Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità"

Transcript

1 Probabilità

2 Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e) di un evento E sarebbe uguale al rapporto tra il numeri f di casi favorevoli e il numero n dei casi possibili, ovvero p(e)=f/n Esempio: Si lancia due volte una moneta. Quale e la probabilità che escano due teste? 1) I casi possibili sono 4: TT, TC, CT, CC 2) I casi possibili sono 3: escono 2 teste, esce 1 testa, escono 0 teste

3 Probabilità Se, in una sequenza di n prove, un evento E si verifica s volte, si dice che il rapporto s/n è la frequenza relativa di E rispetto alla data sequenza di prove. Legge empirica del caso: Effettuando numerose prove, eseguite nelle stesse condizioni, la frequenza relativa di un evento è assai prossima alla sua probabilità; l approssimazione è tanto maggiore quanto più numerose sono le prove effettuate Definizione frequentista della probabilità: La probabilità di un evento è il limite a cui tende la frequenza relativa, al tendere all infinito del numero di prove effettuate

4 Probabilità Definizione frequentista della probabilità: La probabilità di un evento è il limite a cui tende la frequenza relativa, al tendere all infinito del numero di prove effettuate Ma alcune volte gli Eventi sono irripetibili Definizione soggettiva della probabilità: dato un qualsiasi evento E, se mi è indifferente ricevere la somma s incondizionatamente, oppure la Somma S soltanto se E si verifica, si dice che la probabilità soggettiva p di quell evento è p=s/s

5 Variabile casuale (v.c.) E scomodo trattare direttamente gli eventi e può essere più semplice associare delle quantità numeriche agli eventi. Ciò si realizza attraverso la definizione di VARIABILE CASUALE: Una variabile casuale X è una variabile quantitativa i cui valori variano seguendo le regole della probabilità

6 Variabile casuale (v.c.) Una v.c. X può essere discreta o continua: X è discreta se assume un numero finito o numerabile di risultati. Esempio: il numero di teste in 10 lanci di una moneta, il numero di volte in cui si ha un numero superiore a 4 in 5 lanci di un dado X è continua se può assumere qualsiasi valore nell ambito di uno specifico intervallo. Per esempio: altezza degli studenti del corso di statistica, il peso della confezione di caramelle di una certa marca. Una v.c. è completamente specificata attraverso la sua distribuzione di probabilità

7 Distribuzione di probabilità La distribuzione di probabilità p(x) di una variabile casuale X indica la probabilità della variabile casuale per ciascuno dei suoi valori possibili Si ha dunque che per una variabile casuale f(x)=p(x=x) per tutti i possibili valori x che X può assumere. f(x) è detta funzione di densità di probabilità (probability density function (pdf)) La pdf di una variabile discreta è detta funzione di massa (indicata anche con p(x)) ed è rappresentabile attraverso un istogramma o sotto forma tabellare

8 Distribuzioni di probabilità discrete e continue Esempio di funzione di probabilità (caso discreto) Esempio di funzione di densità di probabilità (caso continuo)

9 Distribuzioni di probabilità discrete Esperimento: lancio di 2 monete S= {(T,T);(T,C);(C,T);(C,C)} Variabile casuale: X = numero di teste; v.c. discreta, i suoi possibili valori sono: 0 (se non si ottiene alcuna testa) 1 (se una delle due monete dà testa) 2 (se entrambe le monete danno testa) Quindi: P(X=0)=P(C,C)=1/4 P(X=1)=P((T,C) oppure (C,T))=2/4 P(X=2)=P(T,T)=1/4 x P(x)=P(X=x) 0 ¼ 1 ½ 2 ¼

10 Distribuzioni di probabilità discrete 0 p(x) 1 Le probabilità associate ai valori di una variabile casuale devono essere comprese tra 0 e 1 inclusi p(x)=1 La somma delle probabilità di tutti i valori x di una variabile casuale deve essere 1 La distribuzione di probabilità di una variabile casuale discreta può essere rappresentata in modo grafico attraverso un istogramma di distribuzione di probabilità Esempio precedente: x P(x)=P(X=x) 0 ¼ 1 ½ 2 ¼

11 Distribuzione di probabilità discrete Media o Valore Atteso µ = E ( x) = xp( x) x Se una funzione H dipende da p(x) il valore atteso di H puo essere calcolato come E ( H ( x)) = H ( x) p( x) x

