Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B"

Transcript

1 Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A

2 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio (cioè gli elementi s S) sono stati etichettati con un unico numero reale (il valore della variabile aleatoria X). Ciò è stato fatto in modo che almeno a tutti gli intervalli di R fosse possibile associare una probabilità (abbiamo cioè richiesto che l immagine inversa di ogni intervallo fosse un evento di Ω). In un esperimento aleatorio possiamo essere interessati contemporaneamente a tante variabili aleatorie diverse X i, i = 1, 2,...n. Le n-uple (x 1, x 2, x n), dove x i è un valore di X i per ogni i, possono essere interpretate come il valore (vettoriale) di un unica variabile aleatoria n-dimensionale. Ci limiteremo qui al caso bidimensionale, cioè a una sola coppia di variabili aleatorie(x, Y).

3 Variabile aleatoria bidimensionale (X, Y) Definizione (variabile bidimensionale) Dato uno spazio di probabilità(s, Ω, p), si dice variabile aleatoria bidimensionale una coppia di funzioni(x, Y) che ad ogni s S associa la coppia di numeri reali ( X(s), Y(s) ) in modo che l insieme {s : X(s) a, Y(s) b} sia un evento di Ω per ogni a, b R. Definizione (funzione di ripartizione) Data una variabile aleatoria bidimensionale(x, Y) definita sullo spazio di probabilità(s, Ω, p), si chiama funzione di ripartizione associata a (X, Y) la funzione F : R 2 [0, 1] data da F(x, y) = p(x x, Y y) per ogni (x, y) R 2.

4 Proprietà della funzione di ripartizione bidimensionale Dalla sua definizione: F(x, y) = p(x x, Y y) = p ( (X x) (Y y) ) = = p ( {s S : X(s) x} {s S : Y(s) y} ). Teorema (proprietà di F) lim x + y + F(x, y) = 1; lim F(x, y) = lim F(x, y) = 0; x y lim F(x, y) = p(y y) =: F Y(y), x + dove la funzione F Y è detta funzione di ripartizione marginale della variabile Y ; lim F(x, y) = p(x x) =: F X(x), y + con F X funzione di ripartizione marginale di X.

5 Proprietà della funzione di ripartizione bidimensionale Teorema (probabilità del rettangolo) p ( x 1 < X x 2, y 1 < Y y 2 ) = = F(x 2, y 2 ) F(x 1, y 2 )+F(x 1, y 1 ) F(x 2, y 1 ).

6 discrete Definizione (variabile bidimensionale discreta) Una variabile bidimensionale(x, Y) è discreta se esiste un insieme finito o numerabile di coppie (x r, y s) R 2, r = 1, 2,..., s = 1, 2,..., tali che p rs := p(x = x r, Y = y s) 0, e p rs = 1. Si chiama funzione di probabilità congiunta la funzione { prs se (x, y) = (x r, y s), r = 1, 2,...; s = 1, 2,... f(x, y) = 0 altrove. Si dicono funzioni di probabilità le funzioni { pr = f X (x) = s prs se x = xr per r = 1, 2,... 0 altrove. r,s { p s = f Y (y) = r prs se y = ys per s = 1, 2,... 0 altrove.

7 Variabile bidimensionale finita Nel caso finito: r = 1, 2,...,n; s = 1, 2,...,m, e le funzioni di probabilità congiunta e si rappresentano in una tabella: Y y 1 y 2 y 3 y m x 1 p 11 p 12 p 13 p 1m p 1 x 2 p 21 p 22 p 23 p 2m p 2 X x 3 p 31 p 32 p 33 p 3m p x n p n1 p n2 p n3 p nm p n p 1 p 2 p 3 p m Figura: Tabella delle probabilità congiunta e nel caso finito

8 Variabili continue Definizione (variabile bidimensionale continua) Una variabile bidimensionale(x, Y) è continua se esiste una funzione non negativa f(x, y), detta funzione densità congiunta, tale che F(x, y) = x y f(u, v) dudv. Osservazione. La condizione che f deve soddisfare per essere una funzione densità è + + f(u, v) dudv = 1.

