CENNI SULLE VARIABILI ALEATORIE INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ
|
|
- Raffaela Venturini
- 7 anni fa
- Visualizzazioni
Transcript
1 CENNI SULLE VARIABILI ALEATORIE... 1 INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ... APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ Teorema della probabilità dell evento complementare Teorema della probabilità totale Fenomeno aleatorio condizionato Indipendenza Statistica Teorema di Bayes DEFINIZIONE DI VARIABILE ALEATORIA Funzione distribuzione Funzione densità di probabilità APPROFONDIMENTI CON ESEMPI SULLE VARIABILI ALEATORIE Variabili aleatorie discrete Variabili aleatorie continue
2 Cenni sulle variabili aleatorie 1 Introduzione alla teoria delle probabilità la teoria della probabilità si occupa dei valori medi di enomeni di massa che avvengono simultaneamente o successivamente nel tempo: emissioni di elettroni, chiamate teleoniche, rilevamenti radar, controllo della qualità di un prodotto, guasti in un impianto, meccanica statistica, indici di natalità e di mortalità, ereditarietà. Alcuni esempi di enomeni aleatori di interesse speciico nelle telecomunicazioni sono: Errori introdotti dal canale di comunicazione sul messaggio trasmesso, Numero e tipo di chiamate simultaneamente attive alla centrale di commutazione, Errori di misura negli strumenti di acquisizione. E stato osservato che in questi e altri campi certi valori medi si approssimano a un valore costante, allorché il numero delle osservazioni aumenta. Per di più, questo valore limite si mantiene invariato, anche se le medie vengono valutate su una qualunque successione parziale, deinita prima che l esperimento venga compiuto. Così, se ripetendo più volte il lancio di una moneta, la percentuale degli esiti testa si avvicina al 5% (valore medio), questo stesso valore si otterrebbe se si considerasse, ad esempio, un lancio ogni quattro. Un enomeno aleatorio può essere caratterizzato secondo gli elementi descritti in tabella Esperimento Prova Determinazione Evento Descrizione delle modalità di attuazione di un enomeno aleatorio Esecuzione di un esperimento Valore che può essere assunto da una grandezza isica a seguito di una prova L evento si veriica se il risultato soddisa certi requisiti. La teoria si propone di descrivere e di predire tali valori medi e a questo proposito si associa a un certo evento la sua probabilità. Nell osservazione dei enomeni aleatori, all aumentare del numero delle osservazioni alcune grandezze tendono a valori costanti. Questo consente di deinire la probabilità di un evento A tramite il rapporto ra il numero n A di occorrenze dell evento e il numero totale n degli esperimenti eettuati: Pr ( A) na = lim n n Pr(A) è un numero reale positivo sempre compreso tra e 1. Gli eventi aleatori si deiniscono in termini di insiemi e sono caratterizzati delle probabilità ad essi associati. Ad ognuno dei risultati si associa con una corrispondenza biunivoca un punto nell insieme (spazio) dei risultati Ω. Dato un evento E ad esso corrisponde l insieme E dei punti di Ω corrispondenti ai risultati avorevoli all evento E. All evento certo, cui sono avorevoli tutti i risultati possibili, corrisponde l intero insieme Ω e quindi la probabilità 1. Agli eventi si applicano le classiche operazioni tra insiemi, di cui alcuni esempi sono in tabella.