12 Calcolo delle probabilità usando i dati Dalle vendite di TV osservate in passato (below left), si ricava una rappresentazione tabulare della distribuzione di probabilità delle vendite Numero Unità vendute di giorni x f (x )

13 Rappresentazione grafica Rappresentazione grafica delle vendite giornaliere di TV.50 Probability Values of Random Variable x (TV sales)

14 Esempio Valore Atteso di variabili casuali discrete x f (x ) xf (x ) = E (x ) Il valore atteso delle vendite giornaliere di TV è 1.2 Calcoliamo la deviazione standard

15 Esempio Varianza e Deviazione Standard di una variabile casuale discreta x x - µ (x - µ ) 2 f (x ) (x - µ ) 2 f (x ) = σ 2 La varianza delle vendite giornaliere è 1.66 TV (al quadrato) La deviazione standard delle vendite è di 1.29 TV

16 Funzione di distribuzione cumulativa (cdf) F( x) = P( X x) P( a < X b) = F( b) F( a) x f (x ) F(x)

17 La distribuzione di probabilità binomiale La variabile casuale Binomiale è una distribuzione di probabilità discreta caratterizzata dalle seguenti proprietà: Le osservazioni di una distribuzione binomiale sono determinate da un esperimento fatto da un numero n di prove reiterate L esito di ogni prova dell esperimento (ovvero ciascuna osservazione) può essere classificato in due categorie incompatibili ed esaustive, dette per convenzione successo e insuccesso La probabilità p di ottenere un successo è costante per ogni osservazione, così come la probabilità (1-p) che si verifichi un insuccesso Le prove dell esperimento sono indipendenti, ovvero il risultato di una osservazione, successo o insuccesso, è indipendente dal risultato di qualsiasi altra La variabile casuale binomiale rappresenta il numero di successi ottenuti in un campione di n prove indipendenti

18 La distribuzione di probabilità binomiale - esempio - In un urna ci sono 100 palline, di cui 30 sono rosse e le rimanenti sono blu. Supponendo di estrarre 10 palline con reinserimento, ovvero la pallina estratta viene rimessa nell urna, qual è la probabilità di estrarre esattamente una pallina di colore rosso? L esperimento consiste nell estrarre una pallina da un urna, con reinserimento della pallina estratta, per n=10 volte si hanno n=10 osservazioni L esito di ogni prova dell esperimento è pallina rossa o pallina blu due categorie incompatibili ed esaustive, e pallina rossa è l esito successo La probabilità di ottenere successo ovvero pallina rossa è pari a p=30/100 ed è costante per ogni prova Le prove dell esperimento, ovvero le estrazioni, sono indipendenti Il numero di successi è un numero compreso tra 0 e 10 Si vuole calcolare la probabilità che ci sia esattamente un successo in n=10 prove Definiamo X = numero di successi in n prove X ~ Binomiale (n, p) p( x) n x n! x!( n x n x x n x = p (1 p) = p (1 p) x)!

19 La distribuzione di probabilità binomiale - dimostrazione - Vogliamo calcolare la probabilità di avere x successi e (n-x) insuccessi. Dal momento che gli eventi sono indipendenti, le probabilità andranno moltiplicate Dobbiamo avere x successi quando ciascun successo ha probabilità p e n-x insuccessi quando ciascun insuccesso ha probabilità 1-p La probabilità di avere una combinazione sarà uguale alla moltiplicazione tra questi valori: p x (1 p) Ci sono però differenti combinazioni alternative, quindi la probabilità di avere esattamente x successi in n tentativi è data da: n x p( x) n x n! x!( n x n x x n x = p (1 p) = p (1 p) x)! Funzione di distribuzione di probabilità della distribuzione binomiale

20 La distribuzione di probabilità binomiale - esempio - Nell esempio precedente X~Binomiale(n,p) con n=10 e p=0.25: p(1) = (1 0.25) 10 1 = 10! !(10 1)! 1 (1 0.25) 10 1 = Per esempio la distribuzione di probabilità binomiale con una probabilità di successo pari a 0.25 può essere rappresentata dal seguente istogramma dove: asse orizzontale: possibili valori della variabile asse verticale: probabilità

21 Ruolo del parametro p: Nelle 3 distribuzioni Binomiali n = 5, mentre p varia assumendo i valori 0.3, 0.5 e 0.8. Dai grafici possiamo dedurre che: Se p = 0.5, la distribuzione è simmetrica, in caso contrario è asimmetrica, positivamente se p < 0.5, negativamente se p > 0.5. Per ogni fissato n, la massima dispersione dei valori si ha quando p = 0.5; se p tende a 0 o a 1, la distribuzione tende a concentrarsi sui valori più prossimi a 0 o a n, rispettivamente. p definisce la posizione della distribuzione sull'asse reale, nel senso che np identifica un punto vicino alla moda della distribuzione.

