Perché il calcolo della probabilità e la statistica?
|
|
- Andrea Baldi
- 7 anni fa
- Visualizzazioni
Transcript
1 Perché il calcolo della probabilità e la statistica? Abbiamo visto al I semestre che, se l errore di sensibilità lo consente, misure ripetute della stessa grandezza fisica nelle stesse condizioni presentano una dispersione di valori. In queste condizioni non è possibile prevedere quale sarà il risultato di una singola misura: diremo che esso è una variabile casuale che ha una certa distribuzione di frequenza, visibile ad esempio con un istogramma. L elaborazione dei dati sperimentali richiede la conoscenza di specifici strumenti forniti dalla statistica, la quale a sua volta fa uso del calcolo della probabilità. Per questo motivo cominciamo ad occuparci del calcolo della probabilità, senza dimenticare che questo è un corso di Laboratorio di Fisica e non di Statistica.
2 Inizio della storia ( per quanto ne sappiamo ) Nel 1654 il nobile Antoine Gombaud ( noto come Chevalier de Méré e accanito giocatore ) pone a Blaise Pascal e a Pierre de Fermat questa domanda : è più probabile ottenere almeno un 6 lanciando quattro volte un dado o ottenere almeno un 12 lanciando 24 volte due dadi? I due rispondono al quesito e da quel momento possiamo dire che sia nato il calcolo delle probabilità, almeno nel mondo occidentale.
3 Cerchiamo di precisare la nozione di probabilità, partendo dalla definizione classica, dovuta a Pierre Simon Laplace nel La probabilità di evento in un esperimento è data dal rapporto fra il numero dei casi favorevoli e il numero dei casi possibili. Se il numero di casi favorevoli è zero, la probabilità è zero; se il numero dei casi favorevoli è pari al numero dei casi possibili, la probabilità vale 1. Lanciando in aria una moneta non truccata avremo la probabilità ½ di avere testa e ½ di avere croce. Se viene lanciata 10 volte una moneta ottenendo sempre testa, all 11-mo lancio conviene puntare sul simbolo in ritardo, ossia croce? No, la probabilità di ottenere ancora testa resta sempre ½. Nascono problemi con questa definizione di probabilità.
4 Consideriamo il lancio di due monete : qual è la probabilità dell uscita di 2 teste? Ci sono due ragionamenti possibili. Il primo ci dice che la probabilità di due teste è ¼ poiché i casi possibili sono 4 ( TT, CC, TC, CT ). Il secondo ci dice che la probabilità di due teste è 1/3, poiché i casi possibili sono due teste, due croci, una testa e una croce. I due risultati sono in disaccordo : quale dei due ragionamenti è corretto? Il primo, anche se anche lo stesso Jean Baptiste Le Rond d Alembert era fautore del secondo. Il punto è che il secondo ragionamento crea uno squilibrio fra i casi possibili, perché TC e CT pesano il doppio rispetto a TT e CC. Occorre rivedere la definizione di probabilità. La probabilità di evento in un esperimento è data dal rapporto fra il numero dei casi favorevoli e il numero dei casi possibili, purché essi siano equiprobabili. Si cade quindi in un circolo vizioso.
5 Definizione frequentistica di probabilità ( John Venn, 1866) È simile alla definizione classica, ma sostituisce al rapporto numero dei casi favorevoli/numero dei casi possibili il rapporto numero di esperimenti effettuati con esito favorevole/ numero di esperimenti effettuati. Un ragionamento a priori tutto teorico viene sostituito da una valutazione a posteriori basata sull esperienza. Viene assunta quindi come probabilità che un evento si verifichi la frequenza relativa con cui si presenta in condizioni analoghe. Un esempio in cui la definizione classica non è d aiuto. Qual è la probabilità che il primo dell anno 2014 sia una giornata piovosa a Napoli?
