7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità
|
|
- Armando Pagano
- 6 anni fa
- Visualizzazioni
Transcript
1 7.6 Distribuzione Esponenziale Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità { λe λx se x, (76) f(x) = se x <, λ R + si dice che ha distribuzione esponenziale di parametro λ e si indica con X Exp(λ). La distribuzione esponenziale viene utilizzata ad esempio quando X rappresenta il tempo di durata di un dispositivo (non soggetto ad usura); il tempo di attesa del verificarsi di un certo evento (arrivo di un cliente in una coda, arrivo di una telefonata). FIGURA 7.3. Densità Esponenziale L area sotto la curva y = f(x) al crescere del parametro λ si concentra sempre più verso l origine. Ricordiamo che l area totale sotto la curva è uguale a 1. Infatti f(x) = λe λx dx = [ e λx ] + = 1. La distribuzione esponenziale è l analogo nel continuo della distribuzione geometrica. Infatti nel discreto il tempo di attesa può esser visto come il numero di prove necessarie per il verificarsi di un evento (numero di lanci di una moneta fino a quando per la prima volta esce testa). La funzione di ripartizione è data da { x F (x) = λe λt dt, se x >,, se x.
2 7.6 Distribuzione Esponenziale. 112 Osservando che x λe λt dt = [ e λt ] x = 1 e λx, si ottiene { 1 e λx, se x >, F (x) =, se x. FIGURA 7.4. Funzione di Ripartizione della distribuzione Esponenziale La funzione S(x) = 1 F (x) = P (X > x), detta funzione di sopravvivenza, è data da { e λx, se x >, S(x) = 1, se x, La previsione è P(X) = xλe λx dx = = 1, λ mentre P(X 2 ) = x 2 λe λx dx = = 2. λ 2 Quindi la varianza e lo scarto sono rispettivamente V ar(x) = P(X 2 ) [P(X)] 2 = 1 λ 2, σ X = 1 λ. Lo scarto quadratico medio coincide con la previsione. Nota: il calcolo diretto della previsione e della varianza di X si può evitare utilizzando la funzione Gamma (vedi distribuzione beta). Proprietà di Assenza di memoria. Un numero aleatorio continuo e non negativo X ha distribuzione esponenziale se e solo se vale la seguente proprietà (detta di assenza di memoria) (77) P (X > x + x X > x ) = P (X > x), x, x R +. Se X rappresenta il tempo (aleatorio) fino al guasto di un dispositivo, la proprietà di assenza di memoria ha il seguente significato: supposto che il
3 7.6 Distribuzione Esponenziale. 113 dispositivo non si guasti sino al tempo x, la probabilità che non si guasti per un ulteriore tempo x è la stessa che il dispositivo non si guasti nell intervallo [, x]. Tale proprietà è valida per le apparecchiature che, durante il loro funzionamento, non sono soggette ad usura (o, più realisticamente, quando l usura è trascurabile). dim.( ) Hp) X Exp(λ); Th) vale la (77). P (X > x + x X > x ) = P (X>x +x,x>x ) P (X>x ) = = P (X>x +x) P (X>x ) = S(x +x) S(x ) = e λ(x +x) e λx = e λx = = S(x) = P (X > x). ( )Hp) vale la (77); Th) X Exp(λ). Da quanto visto nella precedente dimostrazione la proprietà di assenza di memoria si può scrivere anche come: S(x + x) = S(x), S(x ) cioè S(x + x ) = S(x)S(x ). Essendo la funzione di sopravvivenza definita come 1 F (x), con F (x) crescente, allora S(x) è positiva e decrescente e quindi Osserviamo che S(x) >, S (x) <, x R. S (x+x ) = S(x )S (x) = S (x) S(x+x ) S(x = λ, λ >, )S(x) S(x) quindi D[ln(S(x))] = S (x) = λ S(x) ln(s(x)) = λx + k, allora S(x) = e λx e k. Essendo X un n.a. non negativo, si ha S() = 1, per cui e k = 1. Allora ovvero X Exp(λ). S(x) = e λx,
4 7.7 Distribuzione normale standard Distribuzione normale standard Un n.a. continuo X, con densità di probabilità (78) f(x) = 1 2π e x2 2, x R, si dice che ha distribuzione normale standard (di parametri,1) e si indica con X N,1 = N. La densità f(x) si indica con N(x), mentre la funzione di ripartizione F (x) si indica con Φ(x). Di tale funzione non è possibile dare un espressione, ma si possono cercare soltanto alcuni valori riportati su apposite tavole. Alcune proprietà: 1. il diagramma della densità ha un andamento a forma di campana (con il massimo nell origine e due flessi in x = 1, x = 1) ed è simmetrico rispetto all asse y, cioè N(x) è una funzione pari (N( x) = N(x)); 2. dalla simmetria di N(x), per ogni x R si ha Φ( x) = 1 Φ(x), e quindi P ( X x) = P ( x X x) = x x N(t)dt = 3. in particolare e quindi = Φ(x) Φ( x) = 2Φ(x) 1 ; P ( X > x) = 1 P ( X x) = 2[1 Φ(x)] ; Φ(1).8413, Φ(2).9772, Φ(3).9987, P ( X 1) = 2Φ(1) ; P ( X 2) = 2Φ(2) ; P ( X 3) = 2Φ(3) Calcoliamo la previsione di X. Osservando che xn(x) è una funzione dispari si ha P(X) = x 1 2π e x2 2 dx = x 1 2π e x2 2 dx + x 1 2π e x2 2 dx = (posto y = x) = y 1 + 2π e y2 2 ( dy) + x 1 2π e x2 2 dx = = y 1 2π e y2 2 dy + x 1 2π e x2 2 dx =. Oppure, poichè x 1 2π e x2 2 dx = 1 2π e t dt = 1 2π, si ha P(X) = 1 2π + 1 2π =.
