3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
|
|
- Leo Corso
- 7 anni fa
- Visualizzazioni
Transcript
1 Anno accademico 2006/07
2 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1 (iii) A B = = P(A B) = P(A) + P(B)
3 Proprietà Eventi A, B F = A B F e B \ A F Probabilità P(Ω \ A) = 1 P(A) A B = P(B \ A) = P(B) P(A) P(A B) = P(A) + P(B) P(A B)
4 Variabili casuali X : Ω R variabile casuale se {ω Ω : X (ω) r} F Funzione di distribuzione di X F X (r) := P(X r) = P({ω Ω : X (ω) r})
5 Esempio I Arrivo di 100 pazienti urgenti, gravi o non gravi al pronto soccorso X u = numero pazienti urgenti (analogamente X g, X ng ) Ω = {u, g, ng} 100, F = 2 Ω, P =? X u (w) = card({i {1,..., 100} : w i = u}) nessun paziente è urgente: {X u = 0} almeno tre pazienti sono gravi: {X g 3}
6 Esempio II Tempo di interarrivo dei 100 pazienti Ω = N 100 (oppure Ω = R ), F = 2 Ω, P =? w i = tempo tra l arrivo dei pazienti i 1 e i X k = tempo necessario per l arrivo dei primi k pazienti X k (ω) = w w k k pazienti arrivati in 60 minuti: {X k 60} dopo 10 minuti non è arrivato nessun paziente: {X 1 > 10}
7 Esempio III Ad uno sportello di banca si possono fare solamente tre operazioni: a incasso di un assegno b bonifico c versamento Il singolo cliente faccia una sola di esse. Consideriamo come esperimento l arrivo del prossimo cliente, come esito dell esperimento la richiesta di una delle operazioni, a, b e v, e come evento il fatto che il cliente chieda una in un sottoinsieme delle operazioni (ad esempio la a o la v).
8 Esempio III (cont.) Poniamo allora Ω = {a, b, v}, F = 2 Ω. Sia poi X la funzione così definita: X (a) = 0, X (b) = 1, X (v) = 2.
9 Esempio III (cont.) La funzione X è una variabile casuale, infatti si ha: r < 0 {ω : X (ω) r} =, 0 r < 1 {ω : X (ω) r} = {a}, 1 r < 2 {ω : X (ω) r} = {a, b}, 2 r {ω : X (ω) r} = Ω.
10 Distribuzioni discrete X è una variabile casuale discreta se l insieme dei valori che può assumere è numerabile: X (Ω) = {x 1, x 2,...} { P(X = x), se x = xi, per qualche i = 1, 2,..., f X (x) = 0, altrimenti. Funzione di densità discreta f X (x) := P(X = x) x / {x 1, x 2,...} f X (x) = 0. Legame con la funzione di distribuzione F X (x) = f X (x i ) x i x f X (x i ) = F X (x i ) lim h 0 +F X (x i h)
11 Media e varianza Media di X µ X = E[X ] := i x i f X (x i ) Varianza di X σ 2 X = Var[X ] := E[(X µ X ) 2 ] = i (x i µ X ) 2 f X (x i ) Deviazione standard di X σ X := Var[X ]
12 Proprietà della media X, Y variabili aleatorie, α R E[α] = α E[αX ] = αe[x ] E[X + Y ] = E[X ] + E[Y ]
13 Proprietà della varianza (1) Var[X ] = E[(X µ X ) 2 ] = E[X 2 + µ 2 X 2µ X E[X ]] = E[X 2 ] + µ 2 X 2µ2 X ] = E[X 2 ] (E[X ]) 2
14 Proprietà della varianza (2) Var[α] = 0 Var[αX ] = α 2 Var[X ] Var[X + Y ] = E[(X + Y E[X + Y ]) 2 ] = E[(X + Y µ X µ Y ) 2 ] = E[(X µ X ) 2 + (Y µ Y ) 2 + 2(X µ X )(Y µ Y )] = σx 2 + σ2 Y + 2Cov[X, Y ], Cov[X, Y ] = E[(X E[X ])(Y E[Y ])] = Covarianza di X e Y.