6 Se consultando i bollettini meteorologici degli ultimi 30 anni si scopre ad esempio che abbia piovuto 18 volte, diremo che la probabilità di avere un giorno di pioggia il primo gennaio 2014 sarà pari a 18/30, ossia del 60%. Ma qual è il numero di prove che bisogna effettuare per avere una stima affidabile della probabilità? L intuizione ci suggerisce che più grande è il numero di prove più affidabile è la stima della probabilità, ma resta una margine di vaghezza. Per questo motivo, nei casi in cui possiamo usare la definizione classica ( come nel lancio di una moneta ) si ricorre al ragionamento a priori, senza ad esempio lanciare 800 volte una moneta e ottenere che la probabilità di ottenere testa sia di 413/800 solo perché è uscita testa 413 volte. In termini matematici possiamo dire che la probabilità che si verifichi un evento è pari al limite della frequenza relativa quando il numero delle prove tende ad.
7 Definizione soggettivistica ( Frank Plumpton Ramsey, Bruno de Finetti, anni ) Ci sono casi in cui nessuna delle due precedenti definizioni di probabilità sono d aiuto, specialmente quando ci occupiamo di eventi non ripetibili. In un librettino non facilmente reperibile di Giuliano Spirito dal titolo Matematica dell incertezza c è il seguente esempio che può aiutare a capire. Supponiamo che lo studente Alessio scommetta 3 contro 1 ( se perde pagherà 3, se vince incassa 1) che sia corretta la soluzione da lui data ad un certo problema. Per Alessio ci sono tre possibilità che la soluzione sia giusta contro una che la soluzione sia sbagliata, come succede nel caso di un sorteggio da un urna, contenente 3 palline rosse ( soluzione giusta) e 1 nera (soluzione sbagliata). In conclusione Alessio sta dando
8 una valutazione ( soggettiva ) di probabilità e attribuisce una probabilità ¾ ( 75%) al realizzarsi dell evento soluzione giusta. Tutte e tre le definizioni non sono quindi in generale soddisfacenti. Tuttavia esiste una teoria assiomatica ( dovuta ad Andrej Nikolaevič Kolmogorov nel 1933) che cerca di fornire una base teorica comune. Sia S l insieme di tutte le possibili modalità di un fenomeno e A e B due sottoinsiemi di S. Si definisce probabilità un numero reale tale che a) P(A) 0 b) P(A U B) = P(A) + P(B) se A B = Ø c) P(S) = 1 dove con A U B si indica il sottoinsieme di modalità che appartengono o ad A oppure a B, con A B il sottoinsieme di modalità che appartengono sia ad A sia a B ed infine con Ø l insieme vuoto.
9 I diagrammi di Venn, illustrati in figura, aiutano a capire Ā, il complemento di A, l unione A U B e l intersezione A B. In particolare si può vedere che P(A U B) = P(A) + P(B) P(A B) ( si evita di contare due volte gli eventi in comune ad A e B ). Tale regola è nota come regola di addizione per le probabilità. Se i sottoinsiemi A e B sono mutuamente esclusivi ( ossia se i cerchi in figura non hanno punti in comune ) A B = Ø e P(A B) = 0. Se B = Ā, AUĀ= S e A Ā = Ø, per cui P(S) = P(AUĀ) = P(A) +P(Ā) = 1. Un altro concetto importante è quello di probabilità condizionale ( chiamata anche
10 probabilità condizionata). Si scrive P(B A) ed esprime la probabilità che si verifichi l evento B sotto la condizione che si sia verificato l evento A. Si intuisce che la probabilità condizionale ha qualcosa in comune con A B ed infatti per definizione P (A B ) = P(B A) P(A)= P(A B) P(B) Quindi: P(B A)= P (A B ) /P(A) P(A B)= P (A B ) /P(B) Che succede se il verificarsi dell evento B non dipende dal precedente verificarsi dell evento A? Si dice che A e B sono indipendenti fra di loro e P (A B ) = P(B) P(A)= P(A) P(B) che è la regola di moltiplicazione degli eventi indipendenti. Possiamo adesso sapere qual è la probabilità di ottenere un 12 nel lancio di due dadi.