9 Variabili continue Si può dimostrare che le funzioni di ripartizione delle variabili X e Y sono date in questo caso da x ( + ) F X (x) = f(u, v) dv du e F Y (y) = y ( + Le densità di X e Y valgono quindi e f X (x) = f Y (y) = + + ) f(u, v) du dv. f(x, v) dv f(u, y) du.

10 Un teorema importante Teorema (probabilità di una variabile bidimensionale) Se A R 2 è tale che l insieme {s S : ( X(s), Y(s) ) A} è un evento di Ω, allora p ( (X, Y) A ) = f(x, y) dxdy. Corollario (legge di composizione) Sia (X, Y) una variabile casuale bidimensionale con densità congiunta f(x, y). Se Φ(X, Y) è una variabile casuale funzione di X e Y, allora, per ogni intervallo I R, p ( Φ(X, Y) I ) = f(x, y) dxdy, A A essendo A = {(x, y) R 2 : Φ(x, y) I}. Dimostrazione: basta notare che p ( Φ(X, Y) I ) = p ( {s : Φ ( X(s), Y(s) ) I} ) = = p ( {s : ( X(s), Y(s) ) A} ).

11 La covarianza di due variabili casuali σ X,Y Definizione (covarianza) Si dice covarianza delle variabili casuali X e Y, e si indica con σ X,Y oppure con Cov(X, Y), il numero [ ] σ X,Y = Cov(X, Y) := E (X µ X )(Y µ Y ). Esplicitando la formula del valore atteso: r s (xr µ X)(y s µ Y )p rs, nel caso discreto; σ X,Y = (x µ X )(y µ Y )f(x, y)dxdy, nel caso continuo. R 2

12 Proprietà della covarianza Teorema (proprietà covarianza) σ X,Y = µ X Y µ X µ Y σx±y 2 = σx 2 +σy 2 ± 2σ X,Y = generalizzato alla somma di n variabili aleatorie: ( n ) n Var X i = Var(X i )+2 Cov(X i, X j ) i=1 i=1 1 i<j n σx,y 2 σxσ 2 Y 2 Dimostrazione (della prima relazione, nel caso finito). σ X,Y = (x r µ X )(y s µ Y )f(x r, y s) r s = (x r y s x rµ Y µ X y s + µ X µ Y )f(x r y s) r s = µ XY µ X µ Y µ X µ Y + µ X µ Y = µ XY µ X µ Y.

13 tra variabili casuali Definizione (indipendenza) Due variabili aleatorie X e Y si dicono indipendenti se F(x, y) = F X (x) F Y (y) per ogni x, y R. Teorema X, Y discrete indipendenti p rs = p r p s cioè p(x = x r, Y = y r) = p(x = x r) p(y = y r). X, Y continue indipendenti f(x, y) = f X (x) f Y (y).

14 tra variabili casuali Teorema (media del prodotto di variabili indipendenti) Se due variabili aleatorie X e Y sono indipendenti, allora µ XY = µ X µ Y Dimostrazione (nel caso finito): µ XY = x r y sp rs r,s = x r y sp r p s r s = ( ) x r p r y sp s r s = µ X µ Y Corollario (indipendenza e covarianza) Se le variabili casuali X e Y sono indipendenti, allora σ X,Y = 0 (da: σ X,Y = µ XY µ xµ Y e teorema precedente); σx±y 2 = σx 2 +σy 2 (dalla formula della varianza di X ± Y ).

15 Il coefficiente di correlazione lineare ρ X,Y Definizione (coefficiente di correlazione) Si dice coefficiente di correlazione tra le variabili casuali X e Y il numero ρ X,Y := σ X,Y σ X σ Y. Osservazioni. ρ X,Y = 0 σ X,Y = 0 X e Y sono dette incorrelate. ρ X,Y 0 = X e Y si dicono correlate. ρ X,Y 1 (da: σx,y 2 σxσ 2 Y 2 ). massima correlazione se ρ X,Y = 1 = lineare dipendenza: Y = αx +β con α < 0 se ρ X,Y = 1, oppureα > 0 se ρ X,Y = +1. N.B.: X, Y indipendenti X, Y incorrelate; ma non viceversa!

