Distribuzioni di probabilità e principi del metodo di Montecarlo. Montecarlo
|
|
- Angelica Valsecchi
- 7 anni fa
- Visualizzazioni
Transcript
1 Distribuzioni di probabilità e principi del metodo di Montecarlo Simulazione di sistemi complessi Distribuzioni di probabilità Istogrammi Generazione di numeri casuali Esempi di applicazione del metodo di Montecarlo Laboratorio di Calcolo B 42
2 Sistemi complessi Supponiamo di voler eseguire una simulazione numerica di un sistema complesso, come ad esempio l insieme delle molecole di un gas in un un recipiente. Da un lato l operazione non presenta difficoltà, nel senso che possiamo pensare di trattare ogni molecola come un corpo rigido, utilizzando le tecniche esposte nelle lezioni precedenti. Ovviamente una simulazione realistica deve prevedere l analisi del moto di un numero molto grande di corpi, e quindi l utilizzo di una enorme potenza di calcolo. Laboratorio di Calcolo B 43
3 Sistemi complessi Lo studio della fisica ci insegna pero che non tutte le caratteristiche di un sistema complesso emergono direttamente dall analisi del moto dei singoli corpi: la temperatura ad esempio è una proprietà collettiva del gas che determina la distribuzione delle velocità delle singole molecole tramite un unico parametro. È chiaro quindi che la simulazione di sistemi complessi può beneficiare enormemente dell utilizzo di tecniche statistiche, che aiutano a migliorare la comprensione del problema fisico e a ridurre i tempi di calcolo. Ovviamente è necessario essere capaci di trattare, all interno del programma, le distribuzioni di probabilità delle grandezza fisiche interessanti. Laboratorio di Calcolo B 44
4 Distribuzioni di probabilità Consideriamo un sistema caratterizzato dalla variabile x. Supponiamo che x sia una variabile aleatoria, ovvero una variabile il cui valore non è costante, ma varia seguendo una legge di probabilità nota. La variazione di x può essere legata a successive ripetizioni dell esperimento (ad esempio l estrazione dei numeri del lotto, o la misura del tempo di decadimento di una particella) oppure alla presenza di molte repliche della variabile nel sistema (ad es. la velocità media delle molecole di un gas). La funzione densità di probabilità di x, p(x) possiede la proprietà: P( x < x < x ) 2 1 = x x 1 2 p( x) dx x 1 x 2 x Laboratorio di Calcolo B 45
5 Distribuzioni di probabilità p(x) può quindi essere pensata come la probabilità (infinitesima) che il valore della variabile aleatoria sia compreso tra x e x+dx. Ne discendono le relazioni: 2 σ = x + = + p( x) dx + ( x x) = 1 xp( x) dx 2 p( x) dx 2 σ Va osservato tuttavia che la distribuzione di probabilità continua è una astrazione matematica, nel senso che operativamente non è possibile distinguere valori di x arbitrariamente vicini. Usualmente si divide l asse x in n intervalli e si assegna ad ogni intervallo una probabilità media. Si ottiene quindi una distribuzione discreta. Laboratorio di Calcolo B 46 = x n i= 1 = n i= 1 p n i i= 1 ( x i = 1 x i p i x) 2 p i
6 Istogrammi Gli istogrammi sono grafici usati per visualizzare le distribuzioni di probabilità (o di frequenza, se si moltiplica per il numero totale di eventi N) discrete (o continue, nell approssimazione detta prima). Per ogni intervallo x i (detto bin ) si disegna un rettangolo largo quanto l intervallo e di altezza pari alla probabilità p i che x cada nell intervallo (nel caso delle frequenze pari al numero di eventi nell intervallo, N i = Np i ). Nuovo evento x = 12 0< x <30 in 30 intervalli 0 30 Laboratorio di Calcolo B 47
7 Binning Il numero di bin può influenzare in modo rilevante l aspetto di un istogramma, e quindi va scelto caso per caso, cercando di evitare la presenza di molti bin poco popolati. x = x = 0.2 x = 0.05 x = 1.6 Laboratorio di Calcolo B 48
8 Manipolazione di istogrammi in CROOT In definitiva un istogramma è un vettore che contiene la popolazione degli n bins. CROOT possiede un supporto per la visualizzazione degli istogrammi. Per crearli si usa R_CreateHist1D(char *his, char *tit, int nch, float xmin, float xmax); Identificatore Estremi x Titolo Numero di bin Laboratorio di Calcolo B 49
9 Manipolazione di istogrammi in CROOT In definitiva un istogramma è un vettore che contiene la popolazione degli n bins. CROOT possiede un supporto per la visualizzazione degli istogrammi. Per crearli si usa R_CreateHist1D(char *his, char *tit, int nch, float xmin, float xmax); Per riempirli R_FillHist1D(char *his, float x, float w); Identificatore Valore della variabile aleatoria Peso; w=1 per un singolo evento. Laboratorio di Calcolo B 50
10 Manipolazione di istogrammi in CROOT In definitiva un istogramma è un vettore che contiene la popolazione degli n bins. CROOT possiede un supporto per la visualizzazione degli istogrammi. Per crearli si usa R_CreateHist1D(char *his, char *tit, int nch, float xmin, float xmax); Per riempirli R_FillHist1D(char *his, float x, float w); Per visualizzarli R_PlotHist(char *his, char *opt); Identificatore Opzioni di visualizzazione opt = H Default opt= SAME per sovrapporre istogrammi Laboratorio di Calcolo B 51