11 Per avere un 12 è necessario che nel lancio del primo dado esca un 6 ( evento A con probabilità 1/6 ) e che nel lancio del secondo dado esca ancora un 6 ( evento B con probabilità 1/6). Ottenere un 12 è l intersezione degli eventi A e B, che sono indipendenti fra di loro, sicché la probabilità di ottenere un 12 nel lancio di due dadi è 1/6x1/6, ossia 1/36. E la risposta ad Antoine Gombaud? Eccola finalmente. Qual è la probabilità di ottenere almeno un 6 lanciando 4 volte un dado? Conviene introdurre l evento complementare, ossia quello di non ottenere nessun 6 in 4 lanci. Calcoliamo la probabilità di questo ultimo evento: occorre che non esca nessun 6 nel primo lancio ( probabilità 5/6), nessun 6 nel secondo lancio ( probabilità 5/6) e così via.
12 La probabilità di non ottenere nessun 6 in quattro lanci è quindi uguale a 5/6x5/6x5/6x5/6 = 625/1296 = ~ 48% per cui la probabilità che non esca almeno un 6 e circa il 52%. Qual è la probabilità che lanciando 24 volte due dadi si ottenga almeno un 12? L evento complementare a questo è che non esca nessun 12 in 24 lanci. Abbiamo visto che la probabilità che esca 12 in un lancio è 1/36. La probabilità che non esca nessun 12 in un lancio è allora 35/36 e la probabilità di non ottenere nessun 12 in 24 lanci è 35/36 elevato alla 24, che vale circa 49%. Quindi la probabilità che lanciando 24 volte due dadi si ottenga almeno un 12 è circa il 51%. Conclusione : è più facile ( sia pure di poco ) ottenere un 6 in 4 lanci di un dado che 12 in 24 lanci di due dadi.
13 Il calcolo della probabilità e le coincidenze C è un largo convincimento che le coincidenze di eventi siano altamente improbabili e che il loro verificarsi richiedano giustificazioni esterne al fatto in sé. Sentiamo dire spesso non può trattarsi di una semplice coincidenza ma è vero? Facciamo un esempio. In una stanza ci sono 5 persone e si scopre che di 2 di loro sono nati nello stesso mese : è una coincidenza imprevedibile e significativa? Vediamo. Cominciamo a calcolare la probabilità dell evento complesso mesi tutti diversi, che consiste nel fatto che il mese della seconda persona sia diverso dal mese della prima e che il mese della terza persona sia diversa dai mesi delle prime due e che il mese della quarta sia diverso da quello delle prime tre e
14 il mese della quinta sia diverso da quello delle prime quattro. Questa probabilità vale 11/12x10/12x9/12x8/12 ossia 7920/20736=55/144. Ma l evento mesi tutti diversi è l evento complementare dell evento atteso ( almeno due mesi uguali), che ha quindi una probabilità di verificarsi pari a 89/144, ossia circa il 62%, probabilità per nulla piccola.
15 Distribuzioni di probabilità Una variabile casuale X è una grandezza di cui non si può prevedere con certezza il valore osservato. Si ha solo una legge di probabilità. Tale variabile può essere discreta, se può assumere solo un numero finito di valori x i ( ad esempio gli esiti del lancio di un dado, l altezza degli studenti presenti in aula, etc..). Avremo allora che P( X = x i ) = P i. Possiamo definire una funzione di distribuzione cumulativa F(x i ) come la somma di tutte le P j, con l indice j che varia fra 1 e i. Possiamo definire un valore aspettato di x, il cui simbolo può essere E(x) dall inglese expectation value oppure da <x>: E(x) = j P j x j con l indice j che assume tutti i possibili valori.
16 La variabile può essere continua. Avremo allora che P ( x X x + dx ) = f(x) dx dove f(x) è la p.d.f. di x, ossia la funzione densità di probabilità( p.d.f. in inglese sta per probability density function). L integrale di f(x) dx, esteso a Ω, l insieme di definizione delle x, deve valere 1, poiché la probabilità totale che la variabile x assuma un certo valore in Ω deve valere 1. Se Ω è l intervallo [a,b], l integrale di f(x ) dx fra a e x viene chiamato funzione di distribuzione cumulativa: ( ) ( ) F(x) vale 0 se x=a e vale 1 se x=b. Possiamo definire ancora un valore aspettato di x, come ( ) ( )
17 Da notare che la mediana della funzione densità di probabilità viene definita come quel valore di x per cui F(x) =1/2. Il valore atteso è un caso particolare dei momenti di ordine k ( con k intero positivo) intorno a x 0. μ k (x 0 ) = E [(x- x 0 ) k ] che vale j P j (x j - x 0 ) k nel caso discreto e vale ( ) ( ) nel caso continuo. Se x 0 = 0, i momenti si intendono definiti intorno all origine. Quindi μ 1 (0 ) = E(x) = μ. Questa grandezza viene chiamata anche valore medio o media della distribuzione. Il secondo momento intorno a μ, ossia μ 2 (μ ) = E [(x- μ ) 2 ] viene chiamato varianza della distribuzione, che solitamente viene indicata col simbolo σ². La quantità σ è detta deviazione standard.