15 Proprietà della varianza (3) Se X ed Y sono indipendenti, allora la loro covarianza è nulla e si ha: Var[X + Y ] = Var[X ] + Var[Y ]. P( X µ X > rσ X ) 1/r 2 Disuguaglianza di Chebyshef P( X µ X < rσ X ) 1 1/r 2
16 Funzione generatrice dei momenti m X (t) = E[e tx ] = E[1 + Xt + 1 2! (Xt) ! (Xt)3 +...] = 1 + µ 1X t + 1 2! µ 2X t = i=0 1 i! µ i X t i. µ r X, il momento r esimo di X, è la media della variabile casuale X r. È immediato verificare che risulta: d r dt r m X (0) = µ r X.
17 Distribuzione uniforme X : Ω {1,..., n} Tutti i possibili valori sono equiprobabili 1 n x {1,..., n} f X (x) := = 1 n I {1,2,...,n}(x) 0 x / {1,..., n} E[X ] = 1 n n i = i=1 (n + 1)n 2n Var[X ] = E[X 2 ] (E[X ]) 2 = 1 n = n(n + 1)(2n + 1) 6n = n n i 2 i=1 (n + 1)2 4 (n + 1)2 4 = n2 1 12
18 Distribuzione binomiale X : Ω {0, 1,..., n} Numero di successi in un esperimento ripetuto n volte p [0, 1] probabilità di successo in un singolo esperimento ( ) n f X (k) := p k (1 p) n k I k {0,1,2,...,n} (k)
19 Distribuzione binomiale (2) m X (t) = n ( n e ti i i=0 ) p i q n i = n i=0 ( ) n (pe t ) i q n i = (q + pe t ) n i dm X (t) dt = pe t n(pe t + q) n 1 d 2 m X (t) dt 2 = pe t n(pe t + q) n 1 + pe t n(n 1)pe t (pe t + q) n 2 = pe t n(pe t + q) n 2 (npe t + q)
20 Distribuzione binomiale (3) E[X ] = dm X (0) dt = pn, E[X 2 ] = d 2 m X (0) dt 2 = np(np + q) Var[X ] = E[X 2 ] (E[X ]) 2 = np(np + q) (np) 2 = npq
21 Esempi Numero di viaggiatori prenotati che non si presentano alla partenza di un volo. Numero di pezzi difettosi in un lotto di n pezzi prodotti. Numero di clienti che richiedono un particolare servizio.
22 Distribuzione geometrica X : Ω N Numero di fallimenti prima di un successo f X (k) = P(X = k) := (1 p) k p
23 Distribuzione geometrica (2) m X (t) = e it p(1 p) i = p [e t (1 p)] i. i=0 e se assumiamo che essa sia definita in un intorno sufficientemente piccolo dello 0 per cui risulti e t (1 p) < 1, allora è m X (t) = m X (t) = i=0 p 1 e t (1 p) pe t (1 p) (1 e t (1 p)) 2 m X (t) = pet (1 p)(1 e t (1 p)) 2 + 2(1 e t (1 p))e t (1 p)pe t (1 p) (1 e t (1 p)) 4
24 Distribuzione geometrica (3) E[X ] = m X (0) = 1 p p ; Var[X ] = E[X 2 ] E[X ] 2 = m X (0) E[X ]2 (1 p)(2 p) (1 p)2 = p 2 p 2 = 1 p p 2.