22 Ruolo del parametro n: p=0.5 (istogrammi simmetrici) mentre n varia assumendo i valori 5, 10, 20. Per una corretta interpretazione della figura osserviamo che le altezze dei bastoni sono comparabili perché la scala verticale è la stessa, mentre la scala sull'asse orizzontale è diversa. In sintesi: Al crescere di n l'intervallo di variazione del numero dei successi si estende (nell'esempio passa da 0-5 a 0-10 a 0-20) il che comporta, a parità di p, un aumento della dispersione dei valori osservabili. Al crescere di n aumenta il numero delle determinazioni osservabili e quindi si riduce il valore delle singole probabilità (l'istogramma si allarga e si abbassa sensibilmente). Tuttavia il picco della distribuzione continua a segnalare con chiarezza il parametro p dell'urna (in termini relativi, 0.5).

23 La distribuzione di probabilità binomiale caratteristiche principali- Se X e una variabile casuale che segue una distribuzione binomiale con paramentri n (numero di tentativi) e p (probabilità di successo), X avrà: Media pari a : E(X) = n*p Varianza pari a: Var(X) = n*p (1-p)

24 Esempio 1 Determinare la probabilità che su 12 lanci di una moneta buona si ottengano esattamente 8 teste. p=q=1/2 n=12 x=8 p(x) = n p x (1 p) n x = x n! x!(n x)! px (1 p) n x p 12 (8) = 12 0, =

25 Esempio 2 Determinare la probabilità che estraendo (con rimpiazzo) per 5 volte una carta da un mazzo da 40 si ottengano: 1) Esattamente 3 figure 2) Almeno 3 figure 3) Almeno una figura p=12/40=0.3

26 p=12/40=0.3 1) Esattamente 3 figure Esempio 2 p 5 (3) = 5 0, = 10 0, ) Almeno 3 figure p 5 (3) + p 5 (4) + p 5 (5) = ) Almeno una figura p 5 (1) + p 5 (2) + p 5 (3) + p 5 (4) + p 5 (5) = 1 p 5 (0) = = =

27 Esempio 3 Un tiratore colpisce un bersaglio con probabilità 0.2. Quale è la probabilità che su 8 tiri si colpisca 2 volte il bersaglio? E che si colpisca almeno due volte? Soluzione: p 8 (2) p 8 (0) p 8 (1)

28 Distribuzioni di probabilità continue Per i dati continui la variabile casuale può assumere qualsiasi valore in un intervallo di infiniti numeri reali La pdf f(x) di una variabile casuale X ha le seguenti proprietà: 1. f(x) è definita su tutti i numeri reali 2. f (x) 0 per tutti i valori di x. 3. L area sottesa dalla curva f è uguale a 1: f ( x) = 1 x 4. b ( ) ( ) P a X b = f x dx a y = f ( x) y = f ( x) a b

29 Distribuzioni di probabilità continue Se X è una v.c. continua, allora: - per ogni numero c, P(x = c) = 0 - per ogni due numeri a e b con a < b, P( a X b) = P( a < X b) = P( a X < b) = P( a < X < b)

30 Funzioni di probabilità cumulative La funzione di probabilità cumulativa, F(x) per una v.c. continua X è definita per ogni x da ( ) F( x) = P X x = f ( y) dy Per ogni x, F(x) è l area della curva a sinistra di x. x

31 F(x) per il calcolo delle probabilità Sia X una v.c. continua con pdf f(x) e cdf F(x). Allora per ogni numero a, P( X > a) = 1 F( a) E per ogni numero a and b con a < b, P( a X b) = F( b) F( a)