11 Manipolazione di istogrammi in CROOT In definitiva un istogramma è un vettore che contiene la popolazione degli n bins. CROOT possiede un supporto per la visualizzazione degli istogrammi. Per crearli si usa R_CreateHist1D(char *his, char *tit, int nch, float xmin, float xmax); Per riempirli R_FillHist1D(char *his, float x, float w); Per visualizzarli R_PlotHist(char *his, char *opt); Per leggere il contenuto di un istogramma double R_GetBinContentHist1D(char *his, int bin); Identificatore Numero di bin Laboratorio di Calcolo B 52
12 Uso degli istogrammi nei programmi A differenza di un normale grafico, che viene usato solo nella fase finale dei calcoli, un istogramma viene di solito usato, all interno di un programma, come elemento di memorizzazione dei dati. Quando si analizzano milioni di ripetizioni di un evento non importa tanto il singolo valore di una variabile, ma la distribuzione di tale variabile in un dato intervallo. Dal contenuto dei bin di un istogramma si può risalire, in modo approssimato, alla media e alla varianza della distribuzione. Supponiamo di avere n misure x i, e di rappresentarle tramite un istogramma con M bin aventi il centro nei punti x c j σ 2 x = = n i= 1 n i= 1 ( x i xi n n x) 2 Calcolo dai dati Calcolo dall istogramma σ 2 x = = M j= 1 M j= 1 n j n j ( x x n c j c n j x) 2 Laboratorio di Calcolo B 53
13 Confronto con distribuzioni teoriche Un modo semplice per confrontare graficamente un istogramma sperimentale con una distribuzione teorica è quello di sovrapporre il grafico della densità di probabilità. La cosa pare banale, ma si deve fare attenzione alla corretta normalizzazione: se i bin sono larghi x e si hanno in totale N eventi, il bin con valore centrale x i conterrà in media Np(x i ) x eventi. Per avere una corretta normalizzazione si deve quindi moltiplicare la densità di probabilità p(x) per il fattore N x. Laboratorio di Calcolo B 54
14 Confronto con distribuzioni teoriche Un secondo metodo di confronto consiste nel costruire un istogramma identico a quello sperimentale, e di mettere in ogni bin un numero di eventi pari alla densità di probabilità calcolata al centro del bin moltiplicata per la larghezza del bin x e per il numero totale di eventi osservati sperimentalmente N. Questo si puo fare con usa sola chiamata a R_FillHist1D utilizzando come x il centro del bin x c i e come peso il fattore Np(x c i) x. Laboratorio di Calcolo B 55
15 Traccia dell esercitazione In laboratorio dovrete realizzare un programma che: legga da un file una serie di misure affette da un errore statistico e quindi, presumibilmente, con distribuzione gaussiana (potrete usare una serie di misure da voi eseguite e/o dei files che vi forniamo); calcoli, durante la lettura, media e varianza della serie di misure, e memorizzi i dati in un istogramma; calcoli, a partire dal contenuto dei bin dell istogramma, la media e la varianza approssimate; visualizzi l istogramma sperimentale con sovrapposta la gaussiana teorica; visualizzi l istogramma sperimentale con sovrapposto l istogramma della distribuzione teorica. I confronti vanno eseguiti variando il numero di bin e l intervallo coperto dall istogramma. Laboratorio di Calcolo B 56
16 Fit di istogrammi Il confronto ad occhio di un istogramma sperimentale con una distribuzione teorica non è ovviamente soddisfacente. La cosa migliore da fare è eseguire un fit che determini i parametri della distribuzione teorica che meglio approssima l istogramma sperimentale. Il metodo è identico a quello che avete già usato per il fit ad una serie di punti sperimentali, e consiste nel minimizzare una funzione χ 2 data da: χ = bin j= 1 ( C n N x p( x, p ) N 2 j j ) dove si è assunto che l errore sul conteggio degli eventi nel bin j-mo sia pari alla radice di n j (vedere corso Lab1B). n j 2 Laboratorio di Calcolo B 57
17 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 58
18 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Numero totale di misure int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 59
19 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Numero di bins int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 60
20 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Larghezza del bin, ottenuta come distanza tra i centri di due bins vicini Laboratorio di Calcolo B 61
21 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) Loop sui bins - R_GetBinCenter( Histo,1, x ); int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 62
22 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Contenuto del bin j-mo int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 63
23 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Posizione del centro del bin j-mo int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 64
24 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Valore della densità di probabilità al centro del bin int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 65
25 Fit Istogramma-Funzione Dato un istogramma ed una funzione di densità di probabilità, ecco la funzione χ 2 da usare in minuit. // Calcolo della funzione da minimizzare (chi-quadro) double xfcn(int npar, double *par){ double Np = R_GetEntries( Histo ); int Nb = R_GetNBins( Histo, x ); double Dx = R_GetBinCenter( Histo,2, x ) - R_GetBinCenter( Histo,1, x ); Contributo al χ 2 del bin j-mo int ib; double chi2=0.0; for (i=1; i <= Nb; i++){ double nj = R_GetBinContentHist1D( Hist,ib); double xc = R_GetBinCenter( Histo,ib, x ); double p = prob(xc, npar, par); chi2 += pow(nj-np*dx*p,2)/nj; return chi2; Laboratorio di Calcolo B 66
Laboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliGenerazione di numeri casuali
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
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/
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
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
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
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliVariabili aleatorie continue: la normale. Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia
Variabili aleatorie continue: la normale Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia 2015-16 1 / 40 Distinzione Le variabili aleatorie possono essere 1 discrete 2 continue 2
DettagliProbabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k)
Probabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k) Nel calcolo del numero di modalita' con cui si presenta un evento e' utile talvolta utilizzare le definizioni
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
Dettaglif (a)δa = C e (a a*)2 h 2 Δa
Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione
DettagliAnalisi dei Dati Tabelle e Grafici
Analisi dei Dati Tabelle e Grafici Spesso una misurazione consiste nello studio di una grandezza,y i in funzione di un altra, x i. Esempi: o lo spazio percorso da un oggetto in funzione di un intervallo
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 =
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
Dettagli- noise di conteggio ; f[m] è un numero intero che è la realizzazione di una variabile aleatoria con valor medio (valore atteso) f 0 [m].
Segnali con noise Sia f [m], m,,..., N-, il campionamento del segnale in arrivo sul rivelatore; il segnale campionato in uscita f[m] differisce da f [m] per quantità che variano in modo casuale. Si hanno
DettagliSTATISTICA 1 ESERCITAZIONE 6
STATISTICA 1 ESERCITAZIONE 6 Dott. Giuseppe Pandolfo 5 Novembre 013 CONCENTRAZIONE Osservando l ammontare di un carattere quantitativo trasferibile su un collettivo statistico può essere interessante sapere
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
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
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
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
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
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 Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
DettagliDISTRIBUZIONI DISTRIBUZIONE DI GAUSS
DISTRIBUZIONI ESPERIENZA a: DISTRIBUZIONE DI GAUSS SCOPO: Costruzione di una distribuzione di Gauss dai valori di una grandezza fisica ottenuti da una misura dominata da errori casuali. Studio dell influenza
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
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
DettagliL istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un
Gli istogrammi L istogramma è una rappresentazione grafica di una distribuzione di frequenza di una certa grandezza, ossia di quante volte in un insieme di dati si ripete lo stesso valore. Esistono diversi
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologie. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea in biotecnologie
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica.3 - La distribuzione normale Tempi di reazione Registrati i tempi di reazione (in millisecondi) a uno stimolo (n = 30). Classe Freq Freq relative Densità
DettagliSTATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI
STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 6 Ottobre 2014 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione statistica.
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliFit con Root. Stefano Lacaprara
Fit con Root Stefano Lacaprara Cos'e' l'analisi dati L'analisi dati consiste nell'estrarre da una (decentemente confusa) serie di dati alcune (poche) quantita di interesse fisico Visto che tutte le quantita
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
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
DettagliFin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili.
Sistemi di variabili casuali Fin qui si sono considerate le variabili casuali ciascuna per proprio conto. Ora consideriamo la possibilità di relazioni tra variabili. Esempi: - il massimo annuale della
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
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
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliStatistica. V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali
Elementi di Inferenza Statistica Variabili casuali V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali Soriano nel Cimino (VT), 6 Ottobre 2009 Pier
DettagliLezione n. 1 _Complementi di matematica
Lezione n. 1 _Complementi di matematica INTRODUZIONE ALLA STATISTICA La statistica è una disciplina che si occupa di fenomeni collettivi ( cioè fenomeni in cui sono coinvolti più individui o elementi )
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
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliDISTRIBUZIONI IN FREQUENZA E ISTOGRAMMI
DISTRIBUZIONI IN FREQUENZA E ISTOGRAMMI Quando si hanno molti dati da trattare bisogna rappresentare i dati nella forma più efficace e utile. Infatti nel caso ci interessi conoscere il valore di una certa
DettagliSe la funzione è analiticamente invertibile, estratto q, si può ricavare x = x(q).