25 Distribuzione di Poisson (1) Numero di occorrenze di un evento in [0,t] f X (k) := λk e λ k! λ := νt (ν numero medio di occorrenze nell unità di tempo)
26 Distribuzione di Poisson (2) λ k e λ k! m X (t) = e λ (e t λ) i i=0 i! = e λ(et 1) dm X (t) dt = λe λ(et 1)+t, d 2 m X (t) dt 2 = λe λ(et 1)+t (λe t + 1) E[X ] = dm X (0) dt = λ, E[X 2 ] = d 2 m X (0) dt 2 = λ(λ + 1) Var[X ] = E[X 2 ] E[X ] 2 = λ(λ + 1) λ 2 = λ
27 Evento ripetuto nel tempo: ipotesi numeri di occorrenze in intervalli disgiunti sono indipendenti Se h << 1, allora P(X [τ,τ+h] = 1) = νh + o(h) P(X [τ,τ+h] > 1) = o(h) dove o(h) indica un infinitesimo di ordine superiore al primo: lim o(h)/h = 0 h 0
28 Evento ripetuto nel tempo: discretizzazione Dividere [0, t] in n intervalli di ampiezza t/n Al più una singola occorrenza in ciascun intervallo [t k, t k+1 ] successo = occorrenza nell intervallo [t k, t k+1 ] considerato X (n) [0,t] ha distribuzione binomiale di parametro p = νt/n ) (νt ) k ( P[X = k] = = ( n k 1 νt n n n(n 1)...(n k + 1) k!n k (νt) k e νt. n k! ) n k ( (νt) k 1 νt ) n ( n 1 νt n ) k
29 ( lim 1 νt ) n = lim n + n ( lim ) n = e n + n m + = lim m + = lim m + = lim m + = e νt ) (m+1)νt ( 1 1 m + 1 ( ) m mνt+νt m + 1 ( ) mνt ( m m m + 1 ((1 + 1m ) νt )m ) νt m = n νt 1
30 Distribuzioni continue X è una variabile casuale continua se X (Ω) R, ed esiste una funzione reale f X per cui : F X (x) = x f X (u)du, (f X è la funzione di densità) x R F X (x) differenziabile f X (x) = df X (x). dx
31 Media e varianza E[X ] = µ X = xf X (x)dx. Var[X ] = E[(X µ X ) 2 ] = E[X 2 ] (E[X ]) 2 m X (t) = E[e tx ]
32 Distribuzione uniforme X è una variabile casuale uniformemente distribuita nell intervallo reale [a, b] se f X (x) = f X (x; a, b) = 1 b a I [a,b](x) ( ) x a F X (x) = I b a [a,b] (x) + I (b, ) (x) f(x) 1/(b-a) F(x) 1 a b a b
33 Media e Varianza E[X ] = b Var[X ] = E[X 2 ] (E[X ]) 2 = = b3 a 3 (a + b)2 3(b a) 4 m X (t) = b a a x b a dx = b + a 2 b a = x 2 b a dx (b a)2 12 e tx 1 b a dx = ebt e at (b a)t ( a + b 2 ) 2
34 Distribuzione normale f X (x) = f X (x; µ, σ) = 1 e (x µ)2 2σ 2 2πσ µ e σ sono rispettivamente la media e la deviazione standard
35 Media e Varianza m X (t) = E[e tx ] = e tµ E[e t(x µ) ] = e µt 1 e t(x µ) e (x µ)2 2σ 2 dx 2πσ = e µt = e µt+ σ2 t e (x µ)2 2σ 2 t(x µ) 2σ 2 dx 2πσ 1 e (x µ σ2 t) 2 2σ 2 dx = e µt+ σ2 t 2 2 2πσ E[X ] = d dt m X (0) = µ Var[X ] = E[X 2 ] (E[X ]) 2 = µ 2 + σ 2 µ 2 = σ 2
36 Distribuzione esponenziale Variabile casuale definita nello spazio dei reali non negativi, con λ > 0 f X (x; λ) = λe λx, F X (x) = 1 e λx,
37 Media e Varianza m X (t) = E[e tx ] = = λ 0 0 e (λ t)x dx = e tx λe λx dx λ λ t. E[X ] = 1 λ, Var[X ] = 1 λ 2.
38 Esponenziale e Poisson Consideriamo un evento le cui occorrenze nel tempo hanno una distribuzione di Poisson. Supponendo che si sia appena verificata un occorrenza, chiamiamo con X la variabile casuale tempo da attendere prima della occorrenza successiva. Ricordando che, se Y è una v.c. Poisson, è P[Y = k] = (νt)k e νt k!, si ha allora P[X > t] = P[nessuna occorrenza fino al tempo t] = e νt e di conseguenza F X (t) = P[X t] = 1 e νt, t 0 f X (t) = df X (t) dt = νe νt
39 Proprietà dell esponenziale Per ogni coppia (s, t) di reali positivi, vale la Infatti è P[X > s + t X > s] = P[X > t]. P[X > s+t X > s] = P[X > s + t] P[X > s] = e λ(s+t) e λs = e λt = P[X > t]. Si parla in questo caso di proprietà di assenza di memoria. Inoltre: P[cX x] = P[X x c ] = 1 e λ c x X esponenziale con parametro λ cx esponenziale con parametro λ c
40 Distribuzione Gamma con parametri n e λ X 1, X 2,..., X n variabili casuali indipendenti con distribuzione esponenziale e parametro λ. n Y n = X i. i=1 La probabilità che Y n sia minore o uguale a t è pari alla probabilità che nel tempo t si verifichino almeno n eventi. (λt) j e λt F Yn (t) = P[Y n t] =. j! f Yn (t) = F Y n (t) = j=n λj(λt) j 1 e λt λ(λt) j e λt j=n = λe λt (λt) j 1 ( (j 1)! j=n j=n (λt) j j! j! λt (λt)n 1 ) = λe (n 1)!.