32 Esempio Funzione di probabilità (pdf) (1 x ) 1 x f ( x) = ( ) 0.75(1 ) 0 otherwise f v dv = v dv 1 Funzione di distribuzione cumulativa x 2 F( x) = f ( v) dv = 0.75(1 v ) dv 1 0 F( x) = x 0.25x 1 Probabilità di eventi x = x 0.25x 3 x 1 1 < x 1 x > 1 3 = 1 2 P( 0.5 x 0.5) = F(0.5) F( 0.5) = 0.75(1 v ) dv = 68.75% P( X x) = F( x) = 0.95 = x 0.25x x =

33 Valore Atteso Il valore atteso o valor medio di una v.c. continua X con f (x) è: ( ) ( ) µ X = E X = x f x dx

34 Valore atteso di h(x) se X è una v.c. continua con pdf f(x) e h(x) è una funzione di X, allora [ ] h( X ) E h( x) = µ = h( x) f ( x) dx

35 Varianza e Deviazione Standard La varianza di una v.c. continua X con µ pdf f(x) e media è: 2 2 σ X = V ( x) = ( x µ ) f ( x) dx = E[ X µ ] ( ) 2 La deviazione standard is ( 2) [ ] 2 V ( X ) = E X E( X ) σ = X V ( x).

36 Esempio [ ] [ ] + + = = = = = = = = = (0.75) (0.75) ) 0.75(1 0) ( ) ] ([ 0 (0.75) (0.75) ) ( ) ( otherwise ) 0.75(1 ) ( x x dx x x X E x x dx x x X E x x x f µ σ µ

37 Distribuzione Uniforme Una variabile continua X segue una distribuzione uniforme sull intervallo [A, B] se: 1 f ( x; A, B) = B A A x B 0 otherwise

38 Esempio Distribuzione Uniforme 1. In certi esperimenti l errore commesso nella determinazione della solubilità di una sostanza è una variabile aleatoria X avente distribuzione uniforme con A= e B= Trovare la probabilità che l errore: a) Sia compreso tra e 0.015; P(0.010 X 0.015) = = 0.1 b) Sia compreso tra e

39 Esempio Distribuzione Uniforme 2. Si consideri una variabile aleatoria X con distribuzione uniforme. Essendo noto che E(X)=6 e V(X)=2 trovare: a) Pr(X>=5.5) b) la mediana di X. E(X)= A + B 2 V (X)= (B A)2 12

40 Esercizio Marcello sa che il suo amico Carlo arriverà al bar Sport in un istante compreso tra le nove e le dieci di una data mattina. Egli decide di recarsi al bar alle 9:30 e di attendere 10 minuti. Quale è la probabilità che Marcello incontri Carlo?

41 Esercizio Un tiratore lancia una freccetta su un bersaglio circolare del raggio di 25 cm il quale ha una zona centrale di raggio 10 cm. Se il tiratore colpisce il bersaglio e tutti u punti di esso hanno la stessa probabilità di essere colpiti, quale è la probabilità che sia colpito un punto della zona centrale?

42 Distribuzione Normale Una v.c. X è detta avere una distribuzione normale con parametri < µ < σ > 0 se la pdf di X è µ eσ 1 ( ) 2 /(2 2 f ( x) = e x µ σ ) < x < σ 2π

43

44

45 Distribuzione Normale Standard La distribuzione normale con parametri µ = 0 and σ = 1 è chiamata distribuzione normale standard. La v.c. è denotata con Z. La pdf è f ( z;0,1) = σ La cdf è 1 2π e z 2 / 2 < Φ ( z) = P( Z z) = f ( y;0,1) dy z z <

46 Distribuzione Normale Standard Standard normal curve Shaded area = Φ( z) 0 z

47 Distribuzione Normale Standard Sia Z la variabile normale standard. Trovare (dalla tabella) a. P( Z 0.85) Area a sinistra di 0.85 = b. P(Z > 1.32) 1 P( Z 1.32) =

48 Distribuzione Normale Standard c. P( 2.1 Z 1.78) Trovare l area a sinistra di 1.78 e sottrarre l area a sinistra di 2.1. = P( Z 1.78) P( Z 2.1) = =

49 Esempi Calcolare, servendosi della Tavola, le aree sottese dalla curva normale standard relative ai seguenti intervalli: a) [0;2] b) [0;1.24] c) [-1.4;1.4] d) [1.5;2.75] e) [-0.75;1.37] f) [-2.1;-0.5]

50 Distribuzione Standard non standard se X ha una distribuzione normale con parametri µ e σ allora Z = X σ µ ha una distribuzione standard.

