Esempio. Le variabili casuali/3. X = x i è un evento. Si supponga che che le seguenti coppie di lettere siano equiprobabili

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Esempio. Le variabili casuali/3. X = x i è un evento. Si supponga che che le seguenti coppie di lettere siano equiprobabili"

Transcript

1 E u prodotto dell esperimeto Le variabili casuali/3 La variabile casuale è ua fuzioe che associa ad ogi eveto dell'uiverso degli eveti uo ed u solo umero reale. Esempio Si suppoga che che le segueti coppie di lettere siao equiprobabili L'itroduzioe della "X" semplifica l'uiverso degli eveti perché lo trasloca ell'asse reale Sia "X" la variabile casuale: X=umero di vocali ella coppia Variabile casuale a) Costruire la distribuzioe di probabilità b) Rappresetarla graficamete X = x i è u eveto a) La corrispodeza tra eveti e valori della X è uivoca, ma o ecessariamete biuivoca: u dato valore della X può derivare da eveti diversi

2 Esercizio U esperimeto saggia la praticabilità del gree di ua buca da golf co il tiro di 4 pallie. L esito è icerto, ma riteiamo che la probabilità di madare la pallia i buca sia del 70%. Idichiamo co Y= umero di pallie i buca. A) Quali soo gli eveti di iteresse? B) Quali probabilità soo associate ai valori della Y? ( ) ( ) ( ) ( ) ( ) ( ) ( ) 0000,,, ; 000,,, ; 000,,, ; 00,,, ; 000,,, ; 00,,, ; 00,,, ; S = ( 0,,, )( 000,,, ); ( 00,,, );( 00,,, ); ( 0,,,);( 0,,, 0) ;( 0,,,); ( 0,,, );(,,,); a 4 a P[ ( xxxx,,, )]= ; dove a = umero di " " ella quatera Y { 034,,,, }; PY ( = y)= { , , , 0. 46, } Riflessioe Se l obiettivo dell esperimeto è lo studio della variabile casuale perché o cocetrarsi direttamete sulla sua fuzioe di distribuzioe (X, p)? Studio delle V.C. discrete Ua v.c. discreta è ota attraverso la sua distribuzioe di probabilità formata dai valori possibili e dalle probabilità loro associate Esperimeto Eveti che geerao il valore della X a Probabilità 0 frazioe (discreto) area (cotiuo b Valore (discreto) Valori (cotiuo) X Il miuscolo idica i valori possibili cioè Perchè le costituiscao delle probabilità è ecessario che: DISTRIBUZIONE DI PROBABILITA' I feomei soggetti alla sorte o ascoo co il loro bravo modello, ma occorre decifrarlo, se possibile, i u opportuo esperimeto. Dopo che ciò è avveuto e per tutti i casi ricoosciuti aaloghi si può adottare direttamete il modello di distribuzioe. Esempio Numero di teste i u lacio di tre moete equilibrate

3 Sitesi delle variabili casuali I particolare Si possoo ricodurre le v.c. a pochi parametri descrittivi delle caratteristiche pricipali: CENTRALITA - VARIABILITA - ASIMMETRIA Media aritmetica poderata (Valore atteso) EX ( )= xp i= i i già discusse per le rilevazioi empiriche. dove E sta per Expectatio cioè aspettativa, valore atteso Variaza L'idea è che il verificarsi più o meo probabile di certi eveti risulta legato ad aspetti compresibili e oti della variabile casuale. Simbologia e defiizioi o cambiao: si sostituiscoo le frequeze co le probabilità σ ( X) = xi pi µ i=

4 Esempio U modello assega le probabilità ai valori secodo la formula di seguito riportata e di cui è dato u esempio i figura per = Esercizio La autocarrozzeria RUG.PAL effettua 5 diverse categorie di iterveti ed ogi settimaa ripete lo stesso umero di iterveti per ogi categoria. pi ()= i per i = 0,,,, ; Gli icassi soo i segueti: a) Qual'è l'icasso atteso per ua settimaa qualsiasi? Calcolare il valore atteso i µ= i = = i= 0 b) Qual'è la variaza dell'icasso atteso? Esercizio Equità dei giochi Calcolare lo scarto quadratico medio se =0 Alcui feomei si maifestao co probabilità speculari rispetto al cetro. U modello che rispode a tale requisito è: p i = µ=0; σ=4.45 Qui si può adoperare il foglio elettroico ( ) i* i 6 ( )( ) ; i = 0,,,, U gioco d azzardo si dice EQUO se le poste dei giocatori soo proporzioali alle rispettive probabilità di vicita ESEMPIO: Nel lacio del dado l uscita sigola è data 5:. Per ua putata di 5, i caso di vicita dovrei icassare 30 (i miei 5 più 5 di vicita. Se perdo, il baco dovrebbe tratteere solo restituire 4 per compesare le sue maggiori probabilità: = = La speraza matematica E(G) è l importo certo che si è disposti a pagare per ricevere i cambio u importo aleatorio maggiore

5 Equità dei giochi/ Se p è la probabilità di vicere ua scommessa G i cui vi sia la promessa di vicere ua cifra x co probabilità p e di perdere y co probabilità (-p) l esito atteso è: E( G)= xp y( p)= xp y + yp = ( x + y) p y Perché il gioco sia equo si deve avere y x EG ( )= 0 ( x+ yp ) y = 0 p =, p x + y = x + y Ovvero: p x = y p Se perdo co probabilità/30, quado vico debbo icassare X = = = 9 Esempio Nella roulette americaa decidete di giocare $ Y sul ero co P(N)=8/38 e P(N c )=0/38 (i questo tipo di roulette ci soo lo 0 ed il 00 di colore verde). Se esce il ero ricevete Y (iclusivi della vostra putata). E u gioco equo? 0 X = 38 0 = = Se il gioco fosse equo putado 7$ se e dovrebbero icassare 7+.*7 cioè la giocata più l equa vicita. Ivece di (.*7)=56.97 di vicita il casiò dà 54. Questo si spiega per le spese orgaizzative, di mautezioe e gestioe, ma lo scarto dell % è alto. La tassa sulla stupidità Se Ciccillo si gioca 5 per u ambo sulla ruota di Cagliari (perché comicia co la sua lettera) la sua aspettativa di guadago è 7090 x = 800 = = Il gestore pada ivece 50 volte la posta cioè 50. La differeza è i parte da attribuire alle spese di orgaizzazioe, ma possoo icidere co ua decurtazioe del 30%? Il lotto ed altri giochi gestiti dallo stato soo iiqui e sarebbe stupido giocarci qualora ci fossero alterative più coveieti Tuttavia, la tassa sulla dabbeaggie dei giocatori trova parziale giustificazioe ell iteresse pubblico co cui si impiegao i fodi così otteuti. Dal discreto al cotiuo Le distribuzioi di probabilità già viste servoo a rappresetare delle caratteristiche discrete L isieme dei valori possibili è formato da puti isolati che possoo essere cotati cioè posti i corrispodeza biuivoca co l isieme dei umeri aturali. Soo iadatte per descrivere il comportameto di quatità i cui valori ricadoo i u itervallo di umeri reali: Distaze,pesi, altezze, etc. Per affrotare questi aspetti è ecessario ampliare il ostro bagaglio di strumeti d'aalisi