41 Gamma: media e varianza λ = 1 E[Y n ] = n λ, Var[Y n] = n λ 2.
5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
DettagliVARIABILI CASUALI. Fino ad ora abbiamo definito:
VARIABILI CASUALI Fino ad ora abbiamo definito: Lo SPAZIO CAMPIONARIO Ω : Come totalità dei possibili risultati di un esperimento Gli EVENTI : Come sottoinsiemi dello spazio campionario La FUNZIONE DI
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
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
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliVariabili aleatorie multiple. X = (X 1,..., X n ) vettore aleatorio
Variabili aleatorie multiple X = (X 1,..., X n ) vettore aleatorio F X (x 1,..., x n ) = P(X 1 x 1,..., X n x n ) caso particolare n = 2 (variabile doppia) F X,Y (x, y) = P(X x, Y y) V.a. discreta: (X,
Dettagli4. Stime & Test. Corso di Simulazione. Anno accademico 2008/09
Anno accademico 2008/09 Media campionaria X 1, X 2,..., X n v.c. indipendenti con distribuzione F, e: E[X i ] = µ Var[X i ] = σ 2, i = 1,..., n Media campionaria: X n è uno stimatore di µ. È uno stimatore
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliCP110 Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 22-3, II semestre 23 maggio, 23 CP Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una penna
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
DettagliCALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno 2006 Motivare dettagliatamente le risposte su fogli allegati 1.- Sia X un numero aleatorio a valori { α, 0, α}, con α > 0 e P (X = α) = P (X
DettagliCP110 Probabilità: Esame del 6 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 21-11, II semestre 6 giugno, 211 CP11 Probabilità: Esame del 6 giugno 211 Testo e soluzione 1. (6 pts) Ci sono 6 palline, di cui nere e rosse. Ciascuna,
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCALCOLO DELLE PROBABILITÀ - 9 giugno 1998 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ - 9 giugno 1998 1. Dati gli eventi A,B,C, ognuno dei quali implica il successivo, e tali che P (A) è metà della probabilità di B, che a sua volta ha probabilità metà di quella
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 23 maggio, 213 CP11 Probabilità: Esonero 2 Testo e soluzione 1. (7 punti) Una scatola contiene 1 palline, 5 bianche e 5 nere. Ne vengono
Dettagli1 Eventi. Operazioni tra eventi. Insiemi ed eventi. Insieme dei casi elementari. Definizione di probabilità.
Quella che segue e la versione compatta delle slides usate a lezioni. NON sono appunti. Come testo di riferimento si può leggere Elementi di calcolo delle probabilità e statistica Rita Giuliano. Ed ETS
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliCALCOLO DELLE PROBABILITÀ
CALCOLO DELLE PROBABILITÀ - gennaio 000 Elettronici: nn. 4 Informatici: nn. 6. Un lotto contiene pezzi buoni ed un solo pezzo difettoso. Si effettuano tre estrazioni senza restituzione, e sia E i = pezzo
DettagliTEST n La funzione di ripartizione di una variabile aleatoria:
TEST n. 1 1. Un esperimento consiste nell estrarre successivamente, con reimmissione nel mazzo, due carte da un mazzo di 52 carte. Individuare la probabilità di estrarre due assi. A 0.0059 B 0.0044 C 0.0045
Dettagliφ X (t) = mentre nel caso continuo, indicando con f(x) la densità di X, si ha e itx f(x) dx + e itx e itx f(x)dx. f(x)dx = e itx +
10.1 Funzione caratteristica 11 10.1. Funzione caratteristica La funzione caratteristica è uno strumento teorico utile sotto diversi aspetti per studiare la distribuzione di probabilità di numeri aleatori
DettagliEsercitazione del 16/04/2019 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/04/09 Istituzioni di Calcolo delle Probabilità David Barbato Nozioni di riepilogo con esercizi Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2013/2014 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 13/14 Calcolo delle Probabilità e Statistica Matematica Nome... N. Matricola... Ancona, 13 gennaio 14 1. In una data università, le studentesse
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
