Numeri Random. D.E.I.S. Università di Bologna DEISNet
|
|
- Orazio Cattaneo
- 7 anni fa
- Visualizzazioni
Transcript
1 Numeri Random D.E.I.S. Università di Bologna DEISNet
2 Introduzione Può sembrare assurdo usare un computer per generare numeri casuali: Il computer è una macchina deterministica - l output è perfettamente predicibile a priori. Tuttavia le sequenze di numeri casuali prodotte da computer sono di uso comune. Nel seguito chiameremo Sequenze casuali (random) sequenze di numeri prodotte da fenomeni fisici intrinsecamente aleatori (ad es.: tempo trascorso fra due impulsi successivi di un contatore Geiger) Sequenze pseudo-casuali (pseudo-random) sequenze di numeri prodotte dal calcolatore utilizzabili come se fossero sequenze casuali. 2
3 Sequenze pseudo-random Definizione operativa di sequenza pseudo-random una sequenza di numeri si assimila ad una sequenza casuale se il programma che la produce è diverso e, sotto ogni aspetto misurabile, statisticamente incorrelato dal programma che usa il suo output In altre parole la sequenza pseudo-casuale deve apparire del tutto casuale all applicazione che la utilizza, per servire allo scopo Pertanto: Due generatori di sequenze pseudo-casuali devono produrre lo stesso risultato (dal punto di vista statistico) se utilizzati come ingresso dello stesso programma In caso contrario, almeno uno dei due non è un buon generatore Esiste una serie di test statistici per valutare la bontà di un generatore Un generatore che non supera tali test potrebbe non essere un buon generatore 3
4 Variabili Aleatorie Uniformi Variabile aleatoria (VA) uniforme I valori della v.a. sono equiprobabili e cadono in uno specifico intervallo Nell implementazione al calcolatore tipicamente da 0 a 1 Nell implementazione della generazione di sequenze pseudo-random le VA uniformi sono un punto di riferimento VA con altre distribuzioni di probabilità vengono quasi sempre generate a partire da VA uniformi, mediante opportune operazioni La VA uniforme è il mattoncino elementare per ogni modello stocastico implementato utilizzando sequenze pseudo-random 4
5 Numeri Random in C L ANSI C fornisce le seguenti funzioni per la generazione di numeri casuali (V. Numerical Recipes in C): #include <stdlib.h> #define RAND_MAX... void srand(unsigned seed); int rand(void); srand(seed): serve per inizializzare il generatore con un arbitrario valore di seed: a valori uguali di seed corrispondo identiche sequenze. rand(): restituisce il successivo numero, compreso fra 0 e RAND_MAX 5
6 Generatori lineari congruenziali I generatori di numeri casuali più semplici sono di tipo lineare congruenziale Se Z i è il generico numero i-esimo della sequenza pseudo-casuale allora: Z i-1 = a Z i + c (mod m) Dove: l operatore mod indica il resto della divisione a si chiama moltiplicatore e c viene detto incremento. Z 0 (primo valore della sequenza) si chiama seme (seed). Il generatore si dice moltiplicativo se c = 0 Quindi vengono generati al più m numeri interi Z i distinti con 0 Z i m - 1. Per ottenere numeri casuali Ui uniformemente distribuiti in [0,1) è sufficiente definire Ui = Z i /m 6
7 Generatori lineari congruenziali Pro: 1. Estrema velocità di generazione Contro: 1. Sequenza periodica di periodo al più pari a m. Occorre scegliere un valore di m elevato e valori di a, c e Z0 tali da avere periodo massimo. 2. Ogni valore di Zi è completamente determinato dai quattro parametri m, a, c e Z0. 3. Non c è assenza di correlazione fra chiamate successive del generatore. 7
8 Correlazione Se k numeri consecutivi della sequenza vengono utilizzati come coordinate di punti in uno spazio k- dimensionale (ciascuna coordinata fra 0 e 1) Se i numeri fossero assolutamente incorrelati i punti tenderebbero a coprire tutto lo spazio In realtà i punti vanno a cadere in piani (k-1) - dimensionali, il cui numero è al massimo m 1/k. Esempio: m = ( cattiva scelta) k = 3 #piani = /3 = 32 Occorre una scelta accurata di m, a e c al fine di massimizzare k 8