5 7.8 Distribuzione Normale 115 Si può verificare che P(X 2 ) = x 2 N(x)dx = = 1, e quindi: V ar(x) = P(X 2 ) = Distribuzione Normale In generale, si dice che X ha una distribuzione normale di parametri m, σ, con m R, σ >, se la densità di X ha la seguente forma: (79) f(x) = N m,σ (x) = 1 2π σ e (x m)2 2σ 2, x R. In simboli, si scrive: X N m,σ. La funzione di ripartizione si indica con Φ m,σ (x). Il diagramma della densità ha un andamento a forma di campana (con il massimo in x = m e due flessi in x = m σ, x = m + σ) ed è simmetrico rispetto alla retta x = m. Dato un numero aleatorio X N m,σ consideriamo il numero aleatorio Y = ax + b, con a >, b R. Si ha Y N am+b,aσ. Infatti, indicando con G la funzione di ripartizione di Y e g la sua densità, si ha: e quindi G(y) = P (Y y) = P (X y b a ) = Φ m,σ( y b a ), g(y) = G (y) = Φ m,σ( y b a ) 1 a = N m,σ( y b a ) 1 a = = 1 1 (y b e a 2π σ dove a m ) 2 2σ 2 = 1 e (y (am+b)) 2π aσ = N my,σ Y (y), 2 2(aσ) 2 = (8) m Y = am + b, σ Y = aσ. 1 e (y my) 2π σy 2 2σ 2 y = Pertanto Y N my,σ y. Se invece consideriamo il numero aleatorio Y = ax +b, con a <, b R si può dimostrare, procedendo in maniera analoga a quanto fatto nel caso a >, che risulta Y N my,σ Y, con (81) m Y = am + b, σ Y = aσ. In altri termini, se dal n.a. X, con distribuzione normale, si passa al n.a.
6 7.8 Distribuzione Normale 116 Y = ax + b, con a, la distribuzione rimane di tipo normale, con i parametri che cambiano come indicato nella (8), oppure (81). In particolare, se Z = ax + b, con a = 1, b = m X m, ovvero Z =, si ha σ σ σ (82) m Z = 1 σ m + ( m σ ) =, σ Z = 1 σ σ = 1, cioè la distribuzione di Z è una normale standard, ovvero Z N,1. Allora, tenendo conto che, se Z = X m, si ha P(Z) =, σ σ Z = 1, e che X = σz + m, si ottiene P(X) = P(σZ + m) = m, σ 2 X = V ar(σz + m) = σ 2. Pertanto i parametri m, σ di un numero aleatorio X N m,σ sono rispettivamente la previsione e lo scarto quadratico medio. Lo stesso risultato si può ottenere con calcoli diretti, verificando che P(X) = V ar(x) = xn m,σ (x)dx = = m, (x m) 2 N m,σ (x)dx = = σ 2. Sia X N m,σ, e per ogni x R consideriamo l evento (X x). Si ha ( X m (X x) x m ). σ σ Inoltre, poichè si ha Z = X m σ Φ m,σ (x) = P (X x) = P ( X m σ Inoltre, per ogni k >, si ha x m σ N,1, P ( X m kσ) = P (m kσ X m + kσ) = ) ( ) = P Z x m σ = Φ( x m ). σ = Φ m,σ (m + kσ) Φ m,σ (m kσ) = Φ( m+kσ m ) Φ( m kσ m ) = σ σ Φ(k) Φ( k) = = 2Φ(k) 1. In particolare P (m σ X m + σ) = 2Φ(1) 1 =.6826 P (m 2σ X m + 2σ) = 2Φ(2) 1 =.9544 P (m 3σ X m + 3σ) = 2Φ(3) 1 =.9974 P (m 1.96σ X m σ) = 2Φ(1.96) 1 =.95 Come mostrano le formule precedenti, utilizzando le tavole della distribuzione normale standard è possibile calcolare i valori di una distribuzione normale con parametri m, σ arbitrari.