La tecnica Monte Carlo Il metodo Monte Carlo è basato sulla scelta di eventi fisici con una probabilità di accadimento nota a priori. sia p(x) la distribuzione di probabilità con la quale si manifesta
DettagliSOLUZIONE. a) Calcoliamo il valore medio delle 10 misure effettuate (media campionaria):
ESERCIZIO SU TEST STATISTICO (Z, T e χ ) Da una ditta di assemblaggio di PC ci viene chiesto di controllare la potenza media dissipata da un nuovo processore, che causa a volte problemi di sovraccarico
DettagliMetodo di Monte Carlo
Il termine metodo di si riferisce a qualsiasi metodo numerico che faccia uso di numeri (random) per risolvere probabilisticamente un problema. Metodi di sono normalmente utilizzati in ambito scientifico
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
Dettagli8.8 Modificare i file di testo I processi La stampa Accesso alle periferiche 176
INDICE i Statistica ed analisi dei dati 1 1 Propagazione degli errori. Parte I 5 1.1 Terminologia 5 1.2 Propagazione dell incertezza massima (errore massimo) 7 1.2.1 Somma 8 1.2.2 Differenza 9 1.2.3 Prodotto
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
Dettagli12) Metodo dei minimi quadrati e linea di tendenza
12) Metodo dei minimi quadrati e linea di tendenza 43 Si supponga di avere una tabella di dati {y exp i} i=1,,n in funzione di altri dati {x i } i=1,,n che siano il risultato di una qualche misura sperimentale.
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
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
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
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
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
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
DettagliStatistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliPROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
Matematica e statistica: dai dati ai modelli alle scelte wwwdimaunige/pls_statistica Responsabili scientifici MP Rogantin e E Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliLaboratorio di Statistica 1 con R Esercizi per la Relazione. I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati
Laboratorio di Statistica 1 con R Esercizi per la Relazione I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati nel corso. Esercizio 1. 1. Facendo uso dei comandi
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliLa SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
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
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) MEDIA aritmetica semplice
DettagliErrori di misura Teoria
Errori di misura Teoria a misura operazione di misura di una grandezza fisica, anche se eseguita con uno strumento precisissimo e con tecniche e procedimenti accurati, è sempre affetta da errori. Gli errori
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliCorso C Geomatica. Teoria degli errori. Massimiliano Cannata
Corso C111.01 - Geomatica Teoria degli errori Rappresentazione di una misura di precisione ( x ± σ x ) u x = misura σ x = incertezza della misura u = unità di misura Il problema degli errori in topografia
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.
DettagliLEZIONE 2.5. corso di statistica. Francesco Lagona Università Roma Tre. LEZIONE 2.5 p. 1/12
LEZIONE 2.5 p. 1/12 LEZIONE 2.5 corso di statistica Francesco Lagona Università Roma Tre LEZIONE 2.5 p. 2/12 distribuzione doppia di due variabili aleatorie consideriamo la distribuzione doppia di due
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliSTATISTICA ESERCITAZIONE. 1) Specificare la distribuzione di probabilità della variabile e rappresentarla graficamente;
0.00 0.05 0.10 0.15 0.20 STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 4 Maggio 2015 Esercizio 1 (Uniforme discreta) Si consideri l esperimento lancio di un dado non truccato. Sia X la variabile casuale
DettagliNUMERI CASUALI E SIMULAZIONE
NUMERI CASUALI E SIMULAZIONE NUMERI CASUALI Usati in: statistica programmi di simulazione... Strumenti: - tabelle di numeri casuali - generatori hardware - generatori software DESCRIZIONE DEL PROBLEMA
DettagliLaboratorio di Fisica
Laboratorio di Fisica dott. G. Casini ARGOMENTO 1: Misura delle grandezze fisiche LDFM Laboratorio di Fisica presentazione realizzata dal prof. Antonio Covello Schema della relazione di laboratorio Strumenti
DettagliIstituzioni di Statistica 1 Esercizi su strumenti grafici e funzione di frequenza relativa cumulata
Istituzioni di Statistica 1 Esercizi su strumenti grafici e funzione di frequenza relativa cumulata Esercizio 1 La seguente tabella riguarda il tempo per passare da 0 a 100 km/h di 17 automobili tedesche
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
Dettagli