51 Approssimazione Normale della Binomiale Sia X una v.c. binomiale basata su n prove, con probabilità di successo p. Per n abbastanza grande (empiricamente se npq>10), X può essere approssimata con una distribuzione normale con µ = np and σ = npq.

52 Esempio In un piccolo college il tasso di superamento dell esame di Algebra è 72%. Su 500 studenti determinare la probabilità che superino l esame al più 375 studenti. µ = np = 500(.72) = 360 σ = npq = 500(.72)(.28) P( X 375) Φ = Φ(1.55) 10 =

53 Curva Normale Valore approssimato della percentuale dell area compresa tra valori di deviazione standard (regola empirica). 99.7% 95% 68%

54 Curva Normale

55 Sia X una variabile normale con Trovare Find P( X 65). Esempio e µ = 80 and σ = 20. ( 65) P X = P Z (.75) = P Z =

56 Una particolare influenza si sviluppa in una scuola. Si osserva che la durata dell influenza è distribuita come una normale con µ = 6 days and σ = 1.5 days. giorni e Esempio giorni Calcolare la probabilità che a uno studente selezionato a caso, l influenza duri tra 3.75 e 9 giorni.

57 Esempio ( ) P X = P Z ( 1.5 Z 2) = P = =

58 Percentili di una distribuzione normale (100p)th percentile for normal ( µ, σ ) (100 p)th for = µ + σ standard normal

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

8. Qual è la probabilità di estrarre da un mazzo di 40 carte napoletane una figura?

8. Qual è la probabilità di estrarre da un mazzo di 40 carte napoletane una figura? www.matematicamente.it Probabilità 1 Calcolo delle probabilità Cognome e nome: Classe Data 1. Quali affermazioni sono vere? A. Un evento impossibile ha probabilità 1 B. Un vento certo ha probabilità 0

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità CAPITOLO TEORIA Il dilemma di Monty Hall In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio

Dettagli

Lezioni di STATISTICA MATEMATICA A

Lezioni di STATISTICA MATEMATICA A Università di Modena e Reggio Emilia Facoltà di Ingegneria Lezioni di STATISTICA MATEMATICA A Corso di Laurea in Ingegneria Meccanica Corso di Laurea in Ingegneria dei Materiali - Anno Accademico 010/11

Dettagli

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate

CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability

Dettagli

Esempi introduttivi Variabili casuali Eventi casuali e probabilità

Esempi introduttivi Variabili casuali Eventi casuali e probabilità Esempi introduttivi Esempio tipico di problema della meccanica razionale: traiettoria di un proiettile. Esempio tipico di problema idraulico: altezza d'acqua corrispondente a una portata assegnata. Come

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =

ESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y = ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno

Dettagli

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile.

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. ORDINALI E NOMINALI LA PROBABILITÀ Statistica5 23/10/13 Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. Se si afferma che un vitello di razza chianina pesa 780 kg a 18

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1

Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1 Esercizi di consolidamento di probabilità e calcolo combinatorio parte 1 1. Si lancia una moneta 2 volte: qual è la probabilità che esca TESTA 0 volte? 1 volta? 2 volte? 2. Si lancia una moneta 3 volte:

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Esercizi di calcolo combinatorio

Esercizi di calcolo combinatorio CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi di calcolo combinatorio Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability di Sheldon Ross, quinta

Dettagli

Capitolo 8 - Introduzione alla probabilità

Capitolo 8 - Introduzione alla probabilità Appunti di Teoria dei Segnali Capitolo 8 - Introduzione alla probabilità Concetti preliminari di probabilità... Introduzione alla probabilità... Deinizione di spazio degli eventi... Deinizione di evento...