7 7.1 Distribuzione Beta. 117 La funzione Γ( ) è così definita (83) Γ(α) = 7.9. Funzione Gamma x α 1 e x dx, α R +. Applicando l integrazione per parti a Γ(α + 1) si ottiene infatti posto si ha In particolare Γ(α + 1) = αγ(α) h(x) = x α g(x) = e x h (x) = αx α 1 g (x) = e x Γ(α + 1) = x α e x dx = h(x)g (x)dx = = [h(x)g(x)] + h (x)g(x)dx = = [ x α e x ] + } {{ } = +α x α 1 e x dx = αγ(α). Γ(1) = x 1 1 e x dx = e x dx = 1 e quindi se considero solo i valori interi di α si ha Γ(n + 1) = nγ(n) =... = n!γ(1) = n! n N La funzione Γ applicata al numero intero n restituisce il fattoriale di n Distribuzione Beta. Dati due parametri r, s entrambi positivi, un n.a. continuo X con densità di probabilità data da { Γ(r+s) Γ(r)Γ(s) (84) B r,s (x) = xr 1 (1 x) s 1, se x (, 1),, altrimenti si dice che ha distribuzione beta, di parametri r ed s, e si indica nel seguente modo: X B r,s (x). La distribuzione B r,s (x) con r, s = 1 diviene la distribuzione U(, 1), infatti per x (, 1) Γ(r+s) Γ(r)Γ(s) xr 1 (1 x) s 1 = = Γ(2) Γ(1)Γ(1) x (1 x) = 1! = 1.!! Alcuni grafici della funzione densità al variare dei parametri r, s sono illustrati nelle Figure 7.6, 7.8, 7.1. Si può dimostrare che 1 xr 1 (1 x) s 1 dx = Γ(r)Γ(s) Γ(r+s),
8 7.1 Distribuzione Beta. 118 FIGURA 7.5. Beta r=1, s=1 FIGURA 7.6. Beta r=1.5, s=.5 FIGURA 7.7. Densità Beta, r=.5, s=.5 pertanto B r,s(x)dx = 1 Γ(r+s) = 1. Γ(r)Γ(s) = Γ(r)Γ(s) Γ(r+s) La previsione di X è data da Γ(r+s) Γ(r)Γ(s) xr 1 (1 x) s 1 dx = P(X) = xb r,s(x)dx = 1 Γ(r+s) Γ(r)Γ(s) xr (1 x) s 1 dx = = Γ(r+s) Γ(r+1)Γ(s) Γ(r)Γ(s) Γ(r+s+1) = Γ(r+s) (r)γ(r)γ(s) = Γ(r)Γ(s) (r+s)γ(r+s) r. r+s
9 7.11 Distribuzione Gamma. 119 FIGURA 7.8. Densità Beta, s=1 FIGURA 7.9. Densità Beta, r=3, s=1.5 FIGURA 7.1. Densità Beta, r=3.5, s=3.5 In modo analogo si prova che P(X 2 ) = x2 B r,s (x)dx = Γ(r+s) 1 Γ(r)Γ(s) xr+1 (1 x) s 1 dx = = e quindi r(r+1) (r+s)(r+s+1), V ar(x) = P(X 2 ) [P(X)] 2 = rs. (r+s) 2 (r+s+1)
10 7.11 Distribuzione Gamma. 12 Data la funzione Γ( ) (85) Γ(α) = Distribuzione Gamma. e posto x = λy, con λ >, si ha (86) Γ(α) = x α 1 e x dx, α R + λ α y α 1 e λy dy, α R + Un numero aleatorio X ha distribuzione gamma di parametri α >, λ > e si indica con X G α,λ se la sua densità è G α,λ (x) = λα Γ(α) xα 1 e λx, x >. A volte al posto di λ come parametro si utilizza Θ = 1. In tal caso si ha λ G α,θ (x) = xα 1 e x θ λ α Γ(α), x >. Il parametro Θ dicesi parametro di scala e il parametro α dicesi parametro di forma. E facile verificare che λ α Γ(α) xα 1 e λx dx = Γ(α) Γ(α) = 1. Se X G k,λ, con k N, la distribuzione Gamma dicesi anche distribuzione di Erlang. ESERCIZIO 7.2. Verificare che la funzione di ripartizione di un numero aleatorio X G k,λ, con k N, è data da k 1 F (x) = P (X x) = 1 P (X > x) = 1 i= (λx) i e λx = 1 P (Y k 1), i! con Y numero aleatorio con distribuzione di Poisson di parametro λx, cioè Y P(λx). Se α = 1 si ottiene G α,λ = Exp(λ). Pertanto un numero aleatorio X con distribuzione esponenziale di parametro λ è un numero aleatorio con distribuzione gamma di parametro α = 1 e λ. Il grafico, per λ = 1, è rappresentato in Figura 9.7. Nelle Figure 9.8, 9.9, 9.1 sono rappresentate, rispettivamente, le distribuzioni G 2,1, G 4,1, G 8,1. ESERCIZIO 7.3. Verificare che per un numero aleatorio X G α,λ si ha Infatti P(X) = P(X) = α λ, σ2 X = α λ 2. x λα Γ(α) xα 1 e λx dx = 1 λγ(α) λ α+1 x α e λx dx =
11 7.11 Distribuzione Gamma x FIGURA Exp(λ), λ = x FIGURA G α,λ, α = 2, λ = 1 Inoltre, poichè = Γ(α + 1) λγ(α) = α λ. P(X 2 ) = x 2 λα Γ(α) xα 1 e λx dx = Γ(α + 2) λ 2 Γ(α) = α(α + 1) λ 2
12 7.11 Distribuzione Gamma x FIGURA G α,λ, α = 4, λ = x FIGURA G α,λ, α = 8, λ = 1 si ha σ 2 X = P(X 2 ) [P(X)] 2 = α(α + 1) λ 2 α2 λ 2 = α λ 2.