16 Variabili incorrelate Corollario (additività della varianza) Se X 1, X 2,...,X n sono n variabili aleatorie incorrelate, allora Var(X 1 + X 2 + X n) = Var(X 1 )+Var(X 2 )+ +Var(X n). In particolare, se le variabili hanno tutte la stessa varianza σ 2, allora Var(X 1 + X 2 + X n) = nσ 2. Vale inoltre: Var(a 1 X 1 +a 2 X 2 + a nx n) = a 2 1Var(X 1 )+a 2 2Var(X 2 )+ +a 2 nvar(x n). Osservazioni. L ultima proprietà segue immediatamente da: Var(aX) = a 2 Var(X). L additività della varianza dipende dalla incorrelazione delle variabili aleatorie che si sommano, a differenza della additività del valore atteso, che vale sempre.

17 Incorrelazione e indipendenza Osservazione: variabili incorrelate variabili indipendenti. Y / X 0 0 1/ /4 4 1/4 1/2 1/4 Figura: Esempio di variabili incorrelate ma non indipendenti. p(x = 1, Y = 1) = 0 p(x = 1)p(Y = 1) = = 1 16 = X, Y non indipendenti. µ XY = µ X = µ Y = 0 = X, Y incorrelate (perché µ XY µ X µ Y = 0).

18 Studio di alcune distribuzioni notevoli Ci limiteremo alle seguenti distribuzioni discrete: la distribuzione binomiale, ovvero delle prove indipendenti ripetute di Bernoulli (variabile aleatoria discreta finita); la distribuzione di, ovvero degli eventi rari (variabile aleatoria discreta infinita numerabile); ed alla seguente distribuzione continua: la distribuzione di, ovvero la distribuzione.

19 La distribuzione binomiale Teorema (di Bernoulli) La probabilità che in n prove indipendenti l evento A si verifichi esattamente k volte, con k = 0, 1,...,n, vale ( ) n p k (1 p) n k k dove p è la probabilità di A in ogni singola prova. Definizione (distribuzione binomiale) Dati p (0, 1) e n N, si dice variabile binomiale la variabile aleatoria discreta (e finita) X avente la seguente funzione di probabilità ( ) n p(x = k) = p k (1 p) n k, k = 0, 1, 2,...,n. k Se X è binomiale di parametri n e p, si scrive anche X B(n, p).

20 Proprietà della distribuzione binomiale Dalla formula del binomio abbiamo ( ) n n p k (1 p) n k = (p + 1 p) n = 1, k k=0 dunque si tratta effettivamente di una funzione di probabilità. Teorema (media e varianza della binomiale) Se X B(n, p) allora µ X = np e σ 2 X = np(1 p). Dimostrazione. Si può ottenere X come somma di n variabili aleatorie indipendenti X i B(1, p), ciascuna delle quali rappresenta il numero di successi (0 oppure 1) in una sola prova: Tramite calcolo diretto abbiamo X = X 1 + X X n. E(X i ) = p, Var(X i ) = p(1 p) per ogni i. Dunque E(X) = np e, dall indipendenza delle X i, segue anche che Var(X) = np(1 p).

21 La distribuzione di Definizione (distribuzione di ) Una variabile aleatoria discreta X è detta di con parametro µ > 0 se può assumere gli infiniti valori k = 0, 1, 2,... con probabilità Osservazioni. µ k k=0 k! e µ = e µ e µ = 1. p(x = k) = µk k! e µ. Se X è di con parametroµalloraµ X = σ 2 X = µ (no dim.). aumentandoµ, aumenta anche la dei dati attorno alla media. Descrive il conteggio di fenomeni casuali distribuiti con una data densità media µ nell unità di tempo (superficie, volume... ). Si ottiene dalla binomiale quando n è grande e p è vicino a 0 (per questo è detta distribuzione degli eventi rari). Vale la relazione ricorsiva: p(x = k + 1) = µ p(x = k). k+1

22 Esempi Conteggio delle particelle α emesse da una sostanza radioattiva (X di con parametro µ = 0.5). Probabilità di osservare due o più particelle in un secondo: p(x 2) = + k=2 (0.5) k e 0.5 k! = 1 p(x = 0) p(x = 1) = 1 e e 0.5 9%. Carica batterica. Se una sospensione contiene in media 5 batteri per cm 3, allora la probabilità che un campione casuale di 1 cm 3 a) non contenga batteri, b) ne contenga al più 2, c) ne contenga almeno 5, vale: p(x = 0) = e 5 0.7%; p(x 2) = ( ! p(x 5) = 1 p(x 4) = ) e %; ) ( ! ! + 54 e 5 56%. 4!

