Analisi dei Processi Chimici e Biotecnologici Matlab
|
|
- Valerio Forti
- 6 anni fa
- Visualizzazioni
Transcript
1 Applicazioni con generatori di numeri casuali - Istruzioni per l uso - Simulazione numerica di un esperimento - Generatori di numeri casuali: cenni sulla teoria - Generazione di numeri casuali: rumore di tipo uniforme - Generazione di numeri casuali: rumore gaussiano - Comandi avanzati generatori di numeri casuali Istruzioni per l uso Nelle attività di laboratorio svolte con Matlab si intende affrontare in modo applicativo concetti relativi a Teoria della probabilità Stima dei parametri 2 Biotecnologici Parte 1 1
2 Istruzioni per l uso Matlab dispone di una serie di pacchetti aggiuntivi, specifici per differenti applicazioni, che ne aumentano le potenzialità, rispetto alla versione base. Purtroppo, i pacchetti non sono gratuiti. Di seguito, si sfrutteranno due pacchetti (Toolboxes): Il Toolbox Statistics Il Toolbox Optimization Saranno anche usati programmi predefiniti costruiti ad hoc per i problemi specifici Le fonti dei programmi sono Stixbox (pacchetto di file Matlab dedicato all analisi statistica) Programmi disponibili dal sito di Matlab Altro 3 Istruzioni per l uso Per evitare confusione tra i comandi disponibili nella versione base (utilizzabili quindi con qualunque versione di Matlab) e quelli previsti solo nei toolbox di statistica e ottimizzazione, si userà una legenda in fondo al lucido. Quando si farà riferimento ai comandi tradizionali della versione base di Matlab, sarà riportata sul lucido la scrittura, come nella presente diapositiva. 4 Biotecnologici Parte 1 2
3 Istruzioni per l uso Quando si sfrutteranno comandi avanzati, relativi ai pacchetti aggiuntivi, sul lucido sarà indicata l etichetta Toolbox statistics e/o Toolbox optimization, come nella diapositiva corrente. Toolbox statistics 5 Istruzioni per l uso Quando si sfrutteranno programmi forniti dal docente, sul lucido sarà indicata l etichetta Programmi WEB, come nella diapositiva corrente. Programmi Web 6 Biotecnologici Parte 1 3
4 Istruzioni per l uso Nei lucidi di teoria, non relativi a comandi specifici di Matlab sarà usata l etichetta Teoria. Questo tipo di visualizzazione sarà sfruttato anche nelle lezioni successive. Teoria 7 Simulazione numerica di un esperimento Si è visto come una misura connessa ad un esperimento sia inevitabilmente affetta da un errore legato a molteplici fattori che non possono essere controllati dallo sperimentatore. Di conseguenza, il risultato di un esperimento non fornisce mai lo stesso risultato, ovvero il valore vero di una grandezza misurata. Ogni esperienza è affetta da una deviazione dal valore vero che cambia ogni volta che l esperimento è ripetuto. Teoria 8 Biotecnologici Parte 1 4
5 Simulazione numerica di un esperimento Schema di un esperimento: Valore vero della quantità che si sta misurando. + Risultato della singola misura, affetto dall errore sperimentale Errore nella misura che implica una deviazione dal valore esatto. Tale errore cambia di volta in volta nelle misure, per cui due esperienze diverse assumono valori differenti. Teoria 9 Simulazione numerica di un esperimento Come simulare con il computer l errore sperimentale. L errore sperimentale può essere simulato con Matlab usando un generatore di numeri casuali. Il seguente comando genera un numero casuale compreso tra 0 e 1 >> rand ans = >> Biotecnologici Parte 1 5
6 Generatori di numeri casuali Cenni sulla teoria Un computer non è in grado di generare dei numeri casuali Esistono dei programmi che sono in grado di generare delle successioni di numeri che sono apparentemente non correlati tra loro. I numeri così generati sono detti pseudo-casuali Teoria 11 Generatori di numeri casuali Cenni sulla teoria Esempio di generatore di numeri pseudo-casuali x i 1 c xi r mod m Dove la funzione mod (modulo) restituisce il resto di una divisione. 9.2 mod Una volta ottenuto il valore x i+1 questo viene utilizzato per calcolare x i+2 e così via. Il valore x 0 è chiamato seme Teoria 12 Biotecnologici Parte 1 6