6 La fuzioe di desità La fuzioe di desità di ua v.c. cotiua "X" è Le ^ deriva dal fatto che la probabilità o può essere egativa. La ^ estede a tutto l'asse reale il campo di variazioe della X. L'itervallo (a,b) dove f(x)>0 è detto SUPPORTO della v.c. Nota sulla distribuzioe di probabilità I geere, la distribuzioe di u dato aspetto delle uità iserite ella popolazioe o può essere ricostruita a partire dalle dalla situazioe sperimetale. Talvolta lo schema probabilistico forisce distribuzioi del tutto itrattabili. La 3^ deriva dal fatto che l'eveto certo deve avere probabilità il simbolo " " idica l'itegrale della f(x) i (a,b) cioè la misura dell'area sottesa alla curva della fuzioe f(x) ell'itervallo (a,b) N.B. La f(x) o dà la probabilità di X, ma è proporzioale alla probabilità che X ricada i u itervallo ifiitesimo cetrato su X. Compito della Statistica è di defiire dei "modelli" di distribuzioe e di aiutare a scegliere quello più adatto alla particolare situazioe di studio. Tra i tati modelli proposti e sviluppati dalla statistica studieremo i dettaglio solo il modello gaussiao La curva ormale (o gaussiaa) E' il modello di probabilità più oto e più usato i statistica Sigificato del parametro "µ" La desità è uimodale e l ordiata massima si raggiuge per X=µ (la moda) π La tilde si legge distribuito come x µ σ e X ~ N( µ, σ) h( x)= ; <µ< ; σ > 0 σ π Media aritmetica µ Variaza σ Quidi, il parametro µ rappreseta il valore più probabili oché il valore atteso e quello che bipartisce il supporto dei valori. Cambiado µ si modifica la collocazioe del grafico La curva è simmetrica itoro a µ L adameto campaulare e simmetrico della curva Normale sta ad idicare che: ) Gli scostameti egativi dal cetro soo altrettato probabili di quelli positivi; ) I valori soo addesati itoro al cetro; 3) Gli scostameti si verificao co probabilità decrescete ma mao che divetao gradi i valore assoluto. Al variare di µ il grafico resta ialterato ella sua forma. Si modifica solo la sua localizzazioe: più a destra se µ aumeta; più a siistra se µ dimiuisce

7 Sigificato del parametro "σ" Il σ corrispode allo scarto quadratico medio. La curvatura del grafico della distribuzioe ormale cambia due volte iflessioe i corrispodeza dei puti x=µ ± σ. Ioltre La fuzioe di ripartizioe La formula della Normale è complicata e l'itegrale Quidi è calcolato co metodi di approssimazioe umerica Al dimiuire di σ : > due puti di flesso tedoo ad accetrarsi; > L ordiata massima aumeta a causa del maggiore addesameto itoro al cetro della distribuzioe. Esprime la probabilità di osservare u valore della ormale tra a e b Curva ormale stadardizzata Geeralizzazioe E possibile esprimere la v.c. Normale i uità stadard Le tre diverse ormali Soo ricoducibli ad ua sola co la trasformazioe. σ= σ= σ= La fuzioe di desità è ora Idicata co N(0,) Z=(X-µ)/σ Come è oto le variabili stadardizzate hao media zero e variaza uo Le aree sottese a X~(µ,σ) soo idetiche a quelle Della Z~N(0,) dopo aver trasformato la X i uità stadard

8 Calcolo delle aree sottese alla curva =DISTRIB.NORM.ST() Esercizio Importaza della ormale Sia X ormale co media µ=6 e deviazioe stadard σ=5. Risiede el fatto che moltissimi feomei possoo esservi rappresetati. Ifatti, la ormale serve da efficace approssimazioe di molte altre variabili casuali cotiue e discrete. Già el 7 secolo, Galileo discusse il comportameto delle misurazioi delle distaze astroomiche avedo i mete il modello ormale della compesazioe tra errori di sego opposto.

9 Uso della ormale/ Si è rilevato l errore (rispetto ad u valore prefissato) el peso di u campioe di 60 lotti µ= ˆ. 683, s = Uso della ormale/ Suppoiamo che le vedite di vestiti di u egozio specializzato seguao la distribuzioe Normale co ua media di 36 vedite al gioro ed ua deviazioe stadard di 9 vedite al gioro. Calcolare la probabilità che i u dato gioro si vedao più di vestiti Ipotizziamo che tali valori siao validi per tutti i possibili lotti. Se si sceglie a caso u lotto, qual è la probabilità che l errore el peso sia compreso tra -0.5 e P( 05. x 05. )= P z = P 038. z = Φ( 07. ) Φ( 038. )= = 0. % ( ) La t di Studet Questo modello è molto simile a quello gaussiao, ma ha code più "spesse (ordiate estreme più alte) χ (chi-quadrato) Questo modello è defiito per i soli o egativi e preseta ua marcata asimmetria positiva Ache i questo caso l'elemeto caratterizzate soo "i gradi di libertà" cioè g La variaza è superiore all'uità, ma si avvicia ad uo all'aumetare di "" ( ) = ( ) = E χ g, Var χ g Per g superiore a 30 la distribuzioe del χ si avvicia a quella gaussiaa L'elemeto caratterizzate della t di Studet soo "i gradi di libertà" cioè l'ampiezza campioaria ridotta di ua uità: -. ( "-" è il parametro della t di Studet) Per ogi grado di libertà esiste ua t di Studet, sebbee queste divetio poco distiguibili per 60. La distribuzioe del χ si icotra ello studio campioario della variabilità. Questa è importate elle aalisi cliiche e el cotrollo della qualità RA NGE 0. CM 6 ARTERY INDEX Questa v.c. è stata aalizzata da W.S. Gosset, el 906, che firmò l'articolo co lo pseudoimo "STUDENT" ed è da allora ota come "La t di Studet" ADULT SIZE

10 Riassuto L esperimeto casuale è ua prova il cui esito è soggetto alla sorte I geere o siamo iteressati a tutto l esperimeto, ma a suoi aspetti particolari: le variabili casuali. Esperimeto Scelta casuale di ua persoa abboata ad ua pay-tv Variabili casuali Caale su cui è sitoizzata la TV al mometo del cotatto (omiale) Numero di cambi di caale ogi 5 miuti (discreta) Tempo di accesioe domeicale ella fascia oraria 4-8 (cotiua) Casuale è l esperimeto, casuali sarao i valori osservati. Le variabili casuali soo figlie dell esperimeto casuale Riassuto/ Ad ogi modalità della variabile omiale o discreta, l esperimeto casuale forisce i dote ua probabilità: i forma tabellare o co ua formula Esperimeto Scelta casuale di ua persoa iscritta elle liste elettorali del comue di Serrao Variabili casuali Coalizioe per cui ha itezioe di votare Coalizioe Tedeza Destra 0.3 Cetro 0. Siistra 0. Altre Numero di votazioi a cui ha partecipato 3 ( i ) p per i i = =,,, altrove VOTE DEMOCRAT Riassuto/3 Per le variabili cotiue l assegazioe può avveire solo per classi di modalità ovvero co ua fuzioe di desità Esperimeto Corso di chiusura di u titolo alla borsa valori Variabile casuale Tasso di redimeto i base al valore di chiusura Riassuto/4 Le probabilità (come tabella o come formula) derivao: Dalle codizioi sperimetali Dall aspetto descritto dalla variabile casuale Da iformazioi aggiutive Classi di probabilità Tasso Probabilit da -5.0 a da -.5 a da 0.0 a da +.5 a da +5.0 a La statistica ha elaborato molti modelli sia per le variabili omiali e discrete che per le variabili cotiue. Molti possoo essere studiati e approfoditi el libro di testo (appredimeto libero) Fuzioe di desità ( ) x + 5 hx ( )= 75 0 x 75 ( ) 5< x 0 0< x Nel prosieguo aalizzeremo: U solo tipo di esperimeto: estrazioe di u campioe da ua lista di uità U solo modello di variabile casuale: la ormale