3 Operazione d insieme Complementazione A = ω ω Ω, ω A { } Unione A B = { ω ω Ω, ω A " o " ω B} Intersezione A B = { ω ω Ω, ω A " e" ω B} Operazione sugli eventi Evento non-a, che si veriica quando non si veriica A Evento A o B, che si veriica quando si veriica almeno uno dei due eventi A o B. Evento A e B, che si veriica quando si veriicano ambedue gli eventi A e B. La probabilità Pr può essere deinita come una unzione che a corrispondere ad un dato insieme in Ω un valore reale compreso tra e 1: Pr : F [, 1] La probabilità gode delle seguenti proprietà (assiomi): 1) Pr(E), E Ω ) Pr( n E n ) = Σ n Pr(E n ) E 1,, E n Ω, E i E j = 3) Pr(Ω) = 1 Approondimento sulla teoria delle probabilità Questa sezione contiene una rassegna dei principali risultati sulla teoria della probabilità che possono essere utili per uno studio approondito sui enomeni aleatori e sulle loro applicazioni nel campo delle telecomunicazioni..1 Teorema della probabilità dell evento complementare Dato un evento ammissibile E con Probabilità Pr(E), la probabilità dell evento complementare Pr(non-E) è pari a Pr(non-E) = 1 Pr(E). Teorema della probabilità totale Dati due eventi ammissibili A e B, non necessariamente mutuamente escludentisi ( A B ), con probabilità Pr(A), Pr(B), l evento (A o B) è ammissibile, e la sua probabilità vale:.3 Fenomeno aleatorio condizionato Pr(A B) = Pr(A)+ Pr(B) Pr(A B) Dato un enomeno aleatorio descritto dallo spazio Ω ed un evento ammissibile Γ (cioè Pr(Γ)>), si dice enomeno aleatorio condizionato all evento Γ il enomeno aleatorio ottenuto da quello di partenza scartando i casi in cui l evento Γ non si veriica. Rispetto al enomeno aleatorio condizionato, il generico evento E è rappresentato dall insieme E Γ. Pertanto si deinisce la probabilità condizionata di un evento E rispetto a Γ il rapporto seguente: 3
4 .4 Indipendenza Statistica ( E Γ) Pr = 4 Pr ( E Γ) Pr( Γ) In generale, sapere che si è veriicato l evento Γ modiica la conoscenza circa il contemporaneo veriicarsi dell evento E. Inatti: Pr( E Γ) Pr( E) Se la conoscenza che si sia veriicato Γ non porta alcuna conoscenza riguardo ad E, i due eventi si dicono statisticamente indipendenti. In particolare un evento E si dice statisticamente indipendente dall evento Γ se e solo se Pr ( E Γ) = Pr( E) Se l evento E è statisticamente indipendente dall evento Γ risulta:.5 Teorema di Bayes Pr( E Γ) = Pr( Γ) Pr( E) Si consideri un enomeno aleatorio complesso, cui siano associati due enomeni aleatori semplici interconnessi ra loro, di cui solo uno direttamente osservabile. Si consideri ad esempio un sistema di trasmissione in cui il canale introduce un errore di trasmissione. Un primo enomeno aleatorio è costituito dall emissione da parte della sorgente S di una sequenza di bit {a k = o 1}. Il secondo enomeno aleatorio (interconnesso al primo) è costituito dalla ricezione da parte del destinatario D di una sequenza di simboli {b k = o 1} che, a causa degli errori introdotti dal canale, non coincide necessariamente con {a k }. Le conoscenze a priori sulla sorgente si traducono sulla conoscenza delle probabilità con cui la sorgente emette i simboli {a k }: p = Pr(a k = ) p 1 = Pr(a k = 1) = 1 - p Le conoscenze a priori sui meccanismi isici di trasmissione nel canale si traducono sulla conoscenza delle probabilità dei simboli ricevuti {b k } condizionate ai simboli emessi {a k }: Pr(b k = a k = ) Pr(b k = a k = 1) Pr(b k = 1 a k = ) Pr(b k = 1 a k = 1) Il teorema di Bayes risponde alla domanda: se il simbolo ricevuto è b k = 1, qual è la probabilità che il simbolo emesso sia stato a k = 1? ovvero, come si calcolano le seguenti probabilità a partire dalle Pr(a k ) e dalle Pr(b k a k ) Pr(a k = b k = ) Pr(a k = b k = 1) Pr(a k = 1 b k = )
