Statistica Matematica 3
|
|
- Carlo Villani
- 7 anni fa
- Visualizzazioni
Transcript
1 Statistica Matematica 3 1 Regole bayesiane formali nella stima puntuale di un parametro reale Θ D R con D intervallo (limitato o no) P probabilità su T E P(Z) = Θ θ P(dθ) finito. Allora, per l internalità, E P(Z) D. Danno quadratico Supposto E P(Z ) = θ P(dθ) < + otteniamo E P(L d ) = (θ d) P(dθ) = E P(Z ) d E P(Z) + d Θ e quindi E P(Z) è l unico punto di minimo della funzione d E P(L d ). Θ Teorema E P (Z x) = E P( x) (Z ) finito per ogni x. Allora, la funzione φ (P) (x) = E P (Z x) = E P( x) (Z) che associa ad ogni campione il valor medio finale dello stato di natura relativo a quel campione, è l unica regola bayesiana formale. Inoltre, posto Var P (Z x) = [θ φ (P) (x)] P(dθ x) per ogni campione x, si ha ρ P (φ (P) ) = Θ X Var P (Z x) P (pr) (dx) e quindi il danno medio relativo alla regola bayesiana formale si ottiene misturando le varianze finali dello stato di natura con la probabilità predittiva. 1
2 Dimostrazione Posto P = P( x) otteniamo che φ (P) è l unica regola bayesiana formale. Inoltre, osservato che, per il teorema di Fubini, φ (P) è ℵ-Borel misurabile, risulta la T ℵ-Borel misurabilità di L(, φ (P) ). Si ha allora [ ] ρ P (φ (P) ) = ρ P (φ (P) (x) x) P (pr) (dx) = L(θ, φ (P) (x)) P(dθ x) P (pr) (dx) X [ = X Θ [ θ φ (P) (x) ] P(dθ x) ] P (pr) (dx). X Θ Danno lineare Sia d un quantile di livello k relativo a P, cioè: P(], d ]) k, P([d, + [) 1 k. Per provare che d minimizza la funzione d E P(L d ) basta verificare, essendo i danni medi E P(L d ), E P(L d ) finiti (E P(Z) finito!), la disuguaglianza: E P(L d ) E P(L d ) = E P(L d L d ) 0.
3 d > d. Riesce (1 k)(d d ) se θ d L d (θ) L d (θ) = k(d d) + d θ se d < θ d k(d d) se θ > d d d se θ d = k(d d) + d θ se d < θ d 0 se θ > d qualunque sia lo stato θ. Ne segue E P(L d L d ) = k(d d) + (d d ) P(], d ]) + (d θ) P(dθ) ]d,d ] k(d d) + (d d ) P(], d ]) k(d d) + k(d d ) = 0, ricordato che P(], d ]) k. d < d. Si ha (1 k)(d d ) se θ d L d (θ) L d (θ) = k(d d) + θ d se d < θ < d k(d d) se θ d d d se θ d = k(d d) + θ d se d < θ < d 0 se θ d qualunque sia lo stato θ. Ne segue E P(L d L d ) = k(d d) + (d d ) P(], d]) + (θ d ) P(dθ) ]d,d [ k(d d) + (d d ) P(], d]) + (d d ) P(]d, d [) = k(d d) + (d d ) P(], d [) e quindi E P(L d L d ) k(d d) + (d d ) [ 1 P([d, + [) ] k(d d) + k(d d ) = 0, ricordato che P([d, + [) 1 k e d d < 0. 3
4 Teorema E P (Z x) finito per ogni x. Allora, una funzione di decisione che associa ad ogni campione x un quantile di livello k della distribuzione finale relativa a x è una regola bayesiana formale. Danno assoluto Ponendo k = 1 nella funzione di danno lineare otteniamo che sono regole bayesiane formali tutte le funzioni di decisione che associano ad ogni x una mediana della distribuzione finale relativa a x. 4
