Stima puntuale di parametri
|
|
- Alberta Nicolosi
- 6 anni fa
- Visualizzazioni
Transcript
1 Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile Stima puntuale di parametri Ines Campa e Marco Longhi Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 1
2 Esercizi Esercizio 1. Si consideri per ϑ > 0 la funzione definita da 4 ϑ x se 0 x ϑ 4 f (x; ϑ) = ϑ (ϑ x) se ϑ < x ϑ 0 altrimenti 1. Verificare che per ogni ϑ > 0, f ( ; ϑ) rappresenta una funzione di densità di probabilità.. Sia X 1, X,, X n un campione casuale estratto dalla popolazione di densità f(, ϑ), stabilire se T = n X i è uno stimatore corretto di ϑ. Risoluzione. Disegniamo il grafico della funzione di densità di probabilità data Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p.
3 1. Risulta + f (x; ϑ)dx = 1 ϑ ϑ = 1 quindi f ( ; ϑ) rappresenta una funzione di densità di probabilità per ogni ϑ > 0. T è uno stimatore corretto o non distorto di ϑ se E [T] = ϑ. Nel nostro caso E [X] = 1 ϑ e [ ] E [T] = E X i = E [X i ] = n n = n ne [X i] = n n1 ϑ = ϑ = lo stimatore è corretto Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 3
4 Esercizio. Sia X la variabile casuale di Poisson di parametro λ, 1. calcolare lo stimatore di massima verosimiglianza di λ;. verificare la correttezza dello stimatore trovato; 3. calcolare l errore quadratico medio; 4. determinare uno stimatore con il metodo dei momenti; 5. supponendo poi di avere i seguenti dati campionati, 3,, 4, 3, 5, 4,, 3,, 3, 4,, 3, 4, 3,, 3, 4, 5, 4, 3, 3, 4 calcolare il valore stimato di λ. Risoluzione. X ha funzione di densità di probabilità f X (x; λ) = { λ x x! e λ se x N 0 altrove Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 4
5 La funzione di verosimiglianza è L (x 1,, x n, λ) = λx 1 x 1! e λ λx x! e λ... λxn x n! e λ = λx1+x+ +xn x 1!x! x n! e nλ = = 1 x 1!x! x n! λ x i e nλ con x i N, i = 1,, n. Il valore di λ : λ che massimizza L è detto stima di massima verosimiglianza e Λ(X 1, X,, X n ) è lo stimatore di massima verosimiglianza. Calcoliamo x d dλ L (x e nλ i 1 x i 1,, x n, λ) = x 1!x! x n! x i λ nλ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 5
6 Cerchiamo gli zeri della derivata prima di L (x 1,, x n, λ) rispetto a λ x i λ x i 1 nλ x i = 0 1 λ x i λ x i nλ x i = 0 1 λ x i n = 0 = λ(x 1, x,, x n ) = x i n = x n Si verifica che λ è un punto di massimo, anche se in modo piuttosto faticoso. Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 6
7 Quindi λ(x 1, x,, x n ) = x i = x n n è la stima di massima verosimiglianza di λ e la media campionaria lo stimatore di massima verosimiglianza. Allo stesso risultato si perviene usando la log-verosimiglianza ln[l (x 1,, x n, λ)] = nλ + x i lnλ ln(x i!) Calcoliamo d dλ ln[l (x 1,, x n, λ)] = n + Poniamo uguale a zero la derivata prima x i λ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 7
8 x i n + = 0 = λ λ(x 1, x,, x n ) = = x n n Lo stesso risultato di prima, ma si tratta di un punto di massimo? d dλ ln [L (x 1,, x n, λ)] λ = λ = x i λ x i < 0 = λ PUNTO DI MAX Per determinare se lo stimatore è non distorto calcoliamo ] E [ Λ(X 1, X,, X n ) = E [ [ ] n ] 1 X n = n E X i = 1 ne [X] n Essendo X v.c. di Poisson di parametro λ, si ha E [X] = λ, quindi ] E [ Λ(X 1, X,, X n ) = λ = Λ stimatore non distorto Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 8