5 Pr(a k = 1 b k = 1) Enunciato del teorema di Bayes: Sia dato un processo aleatorio con spazio Ω, si consideri una partizione completa {Γ 1,...Γ m } di Ω, (ovvero j Γ j = Ω con Γ i Γ j =, i j), che corrisponde ad una serie completa di eventi mutuamente escludentisi Γ i ed un evento ammissibile E. Note le probabilità Pr(Γ i ), i = 1, m, e le probabilità condizionate Pr(E Γ i ), i = 1, m, la probabilità condizionata dell evento Γ h h = 1, m rispetto all evento E, è data da: Pr ( Γ E) h = m Pr j = 1 ( E Γ ) Pr( Γ ) Pr h ( E Γ ) Pr( Γ ) j h j 3 Deinizione di variabile aleatoria Dato un esperimento aleatorio che è caratterizzato dallo spazio dei risultati Ω, abbiamo deinito la probabilità associata ad eventi e cioè sottoinsiemi di risultati che appartengono a Ω. La variabile aleatoria mappa i singoli esiti del processo in valori reali. In particolare, vale la seguente deinizione di variabile aleatoria: dato uno spazio di probabilità caratterizzato dallo spazio dei risultati Ω e dalla probabilità P associata ai suoi sottoinsiemi, si deinisce variabile aleatoria (ω) una qualsiasi unzione : Ω R tale che per ogni punto ξ di R l insieme A corrispondente, A = { ω Ω, ω < ( ω ) ξ}, rappresenti un evento ammissibile. Una variabile aleatoria (ω) si dice discreta se esiste un insieme S = { i } inito o ininito numerabile tale P ω ω = = (condizione di normalizzazione). Una variabile aleatoria si dice continua che ( ( ) ) 1 S i i quando i valori che può assumere sono continui; in questo caso la precedente condizione di normalizzazione vale in orma integrale. 3.1 Funzione distribuzione La unzione distribuzione associata alla variabile aleatoria, F (), è deinita come la probabilità che la variabile aleatoria sia minore o uguale a : F ( ) = Pr{ } Nella precedente notazione il simbolo maiuscolo (cioè ) indica la variabile aleatoria, mentre il corrispondente simbolo minuscolo (cioè ) indica una maniestazione (e cioè un possibile valore) della variabile aleatoria. La unzione distribuzione F () gode delle seguenti proprietà: Non-negativa Non-decrescente F F ( ) ( + ) F ( ), > Continua da destra 5
6 ( + ) = F ( ), lim F > Tende a al tendere a - dell argomento F ( + ) lim = Tende a 1 al tendere a + dell argomento F + ( + ) 1 lim = La probabilità di un evento ammissibile A, cui tramite la corrisponde un insieme A() di R, può essere calcolata tramite l integrale: 3. Funzione densità di probabilità Pr ( A ) = df ( ) A La unzione densità di probabilità della variabile aleatoria, (), è deinita come la derivata della unzione distribuzione rispetto a : ( ) ( ) = df d ( ) Due variabili aleatorie 1, sono statisticamente indipendenti se e solo se è veriicata la condizione seguente per le unzioni densità: o (equivalentemente) per le unzioni distribuzione: ( ) = ( ) ( ) 1 1, 1 1 F ( ) = F ( ) F ( ) 1 1, 1 1 Il valore medio di una variabile aleatoria è deinito dal seguente operatore: [ ] = ( ) E d, dove l integrale viene atto su tutto lo spazio di variabilità di Il valore quadratico medio è ottenuto applicando l operatore E[.] alla variabile : E [ ] = ( ) d, dove l integrale viene atto su tutto lo spazio di variabilità di La varianza della variabile aleatoria, σ, si ottiene come segue: σ ( ) E( ) [ ] = E 6
7 4 Approondimenti con esempi sulle variabili aleatorie Questa sezione ha lo scopo di ornire una rassegna molto dettagliata delle caratteristiche delle variabili aleatorie più comunemente usate nel campo delle comunicazioni. Le variabili aleatorie possono essere di tipo continuo e discreto. La distinzione si a in base all insieme di valori che la variabile può assumere. Se la variabile aleatoria può assumere solo un insieme inito di valori si dice variabile aleatoria discreta. Pertanto mentre le variabili aleatorie sono contraddistinte dalle relative unzioni densità (o le unzioni distribuzione di probabilità), le variabili aleatorie discrete sono contraddistinte dai valori puntuali delle probabilità. Di seguito sono dettagliate le caratteristiche dei tipi più comuni di variabili aleatorie. Alcune di queste variabili possono essere particolarmente utili per caratterizzare, ad esempio, il canale di comunicazione e le caratteristiche del traico. 