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE TELECOMUNICAZIONI (TLC) Tele (lontano) Comunicare (inviare informazioni) Comunicare a distanza Generico sistema di telecomunicazione (TLC) Segnale non elettrico Segnale elettrico TRASMESSO s x (t) Sorgente

Dettagli

Calcolo combinatorio

Calcolo combinatorio Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.S.: Ingegneria Civile-Architettonico, Ingegneria Civile-Strutturistico Calcolo combinatorio Ines Campa e Marco Longhi Probabilità e Statistica

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k

Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità. Le disposizioni semplici di n elementi di classe k Pordenone Corso di Matematica e Statistica 4 Calcolo combinatorio e probabilità UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014 Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,

Dettagli

La probabilità di avere non più di un maschio, significa la probabilità di averne 0 o 1: ( 0) P( 1)

La probabilità di avere non più di un maschio, significa la probabilità di averne 0 o 1: ( 0) P( 1) Esercizi sulle distribuzioni binoiale e poissoniana Esercizio n. Una coppia ha tre figli. Calcolare la probabilità che abbia non più di un aschio se la probabilità di avere un aschio od una feina è sepre

Dettagli

dell affidabilità strutturale

dell affidabilità strutturale Metodiprobabilisticiper per lavalutazione dell affidabilità strutturale Obiettivo dell esercitazione: acquisire le conoscenze necessarie per applicare i metodi probabilistici (livello III, II e semi probabilistico)

Dettagli

i=1 Se tale somma ha un valore finito allora diremo che la variabile aleatoria X ammette valor medio. In tal caso, la quantità xp {X = x} = x E

i=1 Se tale somma ha un valore finito allora diremo che la variabile aleatoria X ammette valor medio. In tal caso, la quantità xp {X = x} = x E 2.7 Il valor medio La nozione di media aritmetica di un insieme finito di numeri reali {x 1,x 2,...,x n } è nota e molto naturale. Una delle sue possibili interpretazioni è quella che si ottiene associando

Dettagli

Probabilità e statistica. Veronica Gavagna

Probabilità e statistica. Veronica Gavagna Probabilità e statistica Veronica Gavagna Testa o croce? Immaginiamo di lanciare una moneta facendola cadere su un piano liscio chiunque dirà che la probabilità dell evento testa sarà del 50%, al pari

Dettagli

Cenni sul calcolo combinatorio

Cenni sul calcolo combinatorio Cenni sul calcolo combinatorio Disposizioni semplici Le disposizioni semplici di n elementi distinti di classe k con kn sono tutti i gruppi di k elementi scelti fra gli n, che differiscono per almeno un

Dettagli

CALCOLO COMBINATORIO

CALCOLO COMBINATORIO CALCOLO COMBINATORIO 1 Modi di formare gruppi di k oggetti presi da n dati 11 disposizioni semplici, permutazioni Dati n oggetti distinti a 1,, a n si chiamano disposizioni semplici di questi oggetti,

Dettagli

INCERTEZZA DI MISURA

INCERTEZZA DI MISURA L ERRORE DI MISURA Errore di misura = risultato valore vero Definizione inesatta o incompleta Errori casuali Errori sistematici L ERRORE DI MISURA Errori casuali on ne si conosce l origine poiche, appunto,

Dettagli

La dissomiglianza tra due distribuzioni normali

La dissomiglianza tra due distribuzioni normali Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 43-50 Editore CLEUP, Padova - ISBN: 978-88-6129-833-0 La dissomiglianza tra due distribuzioni

Dettagli

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 30 Settembre 2013 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto

Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto Capitolo 2 - Teoria della manutenzione: classificazione ABC e analisi di Pareto Il presente capitolo continua nell esposizione di alcune basi teoriche della manutenzione. In particolare si tratteranno

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO LE TRASFORMAZIONI GEOMETRICHE NEL PIANO Una trasformazione geometrica è una funzione che fa corrispondere a ogni punto del piano un altro punto del piano stesso Si può pensare come MOVIMENTO di punti e

Dettagli

TRAVE SU SUOLO ELASTICO

TRAVE SU SUOLO ELASTICO Capitolo 3 TRAVE SU SUOLO ELASTICO (3.1) Combinando la (3.1) con la (3.2) si ottiene: (3.2) L equazione differenziale può essere così riscritta: (3.3) La soluzione dell equazione differenziale di ordine

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Nota: Eventi meno probabili danno maggiore informazione

Nota: Eventi meno probabili danno maggiore informazione Entropia Informazione associata a valore x avente probabilitá p(x é i(x = log 2 p(x Nota: Eventi meno probabili danno maggiore informazione Entropia di v.c. X P : informazione media elementi di X H(X =