11 Statistica descrittiva ed ifereziale L escussioe delle uità del campioe rispetto alle variabili produce il data set { } C= X, X,, X cioè m osservazioi su di uità. Nel ostro corso m= o. Statistica descrittiva La STATISTICA DESCRITTIVA mira alla orgaizzazioe, all aalisi tabellare e grafica oché al calcolo di gradezze sitetiche di ciò che si è riveuto ella rilevazioe E ache ota come aalisi esplorativa (Exploratory Data Aalisys) proposta soprattutto dall americao J.W. Tukey el 977 Si parla di STATISTICA DESCRITTIVA se il data set è aalizzato per quello che è seza uo sfodo su cui proiettare i dati Emitteti Ascolti Emitteti Ascolti Emitteti Ascolti Emitteti Ascolti Radiouo 766 Radioverderai 79 R.D.S. 67 Lattemiele 45 Radiodue 637 Isoradio 594 Rete Radio cuore 35 Radiotre 458 Radio deejay 3687 RTL 0.5 Radio Maria 05 Stereorai 8 Radio italia SMI 378 Radio Radicale 54 Italia Network 056 CNR 468 Radio Motecarlo 460 Radio Kiss Kiss 393 Kiss Kiss Italia Classic 786 I breve, si cofigura come ua trattazioe prelimiare idispesabile per affrotare uo studio complesso. Utilizza teciche elemetari, soprattutto grafiche. Valore massimo per Radiouo; miimo per Isoradio; c è u gruppo che si addesa itoro a ascolti. Le reti pubbliche soo più diffuse di quelle commerciali Statistica ifereziale Logica della Ifereza statistica Iizia laddove il data set è visto come la puta di u iceberg. Le situazioi i cui la statistica si è più affermata soo gli esperimeti replicabili all ifiito I dati soo solo ua delle possibili realizzazioi e riguardao ache gli ascolti che potevao esserci, ma o ci soo stati oché gli ascolti che ci sarao o potrao esserci i futuro. Le esigeze cooscitive si limitao spesso a poche caratteristiche dell esperimeto: valore atteso e variaza di ua o più variabili. Tali caratteristiche soo spesso i parametri del modello che descrive il comportameto delle variabili casuali. ES PE RIM EN T O MODELLO I che modo ed i che misura possiamo estedere agli ascolti poteziali le quatità calcolate sui valori osservati? Questa è STATISTICA INFERENZIALE Il modello di casualità è approssimabile dalla variabile casuale ormale Come sfruttare al meglio le iformazioi del campioe per determiare il valore dei parametri? PA RA M E T RI Ca m p io e

12 Le procedure ifereziali Ciò che iteressa il ostro corso è: La stima putuale E' la procedura più semplice: i base alle osservazioi campioarie si ottiee il valore da sostituire al parametro da stimare LA STIMA DEI PARAMETRI PUNTUALE: quado si propoe u sigolo valore come stima di u parametro dell variabile casuale. INTERVALLARE: quado si propoe u vetaglio di valori ragioevoli come stime. Valori possibili el campioe LA VERIFICA DI IPOTESI Da esperieze precedeti o dalla logica delle idagii si può supporre che i parametri abbiao determiati valori. Soo compatibili co le risultaze campioarie? C'è da aspettarsi u certo scarto tra la stima putuale ed il parametro icogito, ma i geere o coosciamo é l'etità é il sego dell errore Gli stimatori Lo stimatore è ua fuzioe NOTA dei valori iclusi i u campioe casuale. Il suo valore è la STIMA E caratteristica quatitativa della popolazioe dalla quale il campioe è stato estratto. Esempi di stimatori: ESEMPIO: Stimatore e stima Quale stipedio si può aspettare la maager di ua USL? Si sceglie u campioe casuale diciamo di =3 maager già i servizio e si calcola il valore atteso della loro retribuzioe. Suppoiamo che sia il valore "65 mila euro" è ua STIMA del salario ipotetico, la media campioaria è uo STIMATORE del salario. La stima è il valore assuto dallo stimatore per u campioe cioè i uo specifico puto dell uiverso dei campioi =θ^ il valore può variare da campioe a campioe Uo stimatore è detto aturale se ciò che si calcola el campioe è i stretta aalogia co ciò che si deve stimare ella popolazioe Stima Valori possibili del parametro θ

13 Esempio L'estrazioe del campioe produce la -tupla i cui elemeti soo le osservazioi campioarie Ogi -tupla, a sua volta, produce u valore dello stimatore Esempio: Si esamia u campioe casuale di 0 imprese e si rileva X il umero di dipedeti regolari. Il valore della X è casuale perché o è certa quale azieda fiirà el campioe Calcoliamo alcui stimatori Osservazioi campioarie La distribuzioe degli stimatori Lo stimatore è ua variabile casuale coessa all esperimeto: estrazioe casuale di u campioe. Cooscere la sua distribuzioe ci serve per descrivere l adameto dei risultati che si possoo osservare replicado il piao di campioameto. Dobbiamo ricordare che Stimare qualcosa sigifica dare u valore a quel qualcosa La stima otteuta da u campioe può essere diversa da quella otteuta co u altro campioe La stima tede differire dal parametro da stimare, ma se coosciamo la distribuzioe campioaria dello stimatore possiamo quatificare probabilisticamete l errore La distribuzioe degli stimatori/ Per costruire la distribuzioe di uo stimatore si debboo cosiderare tutti i possibili campioi di ampiezza prefissata "" Esempio: Ua popolazioe è composta dai valori {, 3, 5}. Si estrae, co reimmissioe, u campioe di ampiezza =. Idichiamo co X il valore osservato ella ª estrazioe e co X quello osservato ella ª. Costruiamo la distribuzioe dello stimatore Basta elecare tutti i campioi di ampiezza = otteibili dalla popolazioe e vedere che valori assume "T". La distribuzioe degli stimatori/3 Degli stimatori ci iteressa : il valore atteso: E(T) k i i= ( ) ( ) = = ET TPr T T il valore atteso è il valore della media aritmetica di "T" calcolata su tutti i possibili campioi di ampiezza. E otteuto come somma poderata dei valori distiti T di moltiplicati per le rispettive probabilità. i Se la media E(T)=θ cioè il parametro da stimare, allora T è uo stimatore NON DISTORTO I valori soo poi accorpati per assegare correttamete le probabilità: Lo scarto E(T) - θ è detto Bias (baias)