4.1 Variabili aleatorie discrete La distribuzione binomiale Rierendoci ad un esperimento aleatorio, si ha dato evento A che ad ogni prova dell esperimento si veriica con probabilità p. Supponendo che l esito dell esperimento sia indipendente da prova a prova, allora la probabilità che su N prove ripetute dell esperimento, l evento A sia stato soddisatto = k volte è data dalla ormula seguente (distribuzione di probabilità binomiale): N dove = k N Prob k N! è il coeiciente binomiale. k!( N k)! k N k { = k} = p ( 1 p), k [, 1,..., N] Il valore medio di questa distribuzione è E[] = np; la varianza vale Var[] = np(1 - p). Un esempio di distribuzione di probabilità binomiale è mostrato in Fig. 1. 7
8 .5. Probabilità Fig. 1: Distribuzione di probabilità binomiale per N = e p =.. La distribuzione geometrica Sia dato un esperimento aleatorio, in base al quale si deinisce l evento A che ad ogni prova si veriica con probabilità p. Supponendo che l esito dell esperimento sia indipendente da prova a prova, il numero di prove che occorre eseguire per aver veriicato l evento A è = k secondo la seguente distribuzione di probabilità geometrica: Prob k 1 { = k} = p ( 1 p), k [ 1,,...] Il valore medio di questa distribuzione è E[] = 1/p; la varianza vale Var[] = (1 - p)/p. Un esempio di andamento della distribuzione geometrica è indicato nella Fig.. 8
9 Probabilità Fig. : Distribuzione di probabilità geometrica per p =.. La distribuzione di Poisson Una variabile aleatoria discreta ha distribuzione di Poisson quando la probabilità che si veriichi l evento = k per k =, 1,, soddisa la seguente ormula: k ρ ρ Prob{ = k} = e, k [, 1,...] k! dove ρ è un parametro (adimensionale) reale positivo; la distribuzione ha andamento decrescente con k, ma al crescere di ρ divengono maggiormente signiicativi i valori con k più elevato. Il valore medio di questa distribuzione è E[] = ρ; la varianza vale Var[] = ρ. Un esempio che illustra l andamento della distribuzione di Poisson è indicato in Fig. 3. 9
10 .3.5. Probabilità Variabili aleatorie continue Distribuzione esponenziale Fig. 3: Distribuzione di probabilità di Poisson per ρ =. Una variabile aleatoria con distribuzione di esponenziale ha la seguente unzione densità: 1 λ λ ( ) = e, [, + ) Il valore medio di questa distribuzione è E[] = 1/λ (λ prende il nome di tasso e ha le dimensioni del reciproco di ); la varianza vale Var[] = 1/λ. Funzione densità Fig. 4: Funzione densità di probabilità per un tasso λ =.. 1
11 La distribuzione gaussiana Una variabile aleatoria con distribuzione gaussiana con valore medio µ e varianza σ è caratterizzata dalla seguente unzione densità: ( ) πσ ( µ ) 1 σ = e, (, + ) σ è la deviazione standard. La unzione densità di una variabile aleatoria gaussiana con valore medio µ = e varianza σ = 1 è rappresentata in Fig Funzione densità Fig. 5: Funzione densità di probabilità per una variabile aleatoria gaussiana con valore medio nullo e varianza unitaria. La unzione distribuzione F () associata alla densità gaussiana è ovviamente data dalla seguente ormula: F ( ) = ( ) d. Tale integrale non può essere espresso in orma chiusa. Si introduce allora la + y unzione Q( ) = e dy = 1 er = erc. Rierendoci ad una variabile aleatoria π gaussiana con valore medio nullo e varianza unitaria, allora la sua distribuzione F () può essere ottenuta come 1 Q(). La distribuzione gaussiana ha un interessante proprietà che va sotto il nome di teorema del limite centrale: la somma di n variabili aleatorie continue identicamente distribuite e statisticamente 11