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

Lezione XII: La differenziazione del prodotto

Lezione XII: La differenziazione del prodotto Lezione XII: La differenziazione del prodotto Ci sono mercati che per la natura del loro prodotto, la numerosità dei soggetti coinvolti su entrambi i lati del mercato (e in particolare, la bassa concentrazione

Dettagli

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti

Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Lo schema di Bernoulli (o delle prove indipendenti): un esempio di modello probabilistico applicabile a diversi contesti Rita Giuliano (Pisa) 0. Introduzione. È ormai acquisizione comune il fatto che uno

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Rilevazione degli apprendimenti. Anno Scolastico 2006 2007 PROVA DI MATEMATICA. Scuola Secondaria di II grado. Classe Terza Tipo A. Codici. Scuola:...

Rilevazione degli apprendimenti. Anno Scolastico 2006 2007 PROVA DI MATEMATICA. Scuola Secondaria di II grado. Classe Terza Tipo A. Codici. Scuola:... Ministero della Pubblica Istruzione Rilevazione degli apprendimenti Anno Scolastico 2006 2007 PROVA DI MATEMATICA Scuola Secondaria di II grado Classe Terza Tipo A Codici Scuola:..... Classe:.. Studente:.

Dettagli

CALCOLO COMBINATORIO E PROBABILITA

CALCOLO COMBINATORIO E PROBABILITA CALCOLO COMBINATORIO E PROBABILITA Con calcolo combinatorio si indica quel settore della matematica che studia i possibili modi di raggruppare ed ordinare oggetti presi da un insieme assegnato, con l obiettivo

Dettagli

Equazioni differenziali ordinarie

Equazioni differenziali ordinarie Capitolo 2 Equazioni differenziali ordinarie 2.1 Formulazione del problema In questa sezione formuleremo matematicamente il problema delle equazioni differenziali ordinarie e faremo alcune osservazioni

Dettagli

ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE

ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE ELEMENTI DI STATISTICA DESCRITTIVA ED INFERENZIALE Per gli studenti del 1 Anno della Facoltà di Agraria APPUNTI DALLE LEZIONI (A.A. 00/003) Andrea Onofri Dipartimento di Scienze Agroambientali e della

Dettagli

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t),

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t), SINTESI. Una classe importante di problemi probabilistici e statistici é quella della stima di caratteristiche relative ad un certo processo aleatorio. Esistono svariate tecniche di stima dei parametri

Dettagli

Funzione reale di variabile reale

Funzione reale di variabile reale Funzione reale di variabile reale Siano A e B due sottoinsiemi non vuoti di. Si chiama funzione reale di variabile reale, di A in B, una qualsiasi legge che faccia corrispondere, a ogni elemento A x A

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python SciPy Programmazione Orientata agli Oggetti e Scripting in Python SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare,

Dettagli

LA FUNZIONE INTEGRALE

LA FUNZIONE INTEGRALE LA FUNZIONE INTEGRALE MAGLIOCURIOSO & CAMILLO magliocurioso@hotmail.it Sommario. In questa breve dispensa ho semplicementrascritto in L A TEX il contenuto di questa discussione: http://www.matematicamente.it/forum/

Dettagli

F S V F? Soluzione. Durante la spinta, F S =ma (I legge di Newton) con m=40 Kg.

F S V F? Soluzione. Durante la spinta, F S =ma (I legge di Newton) con m=40 Kg. Spingete per 4 secondi una slitta dove si trova seduta la vostra sorellina. Il peso di slitta+sorella è di 40 kg. La spinta che applicate F S è in modulo pari a 60 Newton. La slitta inizialmente è ferma,

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

LOGISTICA APPUNTI DI STATISTICA

LOGISTICA APPUNTI DI STATISTICA Cos'é la Statistica LOGISTICA APPUNTI DI STATISTICA La statistica è la disciplina che applica metodi scientifici alla raccolta di dati e informazioni per una loro classificazione, elaborazione e rappresentazione

Dettagli

Note integrative ed Esercizi consigliati

Note integrative ed Esercizi consigliati - a.a. 2006-07 Corso di Laurea Specialistica in Ingegneria Civile (CIS) Note integrative ed consigliati Laura Poggiolini e Gianna Stefani Indice 0 1 Convergenza uniforme 1 2 Convergenza totale 5 1 Numeri

Dettagli

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α?