5 campionamento bernoulliano: Θ = D = [0, 1], X = {0, 1} n, µ = γ X e f θ (x) = θ n x (1 θ) n(1 x) per ogni x. Scelta come densità iniziale π quella della distribuzione Beta(α, β), poniamo: Γ(α + β) π(θ) = Γ(α)Γ(β) θα 1 (1 θ) β 1 ove Γ denota la funzione gamma: Γ(t) = + 0 θ t 1 e θ dθ (t > 0). Ricordiamo che la distribuzione Beta(α, β) ha valor medio: α α + β e varianza: Risulta avendo posto: αβ (α + β + 1)(α + β) f θ (x)π(θ) = K θ αn(x) 1 (1 θ) βn(x) 1 α n (x) = α + n x, β n (x) = β + n(1 x), K = Passando alla densità predittiva, otteniamo Γ(α + β) Γ(α)Γ(β). p(x) = K 1 0 θ αn(x) 1 (1 θ) βn(x) 1 dθ = K Γ(α n(x))γ(β n (x)) Γ(α n (x) + β n (x)) > 0 e quindi X 0 = X. Ne segue π Z X (θ x) = Γ(α n(x) + β n (x)) Γ(α n (x))γ(β n (x)) θαn(x) 1 (1 θ) βn(x) 1. Dunque, la densità finale di Z relativa a x è la distribuzione Beta(α n (x), β n (x)). Allora, la regola di decisione: è l unica regola bayesiana formale. δ (α,β) n (x) = n x + α α + β + n 5
6 Inoltre, è anche uno stimatore. Infatti, posto δ = δ n (α,β), si ha Var θ (δ ) = n (nα + β + 1) Var θ( X) = n (nα + β + 1) Bias θ (δ ) = E θ (δ ) θ = n E θ( X) + α α + β + 1 = n α + α α+β α + β + 1 > 0 e quindi Conseguentemente, δ (α,β) n MSEδ (θ) = Var θ(δ ) + Bias θ (δ ) R αβ (α + β + 1)(α + β) è uno stimatore sia bayesiano che distorto. Osservato che gli errori quadratici medi MSEδ(θ) = x X L(θ, δ(x)) θ n x (1 θ) n(1 x) sono delle funzioni continue, che l indice di preferibilità individuato dalla speranza matematica è P-strettamente monotono e che la probabilità P verifica la condizione sufficiente (b) per l ammissibilità, possiamo concludere che δ (α,β) n ) è ammissibile. Passando a considerare il rischio di Bayes ρ(α, β) della probabilità iniziale otteniamo ( [ ] ) (α + n X) β + n(1 X) (α + n)(β + n) ρ(α, β) = E P (pr) (α + β + n + 1)(α + β + n) (α + β + n + 1)(α + β + n) e quindi il danno medio ineliminabile è un infinitesimo al divergere del numero delle osservazioni. 6
7 campionamento normale (con media incognita): Θ = R, X = R n, µ = λ n e n f θ (x) = (πσ ) n exp i=1 [ (x i x) ] n( x ] θ) exp [ σ σ Supposto che la densità iniziale π sia quella della distribuzione normale N(α, β ), otteniamo { f θ (x)π(θ) = K n (x) exp 1 [ (θ α) + β n( x θ) σ ]} con n K n (x) = (πσ ) n (πβ ) 1 exp i=1 [ (x i x) ]. σ Posto allora: β n = ( 1 β + n σ ) 1, αn (x) = risulta osservato che (θ α) β + [ α β + n x σ ] [ K f θ (x)π(θ) = K n (x) exp n (x) ] exp n( x θ) σ = β n, K n(x) = α n(x) β n [ [θ α n(x)] β n [ 1 β + n ] [ α θ σ β + n x ] [ α ] θ + σ β + n x σ = 1 β n { [ α θ β + n x [ α β + n x σ ] β n + [ α ] +n x β σ ], ] [ α β σ n θ + β + n x ] β } σ n [ α ] β + n x σ = [θ α n (x)θ + α n (x)] β n { αn (x) β n [ α β + n x σ ]} = [θ α n(x)] β n K n(x). Passando alla densità predittiva, si ha allora [ K p(x) = K n (x) exp n (x) ] + exp [ [θ α n(x)] ] dθ = K n (x) exp 7 β n [ K n (x) ] πβ n > 0