7 Generatori di numeri casuali Cenni sulla teoria Esempi di valori comunemente usati (generatore di numeri casuali lineare): c = r = 0 m = Matlab riparte sempre dallo stesso seme iniziale quando il programma è riavviato. Teoria 13 Generatori di numeri casuali Cenni sulla teoria Dal grafico si può vedere come la successione dei numeri sia apparentemente casuale risultato Teoria esecuzioni generatore di numeri casuali 14 Biotecnologici Parte 1 7
8 Generatori di numeri casuali - Piccolo accorgimento Per evitare che si ripetano gli stessi numeri casuali sui diversi computer si è creato un semplice m-file che ha lo scopo di generare dei numeri casuali partendo da un seme che (si spera) sia distinto per tutti gli studenti Il file si chiama startran.m Istruzioni: 1. Lavorare nella cartella in cui è stato copiato il file in questione 2. Digitare nella finestra di comando principale: >> startran Seguire le istruzioni riportate durante l esecuzione 15 Generatori di numeri casuali Applicazioni I generatori di numeri casuali hanno molteplici applicazioni, ad esempio: Nel criptare codici, ovvero associare ad una successione di numeri e/o simboli una altra successione apparentemente scorrelata (codici GSM, conto corrente, password di accesso etc. etc.). Nelle simulazioni numeriche su scale microscopiche, in cui il numero casuale simula: La casualità della struttura a livello molecolare l agitazione termica delle molecole altro (metodi di Montecarlo). Nella simulazione dell errore sperimentale: Per analizzare la performance di stimatori statistici Nello studio dell affidabilità di sistemi di controllo automatico di processi Altro 16 Teoria Biotecnologici Parte 1 8
9 Generazione di numeri casuali Con Matlab è possibile generare vettori di numeri casuali: >> y = rand(10,1); >> Con questa scrittura si è scritto un vettore y di 10 righe per una colonna, di numeri casuali compresi tra 0 e 1. È possibile rappresentare il vettore di numeri casuali >> plot(y); >> 17 Statistica descrittiva È possibile calcolare il valore medio del vettore y con il comando mean: >> mean(y) ans = Espressione analitica della media y N y i 18 Biotecnologici Parte 1 9
10 Statistica descrittiva Si può valutare la dispersione dei dati con il comando var (varianza): >> var(y) ans = Espressione analitica della varianza: n 2 yi y 2 i 1 s n 1 È possibile anche calcolare la radice quadrata della varianza (ovvero la deviazione standard) con il comando std 19 Statistica descrittiva Il seguente comando: >> hist(y,5) >> Restituisce un diagramma delle frequenze assolute, ovvero un istogramma in cui gli elementi di y sono suddivisi in 5 intervalli equispaziati e associa a ciascuno di essi il numero di elementi di y che cadono in ciascun intervallo Esercizio: creare un vettore di numeri causali di dimensione e ripetere i passi precedenti. A tal proposito si possono considerare 10 intervalli equispaziati. 20 Biotecnologici Parte 1 10
11 descrittiva Il seguente comando: Statistica >> histo(y,5) >> Restituisce un istogramma in cui gli elementi di y sono suddivisi in 5 intervalli equispaziati e associa a ciascuno di essi il numero di elementi di y che cadono in ciascun intervallo Esercizio: creare un vettore di numeri causali di dimensione e ripetere i passi precedenti. A tal proposito si possono considerare 10 intervalli equispaziati. Programmi WEB (Stixbox) 21 Rumore di tipo uniforme Sintassi del comando histo histo(x, M, odd, scale) Variabile X che definisce il set di dati di cui si vuole rappresentare l istogramma Numero di intervalli in cui si vuole rappresentare il campione di dati Variabile per il posizionamen to degli intervalli (per comodita si pone = 0) L ultimo argomento dovrebbe essere posto uguale a 1 per avere area unitaria sotto l istogramma Programmi WEB (Stixbox) 22 Biotecnologici Parte 1 11
12 Rumore di tipo uniforme Da notare che all aumentare delle dimensioni del vettore numeri casuali una struttura nell istogramma risulta sempre più chiara. >> y = rand(10000,1); >> histo(y,15) >> Si può intuire che il numero casuale è di tipo uniforme: la probabilità che esso assuma valori nell intervallo [0, 1] è la stessa in tutto l intervallo e non ci sono dei valori che sono più ricorrenti di altri. Programmi WEB (Stixbox) 23 Rumore di tipo uniforme Con la seguente scrittura si ottiene un diagramma di tale tipo: 1.4 >> y = rand(10000,1); >> histo(y,15,0,1) >> L area sottesa dall istogramma e pari a Esercizio: ripetere i comandi con differenti intervalli di campionamento. Dal punto di vista qualitativo che si osserva? Programmi WEB (Stixbox) 24 Biotecnologici Parte 1 12