18 La varianza dà informazioni sulla larghezza della distribuzione intorno al suo valore medio, cosa che non può fare E (x- μ ) perché è uguale a zero. Si può vedere che σ² = E(x² ) - μ², per cui E(x² ) = σ² + μ². Si può vedere anche che E [(x- μ ) 2 ] = E(x² ) [E(x)]² La quantità β, definita come il rapporto fra E [(x- μ ) 3 ] e σ², è il coefficiente di asimmetria ( skewness ) perché è caratteristica delle funzioni di distribuzione di probabilità non simmetriche rispetto al valore medio. Se β è positiva o negativa, la distribuzione è più estesa a destra o a sinistra di μ. Possono essere definiti altri coefficienti, legati ai momenti di ordine superiore ma noi non ne parleremo in questo corso di laboratorio.
19 Diseguaglianza di Bienaymé- Čebičev Sia g(x) una funzione non negativa della variabile casuale x con p.d.f. f(x) e varianza σ². Si può dimostrare che, se esiste E(g(x)), allora P(g(x) c) 1/c E(g(x)) dove c è una costante qualunque. Se in particolare g(x) è uguale a ( x-e(x))² si ricava che P[ ( x-e(x) λσ ] 1/λ² che è chiamata diseguaglianza di Bienaymé- Čebičev. Se λ=1, si ha un risultato banale ma al crescere di λ diventa sempre più piccola la probabilità di trovare grossi scarti dalla media μ.
20 Densità di probabilità congiunta di N variabili. Finora abbiamo considerato il caso in cui la p.d.f. dipenda da una sola variabile casuale. L estensione a diverse variabili x 1, x 2, x n consiste nel considerare la funzione di densità di probabilità congiunta f(x 1, x 2, x n), che supporremo positiva, che assuma un singolo valore in ogni punto (x 1, x 2, x n ) di uno spazio Ω a n dimensioni e che sia normalizzata opportunamente. f(x 1, x 2, x n) dx 1 dx 2. dx n = 1. Possiamo ancora sfruttare quanto abbiamo introdotto nel caso che n=1. In particolare μ i =E( x i ) = x i f(x 1, x 2,.. x n) dx 1 dx 2..dx n. Possiamo anche introdurre la matrice delle covarianze V ij = E[ (x i - μ i )(x j - μ j ). Questa matrice è molto importante per i fisici. Essa è simmetrica : V ij = V ji.
21 Gli elementi della diagonale principale sono le varianze. Un elemento fuori diagonale principale V ij con i j è chiamato covarianza di x i e x j ed è denotato col simbolo cov(x i, x j ). Viene introdotto anche il coefficiente di correlazione ρ(x i, x j ), definito da ρ(x i, x j )= cov(x i, x j ) / σ i σ j e che è compreso fra +1 e -1. Se ρ(x i, x j ) = +1 (-1), x i e x j sono completamente correlate positivamente ( negativamente). Se ρ(x i, x j ) = 0, x i e x j sono scorrelate.