14 La distribuzioe degli stimatori/4 illustrazioe La variaza: σ k ( ) = i ( ) i= k Ti T T E T Pr T T = ET k i= [ ] ( = i) [ ] ( ) Bias elevato, moderata variabilità Bias moderato, elevatata variabilità La variaza dello stimatore dà ua idicazioe delle fluttuazioi campioarie cioè quatifica le differeze tra i suoi valori poteziali ei diversi campioi. Se la variaza dello stimatore tede a zero all aumetare dell ampiezza del campioe, allora lo stimatore è cosiderato CONSISTENTE (COERENTE) Bias elevato, elevata variabilità Bias moderato, moderata variabilità Esempio Riprediamo la distribuzioe della statistica ella popolazioe {,3,5} e per campioi di ampiezza = Scelta tra stimatori diversi Per ogi parametro della v.c. può proporsi più di uo stimatore Poiché lo stimatore idica come utilizzare le iformazioi campioarie per stimare i parametri oi sceglieremo quello che Calcoliamo il valore atteso e la variaza di "T" Distribuzioe dello stimatore Le utilizza TUTTE (cioè lo stimatore o deve disperdere alcua iformazioe di quelle icluse el campioe). Le utilizza i modo EFFICIENTE (cioè o deve essere possibile avere migliore coosceza di ciò che è icogito cambiado stimatore) I media T assume valore 7.6 co ua variaza vicio a ceto. Per stabilire tali codizioi dovremmo cooscere la distribuzioe dello stimatore, ma può bastare la coosceza del suo valore atteso e della variaza.

15 Statistiche L Gli stimatori che più ci iteressao soo delle fuzioi delle osservazioi campioarie {X,X,,X } del tipo: Legge dei gradi umeri Di solito si igora la variabile casuale che può descrivere i modo soddisfacete u dato aspetto della popolazioe. Di cosegueza o è possibile costruire la distribuzioe di uo stimatore. L = i= w X i () i Ioltre, uo stesso stimatore ha ua distribuzioe campioaria diversa i dipedeza del tipo di variabile casuale che descrive la popolazioe. C è ua via d uscita? La legge dei gradi umeri! dove gli soo dei "pesi" che esprimoo il cotributo a L " delle diverse osservazioi faceti parti dello stimatore. La otazioe X (i) idica che i valori delle osservazioi campioarie soo state ordiate i seso crescete. Se la distribuzioe o è ota, ma il campioe casuale è abbastaza umeroso e le estrazioi soo idipedeti (o virtualmete tali) è possibile approssimare la distribuzioe degli stimatori co il MODELLO NORMALE Le statistiche L (cioè lieari) soo tali perché le osservazioi campioarie vi compaioo co poteza uo Suppoiamo che : Teorema del limite cetrale siao estrazioi casuali co reimmissioe da ua popolazioe descritta da ua v.c. co variaza fiita Allora, all'aumetare di "", il poligoo delle frequeze dello stimatore espresso i uità stadard L E( L) σ( L ) dove L = i= w X i () i Esempi Somma del lacio di dadi (sorte beiga) S = X + X + +X ES ( ) = *3.5; σ ( S) = 35 ; Z = S *3.5 * per = Tede ad essere be approssimato dalla curva Normale stadardizzata ) Il bias e la variaza tedoo a zero Oscillazioi di u titolo di borsa (sorte selvaggia) Alcue di queste possoo essere catastrofiche o superpositive e o c è covergeza alla ormale perché la variaza è ifiita

16 Quicux ) Le biglie etrao ell imbuto dai vari fori ) Le biglie escoo dall imbuto ua alla volta 3) Le biglie rimbalzao a caso tra i vari pioli 4) Ogi biglia imbocca uasola scaalatura T.L.C. / Il teorema del limite cetrale è u risultato fodametale della statistica Co esso è possibile stabilire la distribuzioe di vari stimatori seza cooscere quale sia il modello che descrive la casualità dell esperimeto Ad esempio, per la media campioaria: Risultato fiale X ~ N µ, σ La media campioaria è u caso particolare di statistica L co pesi W i =/ per i=,,, Quado può essere applicato tale risultato? ) Le estrazioi campioarie debboo essere idipedeti. ) L'ampiezza del campioe deve essere grade. 3) L aspetto cosiderato deve essere il risultato di molte cocause 4) No ci deve essere ua causa predomiate rispetto alle altre Esempio Qual'è la probabilità che u feomeo soggetto a variazioi casuali esprima ua media campioaria compresa i ±σ/ dalla media della popolazioe di parteza? Occorre calcolare: Esercizio La produzioe di ua liea di biscotti utilizza macchiari tali che il coteuto i grammi delle cofezioi sia ua v.c. X co µ=450 e σ=30. Calcolare la probabilità che il coteuto medio di ua scatola di 5 cofezioi sia almeo di 460g. il peso medio è ua v.c. data dalla media dei sigoli pesi: sfruttado il T.L.C. si ha: Se la produzioe è realizzata i modo da o geerare dipedeza elle varie cofezioi ricorroo le codizioi del T.L.C. e quidi

17 Stima delle proporzioi Spesso si è iteressati a sapere quale porzioe "π" di ua popolazioe possiede ua certa caratteristica (uità speciali) Se si estrae u campioe casuale co reimmissioe si è di frote ad u variabile casuale biaria (0,) i cui il " è la estrazioe di ua uità speciale co "π" come probabilità di otteerla. Distribuzioe della frazioe campioaria Poichè il umeratore della frazioe è la somma di "" variabili biarie ricorroo le codizioi del T.L.C. per cui la distribuzioe di "H", all'aumetare di "", diveta: Lo stimatore aturale di "π" è : X i se la i esima è speciale i= H = co X i = 0 altrimeti ESEMPIO Ua partita di circuiti itegrati iclude il 30% di pezzi difettosi. Si estrae u campioe casuale di 500 pezzi. Qual'è la probabilità che la frazioe di pezzi difettosi sia iferiore a 0.3? Quidi H è ua statistica L. La legge dei gradi umeri scatta se Esercizio Schema dell ifereza statistica I u campioe casuale di =00 studeti si soo trovate 36 (H=0.8) d'accordo sull'uiversità "a distaza come equivalete a quella da loro frequetata. Determiare la probabilità che, replicado il campioe, la proporzioe campioaria rimaga compresa tra.5 e = ( ) H P(. 5 H 4. 5)= P = P. 0 Z = ( ) il 97% di TUTTI I POSSIBILI campioi costruiti ipotizzado che sia π=0.8 avrà ua proporzioe compresa tra il.5% ed il 4.5%,