9 Esempi: ran0 Non è un ottimo generatore ma costituisce uno standard minimo qualitativo per un generatore di numeri casuali. Generatore lineare congruenziale con: a = 7 5 =16807 m = = c = 0 Difetti: Non si può usare seed = 0 A causa dell estrema semplicità della routine, numeri piccoli tendono ad essere seguiti sempre da numeri grandi: Normalizzando i valori ad 1, mediamente c è un valore < 10-6 ogni 10 6 chiamate. Questo però è sempre seguito da un valore Correlazione fra numeri successivi Si nota disponendo i numeri, presi a coppie, in un grafico bidimensionale 9
10 Esempi: ran1 Risolve il problema della correlazione fra chiamate successive di ran0 genera i numeri con ran0 e permuta l uscita È necessaria una fase di inizializzazione del vettore iv, con valori calcolati con ran0. Ad ogni chiamata il valore nel vettore iv, alla posizione iy è scelto come uscita e come successivo iy. L elemento scelto viene sostituito da uno nuovo, calcolato ancora con ran0. 10
11 Esempi: ran2 Ran1 supera i test in cui ran0 fallisce. Inizia ad avere problemi quando il numero di chiamate è abbastanza elevato, > 10 8 cioè circa m/20. Il rimedio consiste nel combinare due sequenze di numeri casuali con diversi periodi m 1 e m 2 Il periodo della sequenza risultante diventa il minimo comune multiplo dei due periodi. L idea base consiste nel sommare i valori ottenuti dai due generatori. Questo accorgimento è implementato nella routine ran2, la quale adotta anche una permutazione dell uscita simile a ran1. Con i valori di m 1 e m 2 adottati, ran2 ha un periodo di circa 2.3x10 18 e costituisce un ottimo generatore di numeri casuali. 11
12 Mersenne Twister (MT) Sviluppato nel 1997 da Makoto Matsumoto e Takuji Nishimura Provvede alla generazione veloce di numeri casuali di qualità molto elevata Principali caratteristiche: Periodo ben più lungo e migliore equidistribuzione rispetto a qualsiasi generatore precedente: È stato dimostrato che il periodo è e i numeri sono distribuiti uniformemente in un iperspazio a 623 dimensioni. Questo significa che la correlazione fra valori successivi della sequenza è praticamente trascurabile. Generazione veloce: la velocità di generazione di numeri casuali è sostanzialmente uguale a quella di rand() presente nella libreria standard dell ANSI C. Uso efficiente della memoria: la versione in C del generatore è costituita da 624 parole di codice. 12
13 Mersenne Twister (MT) In dettaglio: Il generatore MT è stato progettato rispettando le condizioni pratiche che un buon generatore di numeri random deve soddisfare. Non esistono infatti metodi matematici rigorosi per dimostrare l assenza di difetti di un generatore. Una della prove più forti per selezionare un buon generatore è sicuramente il test spettrale. MT è in grado di superare un test di questo tipo, ed in particolare il k-distribution test: se si osserva un periodo dell uscita del generatore con 32 bit di accuratezza, le n-uple di numeri con n=623, si distribuiscono uniformemente in uno spazio a 623 dimensioni. Analogamente, con un accuratezza a 16 bit, le n-uple di numeri con n=1246, si distribuiscono uniformemente in uno spazio a 1246 dimensioni e con un accuratezza a 2 bit in 9968 dimensioni. 13
14 Esempi: altri Si ricordano altri tipi di generatori: Ran3: non utilizza il metodo lineare congruenziale ma il metodo sottrattivo; generatori Quick and Dirty : molto semplici, permettono di ottenere numeri casuali con poche linee di codice e limitate risorse di elaborazione 14
15 Esempi A partire da ran0 sono stati introdotti generatori via via più complicati, in grado di superare test statistici più stringenti. La maggiore complicazione di questi generatori causa un tempo di esecuzione maggiore di ran0. Nella tabella seguente si riportano i tempi di esecuzione relativi, ponendo come riferimento il generatore ran0. Nella scelta di un generatore si deve tener presente il periodo: la sequenza di numeri da generare deve essere molto minore del periodo 15