9 Chiamiamo errore quadratico medio di uno stimatore T = t (X 1,, X ), la funzione di ϑ data da: MSE [T](ϑ) := E [(T τ(ϑ)) ] con τ(ϑ) funzione del parametro da stimare. Ma MSE[T](ϑ) := var [T] + [D [T](ϑ)], D [T](ϑ) := τ(ϑ) E [T] ] ] Nel nostro caso E [ Λ = λ = D [ Λ = 0, quindi ] MSE [ Λ ] = var[ Λ = var [ ] X n = }{{} X i ind. 1 n var [X i ] = 1 n nλ = λ n Determiniamo, ora, uno stimatore con il metodo dei momenti. Ricordiamo che con M r = 1 Xi r, µ r = E [X r ] n Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 9
10 indicano rispettivamente il momento campionario assoluto di ordine r e il momento di ordine r della variabile casuale X. Il metodo dei momenti consiste nel risolvere il sistema nelle incognite ϑ 1,, ϑ k di k, numero dei parametri incogniti, equazioni µ 1 = M 1 µ = M µ k = M k Nel nostro caso abbiamo solo un parametro da stimare, λ, quindi calcoliamo Posto µ 1 = M 1, risulta Λ = 1 n µ 1 = E [X] = λ, e M 1 = 1 n X i. X i Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 10
11 Esercizio 3. Sia X 1, X...X n un campione casuale di ampiezza n estratto da una popolazione con distribuzione uniforme nell intervallo [a b, a + b]. Determinare gli stimatori di a e b con il metodo dei momenti. Risoluzione. L intervallo ha ampiezza a + b (a b) = b, ne segue che la funzione di densità di probabilità della v.c. X è f (x; a, b) = { 1 b se a b x a + b 0 altrove Per determinare gli stimatori di a, b con il metodo dei momenti, bisogna risolvere il sistema { µ 1 = M 1 µ 1 = X n µ = M = µ = 1 n Xi Calcoliamo µ 1 = a+b+a b = a e Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 11
12 Sostituendo µ = var[x] + (µ 1) = [(a + b) (a b)] 1 a = X n b 3 + a = 1 n Xi + a = b 3 + a ed eseguendo alcuni passaggi algebrici, ne segue che gli stimatori cercati sono â = 1 ( X i e n b = 3 Xi n 3 n ) n X i Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 1
13 Esercizio 4. Sia data la variabile casuale unidimensionale X con funzione di densità di probabilità data da: con ϑ > 0. f (x; ϑ) = { 1 18ϑ e x 4 3ϑ se x 0 0 altrimenti 1. Trovare uno stimatore di ϑ > 0 con il metodo di massima verosimiglianza.. Calcolare la densità di probabilità della variabile casuale Y = X. Risoluzione. Costruiamo la funzione di massima verosimiglianza L (x 1,, x n, ϑ) = 1 x1 18ϑ 4 e 3ϑ con x i 0, i = 1,...,n. = 1 x 18ϑ 4 e 3ϑ... 1 (18ϑ 4 ) n e ( x 1 + x xn) 3ϑ 1 x n 18ϑ 4 e 3ϑ = Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 13
14 Cerchiamo ϑ che massimizza lnl tra le soluzioni di d dϑ lnl = n ln18ϑ 4 + lne ( x 1 + x xn) 3ϑ x1 + x x n = n ln18 4n lnϑ 3ϑ si ha d dϑ lnl = 4n ϑ + 3ϑ 3 ( x 1 + x x n ) = 0 Essendo ϑ > 0 risulta ϑ = x1 + x x n 6n Vediamo se si tratta di un punto di massimo, calcoliamo d lnl = +4n dϑ ϑ ϑ 4 ( x 1 + x x n ) lnl = 0. Calcoliamo Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 14
15 ne segue d dϑ lnl ϑ = ϑ = ϑ ( n ϑ 6n ϑ ) = 8n ϑ < 0 = ϑ PUNTO DI MAX Quindi xi Θ = 6n è uno stimatore di ϑ di massima verosimiglianza. Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 15
16 Determiniamo la densità di probabilità della variabile casuale Y = [ X. Si X ] ha F Y (y) = P [Y y] = P y. Se y < 0 si ha [ x y] =. Se y 0, si ha F Y (y) = P [ X y ] = y ϑ 4 e x 3ϑ dx Posto t = x 3ϑ, risulta d t = 1 6ϑ x d x = 18ϑ4 td t = d x. Quindi y 0 1 x 18ϑ 4 e 3ϑ dx = y 3ϑ 0 te t d t = 1 e y 3ϑ ( 1 + y 3ϑ ) Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 16
17 Ne segue derivando si ottiene F Y (y) { f Y (y) 1 e ( y 3ϑ 1 + y se y 0 0 se y < 0 3ϑ ) { y 9ϑ e y 4 3ϑ se y 0 0 se y < 0 Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 17