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? QUESITO 1 Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? Applicando il Teorema dei seni si può determinare il valore di senza indeterminazione, in quanto dalla

Dettagli

Kangourou Italia Gara del 19 marzo 2015 Categoria Student Per studenti di quarta e quinta della secondaria di secondo grado

Kangourou Italia Gara del 19 marzo 2015 Categoria Student Per studenti di quarta e quinta della secondaria di secondo grado Kangourou Italia Gara del 19 marzo 2015 Categoria Student Per studenti di quarta e quinta della secondaria di secondo grado I quesiti dal N. 1 al N. 10 valgono 3 punti ciascuno 1. Angela è nata nel 1997,

Dettagli

Problema n. 1: CURVA NORD

Problema n. 1: CURVA NORD Problema n. 1: CURVA NORD Sei il responsabile della gestione del settore Curva Nord dell impianto sportivo della tua città e devi organizzare tutti i servizi relativi all ingresso e all uscita degli spettatori,

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento

esame di stato 2012 seconda prova scritta per il liceo scientifico di ordinamento RTICL rchimede 4 esame di stato seconda prova scritta per il liceo scientifico di ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario PRBLEM Siano f e g le funzioni

Dettagli

Studio grafico-analitico delle funzioni reali a variabile reale

Studio grafico-analitico delle funzioni reali a variabile reale Studio grafico-analitico delle funzioni reali a variabile reale Sequenza dei passi Classificazione In pratica Classifica il tipo di funzione: Funzione razionale: intera / fratta Funzione irrazionale: intera

Dettagli

Rilevazione degli apprendimenti. Anno Scolastico 2006 2007 PROVA DI MATEMATICA. Scuola Secondaria di II grado. Classe Terza Tipo A. Codici. Scuola:...

Rilevazione degli apprendimenti. Anno Scolastico 2006 2007 PROVA DI MATEMATICA. Scuola Secondaria di II grado. Classe Terza Tipo A. Codici. Scuola:... Ministero della Pubblica Istruzione Rilevazione degli apprendimenti Anno Scolastico 2006 2007 PROVA DI MATEMATICA Scuola Secondaria di II grado Classe Terza Tipo A Codici Scuola:..... Classe:.. Studente:.

Dettagli

I numeri che si ottengono successivamente sono 98-2 = 96 4 = 92 8 = 84 16 = 68 32 = 36 e ci si ferma perché non possibile togliere 64

I numeri che si ottengono successivamente sono 98-2 = 96 4 = 92 8 = 84 16 = 68 32 = 36 e ci si ferma perché non possibile togliere 64 Problemini e indovinelli 2 Le palline da tennis In uno scatolone ci sono dei tubi che contengono ciascuno 4 palline da tennis.approfittando di una offerta speciale puoi acquistare 4 tubi spendendo 20.

Dettagli

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000.

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000. A0/010226 Pag.1/13 Cliente: Ricerca di Sistema Oggetto: Determinazione della tenacità di acciai eserciti - Correlazioni per stime di FATT da prove Small Punch Ordine: Contratto CESI n. 71/00056 Note: DEGRADO/GEN04/003

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola secondaria di II grado I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

Dettagli

Potenziale Elettrico. r A. Superfici Equipotenziali. independenza dal cammino. 4pe 0 r. Fisica II CdL Chimica

Potenziale Elettrico. r A. Superfici Equipotenziali. independenza dal cammino. 4pe 0 r. Fisica II CdL Chimica Potenziale Elettrico Q V 4pe 0 R Q 4pe 0 r C R R R r r B q B r A A independenza dal cammino Superfici Equipotenziali Due modi per analizzare i problemi Con le forze o i campi (vettori) per determinare

Dettagli

Statistical Process Control

Statistical Process Control Statistical Process Control 1 Introduzione SPC si occupa del miglioramento della qualità. I metodi per il miglioramento della qualità possono essere applicati a qualsiasi area in una fabbrica o organizzazione

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia?

Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Logica fuzzy e calcolo delle probabilità: due facce della stessa medaglia? Danilo Pelusi 1 Gianpiero Centorame 2 Sunto: Il seguente articolo illustra le possibili analogie e differenze tra il calcolo delle

Dettagli

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06 Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o

Dettagli