18 Test delle ipotesi No si è più alla ricerca di u valore (o u itervallo di valori) da sostituire al parametro icogito, ma si deve stabilire quale, tra due ipotesi, è più probabilmete VERA Se la decisioe si potesse basare sulla coosceza totale si avrebbe ua coclusioe defiitiva: l'ipotesi è VERA o FALSA. Come i molte scieze sperimetali o potremo dimostrare vera o falsa ua affermazioe. Potremo solo affermare: è più coerete o meo coerete co i ostri dati campioari. Formalismo dei Test L'IPOTESI STATISTICA H 0 è ua asserzioe verificabile su di ua variabile casuale. I geere riguarda i suoi parametri. Suppoiamo di cooscere la fuzioe di desità della v.c.: f(x;θ) di cui igoriamo il valore del parametro θ. I geere, la H 0 ipotizza u certo valore del parametro e e valuta la sua coformità co i dati campioari È detta ulla perché, di H 0 : θ θ 0 = 0 solito, iete cambia se viee accettata il valore è scelto i base a varie cosiderazioi: Dalla logica dell'esperimeto Da esperieze precedeti o idagii pilota E' u livello critico (baselie) E' u livello desiderato Formalismo del Test/ Cosideriamo L'UNIVERSO DEI CAMPIONI di ampiezza cioè l'isieme di tutte le possibili realizzazioi della -tupla La statistica test E l aello di cogiuzioe tra uiverso dei campioi e valori del parametro =3 La distribuzioe della statistica test T(X;θ) è fuzioe: I tale spazio, il campioe estratto è solo u puto. ( ) Del campioe casuale X, X,, Del parametro da stimare: θ X L'idea del test è di assegare ad ogi campioe ua probabilità detta LIVELLO OSSERVATO DI SIGNIFICATIVITA (p-value) Le statistiche test più i uso soo del tipo: TX;θ T θ σ T ( )= ( ) e i base a questo decidere sull ipotesi H 0. Spesso T(X;θ) è lo stimatore aturale del parametro a cui soo riferite le ipotesi

19 ESEMPIO: Applicazioe/ Ua docete sa che -storicamete- i risultati dei suoi esami scritti hao µ=5, σ=3. Però, ell ultima prova, i risultati dei primi 0 compiti soo molto scadeti. Che si tratti u corso ad alta desità di ciucci? Ipotesi ulla H0 : ( µ 5) = 0 Ipotesi alterativa H : µ< 5 Applicazioe/ N.B. si è sostituito l eveto puto µ=3 co l eveto itervallo µ 3 Come statistica test sembra ovvio scegliere la media campioaria. La docete rifiuterà H 0 se il voto medio osservato el campioe sarà molto più piccolo di 5. Il fatto che si rifiuti H 0 o implica ecessariamete che accetti H. Potrebbe ache decidere di riviare la decisioe i attesa di avere più dati. L ipotesi alterativa è iserita soprattutto per stabilire la direzioe del test Applicazioe/3 Dopo aver corretto altri 5 compiti risulta che, su questi, si ha ˆµ=7 A questo puto sorge u altro dubbio: che l assistete del corso, imbraato come ua foca, abbia mischiato i compiti co quelli della classe advaced Ipotesi ulla H0 : ( µ 5) = 0 Ipotesi alterativa H : µ> 5 La direzioe del test è ora verso i valori alti poiché i valori iferiori a 5 o fao sorgere questo tipo di dubbio Lo scarto 5-7 è poco compatibile co l ipotesi sebbee o ci siao evideze fortissime cotro. U valore superiore maggiore o uguale di 7 lo si può trovare ell % dei campioi da popolazioi aveti media 5. L assistete si salva. ˆ P( µ ˆ 7 µ= 5 ) P µ P Z..... = ( ) = = 0 5 Esempio La dott.ssa Agelia Romao propoe ua procedura d'ufficio che riduce i tempi medi rispetto agli attuali µ=75 miuti, pur coservado lo stesso σ=9. Ipotesi ulla H0 : ( µ 75) = 0 Ipotesi alterativa H : µ< 75 Si cosidera u campioe di =5 pratiche. Quidi la media del c -sotto H- 0 sarà approssimata dalla gaussiaa co µ=75 e σ=9/ 5=.80 Nel campioe si trova µ=69 ˆ. 8 Qual è la probabilità di otteere u valore della statistica test iferiore o uguale del valore osservato se ma media della popolazioe è 75? ˆ. ˆ P( µ ˆ µ= 75 ) P µ P.... = µ = 0 009

20 Esempio L'ammiistratore delegato, Sig.ra Rosetta Gaudio, di ua fabbrica di peumatici sta valutado la modifica della trama del prodotto leader. Lo studio di fattibilità segala che la uova trama è coveiete se la vita media dei prodotti supera le miglia i codizioi stadard. Ipotesi ulla H0 : ( µ 0' 000) = 0 Ipotesi alterativa H : µ> 0' 000 U campioe di =6 prototipi viee provato dado luogo a Si sa che σ= L'ammiistratore Gaudio che deve fare? ˆ P( µ ˆ µ= ) P µ = µ ˆ ˆ P P.. = µ < = P-value Idica la probabilità che valori della statistica test -iferiori o uguali a quello osservato- siao sopravveuti solo per effetto della sorte. Quidi, il P-value misura la probabilità di sbagliare, elle codizioi date, se si rifiuta l ipotesi ulla Nuova procedura ammiistrativa Ipotesi ulla H0 : ( µ 75) = 0, P value = La uova procedura potrebbe essere o migliorativa rispetto alla vecchia solo i casi su 000 (circa). E bee rifiutare H 0 Nuovo peumatico Ipotesi ulla H0 : ( µ 0' 000) = 0, P value = La uova trama è migliorativa circa ua volta su 3. No è cosigliabile rifiutare H 0. Precisazioi Rispetto all'ipotesi che il parametro abbia u valore prefissato ci soo tre casi: H0 : θ = θ0 ; H : θ < θ 0 H0: θ = θ0 ; H : θ > θ 0 H0: θ = θ0 H : θ = θ 0 Nei primi due il test è uidirezioale (o ad ua coda), el terzo è bidirezioale (o a due code). Guida Se P -value %. Aldilà di ogi ragioevole dubbio si può rifiutare H 0 Se % P -value 5%. Ci soo buoe ragioi per rifiutare H 0 Se 5% P -value 0%. Ci soo ragioi per rifiutare H 0, ma o soo del tutto coviceti Se P -value > 0%. E cosigliabile o rifiutare H 0 Coda iferiore Coda superiore p-value I valori soo solo apparetemete bassi. p-value p-value Le codizioi di applicabilità dei test (ad esempio la distribuzioe ormale) soo valide solo i parte). Il giudizio sull'etità dello scarto tra valore campioario ed ipotesi è espresso i base alla distribuzioe della statistica test Di cosegueza, solo ua forte evideza può covicere a rifiutare l ipotesi ulla (agolatura coservativa)

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche

Test non parametrici. sono uguali a quelle teoriche. (probabilità attesa), si calcola la. , cioè che le frequenze empiriche est o parametrici Il test di Studet per uo o per due campioi, il test F di Fisher per l'aalisi della variaza, la correlazioe, la regressioe, isieme ad altri test di statistica multivariata soo parte dei

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

1 Metodo della massima verosimiglianza

1 Metodo della massima verosimiglianza Metodo della massima verosimigliaza Estraedo u campioe costituito da variabili casuali X i i.i.d. da ua popolazioe X co fuzioe di probabilità/desità f(x, θ), si costruisce la fuzioe di verosimigliaza che

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

3.4 Tecniche per valutare uno stimatore

3.4 Tecniche per valutare uno stimatore 3.4 Teciche per valutare uo stimatore 3.4. Il liguaggio delle decisioi statistiche, stimatori corretti e stimatori cosisteti La teoria delle decisioi forisce u liguaggio appropriato per discutere sulla