18 Esercizio 5. Si supponga che X 1, X, X 3 sia un campione casuale di ampiezza 3 estratto da una distribuzione esponenziale di media λ. Si considerino i seguenti stimatori del parametro λ: Λ 1 = X 1, Λ = X 1 + X 1. Indicare quali sono gli stimatori non distorti di λ., Λ 3 = X 1 + X 3. Individuare tra gli stimatori non distorti quello con MSE minimo., Λ 4 = X 3 Risoluzione. Sia X una v.c. esponenziale di media λ, si ha f (x; λ) = { 1 λ e x λ se x 0 0 altrove con E [X] = λ e var [X] = λ. Calcoliamo il valore atteso degli stimatori dati E [Λ 1 ] = E [X 1 ] = λ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 18
19 [ ] X1 + X E [Λ ] = E = 1 (E [X 1] + E [X ]) = 1 λ = λ [ ] X1 + X E [Λ 3 ] = E = (E [X 1] + E [X ]) = 1 (λ + λ) = λ 3 E [Λ 4 ] = E [ X 3 ] = λ Tutti gli stimatori dati sono non distorti, per individuare il preferibile, calcoliamo la varianza di ciascuno: var [Λ 1 ] = var [X 1 ] = λ [ ] X1 + X var [Λ ] = var = 1 4 (var [X 1] + var[x ] + cov [X 1, X ]) = = 1 4 λ = 1 λ (X 1 e X sono indipendenti) [ ] X1 + X var[λ 3 ] = var = (var [X 1] + 4var[X ]) = 1 (λ + 4λ ) = λ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 19
20 var [Λ 4 ] = var [ X 3 ] = 1 3 λ Lo stimatore non distorto con varianza minima è la media campionaria. Esercizio 6. Il numero di interruzioni (crash) di un personal computer segue una distribuzione di Poisson di parametro λ. Sia X 1, X...X n un campione casuale di ampiezza n estratto dalla distribuzione di Poisson data. Se il costo di riparazione è dato da Y n = 3X n + X n dove X n è la media campionaria su n crash, calcolare E [Y ]. Risoluzione. Sia X una v.c. di Poisson di parametro λ, si ha f (x; λ) = { λ x x! e λ se x = 0, 1,, altrove con E [X] = λ e var [X] = λ. Calcoliamo il valore atteso dello stimatore dato [ ] E [Y n ] = E 3X n + X n = 3E [ ] [ ] [ ] X n + E X n = 3λ + E X n Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 0
21 Ma quindi E [ ] X n E [ X n ] = var [ Xn ], var [ Xn ] = var [X] n = λ n, E [Y n ] = 3λ + λ n + λ e passando al limite per n si ha E [Y ] = 3λ + λ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 1
22 Esercizio 7. Per un corso la prova d accertamento del profitto è costituita da una batteria di 30 quesiti con risposta dicotomica. Si può ipotizzare che chi risponde a caso ad un quesito abbia probabilità 1 di indovinare la risposta esatta. Supponiamo che ogni risposta esatta sia valutata 1 30, si dica qual è per una persona perfettamente ignorante: 1. la probabilità di ottenere la sufficienza in una prova d esame;. il numero medio di prove necessarie per superare l esame. Sia X la variabile casuale che conteggia il numero di risposte esatte in una prova. È ragionevole pensare che X = S + I dove S indica la variabile casuale che conteggia il numero dei quesiti di cui il candidato sa la risposta esatta, mentre I è la variabile casuale che conteggia il numero di risposte indovinate. Sia S la v.c. binomiale di parametri n = 30 e p e sia I/S = s la v.c. binomiale di parametri n = 30 s e p = 1. Si determini la funzione di densità di probabilità congiunta di S e I, p S,I (s, i). Si mostri che p X (x) = x p S,I (s, x s) con x = 0,, 30 e dunque X è una s=0 variabile casuale binomiale di parametri n = 30 e 1+p. Si determini uno stimatore non distorto di p. Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p.