22 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 determinare la varianza di y. Se facciamo uno sviluppo in serie di Taylor, bloccata al primo ordine, intorno al valore = (,, ) di (x 1, x 2, x n ), abbiamo y ( ) = y( ) + ( - ) più termini di ordine superiore e dove la derivata è calcolata in =. Il valore atteso di questa espressione vale { ( )} ( )
23 più termini di ordine superiore, poiché ogni termine del primo ordine vale zero. Solo nel caso in cui le quantità ( x i μ i ) siano piccole, i termini di ordine superiore possono essere trascurati. A questo punto si può ottenere la varianza di y. V{ ( )}=E{ ( ) [ ( )]} 2 { ( ) ( )} Per quanto detto prima, sempre trascurando i termini di ordine superiore, si ha che V{ ( )} ( ) dove le derivate sono calcolate in =. Per n variabili indipendenti tutti i termini di covarianza sono zero e la varianza di y vale V{ ( )} ( )² ( )
24 Un esempio. Consideriamo la media aritmetica di n variabili indipendenti x 1, x 2, x n aventi tutti la stessa varianza σ²: = Le derivate parziali di y rispetto ad ogni x i valgono 1/n e le derivate di ordine più alto sono nulle. Ne consegue, senza nessuna approssimazione che la varianza della media aritmetica vale ( ) = ( )² σ² ²
25 Campione e popolazione Una funzione di densità di probabilità f(x) per una variabile continua o, equivalentemente, un insieme di probabilità nel caso discreto descrivono le proprietà di una popolazione. In fisica si associa una variabile casuale all esito di una osservazione e la p.d.f. f(x) descriverebbe l esito di tutte le possibili misure su un sistema se le misure fossero ripetute infinite volte nelle stesse condizioni sperimentali. Poiché ciò è impossibile, il concetto di popolazione per un fisico rappresenta un'idealizzazione che non può essere ottenuta nella pratica. Un reale esperimento consiste di un numero finito di osservazioni e una successione x 1, x 2, x n di una certa quantità costituisce un campione di dimensione n. Per questo campione possiamo definire la media aritmetica o media del campione =
26 e la varianza del campione = ( - )² la cui distribuzione dipenderà dalla distribuzione parente e dalla dimensione del campione Le due quantità sono funzioni di variabili casuali e sono anche esse variabili casuali. Infatti se prendiamo un nuovo campione di dimensione n otterremo in generale una nuova media aritmetica e una nuova varianza : ossia queste grandezze avranno una loro distribuzione, che dipenderà dalle proprietà della distribuzione parente e dalla dimensione n del campione. Il nostro obiettivo è adesso come ricavare, a partire dalle informazioni che ricaviamo da un campione, informazioni che riguardano l intera popolazione. Naturalmente il campione deve essere rappresentativo della popolazione, altrimenti, come accade spesso nei sondaggi, si ottengono risultati sbagliati.
27 Per la legge dei grandi numeri la media del campione tende alla media della popolazione al tendere di n all infinito. Infatti questa legge ( nella forma debole ) prevede che, dato un intero positivo ε, la probabilità che la media del campione differisca da μ di una quantità maggiore di ε tende a zero nel limite di n infinito : ( Si può anche dimostrare che il valore atteso della media del campione coincide con la media della popolazione e che il valore atteso di s 2 coincide con σ 2. Se il nostro campione è costituito da n coppie ( x i, y i ) di valori di due grandezze casuali x e y, si può definire la covarianza del campione come Cov (x,y ) = ( )( )
28 In questa espressione e sono le medie aritmetiche del campione delle x e delle y rispettivamente. Si può allora dimostrare che il valore atteso della covarianza del campione coincide con la covarianza della popolazione delle x e y.
Calcolo 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.
DettagliPer capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere:
PROBABILITÀ E STATISTICA Per capire qual è l altezza media degli italiani è stato intervistato un campione di 1523 cittadini. La media campionaria dell altezza risulta essere: x = 172, 3 cm Possiamo affermare
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
DettagliNOZIONI DI CALCOLO DELLE PROBABILITÀ
NOZIONI DI CALCOLO DELLE PROBABILITÀ ESPERIMENTO CASUALE: un esperimento si dice casuale quando gli esiti (manifestazioni o eventi) non possono essere previsti con certezza. PROVA: le ripetizioni, o occasioni
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 2010-11 P.Baldi Lista di esercizi 3. Corso di Laurea in Biotecnologie Esercizio 1 Una v.a. X segue una legge N(2, ). Calcolare a1) P(X 1) a2) P(2
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.
