
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
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
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
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
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base (Serale) Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Variabili casuali Esercizio 1. Determinare la distribuzione di probabilità e la funzione di ripartizione della variabile
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
DettagliCorso di Statistica. Distribuzioni di probabilità per variabili casuali discrete. Prof.ssa T. Laureti a.a
Corso di Statistica Distribuzioni di probabilità per variabili casuali discrete Prof.ssa T. Laureti a.a. 2013-2014 1 Variabili casuale di Bernoulli La v.c. di Bernoulli trae origine da una prova nella
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
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
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 II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 3 1 Distribuzione di Bernoulli e Distribuzione Binomiale Esercizio 1 Sia n un intero maggiore
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
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 05-6 P.Baldi Lista di esercizi, 8 gennaio 06. Esercizio Si sa che in una schedina
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
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliCAPITOLO QUINTO DISTRIBUZIONE NORMALE
CAPITOLO QUINTO DISTRIBUZIONE NORMALE 1. Probabilità nel continuo Fino ad ora abbiamo considerato casi in cui l insieme degli eventi elementari è finito. Vediamo, mediante due semplici esempi, come si
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 3 12.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Distribuzioni doppie di probabilità: applicazioni E stata svolta un indagine per studiare la relazione tra abitudine a
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
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
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
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliTEST DI AUTOVALUTAZIONE VARIABILI ALEATORIE
TEST DI AUTOVALUTAZIONE VARIABILI ALEATORIE I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica 1 Parte A 1.1 Una variabile casuale e : 1.2 un sottoinsieme
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Corso di Calcolo delle Probabilità 1 A. A. 4/5 a prova in itinere 8/6/5docenti G. Nappo, F. Spizzichino La prova scritta consiste nello svolgimento degli Esercizi
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
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
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliDISTRIBUZIONI BINOMIALE, POISSON E NORMALE Indice degli esercizi
DISTRIBUZIONI BINOMIALE, POISSON E NORMALE Indice degli esercizi 1 Distribuzione di Poisson 1.1 Soluzione dell'esercizio 1 2 Sulla distribuzione normale 2.1 Soluzione dell'esercizio 2 3 Distribuzione binomiale
DettagliESERCIZI DI CALCOLO PROBABILITÀ DISTRIBUZIONI DOPPIE E NOTEVOLI
Variabili bidimensionali ESERCIZI DI CALCOLO PROBABILITÀ DISTRIBUZIONI DOPPIE E NOTEVOLI 1) Siano X 1 e X 2 due variabili casuali indipendenti che possono assumere valori 0, 1 e 3 rispettivamente con probabilità
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
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
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
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
DettagliEsercizi di riepilogo Prima parte
Esercizi di riepilogo Prima parte Es1: Eventi indipendenti Siano A e B eventi tali che Gli eventi possono essere indipendenti? Es2: Funzionamento di un circuito Ogni componente di un circuito funziona
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
DettagliEsercitazioni di statistica
Esercitazioni di statistica Intervalli di confidenza Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 10 Dicembre 2014 Stefania Spina Esercitazioni di statistica 1/43 Stefania Spina
DettagliSTATISTICA ESERCITAZIONE 9
STATISTICA ESERCITAZIONE 9 Dott. Giuseppe Pandolfo 19 Gennaio 2015 REGOLE DI CONTEGGIO Sequenze ordinate Sequenze non ordinate Estrazioni con ripetizione Estrazioni senza ripetizione Estrazioni con ripetizione
DettagliSOLUZIONI DEL 2 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA Esercizio 0.1 Una moneta non truccata viene lanciata 10 volte. Calcolare la probabilità che non esca mai testa. Quale risulta la probabilità
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
DettagliEsercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano
Esercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano Esercizio 1 Una moneta viene lanciata 6 volte. Calcolare a) La probabilità che escano esattamente
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
Dettagli