16 Considerazioni conclusive Le caratteristiche che deve avere un generatore di sequenze pseudocasuali: Ripetibilità, affinché sia possibile ripetere gli stessi esperimenti più volte Soddisfacimento dei test: servono per verificare che il generatore sia quanto più simile ad un generatore di numeri casuali ideale. Semplicità e rapidità: un simulatore che usa il generatore risulta quindi efficiente. Periodicità lunga, in modo da poter effettuare simulazioni lunghe senza riutilizzare più volte la stessa sequenza. Portabilità, cioè rendere l implementazione del generatore indipendente dalla piattaforma. 16
17 Test Statistici Per valutare la bontà di un generatore si eseguono test statistici sulle sequenze ottenute. I tre metodi fondamentali sono: test di uniformità o del χ 2 (chi quadro) test di Kolmogorov-Smirnov 17
18 Test di uniformità o del χ 2 Serve per misurare l'uniformità della distribuzione di una sequenza. Si applica a variabili casuali discrete o discretizzate Dati k eventi possibili: E 1, E 2,, E k con probabilità p 1, p 2,, p k si fanno n esperimenti in cui si osservano y 1 eventi di tipo E 1, y 2 eventi di tipo E 2,, y k eventi di tipo E k. Vale: La variabile: ha una distribuzione detta χ 2 con k-1 gradi di libertà. Nota: il termine np i rappresenta la frequenza attesa di istanze di E i. 18
19 Test di uniformità o del χ 2 V è indipendente da p i se n è grande (si richiede di solito che ). Per verificare l uniformità di un generatore di numeri random distribuiti uniformemente in [0,1]: Si creano k-sottointervalli di ampiezza 1/k. Si genera un gran numero di istanze della va uniforme e si conta per ogni intervallo il numero y i di istanze che sono cadute all interno dell intervallo. Poiché il generatore è uniforme si ha: p i = 1/k 1 1/k 1/k 1 19
20 Test di uniformità o del χ 2 Si calcola il valore di V. Se il generatore è buono, la variabile V risulta avere la distribuzione χ 2 con k-1 gradi di libertà. df = # gradi di libertà = k - 1 Il test è superato se, fissato un certo valore critico χ 2 1-α, V non è maggiore a tale valore. Tipicamente 1 - α = 0,95 ; il valore corrispondente χ 2 1-α si trova in forma tabulare. 20
21 Test di uniformità o del χ 2 df 1 -! = ! = ! =
22 Test di Kolmogorov-Smirnov È un metodo che si applica a variabili casuali continue. Data una sequenza di n istanze x i della variabile casuale X, si fissa un valore di x e si calcola il numero m x di istanze minori di x all interno della sequenza: Si costruisce quindi la funzione: F N (x) = m x / n che si confronta con F(x) 22
23 Test di Kolmogorov-Smirnov D è la differenza massima, in valore assoluto, tra la distribuzione teorica F(x) e quella osservata F N (x): D = max F N (x) - F(x) Se x 1, x 2,..., x N è un campione casuale, F N (x) rappresenta il numero (rapportato ad N) degli elementi del campione x i, minori od uguali ad x. Nella figura si vede che, da come è stata definita, F N (x) è costante tra x i e x i+1 e ogni gradino è pari ad 1/N. 23
24 Test di Kolmogorov-Smirnov Analogamente al caso del test del chi-quadro, D viene confrontato con certi valori critici D a (ad esempio 0.01 o 0.05) per decidere se accettare o meno l'ipotesi che i numeri u i siano equamente distribuiti. A differenza del test del chi-quadrato, il test di Kolmogorov e Smirnov offre il vantaggio di non richiedere che i dati siano in qualche modo raggruppati e, quindi, non dipende da come vengono scelte le categorie nelle quali ripartire la sequenza. 24
25 Distribuzioni non uniformi A partire da un algoritmo di generazione di numeri uniformemente distribuiti è possibile ricavare sequenze con distribuzioni diverse. Gli approcci da seguire sono: Metodo della trasformazione inversa Metodo della reiezione 25
26 Metodo della trasformazione inversa Si vuole generare una variabile aleatoria X con funzione di densità di probabilità f X (x). 1. Si calcola la funzione di distribuzione di probabilità o funzione cumulativa di probabilità: Tale funzione è continua, monotona crescente ed è sempre compresa tra 0 e 1 (per definizione F X (x) = P[X x]) 2. Si pone y = F X (x) [0,1] dove y è un istanza di una variabile casuale Y con distribuzione uniforme in [0,1] 3. L operazione x = F -1 (y) fornisce un istanza della variabile X. 26