12 indipendenti tende ad una variabile aleatoria gaussiana se n (questo vale qualsiasi sia la unzione densità delle variabili aleatorie che si sommano). La distribuzione lognormale Una variabile aleatoria è detta avere una distribuzione lognormale con parametri µ e σ, se ln() ha distribuzione normale con valore medio µ e deviazione standard σ. Equivalentemente = ep(y), dove Y ha distribuzione gaussiana con valore medio µ e deviazione standard σ. E possibile dimostrare che questa variabile aleatoria ha la seguente unzione densità: ( ) πσ ( ln( ) µ ) 1 σ = e, (, + ) Il valore medio di questa distribuzione è E[] = ep(µ + σ /); la varianza vale Var[] = ep(µ + σ )- ep(µ + σ ). Un esempio di distribuzione lognormale è dato in Fig. 6 per µ = e σ = Funzione densità Fig. 6: Funzione densità di probabilità per una variabile aleatoria lognormale con per µ = e σ =.. La distribuzione lognormale serve per modellare la statistica del prodotto di un numero elevato di variabili indipendenti ed indipendentemente distribuite (teorema del limite centrale per il prodotto). Distribuzione di Rayleigh Una variabile aleatoria con distribuzione di Rayleigh ha la seguente unzione densità: 1 ( ) = e σ, [, + ) σ 1
13 Il valore medio di questa distribuzione è E[] = Γ( 3/ ) la varianza vale Var[] = ( π/)σ. σ, dove Γ() indica la unzione Gamma di ; Se e Y sono due variabili aleatorie indipendenti con distribuzione gaussiana, valore medio nullo e varianza σ, allora la variabile Z = + Y è distribuita secondo Rayleigh come indicato in precedenza. Invece Z ha distribuzione chi-quadro centrale con due gradi di libertà. Distribuzione di Rice Una variabile aleatoria con distribuzione di Rice ha la seguente unzione densità: σ + s s σ σ ( ) = e I, [, + ) dove I () rappresenta la unzione di Bessel modiicata del primo tipo di ordine e s è il parametro di non-centralità. Se e Y sono due variabili aleatorie indipendenti con distribuzione gaussiana, valori medi µ 1 e µ (rispettivamente) e stessa varianza σ, allora la variabile Z = + Y è distribuita secondo Rice come indicato in precedenza, dove s = µ 1 + µ. Invece Z ha distribuzione chi-quadro non-centrale centrale con parametro di non-centralità s. 13
Richiami di Teoria della probabilità (I)
Richiami di Teoria della probabilità (I) ESPERIMENTO: ogni operazione il cui risultato non può essere predetto con certezza EVENTO: è il risultato di un esperimento Eventi semplici e composti Eventi disgiunti
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
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
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)
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
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
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
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.
DettagliTEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI
TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliEsperimentazioni di Fisica 1. Prova scritta del 9 luglio 2015 SOLUZIONI
Esperimentazioni di Fisica 1 Prova scritta del 9 luglio 2015 SOLUZIONI Esp-1 Prova di Esame Secondo appello - Page 2 of 8 09/07/2015 1. (12 Punti) Quesito. La grandezza y è aspettata dipendere in modo
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
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
DettagliNote di Teoria della Probabilità.
Note di Teoria della Probabilità. In queste brevi note, si richiameranno alcuni risultati di Teoria della Probabilità, riguardanti le conseguenze elementari delle definizioni di probabilità e σ-algebra.
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della 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.