13 1.5 Rumore di tipo uniforme È possibile introdurre una funzione densità di probabilità (pdf) del rumore di tipo uniforme: f z 1 0 z 0,1 altrove a 1 Y b L area segnata in celeste rappresenta la probabilità che si osservi un numero casuale il cui valore sia compreso tra a e b. Inoltre la pdf è una funzione normalizzata: Teoria 1 0 f z dz 1 25 Rumore di tipo uniforme Si può osservare che, all aumentare del numero di prove, anche la media assume dei valori sempre più precisi >> y = rand(10,1); >> mean(y) >> y = rand(100,1); >> mean(y) >> y = rand(1000,1); >> mean(y) Media Stimata Dimensione campione numeri casuali Biotecnologici Parte 1 13
14 Rumore di tipo uniforme Lo stesso vale per la varianza: >> y = rand(10,1); >> var(y) >> y = rand(100,1); >> var(y) >> y = rand(1000,1); >> var(y) Stima Varianza Dimensione Campione Numeri Casuali Rumore di tipo uniforme Si può osservare che, all aumentare del numero di prove, anche la media e la varianza assumono dei valori sempre più precisi >> mean(y) ans = >> var(y) ans = /12 28 Biotecnologici Parte 1 14
15 Rumore di tipo uniforme Il rumore di tipo uniforme non risulta essere adeguato per la simulazione del rumore sperimentale. È plausibile, in un esperimento, che siano più ricorrenti piccole deviazioni dal valore vero, mentre errori significativi siano via via meno frequenti allontanandosi dal trend centrale. 29 Rumore di tipo uniforme Esercizio: Si consideri il caso della somma di due rumori di tipo uniforme: Z=Y 1 +Y 2 A tal proposito si generino due vettori di numeri casuali (di dimensioni notevoli, in modo da descrivere le proprietà asintotiche) e si faccia la media di ciascuna coppia degli elementi dei vettori y 1 e y 2 30 Biotecnologici Parte 1 15
16 Somma di rumori di tipo uniforme Quale è l intervallo in cui z può assumere valori? Ci aspettiamo una distribuzione dei valori ottenuti di z ancora uniforme? Si analizzi il vettore Z risultante. In particolare si valuti: La media La varianza L istogramma delle frequenze (si considerino 20 intervalli equispaziati) 31 Somma di rumori di tipo uniforme 1.4 Risultati: La variabile z assume valori compresi tra 0 e 2 La distribuzione assume una forma triangolare >> mean(z) ans = m m m Z Y1 Y 2 >> var(z) ans = - Programmi WEB (Stixbox) Z s s 2 Y 1 s 32 2 Y 2 Biotecnologici Parte 1 16
17 Somma di rumori di tipo uniforme Esercizio: Ripetiamo la stessa procedura nel caso della somma di più numeri casuali Si consideri il caso della somma di otto rumori di tipo uniforme: Z=Y 1 +Y 2 +Y 3 +Y 4 +Y 5 +Y 6 +Y 7 +Y 8 Si generano otto vettori di numeri casuali (di dimensioni notevoli, in modo da descrivere le proprietà asintotiche) e si faccia la somma dei vettori. Ancora, quale è la media del nuovo campione di dati? Quale è la varianza? 33 Somma di rumori di tipo uniforme L istogramma che si dovrebbe osservare è il seguente: Tale distribuzione, al tendere del numero di esperienze ad infinito, tende ad una curva a campana, che prende il nome di Gaussiana Programmi WEB (Stixbox) 34 Biotecnologici Parte 1 17
18 Somma di rumori di tipo uniforme Si è appena visto un caso particolare del Teorema del Limite Centrale se le sorgenti di errore sono infinite ed indipendenti (e non vi sono errori di natura sistematica), la funzione di probabilità di una variabile aleatoria è una distribuzione normale (o altrimenti detta funzione di Gauss) Dato che nelle misure sperimentali le sorgenti di errore sono infinite, è ragionevole supporre che le deviazioni dalla tendenza centrale seguono una probabilità di tipo gaussiano Teoria 35 Teorema del limite centrale Un altro demo interessante per illustrare il teorema del limite centrale è: >> illustration_clt( type ) dove type è il tipo di distribuzione su cui viene applicato il teorema: exp : somma di VA di tipo esponenziale unif : somma di VA di tipo uniforme Programmi WEB 36 Biotecnologici Parte 1 18