Dettagli

Capitolo 8 Le funzioni e le successioni

Capitolo 8 Le funzioni e le successioni Capitolo 8 Le fuzioi e le successioi Prof. A. Fasao Fuzioe, domiio e codomiio Defiizioe Si chiama fuzioe o applicazioe dall isieme A all isieme B ua relazioe che fa corrispodere ad ogi elemeto di A u solo

Dettagli

Capitolo Decimo SERIE DI FUNZIONI

Capitolo Decimo SERIE DI FUNZIONI Capitolo Decimo SERIE DI FUNZIONI SUCCESSIONI DI FUNZIONI I cocetti di successioe e di serie possoo essere estesi i modo molto aturale al caso delle fuzioi DEFINIZIONE Sia E u sottoisieme di  e, per ogi

Dettagli

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa

I numeri complessi. Pagine tratte da Elementi della teoria delle funzioni olomorfe di una variabile complessa I umeri complessi Pagie tratte da Elemeti della teoria delle fuzioi olomorfe di ua variabile complessa di G. Vergara Caffarelli, P. Loreti, L. Giacomelli Dipartimeto di Metodi e Modelli Matematici per

Dettagli

Motori maxon DC e maxon EC Le cose più importanti

Motori maxon DC e maxon EC Le cose più importanti Motori maxo DC e maxo EC Il motore come trasformatore di eergia Il motore elettrico trasforma la poteza elettrica P el (tesioe U e correte I) i poteza meccaica P mech (velocità e coppia M). Le perdite

Dettagli

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag.

SERIE NUMERICHE. (Cosimo De Mitri) 1. Definizione, esempi e primi risultati... pag. 1. 2. Criteri per serie a termini positivi... pag. SERIE NUMERICHE (Cosimo De Mitri. Defiizioe, esempi e primi risultati... pag.. Criteri per serie a termii positivi... pag. 4 3. Covergeza assoluta e criteri per serie a termii di sego qualsiasi... pag.

Dettagli

4. Metodo semiprobabilistico agli stati limite

4. Metodo semiprobabilistico agli stati limite 4. Metodo seiprobabilistico agli stati liite Tale etodo cosiste el verificare che le gradezze che ifluiscoo i seso positivo sulla, valutate i odo da avere ua piccolissia probabilità di o essere superate,

Dettagli

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010

Indagini sui coregoni del Lago Maggiore: Analisi sui pesci catturati nel 2010 Idagii sui coregoi del Lago Maggiore: Aalisi sui pesci catturati el 1 Rapporto commissioato dal Dipartimeto del territorio, Ufficio della caccia e della pesca, Via Stefao Frascii 17 51 Bellizoa Aprile

Dettagli

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15

Appunti di Statistica Matematica Inferenza Statistica Multivariata Anno Accademico 2014/15 Apputi di Statistica Matematica Ifereza Statistica Multivariata Ao Accademico 014/15 November 19, 014 1 Campioi e modelli statistici Siao Ω, A, P uo spazio di probabilità e X = X 1,..., X u vettore aleatorio

Dettagli

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo

8) Sia Dato un mazzo di 40 carte. Supponiamo che esso sia mescolato in modo ESERCIZI DI CALCOLO DELLE PROBABILITÁ ) Qual e la probabilita che laciado dadi a facce o esca essu? Studiare il comportameto asitotico di tale probabilita per grade. ) I u sacchetto vi soo 0 pallie biache;

Dettagli

La sicurezza sul lavoro: obblighi e responsabilità

La sicurezza sul lavoro: obblighi e responsabilità La sicurezza sul lavoro: obblighi e resposabilità Il Testo uico sulla sicurezza, Dlgs 81/08 è il pilastro della ormativa sulla sicurezza sul lavoro. I sostaza il Dlgs disciplia tutte le attività di tutti

Dettagli

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa?

Verifica d Ipotesi. Se invece che chiederci quale è il valore di una media in una popolazione (stima. o falsa? o falsa? Verifica d Iotesi Se ivece che chiederci quale è il valore ua mea i ua oolazioe (stima utuale Se ivece e itervallo che chiederci cofideza) quale è il avessimo valore u idea ua mea su quello i ua che oolazioe

Dettagli

Sommario lezioni di Probabilità versione abbreviata

Sommario lezioni di Probabilità versione abbreviata Sommario lezioi di Probabilità versioe abbreviata C. Frachetti April 28, 2006 1 Lo spazio di probabilità. 1.1 Prime defiizioi I possibili risultati di u esperimeto costituiscoo lo spazio dei campioi o

Dettagli

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici

Stim e puntuali. Vocabolario. Cambiando campione casuale, cambia l istogramma e cambiano gli indici Stm e putual Probabltà e Statstca I - a.a. 04/05 - Stmator Vocabolaro Popolazoe: u seme d oggett sul quale s desdera avere Iformazo. Parametro: ua caratterstca umerca della popolazoe. E u Numero fssato,

Dettagli

L OFFERTA DI LAVORO 1

L OFFERTA DI LAVORO 1 L OFFERTA DI LAVORO 1 La famiglia come foritrice di risorse OFFERTA DI LAVORO Notazioe utile: T : dotazioe di tempo (ore totali) : ore dedicate al tempo libero l=t- : ore dedicate al lavoro : cosumo di

Dettagli

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0

( ) ( ) ( ) ( ) ( ) CAPITOLO VII DERIVATE. (3) D ( x ) = 1 derivata di un monomio con a 0 CAPITOLO VII DERIVATE. GENERALITÀ Defiizioe.) La derivata è u operatore che ad ua fuzioe f associa u altra fuzioe e che obbedisce alle segueti regole: () D a a a 0 0 0 derivata di u moomio D 6 D 0 D ()

Dettagli

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard)

Sistemi LTI descrivibile mediante SDE (Equazioni alle Differenze Standard) Sistemi LTI descrivibile mediate SDE (Equazioi alle Differeze Stadard) Nella classe dei sistemi LTI ua sottoclasse è quella dei sistemi defiiti da Equazioi Stadard alle Differeze Fiite (SDE), dette così

Dettagli

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE

LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE LEZIONI DI MATEMATICA PER I MERCATI FINANZIARI Dipartimeto di Sieze Eoomihe Uiversità di Veroa VALUTAZIONE DI TITOLI OBBLIGAZIONARI E STRUTTURA PER SCADENZA DEI TASSI DI INTERESSE Lezioi di Matematia per

Dettagli

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari

1. MODELLO DINAMICO AD UN GRADO DI LIBERTÀ. 1 Alcune definizioni preliminari . MODELLO DINAMICO AD UN GRADO DI LIBERTÀ Alcue defiizioi prelimiari I sistemi vibrati possoo essere lieari o o lieari: el primo caso vale il pricipio di sovrapposizioe degli effetti el secodo o. I geerale

Dettagli

PENSIONI INPDAP COME SI CALCOLANO

PENSIONI INPDAP COME SI CALCOLANO Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu Mii biblioteca de Il Giorale Ipdap per rederci coto e sapere di piu PENSIONI INPDAP COME SI CALCOLANO I tre sistemi I cique pilastri