23 La distribuzione di Definizione (distribuzione di ) Una variabile aleatoria continua X è detta di o con parametriµeσ(µ R, σ > 0), e si scrive X N(µ,σ 2 ) se la funzione densità è f(x) = 1 σ (x µ) 2 2π e 2σ 2. f(x) è detta funzione di : è una funzione a campana, simmetrica rispetto a x = µ; ha un massimo in x 0 = µ, dove assume il valore 1 σ 2π ; questo coefficiente ha il significato di fattore di normalizzazione: + f(x)dx = 1 + ( e x µ 2 ( ) σ 2) x µ d π σ = 1. 2 NB: Se I = R e x2 dx, allora I 2 = R e x2 dx R e y2 dy = R 2 e (x2 +y 2) dxdy. Passando a coordinate polari, I 2 = 2π dθ [ ] + + ρe ρ2 e dρ = 2π ρ = π. 0 Quindi I = π.

24 Proprietà della distribuzione Teorema (media e varianza della gaussiana) Se X è una variabile di di parametri µ e σ, cioè X N(µ,σ 2 ), allora E(X) = µ, Var(X) = σ 2.

25 Calcolo della probabilità p(a < X < b) sulla gaussiana La funzione di ripartizione vale da cui F(x) = x p(a < X < b) = F(b) F(a) = 1 σ (t µ) 2 2π e 2σ 2 dt b a 1 σ (t µ) 2 2π e 2σ 2 dt. Osservazione. F(x) non si può calcolare esplicitamente. Per gli scopi concreti, si ricorre ad integrazione numerica o ai valori tabulati per una particolare funzione di ripartizione, la standardizzata.

26 La variabile aleatoria standardizzata Teorema Sia X una variabile aleatoria di parametri µ e σ e sia Φ(x) = x 1 2π e u2 2 du la funzione di ripartizione della corrispondente variabile standardizzata X N(0, 1) (X è cioè con media 0 e varianza 1), allora la funzione di ripartizione di X vale F(x) = Φ ( x µ σ ). Dimostrazione. Siccome x f(t)dt = x limc f(t)dt abbiamo c x (t µ) 1 2 F(x) = lim c c σ 2π e 2σ 2 dt ponendo t µ σ = u, si ha dt = σdu, quindi F(x) = lim c x µ σ c µ σ 1 2π e u2 2 du = Φ ( x µ σ ).

27 Esempi e applicazioni (conoscendo i valori di Φ(x)) Probabilità di una variabile aleatoria X N(µ,σ 2 ) ( b µ p(a X b) = Φ σ Esempio (problema diretto). ) Φ ( a µ ). σ p(µ σ < X < µ+ σ ) = Φ(1) Φ( 1) 68.3% p(µ 2σ < X < µ+2σ) = Φ(2) Φ( 2) 95.5% p(µ 3σ < X < µ+3σ) = Φ(3) Φ( 3) 99.7%. Esempio (problema inverso). Assegnata una probabilitàα, si cerca il numero x 0 tale che Φ(x 0 ) = α. x 0 si indica con φ α e si chiama quantile relativo ad α. Se α = n, allora φα si chiama percentile n esimo. 100 (Soluzione: basta leggere la tabella dei valori di Φ(x) al contrario).

28 Esempi e applicazioni Una relazione utile Φ( x) = 1 Φ(x) cioè φ 1 α = φ α. Teorema (immagine affine di una distribuzione ) Se X N(µ,σ 2 ) allora anche Y = ax + b (a > 0) è con media aµ+b e varianza a 2 σ 2.

29 Il teorema del limite centrale Definizione (convergenza in legge) Una successione di variabili aleatorie{x n} n converge in legge (o in distribuzione) alla variabile aleatoria X se e solo se, dette F n(x) ed F(x) le rispettive funzioni di ripartizione, si ha lim Fn(x) = F(x) n per ogni punto x R di continuità per F. NB: Se le variabili aleatorie X i sono indipendenti e hanno tutte media µ e varianza σ 2, allora la variabile aleatoria S n = X 1 + X 2 + +X n è tale che E(S n) = nµ e Var(S n) = nσ 2.