8 e quindi X 0 = X. Ne segue π Z X (θ x) = 1 πβ n exp [ [θ α n(x)] Dunque la densità finale di Z relativa a x è la distribuzione normale N(α n (x), β n). Allora, la funzione di decisione: δ (α,β ) n (x) = α n (x) = n σ x + 1 β α n σ + 1 β β n ]. = nβ x + σ α nβ + σ, ottenuta facendo la media aritmetica ponderata della media campionaria e del valor medio iniziale dello stato di natura, è l unica regola bayesiana formale. Inoltre, è anche uno stimatore. Infatti, posto δ = δ (α,β ) n, si ha Var θ (δ ) = n β 4 (nβ + σ ) Var θ( X) = Bias θ (δ ) = E θ (δ ) θ = nβ E θ ( X) + σ α nβ + σ e quindi MSEδ (θ) = Var θ(δ ) + Bias θ (δ ) R. n β 4 σ (nβ + σ ) n = nβ θ + σ α nβ + σ > 0 Conseguentemente δ (α,β ) n è uno stimatore sia bayesiano che distorto. Ricordato che l indice di preferibilità individuato dalla speranza matematica è P-strettamente monotono, che le funzioni di rischio degli stimatori sono funzioni continue e che la probabilità P verifica la condizione sufficiente (b) per l ammissibilità, possiamo concludere che δ (α,β ) n è ammissibile. Passando a considerare infine il rischio di Bayes ρ(α, β ) della probabilità iniziale otteniamo ρ(α, β ) = β n = β σ σ + nβ e quindi il danno medio ineliminabile è un infinitesimo al divergere del numero delle osservazioni. 8
9 Teorema Sia δ uno stimatore (ℵ-Borel misurabile) non distorto e bayesiano formale per P rispetto al danno quadratico. Supposto E P (Z ) finita risulta ρ(p) = 0, cioè (θ δ(x)) P (sb) (dθ dx) = ρ(p) = 0. Θ X Ne segue δ = Z (P (sb) -q.c.), cioè che la stima dello stato di natura è quasi certamente perfetta. Poichè una situazione così ottimale non è realizzabile nei problemi statistico-decisionali reali, il teorema mette in evidenza l incompatibilità pratica delle nozioni di non distorsione e di bayesianeità. campionamento bernoulliano Osservato che la media campionaria X è uno stimatore non distorto, andiamo a determinare le probabilità iniziali per le quali è uno stimatore bayesiano formale. Risulta 0 = ρ P (X) = Var θ (X) P(dθ) = 1 [0,1] n [0,1] θ(1 θ) P(dθ) Osservato che l integrale si annulla solo se P(]0, 1[) = 0, risulta P({0, 1}) = 1. Data una regola bayesiana δ (formale o no) otteniamo ρ P (δ ) = MSEδ (0)P(0) + MSE δ (1)P(1) = 0 e quindi MSEδ (i) = 0, se P(i) > 0 (i = 0, 1). Osservato che MSEδ (0) = δ (0) MSEδ (1) = (1 δ ((1,..., 1))) otteniamo δ (0) = 0, se P(0) > 0, e δ ((1,..., 1)) = 1, se P(1) > 0. Poichè, viceversa, per questo tipo di probabilità ogni stimatore che verifica queste due condizioni è banalmente bayesiano, possiamo concludere che lo è anche la media campionaria. 9
10 Regole bayesiane formali nella stima puntuale di un parametro vettoriale Supposto che lo stato di natura sia la coppia aleatoria Z = (Z 1, Z ), sia: ν i una misura σ-finita di riferimento sui boreliani dell insieme Θ i R dei valori possibili di Z i (i = 1, ) Θ = Θ 1 Θ e T = B () Θ π una densità della probabilità congiunta iniziale P (rispetto ν = ν 1 ν ) E P(Z i ) = Θ i θ i π(θ 1, θ ) ν(dθ 1 dθ ) finito (i = 1, ). Θ D R m, con D convesso chiuso funzione di danno la forma quadratica (nelle componenti del vettore θ d): L(θ, d) = (θ d) T M (θ d), ove M = (a ij ) 1 i, j matrice simmetrica definita positiva ( ) E P(Z d 1 ) = E P(Z ) Dalla bilinearità del prodotto righe per colonne si ha L(θ, d) = [ (d d) + (θ d ) ] T M [ (d d) + (θ d ) ] e quindi = (d d) T M (d d) + a ij (d i d i )(θ j d j)) + (θ d ) T M (θ d ). i=1 j=1 E P(L(Z, d)) = (d d) T M (d d) + E P( (Z d ) T M (Z d ) ). Essendo M definita positiva, d è l unico punto di minimo della funzione d E P(L(Z, d)). 10