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
DettagliΨ PSICOMETRIA. Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE
Ψ PSICOMETRIA Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE STATISTICA INFERENZIALE CAMPIONE caratteristiche conosciute POPOLAZIONE caratteristiche sconosciute STATISTICA INFERENZIALE STIMA
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliCenni di probabilità
Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Cenni di probabilità Ing. Antonino Cancelliere Dipartimento
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
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
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)
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliEsperimentazioni di Fisica 1 Elementi di Calcolo delle Probabilità
Esperimentazioni di Fisica 1 Elementi di Calcolo delle Probabilità Università Roma Tre - Dipartimento di Matematica e Fisica 3 novembre 2016 Introduzione La probabilità nel linguaggio comune I E probabile
DettagliNOZIONI DI CALCOLO DELLE PROBABILITÀ ALCUNE DEFINIZIONI
NOZIONI DI CALCOLO DELLE PROBABILITÀ ALCUNE DEFINIZIONI ESPERIMENTO CASUALE: un esperimento si dice casuale quando gli esiti (manifestazioni o eventi) non possono essere previsti con certezza. PROVA: le
DettagliIL CALCOLO DELLE PROBABILITA
IL CALCOLO DELLE PROBABILITA INTRODUZIONE Già 3000 anni fa gli Egizi praticavano un antenato del gioco dei dadi, che si svolgeva lanciando una pietra. Il gioco dei dadi era diffuso anche nell antica Roma,
DettagliLa PROBABILITA è un numero che si associa ad un evento E ed esprime il grado di aspettativa circa il suo verificarsi.
La maggior parte dei fenomeni, ai quali assistiamo quotidianamente, può manifestarsi in vari modi, ma è quasi sempre impossibile stabilire a priori quale di essi si presenterà ogni volta. La PROBABILITA
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
DettagliEsercizi Teoria della Probabilità
Esercizi Teoria della Probabilità Esercizio 1 Durante un corso universitario, uno studente prova a svolgere una serie di esercizi. La risposta agli esercizi è di tipo binario (SI/NO). Supponendo la completa
DettagliPROBABILITA. Nella costruzione dello spazio degli eventi la difficoltà aumenta notevolmente laddove sia necessario fare uso del prodotto cartesiano.
Nella costruzione dello spazio degli eventi la difficoltà aumenta notevolmente laddove sia necessario fare uso del prodotto cartesiano. La costruzione dello spazio cartesiano richiede un grado di astrazione
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
DettagliLanciando un dado, il tuo compagno esclama: uscirà 1, 2, 3, 4, 5 o 6 oppure: uscirà il numero 4. uscirà il numero 9
Lanciando un dado, il tuo compagno esclama: uscirà 1, 2, 3, 4, 5 o 6 oppure: uscirà il numero 4 o ancora: uscirà il numero 9 Possiamo dire che le previsione del tuo compagno sono la prima certa, la seconda
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
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
DettagliDefinizione frequentistica di probabilita :
Esperimenti aleatori un esperimento e l osservazione del verificarsi di qualche accadimento ( A ) che, a partire da determinate condizioni iniziali, porti ad un particolare stato delle cose finali se si
DettagliProbabilità I Calcolo delle probabilità
Probabilità I Calcolo delle probabilità Nozioni di eventi. Definizioni di probabilità Calcolo di probabilità notevoli Probabilità condizionate Concetto di probabilità Cos'è una probabilità? Idea di massima:
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
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
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
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
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