13 7.11 Distribuzione Gamma. 123 FIGURA Densità di probabilità di alcune distribuzioni di Erlang. Fonte Wikipedia
14 CAPITOLO 8 Affidabilità 124
15 8.1 Affidabilità Affidabilità Ricordiamo che, dato un n. a. X non negativo con distribuzione esponenziale di parametro λ, vale la seguente proprietà di assenza di memoria (87) P (X > x + y X > y) = P (X > x) = = = e λx, x >, y >. Dalla (87), considerando l evento contrario, si ottiene (88) e, più in generale, P (X x + y X > y) = P (X x) = = 1 e λx, x >, y >, P (x + y < X x + y + x X > y) = (89) = P (x < X x + x) = F (x + x) F (x) = = (1 e λ(x+ x) ) (1 e λx ) = = e λx (1 e λ x ), x >, y >. Se la distribuzione di X non è esponenziale le formule precedenti non valgono e, per fissati valori x, y, potrà risultare (9) P (X > x + y X > y) < P (X > x), oppure (91) P (X > x + y X > y) > P (X > x), o in casi particolari (92) P (X > x + y X > y) = P (X > x). Se X rappresenta il tempo aleatorio fino al guasto di una data apparecchiatura, il fatto che vale la (87) corrisponde all assenza di usura, mentre la (9) e la (91) corrispondono rispettivamente al caso di usura positiva (invecchiamento dell apparecchiatura) e di usura negativa (ringiovanimento dell apparecchiatura). Indicando con f(x) la densità di probabilità e con S(x) la funzione di sopravvivenza, se consideriamo l evento condizionato (x < X x + x X > x), con x abbastanza piccolo, si ha (sotto opportune condizioni) (93) P (x < X x + x X > x) = P (x<x x+ x) P (X>x) = = x+ x x f(x)dx S(x) f(x) x S(x) = h(x) x.
16 8.1 Affidabilità 126 La funzione non negativa h(x) = f(x) si chiama funzione di rischio (o S(x) intensità, o tasso di avaria) di X e, come abbiamo visto, permette di approssimare P (x < X x + x X > x) con h(x) x. Assegnare f(x) è equivalente ad assegnare h(x). Infatti, data la densità f(x), si ha f(x) S(x) = f(t)dt, h(x) = x f(t)dt x Viceversa, data la funzione di rischio h(x), si ha e quindi Allora h(x) = f(x) S(x) = S (x) S(x), S (x) S(x) = DlnS(x) = h(x). lns(x) = x h(t)dt + c, dove c è una costante arbitraria. Ricordando che per un n.a. non negativo è S() = 1, si ha lns() = c = e quindi (94) S(x) = e x h(t)dt, da cui segue (95) f(x) = h(x)s(x) = h(x)e x h(t)dt. La funzione di rischio, oltre ad essere non negativa, soddisfa la seguente proprietà h(x)dx = +. Infatti tale condizione segue dalla (94), osservando che lim S(x) = x + lim x + x f(t)dt =. Osserviamo anche che, come appare dalla (93), se la funzione di rischio h(x) è crescente l apparecchiatura subisce un usura positiva (invecchiamento). Infatti, si ha P (x < X x + x X > x) = S(x) S(x+ x) S(x) = = = 1 e x+ x x h(t)dt, da cui, se h(x) è crescente, per x 1 < x 2 si ha Allora x1 + x x 1 h(t)dt < x2 + x x 2 h(t)dt. 1 e x 1 + x x h(t)dt 1 < 1 e x 2 + x x h(t)dt 2,
17 8.1 Affidabilità 127 e quindi P (x 1 < X x 1 + x X > x 1 ) < < P (x 2 < X x 2 + x X > x 2 ). Con lo stesso ragionamento, si dimostra che se h(x) è decrescente c è usura negativa (ringiovanimento). Infine, il caso in cui h(x) è costante (assenza di usura) è caratteristico della distribuzione esponenziale. Infatti, se allora f(x) = λe λx, x, h(x) = f(x) S(x) = λe λx e = λ. λx Viceversa, se h(x) = cost = λ >, allora f(x) = h(x)s(x) = λe x λdt = λe λx, x. Alcuni modelli particolari di funzioni di rischio sono: (a) h(x) = α + βx; (b) h(x) = cx β. Nel caso (a) (modello lineare), essendo h(x), h(x)dx = +, segue che le costanti α e β devono essere non negative ed almeno una positiva, cioè devono soddisfare le condizioni α, β, α + β >. Pertanto, nel caso β >, h(x) è crescente, mentre nel caso β =, h(x) è costante e la corrispondente