11 Per provare che d D, assumiamo d D. Allora per il: Teorema (di separazione punto-convesso chiuso) Siano B R m convesso chiuso e x R m tali che x B. Esistono una m-pla a 0 e un numero reale α tali che: a 1 x a m x m > α a 1 y a m y m α per ogni y B esiste una coppia a 0 e un numero reale α tali che a 1 d 1 + a d > α a 1 d 1 + a d α per ogni d D Posto Y = a 1 Z 1 +a Z, dalla seconda disuguaglianza otteniamo P(Y α) = 1 e quindi E P(Y ) α; ne segue a 1 d 1 +a d α contraddicendo così la prima disuguaglianza. Teorema Sia E P (Z i x) finito per ogni campione x (i = 1, ). Allora, considerata la funzione di danno quadratica, esiste una sola regola bayesiana formale; precisamente, la funzione di decisione: ( ) φ (P) EP (Z 1 x) (x) = E P (Z x) che associa ad ogni campione il vettore dei valori medi finali dello stato di natura relativi a quel campione. 11
12 .1 Regole bayesiane formali nella stima intervallare Stima intervallare: Θ R, D famiglia di intervalli limitati di Θ funzione di danno lineare: L(θ, d) = k λ(d) + 1 I d (θ) (k > 0) stimatore intervallare: δ tale che la lunghezza aleatoria λ(δ) è ℵ-Borel misurabile e l insieme di copertura {θ δ} di θ appartiene a ℵ per ogni stato θ. Risulta R δ (θ) = E θ (k λ(δ) + 1 I δ (θ)) = ke θ (λ(δ)) + 1 E θ (I δ (θ)) e quindi R δ (θ) = ke θ (λ(δ)) + 1 P θ (θ δ). Quindi, nello stato θ, la funzione di rischio incorpora due componenti: la lunghezza media E θ (λ(δ)) dell intervallo aleatorio δ(x) la probabilità di copertura P θ (θ δ) di θ, cioè la probabilità che l intervallo aleatorio contenga θ. 1
13 Posto ν = λ, la probabilità P ammetta una densità π continua e unimodale in senso forte (cioè esiste un punto di massimo θ tale che π( 1 ) < π(θ ), se θ 1 < θ < θ, e π(θ 1 ) > π(θ ), se θ < θ 1 < θ. Il problema di massimo vincolato: b max π(θ) dθ a b a = α (1) ammette una sola soluzione per ogni numero reale α > 0. Osservato che sia la funzione obiettivo che quella relativa al vincolo hanno derivate parziali continue, usiamo il metodo dei moltiplicatori di Lagrange. Considerata la funzione: poniamo dunque F (a, b, λ 1 ) = b a π(θ) dθ + λ 1 (b a α), a F (a, b, λ 1) = π(a) λ 1 = 0 b F (a, b, λ 1) = π(b) + λ 1 = 0 λ 1 F (a, b, λ 1 ) = b a α = 0 da cui otteniamo { π(a) = π(b) b a = α Quindi la densità π assume gli stessi valori sugli estremi dell intervallo. Conseguentemente, per la unimodularità della densità, l intervallo [a, a + α] tale che π(a) = π(a + α) è l unica soluzione del problema. 13
14 Osservato che l unica soluzione del problema di minimo vincolato: min(b a) b a π(θ) dθ = β con β ]0, 1] verifica la condizione π(a) = π(b), gli intervalli [a, b] con π(a) = π(b) possono essere intesi come gli intervalli che sono: di massima probabilità tra quelli di lunghezza α; di minima lunghezza tra quelli di probabilità β. Inoltre, per l unimodularità, possono anche essere visti come insiemi del tipo { π ϑ} con ϑ [0, 1]. Teorema Siano ν = λ e π( x) una