Dettagli

ESERCITAZIONE L adsorbimento su carbone attivo

ESERCITAZIONE L adsorbimento su carbone attivo ESERCITAZIONE adsorbimeto su carboe attivo ezioi di riferimeto: Processi basati sul trasferimeto di materia Adsorbimeto su carboi attivi Testi di riferimeto: Water treatmet priciples ad desi, WH Pricipi

Dettagli

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni:

ESERCIZI DI ANALISI I. Prof. Nicola Fusco 1. Determinare l insieme in cui sono definite le seguenti funzioni: N. Fusco ESERCIZI DI ANALISI I Prof. Nicola Fusco Determiare l isieme i cui soo defiite le segueti fuzioi: ) log/ arctg π ) 4 ) log π 6 arcse ) ) tg log π + ) 4) 4 se se se tg 5) se cos tg 6) [ 6 + 8 π

Dettagli

1. L'INSIEME DEI NUMERI REALI

1. L'INSIEME DEI NUMERI REALI . L'INSIEME DEI NUMERI REALI. I pricipli isiemi di umeri Ripredimo i pricipli isiemi umerici N, l'isieme dei umeri turli 0; ; ; ; ;... L'ide ituitiv di umero turle è ssocit l prolem di cotre e ordire gli

Dettagli

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI

INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI INTRODUZIONE ALLE SUCCESSIONI E SERIE: ALCUNI ESEMPI NOTEVOLI Mirta Debbia LS A. F. Formiggii di Sassuolo (MO) - debbia.m@libero.it Maria Cecilia Zoboli - LS A. F. Formiggii di Sassuolo (MO) - cherubii8@libero.it

Dettagli

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra?

Supponiamo, ad esempio, di voler risolvere il seguente problema: in quanti modi quattro persone possono sedersi l una accanto all altra? CALCOLO COMBINATORIO 1.1 Necessità del calcolo combiatorio Accade spesso di dover risolvere problemi dall'appareza molto semplice, ma che richiedoo calcoli lughi e oiosi per riuscire a trovare delle coclusioi

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

l = 0, 1, 2, 3,,, n-1n m = 0, ±1,

l = 0, 1, 2, 3,,, n-1n m = 0, ±1, NUMERI QUANTICI Le autofuzioi soo caratterizzate da tre parametri chiamati NUMERI QUANTICI e soo completamete defiite dai loro valori: : umero quatico pricipale l : umero quatico secodario m : umero quatico

Dettagli

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005

Esame di Matematica 2 Mod.A (laurea in Matematica) prova di accertamento del 4 novembre 2005 Esame di Matematica 2 ModA (laurea i Matematica prova di accertameto del 4 ovembre 25 ESERCIZIO Si poga a 3 5 + 9 e b 2 4 6 + 6 ( (a Si determii d MCD(a, b e gli iteri m, Z tali che d ma + b co m < b ed

Dettagli

Metodi d integrazione di Montecarlo

Metodi d integrazione di Montecarlo Metodi d itegrzioe di Motecrlo Simulzioe l termie simulzioe ell su ccezioe scietific h u sigificto diverso dll ccezioe correte. Nell uso ordirio è sioimo si fizioe; ell uso scietifico è sioimo di imitzioe,

Dettagli

MATEMATICA FINANZIARIA

MATEMATICA FINANZIARIA Capializzazioe semplice e composa MATEMATICA FINANZIARIA Immagiiamo di impiegare 4500 per ai i ua operazioe fiaziaria che frua u asso del, % auo. Quao avremo realizzao alla fie dell operazioe? I u coeso

Dettagli

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario

Valutazione delle prestazioni termiche di sistemi con solai termoattivi in regime non stazionario Valutazioe delle prestazioi termiche di sistemi co solai termoattivi i regime o stazioario MICHELE DE CARLI, Ph.D., Ricercatore, Dipartimeto di Fisica Tecica, Uiversità degli Studi di Padova, Padova, Italia.

Dettagli

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti

Dimostrazione della Formula per la determinazione del numero di divisori-test di primalità, di Giorgio Lamberti Gorgo Lambert Pag. Dmostrazoe della Formula per la determazoe del umero d dvsor-test d prmaltà, d Gorgo Lambert Eugeo Amtrao aveva proposto l'dea d ua formula per calcolare l umero d dvsor d u umero, da

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

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi.

Introduzione (1) Introduzione (2) Prodotti e servizi sono realizzati per mezzo di processi produttivi. Iroduzioe () Ua defiizioe (geerale) del ermie qualià: qualià è l isieme delle caraerisiche di u eià (bee o servizio) che e deermiao la capacià di soddisfare le esigeze espresse ed implicie di chi la uilizza.

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

Comportamento delle strutture in C.A. in Zona Sismica

Comportamento delle strutture in C.A. in Zona Sismica Comportameto delle strutture i c.a. i zoa sismica Pagia i/161 Comportameto delle strutture i C.A. i Zoa Sismica Prof. Paolo Riva Dipartimeto di Progettazioe e ecologie Facoltà di Igegeria Uiversità di

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

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Dall atomo di Bohr alla costante di struttura fine

Dall atomo di Bohr alla costante di struttura fine Dall atomo di Bohr alla ostate di struttura fie. INFORMAZIONI SPETTROSCOPICHE SUGLI ATOMI E be oto he ogi sostaza opportuamete eitata emette radiazioi elettromagetihe. Co uo spettrosopio, o strumeti aaloghi,

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Indici di Posizione. Gli indici si posizione sono misure sintetiche ( valori caratteristici ) che descrivono la tendenza centrale di un fenomeno

Indici di Posizione. Gli indici si posizione sono misure sintetiche ( valori caratteristici ) che descrivono la tendenza centrale di un fenomeno Idc d Poszoe Gl dc s poszoe soo msure stetche ( valor caratterstc ) che descrvoo la tedeza cetrale d u feomeo La tedeza cetrale è, prma approssmazoe, la modaltà della varable verso la quale cas tedoo a

Dettagli

Esercizi Le leggi dei gas. Lo stato gassoso

Esercizi Le leggi dei gas. Lo stato gassoso Esercizi Le lei dei as Lo stato assoso Ua certa quatità di as cloro, alla pressioe di,5 atm, occupa il volume di 0,58 litri. Calcola il volume occupato dal as se la pressioe viee portata a,0 atm e se la

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile.

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. ORDINALI E NOMINALI LA PROBABILITÀ Statistica5 23/10/13 Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. Se si afferma che un vitello di razza chianina pesa 780 kg a 18

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

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

ARGOMENTO: MISURA DELLA RESISTENZA ELETTRICA CON IL METODO VOLT-AMPEROMETRICO.