distribuzione è esponenziale di parametro α. Con il modello lineare, quindi, non si può rappresentare la situazione di usura negativa. Nel caso (b), dalle proprietà di h(x) segue intanto che dev essere c >. Inoltre, non può essere β 1, altrimenti, per ogni fissato x >, si avrebbe e quindi risulterebbe x ct β dt = +, S(x) = e x ctβ dt =, x >. Pertanto, dev essere β > 1 e possiamo distinguere tre casi: (i) 1 < β < ; (ii) β > ; (iii) β =. Nel primo caso h(x) è decrescente e quindi siamo in presenza di usura negativa; nel secondo caso h(x) è crescente (usura positiva); nel terzo caso h(x) è costante (assenza di usura) e la distribuzione è esponenziale di parametro c.
18 8.1 Affidabilità 128 La distribuzione di probabilità corrispondente alla funzione di rischio h(x) = cx β è detta distribuzione di Weibull ed ha la seguente densità f(x) = cx β e x ctβ dt = cx β e c β+1 xβ+1.
Probabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
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
DettagliCAPITOLO 9. Vettori Aleatori
CAPITOLO 9 Vettori Aleatori 9 9 Vettori Aleatori 3 9 Vettori Aleatori In molti esperimenti aleatori, indicando con Ω l insieme dei possibili risultati, al generico risultato dell esperimento, ω Ω, sono
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
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
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
Dettagli1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: c) x + 1 d)x sin x.
Funzioni derivabili Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: a)2x 5 b) x 3 x 4 c) x + 1 d)x sin x. 2) Scrivere l equazione della retta tangente
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliL assegnazione è coerente? SÌ NO. A e B sono stocasticamente indipendenti? SÌ NO
CALCOLO DELLE PROBABILITÀ - gennaio 00 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati Nuovo Ordinamento esercizi -4. Vecchio Ordinamento esercizi -6..
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 =
DettagliDistribuzione di Poisson
Distribuzione di Poisson Si dice che un numero aelatorio X ha una distribuzione di Poisson 9 di parametro 2 R +,esiindica X P( ), se valgono le seguenti condizioni, con ) X 2 N 0 = {0,, 2, 3,...,n,...};
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
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliCALCOLO DELLE PROBABILITA - 17 Febbraio 2014 CdL in STAD, SIGAD,
Cognome e Nome:....................................... Matricola............. CdS............. CALCOLO DELLE PROBABILITA - 7 Febbraio 4 CdL in STAD, SIGAD, Motivare dettagliatamente le risposte su fogli
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 17 Outline 1 () Statistica 2 / 17 Outline 1 2 () Statistica 2 / 17 Outline 1 2 3 () Statistica 2 /
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)
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
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
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
DettagliES.2.3. è pari ad 1. Una variabile aleatoria X che assume valori su tutta la retta si dice distribuita
ES.2.3 1 Distribuzione normale La funzione N(x; µ, σ 2 = 1 e 1 2( x µ σ 2 2πσ 2 si chiama densità di probabilità normale (o semplicemente curva normale con parametri µ e σ 2. La funzione è simmetrica rispetto
Dettagli< x F Y (y) = 3. < x 2. 0 altrove
CALCOLO DELLE PROBABILITÀ - 11 gennaio 001 Scrivere (o inserire in un cerchietto quelle corrette) le risposte negli appositi spazi 1 o Modulo: nn.1 4 Corso intero: nn.1 6 1. Siano dati gli eventi E 1,
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.