funzione continua e unimodale in senso forte per ogni x. Inoltre, sia φ una regola bayesiana formale per P. Allora, la funzione di decisione che associa ad ogni x la soluzione del problema (1) con π = π( x) e α = λ(φ (x)) è una regola bayesiana formale. Dimostrazione Indicata con φ tale funzione di decisione, risulta ρ P (φ (x) x) ρ P (φ (x) x) = klg(φ (x)) + 1 π(θ x) dθ φ (x) klg(φ (x)) + 1 π(θ x) dθ = ρ P (φ (x) x) per ogni x. φ (x) Le regole bayesiane formali vanno quindi ricercate tra le funzioni di decisione φ che associano ad ogni campione x l intervallo di massima probabilità finale tra tutti quelli di lunghezza λ(φ(x)). 14
15 . Regole bayesiane formali nella verifica di ipotesi Osservato che E P(L 0 ) = k 0 d P, Θ 1 E P(L 1 ) = k 1 d P Θ 0 la decisione d minimizza il danno medio se e solo se: d 0 se k 0 d P < k 1 d P Θ 1 Θ 0 d = d 0 o d 1 se k 0 d P = k 1 d P. Θ 1 Θ 0 d 1 se k 0 d P > Θ 1 k 1 d P Θ 0 Teorema Ogni funzione di decisione φ tale che: d 0 se k 0 (θ) P(dθ x) < k 1 (θ) P(dθ x) Θ 1 Θ 0 φ(x) = d 1 se k 0 (θ) P(dθ x) > k 1 (θ) P(dθ x) Θ 1 Θ 0 è un test bayesiano formale per P. Corollario Sia la funzione k i una costante di valore K i (i = 0, 1). Allora, ogni funzione di decisione φ tale che: K 1 d 0 se P(Θ 0 x) > K 0 + K 1 φ(x) =. d 1 se P(Θ 0 x) < K 0 + K 1 è un test bayesiano formale per P. K 1 15
16 Θ = R, ν = λ e Θ 0 = ], θ 0 ] (θ 0 fissato) k 0 (θ) = K 0 (θ θ 0 ), k 1 (θ) = K 1 (θ 0 θ) E P (Z x) finita per ogni campione x Risulta Θ 0 k 1 (θ) P(dθ x) = K 1 ],θ 0 ] (θ 0 θ) P(dθ x) k 0 (θ) P(dθ x) = K 0 (θ θ 0 ) P(dθ x) Θ 1 ]θ 0,+ [ = K 0 E P (Z θ 0 x) K 0 = K 0 E P (Z x) K 0 θ 0 + K 0 ],θ 0 ] ],θ 0 ] (θ θ 0 ) P(dθ x) (θ 0 θ) P(dθ x) qualunque sia x. Pertanto, ogni funzione di decisione φ tale che: d 0 se E P (Z x) < θ 0 + K 1 K 0 K 0 (θ 0 θ) P(dθ x) ],θ 0 ] φ(x) = d 1 se E P (Z x) > θ 0 + K 1 K 0 (θ 0 θ) P(dθ x) K 0 ],θ 0 ] è un test bayesiano formale per P. Nel caso particolare K 0 = K 1, risulta dunque che è bayesiana formale ogni funzione di decisione φ tale che: d 0 se E P (Z x) < θ 0 φ(x) =. d 1 se E P (Z x) > θ 0 16
Disuguaglianza di Cramér-Rao
Disuguaglianza di Cramér-Rao (Appunti per gli studenti Silvano Holzer Dipartimento di Scienze Economiche, Aziendali, Matematiche e Statistiche Bruno de Finetti Università degli studi di Trieste Un esperimento
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliPROBLEMI DI PROBABILITÀ 2
PROBLEMI DI PROBABILITÀ 2. Si sceglie a caso un numero X nell intervallo (0, ). (a) Qual è la probabilità che la usa prima cifra decimale sia? (b) Qual è la probabilità che la seconda cifra decimale sia
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
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
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
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
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2015/2016 www.mat.uniroma2.it/~caramell/did 1516/ps.htm 01/03/2016 - Lezioni 1, 2 [Caramellino] Breve introduzione al corso. Fenomeni
DettagliLezioni sullo studio di funzione.