DettagliSCOPO DELL ANALISI DI CORRELAZIONE
CORRELAZIONE 1 SCOPO DELL ANALISI DI CORRELAZIONE STUDIARE LA RELAZIONE TRA DUE VARIABILI X E Y 2 diagrammi di dispersione un diagramma di dispersione (o grafico di dispersione) èuna rappresentazione grafica
DettagliProbabilità esempi. Aiutiamoci con una rappresentazione grafica:
Probabilità esempi Paolo e Francesca giocano a dadi. Paolo scommette che, lanciando due dadi, si otterrà come somma 8 oppure 9. Francesca scommette che si otterrà come somma un numero minore o uguale a
DettagliEsercizi svolti di statistica. Gianpaolo Gabutti
Esercizi svolti di statistica Gianpaolo Gabutti (gabuttig@hotmail.com) 1 Introduzione Questo breve documento contiene lo svolgimento di alcuni esercizi di statistica da me svolti durante la preparazione
DettagliEsercitazione del 31/01/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 1/01/2012 Istituzioni di Calcolo delle Probabilità Esercizio 1 Vengono lanciati due dadi regolari a 6 facce. (a) Calcolare la probabilità che la somma dei valori ottenuti sia 9? (b) Calcolare
DettagliLa probabilità composta
La probabilità composta DEFINIZIONE. Un evento E si dice composto se il suo verificarsi è legato al verificarsi contemporaneo (o in successione) degli eventi E 1, E 2 che lo compongono. Consideriamo il
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliLezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
DettagliTeoria della probabilità
Introduzione alla teoria della probabilità Teoria della probabilità Primi sviluppi nel XVII secolo (Pascal( Pascal, Fermat, Bernoulli); Nasce nell ambito dei giochi d azzardo; d La prima formalizzazione
DettagliProbabilità. Ing. Ivano Coccorullo
Ing. Ivano Coccorullo PROBABILITA Teoria della Eventi certi, impossibili e casuali Nella scienza e nella tecnologia è fondamentale il principio secondo il quale ogni volta che si realizza un insieme di
DettagliStoria della Probabilità
Storia della Probabilità Il calcolo delle probabilità nasce nel Seicento (1654) per risolvere alcuni problemi sui giochi d azzardo (dadi) posti da un giocatore, il cavaliere de Méré, al matematico e filosofo
Dettagliprima urna seconda urna
Un po di fortuna Considera il seguente gioco: ci sono due urne contenenti delle palline perfettamente uguali tra loro, ma colorate diversamente, alcune bianche, altre nere. Nella prima urna ci sono una
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliSOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA 1 Esercizio 0.1 Dato P (A) = 0.5 e P (A B) = 0.6, determinare P (B) nei casi in cui: a] A e B sono incompatibili; b] A e B sono indipendenti;
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
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliIl Calcolo delle Probabilità è lo strumento matematico per trattare fenomeni aleatori cioè non deterministici.
INTRODUZIONE L CLCOLO DELLE ROILIT Il Calcolo delle robabilità è lo strumento matematico per trattare fenomeni aleatori cioè non deterministici. Un fenomeno aleatorio o stocastico è un fenomeno i cui esiti
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
Dettaglip. 1/2 INFORMAZIONI Prossime lezioni Giorno Ora Dove 27/01 14:30 P50 29/01 14:30 Laboratorio (via Loredan) 03/02 14:30 P50 05/02 14:30 P50
p. 1/2 INFORMAZIONI Prossime lezioni Giorno Ora Dove 27/01 14:30 P50 29/01 14:30 Laboratorio (via Loredan) 03/02 14:30 P50 05/02 14:30 P50 p. 1/2 INFORMAZIONI Prossime lezioni Giorno Ora Dove 27/01 14:30
DettagliÈ l insieme di tutti i possibili esiti di un esperimento aleatorio; si indica generalmente con il simbolo.
A Ripasso Terminologia DOMADE Spazio campionario Evento Evento certo Evento elementare Evento impossibile Evento unione Evento intersezione Eventi incompatibili Evento contrario RISPOSTE È l insieme di
DettagliCosa dobbiamo già conoscere?