19 Funzione densità di tipo Gaussiano Espressione analitica per la funzione densità di probabilità Gaussiana. f Y 1 1 exp 2 s 2 Y y m 2 s Y 2 Y Il grafico di tale funzione è una curva a campana simmetrica rispetto a y=m Y Il parametro s 2 coincide con la varianza che si otterrebbe per un numero infinito di prove sperimentali. Teoria 37 Rumore di tipo Gaussiano Nel caso di un rumore di tipo gaussiano, si sta ipotizzando che piccole deviazioni dal valore vero siano più ricorrenti (ovvero più probabili) di grosse deviazioni (che sono meno probabili). In questo caso la funzione densità di probabilità assume la seguente forma Varianza s 2 = 0.25 Varianza s 2 = Teoria Biotecnologici Parte 1 19
20 Rumore di tipo Gaussiano Con Matlab è possibile una rappresentazione della funzione densità di probabilità di tipo gaussiano y = dnorm(x, Mean, StandardDeviation) Output dell operazione: Restituisce il valore che assume la funzione densità di probabilità in corrispondenza della x Valore della x per cui intendo valutare la funzione (può anche essere un vettore) Parametro Media (m) della funzione Parametro Deviazione Standard ( s) della funzione Programmi WEB (Stixbox) Rumore di tipo Gaussiano Si consideri di nuovo l ultimo campione di numeri casuali generato L obiettivo è confrontarlo con una distribuzione di tipo gaussiano A tal riguardo si rappresenti l istogramma delle densità di frequenza per il campione di dati (se non lo si è già fatto) >> histo(z,20,0,1) L aggiunta dell opzione 1 alla fine degli argomenti Posso valutare media e deviazione standard del campione >> med = mean(z) >> sigma = std(z) numero infinito di dati Programmi WEB (Stixbox) della funzione histo, permette di avere un istogramma di area unitaria N.B. Da notare che abbiamo gli strumenti per calcolare il valore teorico di media e varianza asintotiche per un Biotecnologici Parte 1 20
21 Rumore di tipo Gaussiano Eseguendo i seguenti comandi è possibile confrontare la curva Gaussiana corrispondente al set di dati >> x = [1:0.01:7]; (creazione vettore ascisse in cui valutare la Gaussiana) >> y = dnorm(x,med,sigma); (creazione valori della Gaussiana corrispondenti alla x) >> hold on (permette la sovrapposizione dei grafici nella stessa figura, per disattivarlo: hold off) >> plot(x,y,'r') Programmi WEB (Stixbox) Rumore di tipo Gaussiano Il seguente comando: >> randn(1,1) ans = Genera un numero casuale di tipo gaussiano, di media 0 e varianza 1 (ovvero una gaussiana di tipo standard). Domanda: era verosimile se il generatore mi avesse restituito il valore (-4.5)? 42 Biotecnologici Parte 1 21
22 Comandi avanzati per i generatori È possibile sfruttare generatori di numeri casuali più raffinati, ad esempio: >> randunifc(a,b,n) Restituisce un vettore di n numeri casuali di tipo uniforme compreso tra a e b. Se n è omesso, il comando restituisce un solo numero casuale. Programmi WEB 43 Comandi avanzati per i generatori Con il Toolbox Statistics : >> unifrnd(-1,1) ans = Restituisce un numero casuale di tipo uniforme compreso tra -1 e 1. In genere, unifrnd(a,b,m,n) restituisce una matrice di dimensioni m n di numeri casuali compresi tra a e b. Toolbox statistics 44 Biotecnologici Parte 1 22
23 Comandi avanzati per i generatori Il seguente comando: >> rnorm(n, m, s) Genera un vettore colonna di n numeri casuali di tipo gaussiano associato ad una funzione densità di probabilità di media m e deviazione standard s. Programmi WEB (Stixbox) 45 Comandi avanzati per i generatori Il seguente comando: >> normrnd(-1,3) ans = Genera un numero casuale di tipo gaussiano associato ad una funzione densità di probabilità di media -1 e deviazione standard (la radice quadrata della varianza) 3. In genere, normrnd(a,b,m,n) restituisce una matrice di dimensioni (m n) di numeri casuali di tipo gaussiano di media a e deviazione standard b. Toolbox statistics 46 Biotecnologici Parte 1 23