27 Metodo della trasformazione inversa Poiché Y è una variabile aleatoria uniformemente distribuita in [0,1], si ha: P{Y y} = y cioè: P{Y F(x)} = F(x) Se esiste la F -1 (), possiamo scrivere: P{F -1 (Y) F -1 (F(x))} = P{F -1 (Y) x} = F(x) cioè F -1 (Y), ha distribuzione F(x). 27
28 Metodo della trasformazione inversa Questo metodo si giustifica intuitivamente in modo grafico come segue Si scelgono due intervalli con la medesima ampiezza Δx 1 e Δx 2 ai quali corrispondono gli intervalli Δy 1 e Δy 2. Generando uniformemente y in [0,1] osserveremo molto più frequentemente valori di y nell intervallo Δy 1 che all interno dell intervallo Δy 2 Applicando il metodo dell inversa verranno generati più frequentemente valori in Δx 1 che in Δx 2. 28
29 Esempio Generazione di una variabile aleatoria con distribuzione esponenziale Invertendo la F(x): F(x) = 1 e µx y = 1 e µx ln( 1 y ) = µx x = ln( 1 y )/µ 1 Quindi, generando y uniforme in [0,1] e calcolando x come nella formula precedente, si ottiene un istanza x di una variabile aleatoria esponenziale a valore medio µ. x F(x) 29
30 Metodo di reiezione È un metodo molto utile quando la funzione cumulativa non è nota o non è invertibile analiticamente. Affinché sia applicabile è necessario che la funzione densità di probabilità f(x) abbia supporto finito: f(x) M a b x Nell esempio il supporto è l intervallo [a,b]; M è il valore massimo assunto da f(x). 30
31 Metodo di reiezione - procedura 1. Si generano coppie di numeri casuali (x,y) con x distribuito uniformemente in [a,b] e y in [0,M]. 2. Interpretando (x,y) come un punto del piano, si osserva la sua posizione rispetto la curva f(x): f(x) M A B a b x 3. Se il punto cade al di sotto della curva f(x) viene considerata l ascissa, cioè x (caso A); se il punto cade all esterno della curva, si genera una nuova coppia (caso B). 31
32 Metodo di reiezione I punti (x,y) vengono generati in modo uniforme pertanto la probabilità di accettare il valore x è pari al rapporto fra l area sottesa da f(x) cioè 1 e l area del rettangolo: P = 1 / [ M (b - a) ] Il numero medio di punti generati nel piano per ottenere un istanza valida della variabile è: Quindi il numero di istanze di variabile aleatoria uniforme che devono essere generate è pari a 2M(b-a). L efficienza di questo metodo risulta dipendente dalla forma f(x) e in particolare della dimensione della dimensione del rettangolo che la racchiude. 32
33 Distribuzione Gaussiana La densità di probabilità di una distribuzione gaussiana non è invertibile analiticamente. Di solito viene generata nei seguenti metodi: Si sommano 12 v.a. uniformi indipendenti tra -0,5 e 0,5. Per il teorema del limite centrale il risultato tende alla distribuzione gaussiana. La media è nulla e la varianza diventa 1. Da notare che il supporto della v.a. risulta limitato tra -6 e +6 Si approssima l andamento della gaussiana con archi di sinusoide 33
Generazione 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
DettagliGeneratori di numeri casuali
Statistica computazionale Generatori di numeri casuali Alberto Lusoli www.cash-cow.it Distribuito sotto licenza Creative Common Share Alike Attribution La generazione dei numeri casuali è troppo importante
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
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
DettagliLaboratorio 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
DettagliAlgoritmi in C++ (prima parte)
Algoritmi in C++ (prima parte) Alcuni algoritmi in C++ Far risolvere al calcolatore, in modo approssimato, problemi analitici Diverse tipologie di problemi generazione di sequenze di numeri casuali ricerca
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
DettagliStudio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin
Studio dell aleatorietà: : proprietà di indipendenza ed uniformità Daniela Picin TEST TEORICI: studio della media, della varianza e della correlazione del primo ordine, studio della struttura reticolare.