ARGOMENTO: MISURA DELLA RESISTENZA ELETTRICA CON IL METODO VOLT-AMPEROMETRICO. elazoe d laboratoro d Fsca corso M-Z Laboratoro d Fsca del Dpartmeto d Fsca e Astrooma dell Uverstà degl Stud d Cataa. Scala Stefaa. AGOMENTO: MSUA DELLA ESSTENZA ELETTCA CON L METODO OLT-AMPEOMETCO. NTODUZONE:

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario

USUFRUTTO. 5) Quali sono le spese a carico dell usufruttuario USUFRUTTO 1) Che cos è l sfrtto e come si pò costitire? L sfrtto è il diritto di godimeto ( ovvero di possesso) di bee altri a titolo gratito ; viee chiamato sfrttario chi esercita tale diritto, metre

Dettagli

ALCUNI ELEMENTI DI TEORIA DELLA STIMA

ALCUNI ELEMENTI DI TEORIA DELLA STIMA ALCUNI ELEMENTI DI TEORIA DELLA STIMA Quado s vuole valutare u parametro θ ad esempo: meda, varaza, proporzoe, oeffete d regressoe leare, oeffete d orrelazoe leare, e) d ua popolazoe medate u ampoe asuale,

Dettagli

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Le operazioni fondamentali in N Basic Arithmetic Operations in N

Le operazioni fondamentali in N Basic Arithmetic Operations in N Operzioi fodetli i - 1 Le operzioi fodetli i Bsic Arithetic Opertios i I geerle u operzioe è u procedieto che due o più ueri, dti i u certo ordie e detti terii dell'operzioe, e ssoci u ltro, detto risultto

Dettagli

3M Prodotti per la protezione al fuoco. Building & Commercial Services

3M Prodotti per la protezione al fuoco. Building & Commercial Services 3M Prodotti per la protezioe al fuoco Buildig & Commercial Services Idice Sviluppi e treds...4-5 3M e le soluzioi aticedio...6-7 Dispositivi di attraversameto...8-19 Giuti di costruzioe...20-21 Sistemi

Dettagli

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE

FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE DISPENSE DI: FONDAMENTI DI MECCANICA APPLICATA ALLE MACCHINE Testo di riferieto E. Fuaioli ed altri Meccaica applicata alle acchie vol. e - Ed. Patro BOZZA Idice. INTRODUZIONE ALLA MECCANICA APPLICATA

Dettagli

La dissomiglianza tra due distribuzioni normali

La dissomiglianza tra due distribuzioni normali Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 43-50 Editore CLEUP, Padova - ISBN: 978-88-6129-833-0 La dissomiglianza tra due distribuzioni

Dettagli

Introduzione alla probabilità

Introduzione alla probabilità Introduzione alla probabilità CAPITOLO TEORIA Il dilemma di Monty Hall In un popolare show televisivo americano il presentatore mostra al concorrente tre porte chiuse. Dietro a una di esse si cela il premio

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

Esempi introduttivi Variabili casuali Eventi casuali e probabilità

Esempi introduttivi Variabili casuali Eventi casuali e probabilità Esempi introduttivi Esempio tipico di problema della meccanica razionale: traiettoria di un proiettile. Esempio tipico di problema idraulico: altezza d'acqua corrispondente a una portata assegnata. Come

Dettagli

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA

DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Valutazioe e riduzioe della vulerailità sismia di ediii esisteti i.a. Roma, 9-0 maggio 00 DOMINI DI CURVATURA DI SEZIONI IN C.A. IN PRESSOFLESSIONE DEVIATA. PARTE II: VALUTAZIONE SEMPLIFICATA Di Ludovio

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

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

CARATTERISTICHE GENERALI / GENERAL FEATURES

CARATTERISTICHE GENERALI / GENERAL FEATURES OPZIONI» otori i versioe flagia;» Coessioi laterali o posteriori;» Albero: cilidrico o scaalato;» Coessioi metriche o BSPP;» Altre caratteristiche speciali OPTIONS» Flage mout;» Side ad rear ports;» Shafts-

Dettagli

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \

unoperatore@nellospaziodihilberth e sia z un numero complesso tale che z1-a,da==)rr_néh - 0 impli-chi l:= -1 (21-A) : R- n ==) Dn L- \ 3,6 56 3,6 TEOR I A SPETTRALE La teoria spettrale degli operatori lieari- eo spazio di Hilbert é f odata, coe per gi spazi f i-ito-dimes ioal j-, sula defiizioe di- risolvete di u operatole' Sia (A,DA)

Dettagli

ATTIVATORE STABILIZZATO PER BOBINE DI SGANCIO A LANCIO DI CORRENTE.

ATTIVATORE STABILIZZATO PER BOBINE DI SGANCIO A LANCIO DI CORRENTE. Compatibilità totale con ogni apparato. Si usa con pulsanti normalmente chiusi. ella linea dei pulsanti c'è il 24Vcc. Insensibile alle interruzioni di rete. Insensibile agli sbalzi di tensione. Realizzazione

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

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

AcidSoft. Le nostre soluzioni. Innovazione

AcidSoft. Le nostre soluzioni. Innovazione AiSoft AiSoft ase alla passioe per l'iformatio teology e si oretizza i ua realtà impreitoriale, ua perfetta reazioe imia tra ooseza teia e reatività per realizzare progetti i grae iovazioe. Le ostre soluzioi

Dettagli

Lezione 10. La Statistica Inferenziale

Lezione 10. La Statistica Inferenziale Lezione 10 La Statistica Inferenziale Filosofia della scienza Secondo Aristotele, vi sono due vie attraverso le quali riusciamo a formare le nostre conoscenze: (1) la deduzione (2) l induzione. Lezione

Dettagli

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1.

aleatoria; se è nota la sua densità di probabilità ad essa si può associare una valore medio statistico. La grandezza così definita: (III.1. Caitolo III VALORI MEDI. SAZIONARIEÀ ED ERGODICIÀ III. - Mdi tatitich dl rimo ordi. Sia f( ) ua fuzio cotiua i aoci al gal alatorio (, t ζ ) la uatità dfiita dalla y f[(, t ζ )]. Ea idividua, a ua volta,

Dettagli

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 30 Settembre 2013 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

Tavola 1 - Popolazione italiana residente alle date dei censimenti generali, riportata ai confini attuali - Anni 1861-2001 (migliaia di unità)

Tavola 1 - Popolazione italiana residente alle date dei censimenti generali, riportata ai confini attuali - Anni 1861-2001 (migliaia di unità) 4 Quai eravamo, quai siamo, quai saremo Che cosa si impara el capiolo 4 er cooscere le caraerisiche e l evoluzioe della popolazioe ialiaa araverso u lugo arco di empo uilizziamo il asso di icremeo medio

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α?

Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? QUESITO 1 Nel triangolo disegnato a lato, qual è la misura, in gradi e primi sessagesimali, di α? Applicando il Teorema dei seni si può determinare il valore di senza indeterminazione, in quanto dalla

Dettagli

per lo Spettacolo masp CANDIDATI 2014 MASP X Sotto l Alto Patronato del Presidente della Repubblica

per lo Spettacolo masp CANDIDATI 2014 MASP X Sotto l Alto Patronato del Presidente della Repubblica Milao Italy Master i Maagemet per lo Spettacolo masp CANDIDATI 2014 MASP X Sotto l Alto Patroato del Presidete della Repubblica Lettera del Direttore Il Maestro Bertolt Brecht diceva che lo spettacolo

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 Capitolo 3. L'analisi della varianza. Il problema dei confronti multipli. La soluzione drastica di Bonferroni ed il test

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Analisi dei segnali nel dominio del tempo

Analisi dei segnali nel dominio del tempo Appui di Teoria dei Segali a.a. / Aalisi dei segali el domiio del empo L.Verdoliva I quesa prima pare del corso sudieremo come rappreseare i segali empo coiuo e discreo el domiio del empo e defiiremo le

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

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014 Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,

Dettagli