Cosa dobbiamo già conoscere? Come opera la matematica: dagli ai teoremi. Che cosa è una funzione, il suo dominio e il suo codominio. Che cosa significa n j=1 A j dove A j sono insiemi. Che cosa significa
DettagliDistribuzione di Probabilità
Distribuzione di Probabilità Sia X variabile con valori discreti X 1, X 2,..., X N aventi probabilità p 1, p 2,..., p N ( i p i = 1) (X variabile discreta aleatoria, o stocastica, o casuale, random) Funzione
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
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliIntroduzione alla probabilità
Introduzione alla probabilità Osservazione e studio dei fenomeni naturali: a. Caso deterministico: l osservazione fornisce sempre lo stesso risultato. b. Caso stocastico o aleatorio: l osservazione fornisce
DettagliCorso di Laurea in Farmacia, cognomi M-Z Modulo di Matematica, 1 dicembre 2011, TEMA 1. Giustificare adeguatamente le soluzioni dei seguenti esercizi:
Modulo di Matematica, 1 dicembre 2011, TEMA 1 Una popolazione è composta dal 45% di fumatori e dal 55% di non fumatori. È noto che il 65% dei fumatori e il 10% dei non fumatori sono affetti da una malattia
DettagliLezione 3 Calcolo delle probabilità
Lezione 3 Calcolo delle probabilità Definizione di probabilità La probabilità è lo studio degli esperimenti casuali e non deterministici Se lanciamo un dado sappiamo che cadrà ma non è certo che esca il
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliComplementi di Analisi Matematica Ia. Carlo Bardaro
Complementi di Analisi Matematica Ia Carlo Bardaro Capitolo 1 Elementi di topologia della retta reale 1.1 Intorni, punti di accumulazione e insiemi chiusi Sia x 0 IR un fissato punto di IR. Chiameremo
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
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliMetodi quantitativi per i mercati finanziari
Metodi quantitativi per i mercati finanziari Esercizi di probabilità Spazi di probabilità Ex. 1 Sia Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Siano A e B sottoinsiemi di Ω tali che A = {numeri pari},
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliVariabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 1 A. I dati riportati nella seguente tabella si riferiscono
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
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
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliIl caso, probabilmente: la partita a dadi di Riccardo Mini
Elementi di Probabilità presenti nell opera teatrale Il caso, probabilmente: la partita a dadi di Riccardo Mini con Fausto Bernardinello, Maria Eugenia D Equino, Annig Raimondi con la collaborazione dei
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
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliStatistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliTest di autovalutazione
Test Test di autovalutazione 0 0 0 0 0 0 0 70 80 90 00 n Il mio punteggio, in centesimi, è n Rispondi a ogni quesito segnando una sola delle alternative. n Confronta le tue risposte con le soluzioni. n
DettagliCALCOLO DELLE PROBABILITA
CALCOLO DELLE PROBABILITA Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma Nella ricerca scientifica, così come nella vita, trionfa l incertezza Chi guiderà il prossimo governo? Quanto
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
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliMATEMATICA CORSO A CORSO DI LAUREA IN SCIENZE BIOLOGICHE I PROVA IN ITINERE COMPITO PROVA 1
MATEMATICA CORSO A CORSO DI LAUREA IN SCIENZE BIOLOGICHE I PROVA IN ITINERE COMPITO PROVA 1 1- Il volume di un corpo di qualsiasi forma è proporzionale al cubo di una qualunque delle sue dimensioni lineari.
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
Dettagli( A) ( ) 3. Concezioni e valutazioni di probabilità
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 0/03 lezione di statistica del maggio 03 - di Massimo Cristallo - 3. Concezioni e valutazioni di probabilità
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliRisultati esperienza sul lancio di dadi Ho ottenuto ad esempio:
Dado B (6): 2 2 6 6 6 1 1 3 6 4 6 6 3 1 1 4 1 6 3 6 6 4 6 3 2 4 3 2 6 3 5 5 6 4 3 3 2 1 2 1 6 3 2 4 4 3 6 6 3 2 1 6 6 4 6 1 3 6 6 1 6 2 4 5 3 3 6 2 1 6 6 3 1 2 6 3 1 3 4 6 1 6 4 1 6 4 6 6 6 5 5 2 4 1 2
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 51 Introduzione Il Calcolo delle
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
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
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
DettagliESERCIZI DI RIEPILOGO 1
ESERCIZI DI RIEPILOGO 1 ESERCIZIO 1 La tabella seguente contiene la distribuzione di frequenza della variabile X = età (misurata in anni) per un campione casuale di bambini: x i 4.6 8 3.2 3 5.4 6 2.6 2
Dettagli2. I numeri reali e le funzioni di variabile reale
. I numeri reali e le funzioni di variabile reale Introduzione Il metodo comunemente usato in Matematica consiste nel precisare senza ambiguità i presupposti, da non cambiare durante l elaborazione dei
DettagliELEMENTI DI STATISTICA
Dipartimento di Matematica U. Dini, Università di Firenze Viale Morgagni 67/A, 50134 - Firenze, Italy, vlacci@math.unifi.it A.A. 2015-16 Terminologia In un esperimento ogni risultato delle caratteristiche
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
Dettagli