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
DettagliCALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1
CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora
DettagliGeneratori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi
Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base
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.
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
DettagliIl metodo Monte Carlo. Esempio di transizione al caos. Numeri (pseudo)casuali. λ 1. Analisi dati in Fisica Subnucleare
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
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
DettagliApprofondimento : numeri pseudocasuali
Approfondimento : numeri pseudocasuali Il funzionamento di un computer è un processo deterministico Regolato da leggi rigide Completamente determinato dalle condizioni iniziali Questo comporta che è molto
DettagliLezione 21 e 22. Valentina Ciriani ( ) Laboratorio di programmazione. Laboratorio di programmazione. Lezione 21 e 22
Lezione 21 e 22 - Allocazione dinamica delle matrici - Generazione di numeri pseudocasuali - Funzioni per misurare il tempo - Parametri del main - Classificazione delle variabili Valentina Ciriani (2005-2008)
DettagliCenni di teoria dell informazione
Cenni di teoria dell informazione Gregorio D Agostino 12 Maggio 2017 Cifrario perfetto Un cifrario si dice perfetto se l informazione mutua tra crittogramma e messaggio è nulla: I(M C) = 0 = H(M) H(M
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 =
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
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
DettagliSimulazione. D.E.I.S. Università di Bologna DEISNet
Simulazione D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Per valutare le prestazioni di un sistema esistono due approcci sostanzialmente differenti Analisi si basa
DettagliMetodi Computazionali della Fisica Secondo Modulo: C++
Metodi Computazionali della Fisica Secondo Modulo: C++ Seconda Lezione Andrea Piccione () Metodi Comptazionali della Fisica - Secondo Modulo: C++ Milano, 09/1/08 1 / 9 La lezione di oggi Obiettivo: implementare
DettagliUso delle funzioni della libreria GSL
Uso delle funzioni della libreria GSL Luca Mazzei 1 Configurazione di GSL in Dev-C++ Per utilizzare le librerie con Dev-C++ occorre configurare l ambiente. Dopo aver aperto l ambiente selezionare la voce
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
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
DettagliGeneratori di numeri pseudocasuali
Generatori di numeri pseudocasuali Davide Buffelli, Marco Tramarin, Federico Turrin Università degli Studi di Padova Dipartimento di Ingegneria dell Informazione Algoritmica Avanzata 8 giugno 2017 1 /
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
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## (##
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.
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
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
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
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
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliINTERPOLAZIONE. Introduzione
Introduzione INTERPOLAZIONE Quando ci si propone di indagare sperimentalmente la legge di un fenomeno, nel quale intervengono due grandezze x, y simultaneamente variabili, e una dipendente dall altra,
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
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
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
DettagliTEORIA DELL INFORMAZIONE ED ENTROPIA FEDERICO MARINI
TEORIA DELL INFORMAZIONE ED ENTROPIA DI FEDERICO MARINI 1 OBIETTIVO DELLA TEORIA DELL INFORMAZIONE Dato un messaggio prodotto da una sorgente, l OBIETTIVO è capire come si deve rappresentare tale messaggio
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliLa verifica delle ipotesi
La verifica delle ipotesi Se abbiamo un idea di quale possa essere il valore di un parametro incognito possiamo sottoporlo ad una verifica, che sulla base di un risultato campionario, ci permetta di decidere
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
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliNumeri pseudocasuali. Olga Scotti
Numeri pseudocasuali Generatori di numeri casuali Sono detti numeri pseudo-casuali (in inglese pseudo-random numbers) i numeri generati da un algoritmo deterministico che produce una sequenza con, approssimativamente,
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
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
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
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
DettagliMetodi Computazionali. Generazione di numeri pseudocasuali
Metodi Computazionali Generazione di numeri pseudocasuali A.A. 2009/2010 Pseudo random numbers I più comuni generatori di numeri random determinano il prossimo numero random di una serie come una funzione
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