DettagliModelli a code d attesa dei sistemi operativi
Definizioni Preliminari Topologie Tandem (1 dispositivo I/O Tandem (2 dispositivi I/O) Coda chiusa Coda aperta Definizioni Preliminari variabili aleatorie: il risultato di un esperimento dall esito incerto
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliCP110 Probabilità: Esame 4 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 4 luglio, 2012 CP110 Probabilità: Esame 4 luglio 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline numerate da 1
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità M. Pratelli e M. Romito Gli esercizi che seguono sono stati proposti nel corso Probabilità dell Università di Pisa negli a.a. 2012-13 e 2013-14 (M. Romito) e 2014-15
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettagliun elemento scelto a caso dello spazio degli esiti di un fenomeno aleatorio;
TEST DI AUTOVALUTAZIONE - SETTIMANA 3 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia 1 Parte A 1.1 Una variabile casuale
DettagliEsercitazione del 28/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 8/0/01 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio 1. Sia X una v.a. aleatoria assolutamente continua con densità f X data da { 0 x < 0 f X
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliIl valore atteso del prodotto di v.a.i. Valore atteso (8)
Il valore atteso del prodotto di v.a.i. Valore atteso (8) Siano X,Y : Ω N v.a. indipendenti (per semplicità a valori in N) E(X Y) = k Nk P(X Y = k) = h i P(X,Y = h,i) h,i N = h i P(X=h) P(Y=i) h,i N =
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliL assegnazione è coerente? SÌ NO. A e B sono stocasticamente indipendenti? SÌ NO
CALCOLO DELLE PROBABILITÀ - gennaio 00 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati Nuovo Ordinamento esercizi -4. Vecchio Ordinamento esercizi -6..
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
DettagliEsercitazione del 19/02/2013 Istituzioni di Calcolo delle Probabilità
Esercitazione del 19/0/013 Istituzioni di Calcolo delle Probabilità David Barbato Variabili aleatorie esponenziali. Minimo di v.a. esponenziali indipendenti. Ricordiamo innanzitutto che due variabili aleatorie
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE PROCESSI DI POISSON Definizione Un processo stocastico che assume valori interi non negativi si dice essere un processo di Poisson con frequenza λ se 1. A(t) è un prosesso di
DettagliX Vincita (in euro) Tabella 1: Vincite
Cognome e Nome:....................................... Matricola............. CdS............. CALCOLO DELLE PROBABILITA - 9 Giugno 1 CdS in STAD, SIGAD - docente: G. Sanfilippo Motivare dettagliatamente
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliCapitolo 1. Elementi di Statistica Descrittiva. 1.5 Esercizi proposti
Capitolo 1 Elementi di Statistica Descrittiva 1.5 Esercizi proposti Esercizio 1.5.1 In questo caso n = 24 e, dopo aver ordinato i dati (usando il metodo stem-and-leaf per esempio), 3 4 4 5 5 5 6 6 7 7
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
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
DettagliDistribuzione esponenziale e distribuzione di Poisson
Statistica e analisi dei dati Data: 09 maggio 206 Distribuzione esponenziale e distribuzione di Poisson Docente: Prof. Giuseppe Boccignone Scriba: Alessandra Birlini Distribuzione esponenziale. Esempi
DettagliEsercizi: fascicolo 4
Esercizi: fascicolo 4 Esercizio 1 Dimostrare le seguenti proprietà (1), (2) e (3): (1) X 1 = 0 X 0; (2) X L 1 (Ω, P ), λ R λx 1 = λ X 1 ; (3) X, Y L 1 (Ω, P ) X + Y 1 X 1 + Y 1. Esercizio 2 Si estraggono
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliCalcolo delle Probabilità 16 Giugno 2016, C.d.L. STAD, UNIPA
Calcolo delle Probabilità 6 Giugno 206, C.d.L. STAD, UNIPA Prova intera esercizi, 2, 3, 4, 5, 6. Tempo 2 h 45 minuti. Esercizio risolto correttamente vale 5.5 punti. Seconda Prova in itinere esercizi 4,
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliI Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 3 gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliPROBABILITA E STATISTICA Docente: Bruno Gobbi