DettagliFunzioni derivabili (V. Casarino)
Funzioni derivabili (V. Casarino) Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in = 0 delle funzioni: a) 5 b) 3 4 c) + 1 d) sin. ) Scrivere l equazione della retta tangente
Dettagli1 Polinomio di Taylor 1. 2 Formula di Taylor 2. 3 Alcuni sviluppi notevoli 2. 4 Uso della formula di Taylor nel calcolo dei limiti 4
1 POLINOMIO DI TAYLOR 1 Formula di Taylor Indice 1 Polinomio di Taylor 1 Formula di Taylor 3 Alcuni sviluppi notevoli 4 Uso della formula di Taylor nel calcolo dei iti 4 5 Soluzioni degli esercizi 6 La
Dettagli21 IL RAPPORTO INCREMENTALE - DERIVATE
21 IL RAPPORTO INCREMENTALE - DERIVATE Definizione Sia f una funzione reale di variabile reale. Allora, dati x, y domf con x y, si definisce il rapporto incrementale di f tra x e y come P f (x, y = f(x
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliEsercitazione del 06/03/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/3/ Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio. E la notte di San Lorenzo, Alessandra decide di andare a vedere le stelle cadenti. Osserverà
DettagliCALCOLO DELLE PROBABILITA - 24 Giugno 2015 CdL in STAD, SIGAD Compito intero Seconda prova in itinere: esercizi 4,5,6.
Cognome e Nome: Matricola CdS CALCOLO DELLE PROBABILITA - 4 Giugno 5 CdL in STAD, SIGAD Compito intero Seconda prova in itinere: esercizi 4,5, Motivare dettagliatamente le risposte su fogli allegati e
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 12, Modelli Probabilistici
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
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
Dettagli25 IL RAPPORTO INCREMENTALE - DERIVATE
25 IL RAPPORTO INCREMENTALE - DERIVATE Definizione Sia f una funzione reale di variabile reale. Allora, dati x, y domf con x y, si definisce il rapporto incrementale di f tra x e y come P f (x, y = f(x
DettagliSESSIONE SUPPLETIVA QUESTIONARIO QUESITO 1
www.matefilia.it SESSIONE SUPPLETIVA 015 - QUESTIONARIO x QUESITO 1 Data la funzione integrale ln(t) dt, determinare per quali valori di x il suo grafico 1 incontra la retta di equazione y = x + 1. Calcoliamo
DettagliSoluzioni dei problemi della maturità scientifica A.S. 2012/2013
Soluzioni dei problemi della maturità scientifica A.S. / Nicola Gigli Sun-Ra Mosconi June, Problema. Il teorema fondamentale del calcolo integrale garantisce che Quindi f (x) = cos x +. f (π) = cos π +
Dettaglimisura. Adesso, ad un arbitrario punto P dello spazio associamo una terna di numeri reali x
4. Geometria di R 3. Questo paragrafo è molto simile al paragrafo : tratta infatti delle proprietà geometriche elementari dello spazio R 3. Per assegnare delle coordinate nello spazio, fissiamo innanzitutto
DettagliCALCOLO DELLE PROBABILITA - 14 Gennaio 2015 CdL in STAD, SIGAD
Cognome e Nome:....................................... Matricola............. CdS............. CALCOLO DELLE PROBABILITA - 4 Gennaio 5 CdL in STAD, SIGAD Motivare dettagliatamente le risposte su fogli
Dettaglib = 1 2σ 3. La lunghezza di una barra è un numero aleatorio X con densità della forma 0, x 0, 0 < x 1 a = 1 F (x) = 2 2x 1 x2
CALCOLO DELLE PROBABILITÀ E STATISTICA - 0 gennaio 2002 Informatica (N.O.) (Canali 4) esercizi -4 Vecchio Ordinamento esercizi -6. Da un lotto contenente 4 pezzi buoni e 2 difettosi si estraggono senza
DettagliLe derivate parziali
Sia f(x, y) una funzione definita in un insieme aperto A R 2 e sia P 0 = x 0, y 0 un punto di A. Essendo A un aperto, esiste un intorno I(P 0, δ) A. Preso un punto P(x, y) I(P 0, δ), P P 0, possiamo definire
Dettagli4.1 Variabili casuali discrete e continue, e loro distribuzioni
4 Variabili casuali 4.1 Variabili casuali discrete e continue, e loro distribuzioni Nel Capitolo di Statistica Descrittiva abbiamo chiamato variabile una quantità numerica che vegna rilevata o misurata.