24 Comandi avanzati per i generatori Esercizio: Generare un set di numeri casuali provenienti da una Gaussiana di media 1 e deviazione standard 1 Rappresentare i risultati con un istogramma Un interessante rappresentazione grafica puo essere ottenuta con il seguente comando. >> plotdens(x); >> hold on >> histo(x,50,0,1) >> Programmi WEB (Stixbox) 47 Comandi avanzati per i generatori Esercizio Si generino dei vettori di numeri casuali di tipo gaussiano di media 2 e deviazione standard 1.5 Le dimensioni dei vettori siano 10, 100, 1000, Si stimino per ciascuno dei vettori: I valori medi del campione I valori della varianza All aumentare delle dimensioni del campione le stime tendono ad un valore asintotico? Quale è il valore cui stanno tendendo? 48 Biotecnologici Parte 1 24
25 Esercizio Si generi un vettore x (di dimensioni elevate) di numeri casuali provenienti da una variabile aleatoria di tipo normale di media m=0 e varianza s 2 =1 Si considerino le seguenti trasformazioni dei numeri casuali X: y 1 =1+2*x y 2 = x 2 y 3 = exp(x) Quali valori possono assumere i nuovi vettori generato? Rappresentare in un opportuno istogramma i nuovi vettori. Commentare i risultati - Programmi WEB (Stixbox) 49 Comandi avanzati per i generatori È utile ricordare che è possibile generare un numero casuale relativo ad una qualunque gaussiana utilizzando semplicemente il comando randn della versione base di Matlab sfruttando le proprietà delle trasformazioni lineari per le variabili aleatorie. Se y è un numero casuale generato da una gaussiana di media 0 e varianza 1, il valore z = m + s*y È un numero casuale proveniente da una distribuzione di tipo gaussiano di media m e deviazione standard s. 50 Biotecnologici Parte 1 25
26 Comandi avanzati per i generatori Altri generatori di numeri casuali: >> rchisq(m,v) Restituisce un vettore colonna di m numeri casuali da una distribuzione di tipo c 2 a v gradi di libertà. >> rt(m,v) Restituisce un vettore colonna di m numeri casuali da una distribuzione T-student a v gradi di liberta >> rf(m, v1,v2) Restituisce un vettore colonna di m numeri casuali generati da una distribuzione di Fisher a v 1 e v 2 gradi di libertà Programmi WEB (Stixbox) 51 Comandi avanzati per i generatori Altri generatori di numeri casuali: >> chi2rnd(v,m,n) Restituisce una matrice m n di numeri casuali da una distribuzione di tipo c 2 a v gradi di libertà. >> trnd(v,m,n) Restituisce una matrice m n di numeri casuali da una distribuzione T-student a v gradi di liberta >> frnd(v1,v2, m,n) Restituisce una matrice m n di numeri casuali generati da una distribuzione di Fisher a v 1 e v 2 gradi di libertà Toolbox statistics 52 Biotecnologici Parte 1 26
27 Comandi avanzati per i generatori Per una panoramica completa dei generatori di numeri casuali con delle interessanti rappresentazioni grafiche si può usare il comando: >> randtool Altro generatore di numeri casuali per un ampia classe di distribuzioni statistiche: >> randraw Toolbox statistics - Programmi WEB 53 Come sfruttarli In alcune delle sezioni successive, i generatori di numeri casuali saranno ampiamente sfruttati per simulare l errore sperimentale. È possibile in questo modo effettuare delle analisi statistiche su modelli già noti a priori, sporcando il segnale con rumore anche esso noto In questo modo, è possibile verificare l efficienza dei metodi statistici usati 54 Biotecnologici Parte 1 27
Generazione 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
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
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
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
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
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## (##
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
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
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
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
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
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,
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
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
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
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
DettagliDistribuzione Gaussiana
Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor
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
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
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
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
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/
DettagliFrequenza relativa e probabilità
Frequenza relativa e probabilità La La probabilità e' e' un un numero con con cui cuisi si descrivono i i fenomeni che che possono essere essere pensati come come risultato di di un un esperimento che
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
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
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
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
DettagliLa simulazione con DERIVE Marcello Pedone LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE
LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE Premessa Abbiamo già visto la simulazione del lancio di dadi con excel Vedi: http:///statistica/prob_simu/index.htm Ci proponiamo di ottenere risultati analoghi
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
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 ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliIntroduzione alla probabilità. Renato Mainetti
Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre
DettagliSintesi dei dati in una tabella. Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6)
Sintesi dei dati in una tabella Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6) Sintesi dei dati Spesso si vuole effettuare una sintesi dei dati per ottenere indici
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.
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VII Un breve richiamo sul test t-student Siano A exp (a 1, a 2.a n ) e B exp (b 1, b 2.b m ) due set di dati i cui
DettagliIntervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da:
Analisi chimica strumentale Intervallo di fiducia del coefficiente angolare e dell intercetta L intervallo di fiducia del coefficiente angolare (b 1 ) è dato da: (31.4) dove s y è la varianza dei valori
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
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
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
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliTeoria dell informazione
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria dell informazione A.A. 2008-09 Alberto Perotti DELEN-DAUIN Modello di sistema di comunicazione Il modello di
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
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
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
DettagliSvolgimento di un esercizio-tipo
Svolgimento di un esercizio-tipo Simulare i voti di Inglese I su 3 sedi universitarie: Lecce, Bari, Forlì considerando campioni di differente cardinalità. Descrivere statisticamente il campione generato.
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
DettagliLa variabilità. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione [1/2] Gli indici di variabilità consentono di riassumere le principali caratteristiche di una distribuzione (assieme alle medie) Le
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
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
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliValutazione dell incertezza di categoria A e B
Valutazione dell incertezza di categoria A e B Il metodo per stimare l incertezza associata ad una misurazione è sancito dalla normativa UNI CEI ENV 13005 Guida all espressione dell incertezza di misura.
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
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
DettagliDistribuzioni di probabilità e principi del metodo di Montecarlo. Montecarlo
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
DettagliFISICA. Elaborazione dei dati sperimentali. Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica
FISICA Elaborazione dei dati sperimentali Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica LA MISURA GLI STRUMENTI DI MISURA Gli strumenti di misura possono essere analogici o digitali.