Lezioni sullo studio di funzione. Schema. 1. Calcolare il dominio della funzione D(f).. Comportamento della funzione agli estremi del dominio. Ad esempio se D(f) = [a, b] si dovrà calcolare f(a) e f(b),
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliCatene di Markov. 8 ottobre 2009
Catene di Markov 8 ottobre 2009 Definizione 1. Si dice catena di Markov (finita) un sistema dotato di un numero finito n di stati {1, 2,..., n} che soddisfi la seguente ipotesi: la probabilità che il sistema
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliStatistica - 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
DettagliV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 7 gennaio
V Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 24/5 Nome: 7 gennaio 26 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
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
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
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
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
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
DettagliESERCIZI SUI SISTEMI LINEARI
ESERCIZI SUI SISTEMI LINEARI Consideriamo ora il sistema lineare omogeneo a coefficienti costanti associato alla matrice A M n n, cioè SLO Vale il seguente = A. Teorema. Sia v R n \ } e sia λ C. Condizione
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
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Proff. Gianni Di Pillo and Laura Palagi Note per il corso di OTTIMIZZAZIONE (a.a. 2007-08) Dipartimento
DettagliEquazioni algebriche di terzo grado: ricerca delle soluzioni
Equazioni algebriche di terzo grado: ricerca delle soluzioni 1 Caso particolare: x 3 + px + q = 0....................... Caso generale: x 3 + bx + cx + d = 0..................... 4 3 Esercizi.....................................
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
DettagliStatistica 2 parte ARGOMENTI
Statistica 2 parte ARGOMENTI Vettori gaussiani Matrice di covarianza e sua positività Marginali di un vettore normale Trasformazioni affini di vettori normali Indipendenza delle componenti scorrelate di
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
Dettaglinon solo otteniamo il valore cercato per la validità della (1.4), ma anche che tale valore non dipende da
NOTE INTEGRATIVE PER IL CORSO DI ANALISI MATEMATICA 2 ANNO ACCADEMICO 2012/13 NOTE SULLA CONTINUITÀ UNIFORME D.BARTOLUCCI, D.GUIDO Sia f(x) = x 3, x [ 1, 1]. Si ha 1. La continuità uniforme x 3 y 3 = x
DettagliStima Puntuale e per Intervallo. Stimatore e stima. Pietro Coretto Università degli Studi di Salerno
Stima Puntuale e per Intervallo Pietro Coretto pcoretto@unisa.it Università degli Studi di Salerno Corso di Statistica (01700010) CDL in Economia e Management Curriculum in Management e Informatica a.a.