DettagliAnalisi statistica della bontà di un programma di simulazione del lancio di dadi
Analisi statistica della bontà di un programma di simulazione del lancio di dadi Jacopo Nespolo, Jonathan Barsotti, Oscar Pizzulli 19/2/2007 1 Obbiettivi Con questa esperienza si intende analizzare i dati
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
DettagliFondamenti di statistica per il miglioramento genetico delle piante. Antonio Di Matteo Università Federico II
Fondamenti di statistica per il miglioramento genetico delle piante Antonio Di Matteo Università Federico II Modulo 2 Variabili continue e Metodi parametrici Distribuzione Un insieme di misure è detto
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
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
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
DettagliPermutazioni. 1 Introduzione
Permutazioni 1 Introduzione Una permutazione su un insieme di n elementi (di solito {1, 2,...,n}) è una funzione biiettiva dall insieme in sé. In parole povere, è una regola che a ogni elemento dell insieme,
DettagliCorso di Laboratorio 2 Programmazione C++ Silvia Arcelli. 9 Novembre 2015
Corso di Laboratorio 2 Programmazione C++ Silvia Arcelli 9 Novembre 2015 1 Generazione di numeri casuali Numeri casuali: valore assunto da una variabile aleatoria, il cui valore è per definizione impredicibile
DettagliModelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
DettagliCOMUNE DI CONSIGLIO DI RUMO
COMUNE DI CONSIGLIO DI RUMO Provincia di Como Aggiornamento della componente geologica, idrogeologica e sismica di supporto al Piano di Governo del Territorio - L.R. 1/05 e successive modifiche. ANALISI
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
DettagliScuola di Calcolo Scientifico con MATLAB (SCSM) 2017
Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni
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
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliIl metodo Monte Carlo
Il metodo Monte Carlo Le proprietà davvero uniche del cervello umano mi sembrano caratterizzate proprio dal possente sviluppo e dall impiego intensivo della funzione di simulazione J. Monod, Il caso e
DettagliSerie storiche Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Serie storiche Introduzione Per alcuni dataset, l attributo target è soggetto ad un evoluzione temporale e risulta associato ad istanti di tempo successivi. I modelli di analisi delle serie storiche si
DettagliIl concetto di calcolatore e di algoritmo
Il concetto di calcolatore e di algoritmo Elementi di Informatica e Programmazione Percorso di Preparazione agli Studi di Ingegneria Università degli Studi di Brescia Docente: Massimiliano Giacomin Informatica
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliPulse Amplitude Modulation (PAM) 2 Scelta delle risposte impulsive dei filtri in trasmissione e ricezione
Pulse Amplitude Modulation (PAM 1 Definizione La trasmissione di una sequenza di numeri {a k } mediante un onda PAM consiste nel generare, a partire dalla sequenza {a k } il segnale a tempo continuo u(t
DettagliStatistica Descrittiva Soluzioni 3. Medie potenziate
ISTITUZIONI DI STATISTICA A. A. 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
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
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
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliPiccolo teorema di Fermat
Piccolo teorema di Fermat Proposizione Siano x, y Z, p N, p primo. Allora (x + y) p x p + y p (mod p). Piccolo teorema di Fermat Proposizione Siano x, y Z, p N, p primo. Allora (x + y) p x p + y p (mod
DettagliProva d'esame di Statistica I - Corso Prof.ssa S. Terzi
Prova d'esame di Statistica I - Corso Prof.ssa S. Terzi Esercizio 1 Data la variabile casuale X con funzione di densità f(x) = 2x, per 0 x 1; f(x) = 0 per x [0, 1], determinare: a) P( - 0,5 < X< 0,7) b)
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
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
DettagliCALENDARIO BOREALE 2 AMERICHE 2015 QUESITO 1
www.matefilia.it Indirizzi: LI0, EA0 SCIENTIFICO; LI0 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE CALENDARIO BOREALE AMERICHE 0 QUESITO Determinare il volume del solido generato dalla rotazione attorno alla
DettagliSTATISTICA AZIENDALE Modulo Controllo di Qualità
STATISTICA AZIENDALE Modulo Controllo di Qualità A.A. 009/10 - Sottoperiodo PROA DEL 14 MAGGIO 010 Cognome:.. Nome: Matricola:.. AERTENZE: Negli esercizi in cui sono richiesti calcoli riportare tutte la
DettagliProblemi, algoritmi, calcolatore
Problemi, algoritmi, calcolatore Informatica e Programmazione Ingegneria Meccanica e dei Materiali Università degli Studi di Brescia Prof. Massimiliano Giacomin Problemi, algoritmi, calcolatori Introduzione
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
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
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)
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
Dettagli