30 Il teorema del limite centrale Teorema (del limite centrale) Sia {X n} n una successione di variabili aleatorie indipendenti ed identicamente distribuite, di media µ e varianza σ 2. Allora la somma n esima standardizzata converge in legge a N(0, 1). Osservazioni. S n = X 1 + X X n nµ σ n La funzione di probabilità di S n (complicata da esprimere in generale) si approssima, per n grande, con una legge N(0, 1) e questo a prescindere dalla particolare legge delle X n! Interpretazione: un effetto casuale che sia la risultante di molti effetti aleatori, ciascuno dei quali dia solo un piccolo contributo all effetto finale, segue approssimativamente una legge (esempio: errori di misurazione).

31 L approssimazione Formula per n variabili X i indip. e identicamente distribuite: ( p(x 1 + X X n x) = p Sn x nµ ) ( ) x nµ σ Φ n σ. n In pratica: soglia di applicabilità (in genere): n > 30, ma può essere più alta; nel caso, ad esempio, delle prove di Bernoulli, devono valere le condizioni np > 5 e n(1 p) > 5; nel caso di variabili a valori interi conviene porre, se k Z, p(x X n = k) = p ( k 1 < X ) X n < k ( ) ( ) k+ 2 Φ 1 nµ k 2 Φ 1 nµ ; σ n σ n se X i B(1, p), allora X = X 1 + X 2 + +X n B(n, p) e E(X) = np, Var(X) = np(1 p). L approssimazione diventa: ( k p(x k) Φ np ). np(1 p)

32 Le fasi di un indagine statistica Rilevazione dei dati; organizzazione dei dati; presentazione dei dati organizzati; interpretazioni e conclusioni.

33 Classi, frequenze assolute, relative, cumulate Se i dati sono di tipo numerico, si ordinano e si stabilisce il campo di variazione, o rango, cioè il minimo intervallo che li contiene tutti. Può essere conveniente suddividere i dati in classi della stessa ampiezza per una migliore leggibilità. Il numero di classi può essere scelto con la formula (di Sturges) n c = [ ln n] dove n è il numero di dati e [a] è l intero più vicino ad a. Si definiscono: la funzione di frequenza ϕ(x) che associa ad ogni classe il numero degli elementi che la compongono; la funzione di frequenza relativaϕ r(x) = ϕ(x) n ; la funzione di frequenza cumulativaϕ c(x), cioè il numero di elementi nella classe e in tutte le classi precedenti; la funzione di frequenza cumulativa relativaϕ cr(x) = ϕc(x) n.

34 Rappresentazioni grafiche Le più significative sono: istogramma; grafico a bastoni; poligoni delle frequenze. In tutti i casi si riportano sulle ordinate le frequenze delle classi riferite al loro punto di mezzo (sulle ascisse).

35 Rappresentazioni grafiche Figura: Istogramma.

36 Rappresentazioni grafiche Figura: Diagramma a bastoni.

37 Rappresentazioni grafiche Figura: Istogramma e poligono delle frequenze.

38 Rappresentazioni grafiche Figura: Poligono delle frequenze ϕ(x).

39 Rappresentazioni grafiche Figura: Poligono delle frequenze cumulative ϕ c(x).

40 Indici di tendenza centrale Definizione (media) Date n osservazioni numeriche x i, i = 1, 2,...,n, si chiama media delle osservazioni il numero Definizione (mediana) x = 1 n n x i. Si chiama mediana il valore centrale dell insieme ordinato: { x n+1 se n è dispari x med = 2 1 2( x n + x ) 2 2 n +1 se n è pari. i=1 Definizione (moda) Si chiama moda un numero x mod che si ripete il maggior numero di volte.