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
DettagliConfronto locale di funzioni
Confronto locale di funzioni Equivalenza di funzioni in un punto Sia A R ed f, g due funzioni definite in A a valori in R. Sia x 0 R un punto di accumulazione per A. Definizione. Si dice che f è equivalente
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
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,
DettagliCorso di Laurea in Matematica Geometria 2. Foglio di esercizi n. 5 a.a Soluzioni
Corso di Laurea in Matematica Geometria 2 Foglio di esercizi n. 5 a.a. 2015-16 Soluzioni Gli esercizi sono presi dal libro di Manetti. Per svolgere questi esercizi, studiare con cura i paragrafi 10.1,
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
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliDIFFERENZIAZIONE. Sia f una funzione reale di variabile reale con dominio un intervallo. Se f è derivabile in un punto x 0, allora: f(x) f(x 0 ) lim
DIFFERENZIAZIONE 1 Regola della catena Sia f una funzione reale di variabile reale con dominio un intervallo. Se f è derivabile in un punto x 0, allora: f(x) f(x 0 ) lim = f (x 0 ). x x 0 x x 0 Questa
DettagliLeggi di capitalizzazione e di attualizzazione
Sommario Alcuni appunti di supporto al corso di Matematica Finanziaria (L-Z) Facoltà di Economia & Management- Università di Ferrara Sommario Parte I: Funzioni di capitalizzazione Parte II: Capitalizzazione
DettagliCALENDARIO BOREALE 1 EUROPA 2015 QUESITO 1
www.matefilia.it Indirizzi: LI0, EA0 SCIENTIFICO; LI0 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE CALENDARIO BOREALE EUROPA 05 QUESITO La funzione f(x) è continua per x [ 4; 4] il suo grafico è la spezzata
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
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliPNI SESSIONE SUPPLETIVA QUESITO 1
www.matefilia.it PNI 8 - SESSIONE SUPPLETIVA QUESITO Si determinino le costanti a e b in modo tale che la funzione: ax + b per x f(x) = { e x per x > x risulti continua e derivabile nel punto x=. Per essere
DettagliDistribuzione Gaussiana o Normale. 1 Distribuzione Normale come limite della Binomiale
Statistica e analisi dei dati Data: 6 Maggio 26 Distribuzione Gaussiana o Normale Docente: Prof. Giuseppe Boccignone Scriba: Matteo Gandossi Distribuzione Normale come limite della Binomiale Data una distribuzione
Dettagli0 z < z < 2. 0 z < z 3
CALCOLO DELLE PROBABILITÀ o - 7 gennaio 004. Elettronica : 4; Nettuno: 3.. Data un urna di composizione incognita con palline bianche e nere, sia K = il numero di palline bianche nell urna è il doppio
DettagliCalcolo delle Probabilità Esercizi
Calcolo delle Probabilità Esercizi A.A 00-006 Costituenti. Siano dati eventi A, B, C tali che A B = Φ, A B C, determinare i costituenti. C C C C C C C [ AB C, A BC, A B C, A B C ]. Siano dati eventi A,
DettagliSerie di Fourier - Esercizi svolti
Serie di Fourier - Esercizi svolti Esercizio 1 È data la funzione f con domf) = R, periodica di periodo, tale che onda quadra) 1 se < x < fx) = se x = e x = 1 se < x < 1) 1 Calcolare i coefficienti di
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
Dettaglix 1 Fig.1 Il punto P = P =
Geometria di R 2 In questo paragrafo discutiamo le proprietà geometriche elementari del piano Per avere a disposizione delle coordinate nel piano, fissiamo un punto, che chiamiamo l origine Scegliamo poi
DettagliEsercitazioni di Matematica
Università degli Studi di Udine Anno Accademico 009/00 Facoltà di Agraria Corsi di Laurea in VIT e STAL Esercitazioni di Matematica novembre 009 Trovare le soluzioni della seguente disequazione: x + +
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
DettagliSimilitudine (ortogonale) e congruenza (ortogonale) di matrici.
Lezione del 4 giugno. Il riferimento principale di questa lezione e costituito da parti di: 2 Forme bilineari, quadratiche e matrici simmetriche associate, 3 Congruenza di matrici simmetriche, 5 Forme
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo
DettagliCalcolo integrale. Regole di integrazione
Calcolo integrale Linearità dell integrale Integrazione per parti Integrazione per sostituzione Integrazione di funzioni razionali 2 2006 Politecnico di Torino Proprietà Siano e funzioni integrabili su
DettagliScritto d esame di Analisi Matematica
116 Prove d Esame di Analisi Matematica Versione 2006 Pisa, 15 Gennaio 2000 x 0 sin x 4 x 4 (arctan x x) 4. 2. eterminare, al variare del parametro λ R, il numero di soluzioni dell equazione 2x 2 = λe
DettagliEsercizi su leggi condizionali e aspettazione condizionale
Esercizi su leggi condizionali e aspettazione condizionale. Siano X, Y, Z v.a. a valori in uno spazio misurabile (E, E) e tali che le coppie (X, Y ) e (Z, Y ) abbiano la stessa legge (in particolare anche
Dettagli0 se y c 1 (y)) se c < y < d. 1 se y d
Capitolo. Parte IX Exercise.. Sia X una variabile aleatoria reale assolutamente continua e sia (a,b) un intervallo aperto (limitato o illimitato) di R, tale che P(X (a,b)) =. Sia ϕ : (a,b) R una funzione