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
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
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
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
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
DettagliCalcolo della probabilità
Calcolo della probabilità GLI EVENTI Un evento è un fatto che può accadere o non accadere. Se esso avviene con certezza si dice evento certo, mentre se non può mai accadere si dice evento impossibile.
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
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
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
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
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliModelli a code d attesa dei sistemi operativi
Definizioni Preliminari Topologie Tandem (1 dispositivo I/O Tandem (2 dispositivi I/O) Coda chiusa Coda aperta Definizioni Preliminari variabili aleatorie: il risultato di un esperimento dall esito incerto
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
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
Dettagliln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
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
Dettaglilim5 lim LIMITE DI UNA FUNZIONE - TEORIA Limite finito per una funzione in un punto ( Limite finito per x che tende ad un numero finito ) x x lim lim
LIMITE DI UNA FUNZIONE - TEORIA Se () è una unzione reale, e ed l sono dei numeri reali, dire che «l è ite di () per tendente a» equivale a dire che «se è molto prossimo, ma non identico, a, allora ()
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
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
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
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
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
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
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
DettagliDisuguaglianza 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
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
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
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
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
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
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
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
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
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
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 =
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
DettagliANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
IDROLOGIA Analisi esplorativa di serie di dati ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI P Claps IDROLOGIA Analisi esplorativa di serie di dati Rappresentazione tabellare della serie storica Sequenza
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
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
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
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
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliBasi matematiche per il Machine Learning
Basi matematiche per il Machine Learning Corso di AA, anno 2017/18, Padova Fabio Aiolli 04 Ottobre 2017 Fabio Aiolli Basi matematiche per il Machine Learning 04 Ottobre 2017 1 / 14 Probabilità Un esperimento
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
DettagliVARIABILI CASUALI. Fino ad ora abbiamo definito:
VARIABILI CASUALI Fino ad ora abbiamo definito: Lo SPAZIO CAMPIONARIO Ω : Come totalità dei possibili risultati di un esperimento Gli EVENTI : Come sottoinsiemi dello spazio campionario La FUNZIONE DI
DettagliRichiami sul calcolo delle probabilità
robabilità Richiami sul calcolo delle probabilità TEORIA DEI SEGNALI LAUREA IN INGEGNERIA DELL INFORMAZIONE Modello matematico Sommario Assiomi del calcolo delle probabilità robabilità di un evento robabilità
DettagliCalcolo di Probabilità e Processi Stocastici, Laurea magistrale in Ing. Robotica e dell Automazione, a.a. 2011/12 Registro delle lezioni
Calcolo di Probabilità e Processi Stocastici, Laurea magistrale in Ing. Robotica e dell Automazione, a.a. 2011/12 Registro delle lezioni Lezione 1 (26/9). Introduzione al corso; materiale e comunicazioni
DettagliTRE ROMA. Appunti dalle lezioni del corso di Teoria dei Segnali. Università degli studi di Roma Tre. Facoltà di Ingegneria TEORIA DELLE PROBABILITA
ROMA TRE Università degli studi di Roma Tre Facoltà di Ingegneria Appunti dalle lezioni del corso di Teoria dei Segnali TEORIA DELLE PROBABILITA of. Alessandro NERI Roma, novembre 2001 INDICE TEORIA DELLE
DettagliINSEGNANTE: Marco Cerciello FUNZIONI REALI DI VARIABILE REALE
Classe V H INSEGNANTE: Marco Cerciello Testo: Matematica a colori vol. 5 ed. Petrini Concetto di unzione di variabile reale FUNZIONI REALI DI VARIABILE REALE Rappresentazione analitica di una unzione,
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
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
Dettagli9. VARIABILI CASUALI
9. VARIABILI CASUALI 9. Definizione di variabile casuale In molte situazioni reali l interesse è rivolto non tanto agli eventi che possono verificarsi nel corso di un esperimento, quanto al valore numerico
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
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
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
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliCalcolo delle Probabilità Soluzioni 1. Spazio campionario ed eventi
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
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
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
Dettagli5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
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
Dettagli