41 Indici di Definizione (deviazione standard) Date n osservazioni numeriche x 1,...,x n, si chiama deviazione standard, o scarto quadratico medio delle osservazioni il numero σ = 1 n (x i x) n 2. i=1 Il numero σ 2 è chiamato la varianza dei dati. Definizione (deviazioni medie) Si chiamano deviazione media dalla media e deviazione media dalla mediana i numeri D med ( x) = 1 n n x i x ; D med (x med ) = 1 n i=1 n x i x med. i=1

42 Popolazione e campione Definizione (popolazione) Si definisce popolazione un insieme i cui elementi hanno in comune almeno un attributo descritto attraverso una variabile aleatoria X, detta variabile sottostante, la cui distribuzione in generale è incognita. Definizione (campione) Si chiama campione casuale di dimensione n, estratto da una popolazione avente X come variabile sottostante, una variabile n-dimensionale(x 1, X 2,...,X n) con le X i indipendenti e aventi la stessa distribuzione di X. Definizione (statistica) Sia (X 1, X 2,...,X n) un campione di una popolazione la cui distribuzione è nota in funzione di un parametro incognitoθ. Si definisce statistica una funzione g(x 1, X 2,...,X n) delle variabili casuali X i (e dunque, a sua volta, una variabile casuale) che non contiene il parametro θ.

43 Stimatori Definizione (stimatore) Si definisce stimatore una statistica che viene utilizzata per stimare un parametro incognitoθ. Definizione (stima puntuale) Se f(x 1,...,X n) = θ è uno stimatore e (x 1,...,x n) è un valore osservato del campione, allora il valore ˆθ = f(x 1,...,x n) è detto stima puntuale del parametroθ. Definizione (stimatore corretto) Uno stimatore T del parametro θ si dice corretto se E(T) = θ.

44 La media campionaria Definizione (media campionaria) Si chiama media campionaria di un campione (X 1, X 2,...,X n) la variabile casuale X così definita: X = 1 n n X i. i=1 Teorema La media campionaria è uno stimatore corretto della media vera µ, cioè E( X) = E(X) = µ. Dimostrazione. Siccome abbiamo supposto che E(X i ) = E(X) = µ, allora E( X) = 1 n n E(X i ) = nµ n = µ. i=1

45 La media campionaria Teorema (varianza della media campionaria) La varianza della media campionaria vale quella di X diviso n, cioè Var( X) = 1 σ2 Var(X) = n n. Dimostrazione. Var( X) = 1 n 2 Var ( n i=1 Var(X i ) ) = nσ2 n 2 = σ2 n.

46 La varianza campionaria Definizione (varianza campionaria) Si chiama varianza campionaria di un campione (X 1, X 2,...,X n) la variabile casuale S 2 così definita: Teorema S 2 = 1 n 1 n (X i X) 2. La varianza campionaria è uno stimatore corretto della varianza vera σ 2, cioè E(S 2 ) = Var(X) = σ 2. i=1 Osservazione. A differenza di S 2, lo stimatore S 2 = 1 n (X i X) 2. n i=1 non è uno stimatore corretto della varianza vera σ 2.

47 Per approfondire Il materiale esposto in questi lucidi è tratto principalmente da: V. Franceschini, Lezioni di Statistica Matematica 1. Reperibile al sito: valter/ Ulteriori testi consigliati: W. Navidi, Probabilità e Statistica per l Ingegneria e le Scienze, McGraw Hill, G. Anichini, Elementi di Calcolo delle Probabilità e di Inferenza Statistica 2, in Calcolo 4 Parte prima, Pitagora Editrice, Bologna, Appunti per i corsi di Ingegneria Meccanica e dei Materiali dell Università di Modena (contiene molti degli esercizi in Esercizi.pdf, interamente svolti). 2 Testo introduttivo alla probabilità soggettivista e alla statistica bayesiana.

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

VARIABILI ALEATORIE E VALORE ATTESO

VARIABILI ALEATORIE E VALORE ATTESO VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

1 Modelli di variabili aleatorie continue

1 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,

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).

1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1). .5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo

Dettagli

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

11. Analisi statistica degli eventi idrologici estremi

11. Analisi statistica degli eventi idrologici estremi . Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

Dettagli

1 Serie di Taylor di una funzione

1 Serie di Taylor di una funzione Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione n. 2 (a cura di Chiara Rossi) Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Probabilità II Variabili casuali discrete

Probabilità II Variabili casuali discrete Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

Statistica descrittiva

Statistica descrittiva Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Statistica descrittiva Ing. Antonino Cancelliere Dipartimento

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

1 Valore atteso o media

1 Valore atteso o media 1 Valore atteso o media Definizione 1.1. Sia X una v.a., si chiama valore atteso (o media o speranza matematica) il numero, che indicheremo con E[X] o con µ X, definito come E[X] = i x i f(x i ) se X è

Dettagli

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI

CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue

Esercizi 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

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,

Dettagli

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti.

PROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti. PROVE D'ESAME DI CPS A.A. 009/00 0/06/00 () (4pt) Olimpiadi, nale dei 00m maschili, 8 nalisti. Si sa che i 4 atleti nelle corsie centrali hanno probabilità di correre in meno di 0 secondi. I 4 atleti delle

Dettagli

Politecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013

Politecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013 Politecnico di Milano - Scuola di Ineneria Industriale I Prova in Itinere di Statistica per Ineneria Eneretica 9 maio 013 c I diritti d autore sono riservati. Oni sfruttamento commerciale non autorizzato

Dettagli

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti)

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti) UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA Programma del modulo di STATISTICA I (6 crediti) ECOCOM (lettere A-Lh): ECOCOM (lettere Li-Z): ECOBAN: ECOAMM (Lettere A-Lh):

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

INDICE PREFAZIONE VII

INDICE PREFAZIONE VII INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

Statistica Applicata all edilizia Lezione 2: Analisi descrittiva dei dati

Statistica Applicata all edilizia Lezione 2: Analisi descrittiva dei dati Lezione 2: Analisi descrittiva dei dati E-mail: orietta.nicolis@unibg.it 1 marzo 2011 Prograa 1 Analisi grafica dei dati 2 Indici di posizione Indici di dispersione Il boxplot 3 4 Prograa Analisi grafica

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

Il confronto fra proporzioni

Il confronto fra proporzioni L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,

Dettagli

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI DI CALCOLO DELLE PROBABILITA Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.

VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza. VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica e Biometria. Statistica descrittiva

Università del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica e Biometria. Statistica descrittiva Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica e Biometria Statistica descrittiva 1 Statistica Funzioni Descrittiva Induttiva (inferenziale) Statistica

Dettagli

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008 Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica

Università del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica Università del Piemonte Orientale Corsi di Laurea Triennale di area tecnica Corso di Statistica Medica Campionamento e distribuzione campionaria della media Corsi di laurea triennale di area tecnica -

Dettagli

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 12 La regressione lineare semplice Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo

Dettagli

Indice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...

Indice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità... Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione

Dettagli

Corso di laurea in Scienze Motorie. Corso di Statistica. Docente: Dott.ssa Immacolata Scancarello Lezione 2: Misurazione, tabelle

Corso di laurea in Scienze Motorie. Corso di Statistica. Docente: Dott.ssa Immacolata Scancarello Lezione 2: Misurazione, tabelle Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione : Misurazione, tabelle 1 Misurazione Definizione: La misura è l attribuzione di un valore numerico

Dettagli

Matematica generale CTF

Matematica generale CTF Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione

Dettagli

Psicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE

Psicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una

Dettagli

ESAME DI STATISTICA Nome: Cognome: Matricola:

ESAME DI STATISTICA Nome: Cognome: Matricola: ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli

Dettagli

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010 LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

Dettagli

CENNI DI METODI STATISTICI

CENNI DI METODI STATISTICI Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

FUNZIONE REALE DI UNA VARIABILE

FUNZIONE REALE DI UNA VARIABILE FUNZIONE REALE DI UNA VARIABILE Funzione: legge che ad ogni elemento di un insieme D (Dominio) tale che D R, fa corrispondere un elemento y R ( R = Codominio ). f : D R : f () = y ; La funzione f(): A

Dettagli

STATISTICA E PROBABILITá

STATISTICA E PROBABILITá STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

La categoria «ES» presenta (di solito) gli stessi comandi

La categoria «ES» presenta (di solito) gli stessi comandi Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del

Dettagli

Docente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22

Docente: Anna Valeria Germinario. Università di Bari. A.V.Germinario (Università di Bari) Analisi Matematica ITPS 1 / 22 Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Calcolo differenziale e approssimazioni, formula di Taylor Docente: Anna Valeria Germinario Università di Bari

Dettagli