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 /
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
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
DettagliScritto d esame di Analisi Matematica I
Capitolo 2: Scritti d esame 07 Pisa, 8 Gennaio 999. Studiare il comportamento della serie al variare del parametro α > /2. ( ) n n sin α n 2α 2. Sia ( ) f(x) = log + sin3 x. 2 (a) Determinare la derivata
DettagliFunzioni implicite - Esercizi svolti
Funzioni implicite - Esercizi svolti Esercizio. È data la funzione di due variabili F (x, y) = y(e y + x) log x. Verificare che esiste un intorno I in R del punto di ascissa x 0 = sul quale è definita
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliTeorema delle Funzioni Implicite
Teorema delle Funzioni Implicite Sia F una funzione di due variabili definita in un opportuno dominio D di R 2. Consideriamo l equazione F (x, y) = 0, questa avrà come soluzioni coppie di valori (x, y)
DettagliEsercitazioni di Statistica Matematica A Lezione 2. Variabili con distribuzione gaussiana
Esercitazioni di Statistica Matematica A Lezione 2 Variabili con distribuzione gaussiana.) Una bilancia difettosa ha un errore sistematico di 0.g ed un errore casuale che si suppone avere la distribuzione
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
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliProposta di soluzione della prova di matematica Liceo scientifico PNI
Proposta di soluzione della prova di matematica Liceo scientifico PNI - 14 Problema 1 Punto a) In A e O, g non è derivabile in quanto la tangente risulta verticale (punto di cuspide). Stesso dicasi per
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
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
DettagliESAME DI STATO 2017 TEMA DI MATEMATICA. Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario.
ESAME DI STATO 217 TEMA DI MATEMATICA Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. Problema 1 Si può pedalare agevolmente su una bicicletta a ruote quadrate? A New
Dettagli1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, () December 30, / 26
ANALISI 1 1 UNDICESIMA LEZIONE DODICESIMA LEZIONE TREDICESIMA LEZIONE Derivata - definizione e teoremi di calcolo delle derivate Massimi e minimi relativi e teorema di Fermat Teorema di Lagrange Monotonia
DettagliP(X > 0) = P(X 1 = 1) + P(X 1 = 1, X 2 = 1, X 3 = 1) =
1 Esercizi settimana 3 Esercizio 1. Un urna contiene 8 palline bianche, 4 nere e rosse. Si assuma di vincere e ogni volta che si estragga una pallina nera, si perda 1e per ogni pallina bianca e non succeda
DettagliPolitecnico di Torino Facoltà di Architettura. Raccolta di esercizi proposti nelle prove scritte
Politecnico di Torino Facoltà di Architettura Raccolta di esercizi proposti nelle prove scritte relativi a: algebra lineare, vettori e geometria analitica Esercizio. Determinare, al variare del parametro
DettagliSoluzione Problema 1
Soluzione Problema 1 1. Ricordiamo che una funzione h(x) è derivabile in un punto c se esiste finita la sua derivata nel punto c. Per il significato geometrico della derivata ciò significa che esiste ed
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
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
DettagliMinistero dell Istruzione, dell Università e della Ricerca
Pag. /5 Sessione ordinaria 27 I43 ESAME DI STATO DI ISTRUZIONE SECONDARIA SUPERIORE Indirizzi: LI2, EA2 SCIENTIFICO LI3 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE (Testo valevole anche per la corrispondente
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/
Dettagli05 - Funzioni di una Variabile
Università degli Studi di Palermo Facoltà di Economia Dipartimento di Scienze Economiche, Aziendali e Statistiche Appunti del corso di Matematica 05 - Funzioni di una Variabile Anno Accademico 2015/2016
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliSCIENTIFICO COMUNICAZIONE OPZIONE SPORTIVA PROBLEMA 2. Figura 1
www.matefilia.it SCIENTIFICO COMUNICAZIONE OPZIONE SPORTIVA 216 - PROBLEMA 2 Nella figura 1 è rappresentato il grafico Γ della funzione continua f: [, + ) R, derivabile in ], + ), e sono indicate le coordinate
DettagliForme indeterminate e limiti notevoli
Forme indeterminate e iti notevoli Limiti e continuità Forme indeterminate e iti notevoli Forme indeterminate Teorema di sostituzione Limiti notevoli Altre forme indeterminate 2 2006 Politecnico di Torino
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
DettagliESAME DI STATO 2016 INDIRIZZO SCIENTIFICO E OPZIONE SCIENZE APPLICATE
ESAME DI STATO 2016 INDIRIZZO SCIENTIFICO E OPZIONE SCIENZE APPLICATE Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario 1. PROBLEMA 1 L amministratore di un piccolo condominio
Dettagli3. Successioni di insiemi.
3. Successioni di insiemi. Per evitare incongruenze supponiamo, in questo capitolo, che tutti gli insiemi considerati siano sottoinsiemi di un dato insieme S (l insieme ambiente ). Quando occorrerà considerare
Dettagli