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliEsame di Statistica del 7 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 7 luglio 006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano
DettagliIndice. Presentazione
Indice Presentazione v 1 Il problema statistico 1 1.1 Esperienze e regole 1 1.2 Un esempio introduttivo 3 1.3 Esperienze ed errori 4 1.4 Errori e fluttuazioni 6 1.5 Quando non ci sono regole 7 1.6 Conclusione
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliElementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliIl problema lineare dei minimi quadrati
Il problema lineare dei minimi quadrati APPLICAZIONE: Il polinomio di migliore approssimazione nel senso dei minimi quadrati Felice Iavernaro Dipartimento di Matematica Università di Bari 15 Gennaio 2009
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
DettagliEsercizi di prove scritte di Analisi Matematica I con schema di soluzione Paola Loreti. April 5, 2006
Esercizi di prove scritte di Analisi Matematica I con schema di soluzione Paola Loreti April 5, 6 ESERCIZI. Studiare la convergenza della serie numerica al variare di γ IR.. Calcolare l integrale π n=
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2016-2017 Richiami Algebra Lineare Spazio normato Uno spazio lineare X si dice normato se esiste una funzione
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliCOMPLETAMENTO DI SPAZI METRICI
COMPLETAMENTO DI SPAZI METRICI 1. Successioni di Cauchy e spazi metrici completi Definizione 1.1. Una successione x n n N a valori in uno spazio metrico X, d si dice di Cauchy se, per ogni ε > 0 esiste
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
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliMicroeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati
Microeconometria Day # 3 L. Cembalo Regressione con due variabili e metodo dei minimi quadrati SRF: sample regression function Il passaggio dalla regressione sulla popolazione a quella sul campione è cruciale
DettagliLA LUNGHEZZA DEI GENI UMANI (Es4.1)
STATISTICA INFERENZIALE: le caratteristiche della popolazione complessiva sono indotte da quelle osservate su un campione estratto dalla popolazione stessa(esempio exit poll) PROBLEMA: dato un campione
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).
DettagliTest d ipotesi. Monica Musio, Maria Luisa Targhetta
Test d ipotesi Monica Musio, Maria Luisa Targhetta 0. Introduzione Un ipotesi statistica è un asserzione sui parametri di una popolazione. Siano: H 0 : θ Θ 0 H : θ Θ () L ipotesi nulla e l ipotesi alternativa
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliStatistica 2. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo
Statistica 2 Esercitazioni Dott. L 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
DettagliEsercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.
Statistica Matematica A Esercitazione # 6 DUE MEDIE CON VARIANZE NOTE: Esercizio # Le ditte A e B producono sfere luminose. Una volta attivata la reazione chimica che rende luminosa una di queste sfere,
DettagliCONICHE. Esercizi Esercizio 1. Nel piano con riferimento cartesiano ortogonale Oxy sia data la conica C di equazione
CONICHE Esercizi Esercizio 1. Nel piano con riferimento cartesiano ortogonale Oy sia data la conica C di equazione 7 2 + 2 3y + 5y 2 + 32 3 = 0. Calcolare le equazioni di una rototraslazione che riduce
DettagliLa Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali.
La Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali. Analisi del campione: - descrizione sintetica (statistica descrittiva) - deduzione
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliProbabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
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.
DettagliStima puntuale. Stimare: attribuire un valore plausibile ad una grandezza. (parametro) non misurabile esattamente.
Stima puntuale Stimare: attribuire un valore plausibile ad una grandezza (parametro) non misurabile esattamente. Stimatore del parametro θ: ogni statistica T = t(x 1, X 2,..., X n ) utilizzata per stimare
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 7-8 Soluzioni di alcuni esercizi Esercizi - I. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliMATEMATICA E STATISTICA CORSO A III COMPITINO 20 Marzo 2009
MATEMATICA E STATISTICA CORSO A III COMPITINO Marzo 9 SOLUZIONI. () Sia X una variabile aleatoria binomiale con valor medio uguale a 5/; la varianza di X può valere? Giustificare la risposta. Il valor
DettagliEsercizi svolti. Geometria analitica: rette e piani
Esercizi svolti. Sistemi di riferimento e vettori. Dati i vettori v = i + j k, u =i + j + k determinare:. il vettore v + u ;. gli angoli formati da v e u;. i vettore paralleli alle bisettrici di tali angoli;
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
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
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione
Dettagli2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima.