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
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
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
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
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
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
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliLA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
DettagliELEMENTI DI STATISTICA
Dipartimento di Matematica U. Dini, Università di Firenze Viale Morgagni 67/A, 50134 - Firenze, Italy, vlacci@math.unifi.it A.A. 2015-16 Terminologia In un esperimento ogni risultato delle caratteristiche
DettagliMetodi di Analisi dei Dati Sperimentali. AA 2009/2010 Pier Luca Maffettone. Elementi di Matlab
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Elementi di Matlab Sommario Introduzione Variabili Manipolazione di elementi Creazione di vettori/matrici Operazioni elementari Funzioni
DettagliTRACCIA DI STUDIO. Indici di dispersione assoluta per misure quantitative
TRACCIA DI STUDIO Un indice di tendenza centrale non è sufficiente a descrivere completamente un fenomeno. Gli indici di dispersione assolvono il compito di rappresentare la capacità di un fenomeno a manifestarsi
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
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
DettagliQuesti appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai
Questi appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai necessari chiarimenti forniti a lezione. 1 MISURA DI UNA
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
DettagliStatistica Un Esempio
Statistica Un Esempio Un indagine sul peso, su un campione di n = 100 studenti, ha prodotto il seguente risultato. I pesi p sono espressi in Kg e sono stati raggruppati in cinque classi di peso. classe
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
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
DettagliLab. 2 - Excel. Prof. De Michele e Farina
Lab. 2 - Excel Prof. De Michele e Farina 1 Utilizzo avanzato di un foglio elettronico: - Utilizzo di funzioni Regressioni lineari Istogrammi 2 La funzione somma restituisce la somma dei valori dei propri
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
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
DettagliEsercitazione n 2. Costruzione di grafici
Esercitazione n 2 Costruzione di grafici I grafici I grafici sono rappresentazione di dati numerici e/o di funzioni. Devono facilitare all utente la visualizzazione e la comprensione dei numeri e del fenomeno
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliProject Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo.
1. Introduzione Project Scheduling: PERT Il PERT è una tecnica introdotta per la pianificazione ed il controllo di progetti in cui le durate t ij delle singole attività sono delle variabili aleatorie.
DettagliCURVE DI DURATA: Introduzione e Rappresentazione analitica
CURVE DI DURATA: Introduzione e Rappresentazione analitica Premesse Si definisce durata di una portata Q riferita ad una sezione di misura, l'intervallo di tempo in cui le portate naturali del corso d
DettagliI 5 principi dell estimo
La stima del valore di mercato Prof. Arch. ALESSIO D AURIA, PhD DIPARTIMENTO DI CONSERVAZIONE DEI BENI ARCHITETTONICI E AMBIENTALI aldauria@unina.it I 5 principi dell estimo 1. Il valore dipende dallo
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
Dettagli3. Matrici e algebra lineare in MATLAB
3. Matrici e algebra lineare in MATLAB Riferimenti bibliografici Getting Started with MATLAB, Version 7, The MathWorks, www.mathworks.com (Capitolo 2) Mathematics, Version 7, The MathWorks, www.mathworks.com
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
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
Dettaglile scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliINFORMATICA APPLICATA AI PROCESSI BIOTECNOLOGICI
INFORMATICA APPLICATA AI PROCESSI BIOTECNOLOGICI Fabio Scotti Universita' degli studi Dipartimento di tecnologie dell'informazione e Dipartimento di biotecnologie Analisi dei dati METODOLOGIA (cosa fare)
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliLezione VI: Distribuzione normale. La distribuzione normale (curva di Gauss). Prof. Enzo Ballone. Lezione 6a- Ia distribuzione normale
Lezione VI: Distribuzione normale Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Lezione 6a- Ia distribuzione normale
DettagliElementi di Probabilità e Statistica
Elementi di Probabilità e Statistica Statistica Descrittiva Rappresentazione dei dati mediante tabelle e grafici Estrapolazione di indici sintetici in grado di fornire informazioni riguardo alla distribuzione
Dettagli