UNIVERSITA DEGLI STUDI DI VERONA PROBABILITA E STATISTICA Docente: Bruno Gobbi LE VARIABILI CASUALI DISCRETE VARIABILE CASUALE - DEFINIZIONE Si definisce Variabile Casuale una grandezza che, associata
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI, RICHIAMI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione Nel
DettagliVariabili aleatorie unidimensionali: v.a. non notevoli discrete e continue indici, momenti e funzione generatrice dei momenti
Sessione live #4 Variabili aleatorie unidimensionali: v.a. non notevoli discrete e continue indici, momenti e funzione generatrice dei momenti Lezioni CD: - 3-4 Esercizio Consideriamo le seguenti funzioni:
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
Dettagli) la sua densità discreta sarà della forma. p X (0) = 1 2, p X(1) = 1 2,
Esercizi settimana 6 Esercizi applicati Esercizio. Siano X e Y due v.a. discrete indipendenti tali che X B(, ) e Y B(, ), n 0. (i) Si calcoli la legge di X + Y ; (ii) Si calcoli la legge di X Y ; (iii)
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
Dettagli1. Siano A, E eventi incompatibili, e sia B E, con P (A) = 1 5, P (B) = 3 10, P (E) = 1 2.
CALCOLO DELLE PROBABILITA - 5 gennaio 005 Ing. Elettronica : 4, Nettuno :. Siano A, E eventi incompatibili, e sia B E, con P (A) = 5, P (B) = 0, P (E) =. Dimostrare che tale assegnazione è coerente, determinando
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
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
DettagliNome e cognome:... Matricola...
Nome e cognome:................................................... Matricola................. CALCOLO DELLE PROBABILITA - 0/07/008 CdS in Economia e Finanza - Cds in Informatica - Cds SIGAD Motivare dettagliatamente
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Richiami di Inferenza Statistica Simone Borra - Roberto Rocci Indice Probabilità Variabili Casuali Metodologie dell Inferenza Statistica 2 Siano dati i seguenti elementi:
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
Dettagliln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
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
DettagliCP110 Probabilità: Esame 27 gennaio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 27 gennaio, 213 CP11 Probabilità: Esame 27 gennaio 213 Testo e soluzione 1. (6 pts) Tre amici dispongono di 6 monete da un euro e
DettagliCP410: Esame 2, 3 febbraio 2015
Dipartimento di Matematica, Roma Tre Pietro Caputo 2014-15, I semestre 3 febbraio, 2015 CP410: Esame 2, 3 febbraio 2015 Cognome Nome Matricola Firma 1. Sia (Ω, F, P) lo spazio di probabilità definito da
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliC = {C 1 = A B c H, C 2 = A c B H, C 3 = A B c H c, C 4 = A c B H c } ; P (C 1 ) = 21/100, P (C 2 ) = 9/100, P (C 3 ) = 49/100, P (C 4 ) = 21/100.
CALCOLO DELLE PROBABILITÀ - 20 gennaio 2007 Motivare dettagliatamente le risposte su fogli allegati Elettronica: Es.1 4. Nettuno: Es.1 3. 1. Si effettuano due estrazioni con restituzione da un lotto contenente
DettagliCompiti tematici capp. 5,6
Compiti tematici capp. 5,6 a cura di Giovanni M. Marchetti 2016 ver. 0.6 Indice Esercizi dai compiti a casa (HW..................................... 8 1. Se X e Y sono due variabili casuali independenti,
DettagliSTATISTICA (2) ESERCITAZIONE 1. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 1 29.01.2014 Dott.ssa Antonella Costanzo Esercizio 1. Modelli discreti di probabilità: le v.c. binomiale e geometrica (come caso particolare della v.c. binomiale negativa)
Dettagli0 se y c 1 (y)) se c < y < d. 1 se y d
Capitolo. Parte IX Exercise.. Sia X una variabile aleatoria reale assolutamente continua e sia (a,b) un intervallo aperto (limitato o illimitato) di R, tale che P(X (a,b)) =. Sia ϕ : (a,b) R una funzione
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Processi di Poisson Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Consideriamo eventi casuali come gli arrivi di lavori
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
Dettagli