2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 3. Fra tutti i cilindri a base rotonda inscritti in una sfera, determinare quello di volume massimo. 4. Dimostrare
DettagliFacoltà di AGRARIA anno accademico 2009/10
Facoltà di AGRARIA anno accademico 2009/10 Attività didattica MATEMATICA E STATISTICA [AG0233], MATEMATICA E STATISTICA [AG0233] Periodo di svolgimento: Primo Semestre Docente titolare del corso: FREDDI
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliISTITUTO TECNICO ECONOMICO WALTHER CLASSE IA A.S PROGRAMMA DI MATEMATICA. Prof.ssa Iuzzolino Assunta
CLASSE IA TEORIA DEGLI INSIEMI Insiemi e loro rappresentazione Sottoinsiemi di un insieme e insieme complementare Le operazioni di unione ed intersezione tra insiemi Insiemi uguali GLI INSIEMI NUMERICI
DettagliIntroduzione all inferenza statistica, III lezione
Introduzione all inferenza statistica, III lezione Carla Rampichini Dipartimento di Statistica Giuseppe Parenti - Firenze - Italia carla@ds.unifi.it - www.ds.unifi.it/rampi/ Dottorato in METODOLOGIA DELLE
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
DettagliCirconferenze del piano
Circonferenze del piano 1 novembre 1 Circonferenze del piano 1.1 Definizione Una circonferenza è il luogo dei punti equidistanti da un punto fisso, detto centro. La distanza di un qualunque punto della
DettagliIII Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre
III Appello di Processi Stocastici Cognome: Laurea Magistrale in Matematica 2014/15 Nome: 15 Settembre 2015 Email: Quando non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliMisure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a )
Misure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a. 2006-07 Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 1. (Misura. Si chiama misura
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2012/2013 www.mat.uniroma2.it/~caramell/did 1213/ps.htm 05/03/2013 - Lezioni 1, 2, 3 Breve introduzione al corso. Fenomeni deterministici
DettagliUniversità degli Studi di Cassino. Esercitazione di Statistica 2 dell Simona Balzano
Università degli Studi di Cassino Esercitazione di Statistica dell 8.0.007 Simona Balzano Esercizio 1 Uno studente supera una prova con probabilità pari a 0,6. Considerando un campione di ampiezza 10,
DettagliRichiami di Statistica
Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare
DettagliAPPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO
APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni
DettagliSistemi di equazioni lineari
Sistemi di equazioni lineari A. Bertapelle 25 ottobre 212 Cos è un sistema lineare? Definizione Un sistema di m equazioni lineari (o brevemente sistema lineare) nelle n incognite x 1,..., x n, a coefficienti
DettagliSoluzioni della prova di Matematica Maturità 2015
Soluzioni della prova di Matematica Maturità 015 Lara Charawi 1, Alberto Cogliati e Luca Magri 1 Dipartimento di Matematica, Università degli Studi di Pavia Dipartimento di Matematica, Università degli
DettagliStatistica 1- parte II
Statistica 1- parte II Esercitazione 2 Dott.ssa Antonella Costanzo 18/02/2016 Esercizio 1. IC media incognita, varianza nota Una fabbrica A produce matite colorate. Una prova su 100 matite scelte a caso
DettagliEquazioni differenziali Corso di Laurea in Scienze Biologiche Istituzioni di Matematiche A.A. 2007-2008. Dott.ssa G. Bellomonte
Equazioni differenziali Corso di Laurea in Scienze Biologiche Istituzioni di Matematiche A.A. 2007-2008 Dott.ssa G. Bellomonte Indice 1 Introduzione 2 2 Equazioni differenziali lineari del primo ordine
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 8 Abbiamo visto: Metodi per la determinazione di uno stimatore Metodo di massima verosimiglianza
DettagliI 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:
Dettagli