23 Risoluzione. Per ipotesi X è la v.c. che conteggia il numero di risposte esatte, ha distribuzione Bi ( 30, ) 1 con ( ) 30 p X (x) = p x (1 p) 30 x x = 0,, 30 x Nel caso ricerchiamo la probabilità di ottenere appena la sufficienza si ha ( ) (1 ) 18 ( ) p = p X (18) = Se invece vogliamo almeno la sufficienza, dobbiamo calcolare P [X 18]. Dato che { np = 30 1 ) nq = 30 1 = 15 5 = X ha distribuzione appr. N = 15 5 ( 15, 15 Quindi P [X 18] = P [X 17.5] = p con l interpolazione, facendo invece " la media aritmetica" p = Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 3
24 T denota il numero di prove di 30 domande ciascuna. Quando si avrà il superamento della prova con esattamente la sufficienza T è una v.c. di Pascal di parametro p = , quindi E [T] = 1 p , per passare la prova con esattamente la sufficienza bisogna fare mediamente l esame dalle 1 alle 13 volte. Se invece si avrà il superamento della prova con almeno la sufficienza T è una v.c. di Pascal di parametro p = = E [T] p = = E [T] Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 4
25 Sia 0 s 30 e 0 i 30 s allora ( ) 30 p S,I (s, i) = p s (1 p) 30 s s = ( 30 s ) ( 30 s i ( ) 30 s i ) (1 p s [ 1 (1 p) ] 30 s ) i ( ) 30 s i 1 = Scelto 0 s 30 e 0 i 30 s risulta p X (x) = = (s,i): s+i=x ( x s=0 30 x p S,I (s, i) = ) ( x s ) (s,i): i=x s [ ] 30 s 1 p p s = p S,I (s, x s) = Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 5
26 = ( 30 s ) s=0 ( ) 30 x x ( 1 p Ricordando il binomio di Newton ( ) x ( x 1 p p s s s=0 x s ) x s = ) p s ( 1 p ( 1 + p ) x ) x s. si ha p X (x) = ( 30 x ) (1 ) (30 x) ( ) x p 1 + p, con x = 0, 1,..., 30. Pertanto X è una binomiale di parametri 30 e 1+p, di media E [X] = p = 15 (1 + p). Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 6
27 Determiniamo, inoltre, uno stimatore di p con il metodo dei momenti: Calcoliamo E [ p] quindi p è corretto. X n = 15(1 + p) = p = X n 15 E [ p] = stimatore di p. 15(1 + p) 1 = p, Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 7
28 Esercizio 8. X 1, X...X n un campione casuale proveniente da una distribuzione rettangolare nell intervallo [0, ϑ] con ϑ > Si determini lo stimatore di ϑ con il metodo dei momenti.. Si verifichi se tale stimatore è consistente. Risoluzione. L intervallo ha ampiezza ϑ 0 = ϑ, ne segue che la funzione di densità di probabilità della v.c. rettangolare X è f (x; ϑ) = { 1 ϑ se 0 x ϑ 0 altrove Per determinare lo stimatore di ϑ con il metodo dei momenti, bisogna risolvere l equazione µ 1 = M 1 = µ 1 = X n, rispetto a ϑ. Calcoliamo µ 1 = 0+ϑ = ϑ, sostituendo nell equazione precedente risulta X n uno stimatore di ϑ. Essendo E [ ] X n = ϑ, lo stimatore è non distorto. Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 8
29 Calcoliamo var [ X n ] = }{{} X i indip. 1 n var[x i ] = 1 n n ϑ 3 = ϑ 3n. Ne segue [ (Xn lim E ϑ ) ] = n + quindi lo stimatore è consistente. lim n + ϑ 3n = 0, Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 9
30 Esercizio 9 (Tema d esame del 10/01/006). Sia X 1, X...X n un campione casuale di ampiezza n estratto da una popolazione con densità di probabilità con ϑ > 0. { ( ) f X (x, ϑ) = ϑ 1 x ϑ se 0 x ϑ 0 altrove 1. Determinare uno stimatore T di ϑ con il metodo dei momenti.. Stabilire se T è distorto e calcolarne l errore quadratico medio. Risoluzione. Individuiamo lo stimatore T del parametro ϑ, risolvendo rispetto a ϑ X n = E [X]. Calcoliamo quindi E [X] = ϑ 0 (1 ϑ x x ) d x = 1 ϑ 3 ϑ Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 30
31 X n = 1 3 ϑ = T = 3X n. Lo stimatore è non distorto, infatti, E [ 3X n ] = 3E [ Xn ] = 3 ϑ 3 = ϑ Calcoliamo, infine, l errore quadratico medio MSE[T] = var[t] = var [ ] var[x] 3X n = 9. n E [ X ] = ϑ Ne segue MSE[T] = ϑ n. 0 ( ϑ x 1 x ) d x = ϑ ϑ 6 = var[x] = ϑ 6 ϑ 9 = ϑ 18. Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 31
32 Esercizio 10 (Tema d esame del 1/07/005). Sia X 1, X...X n un campione casuale di ampiezza n estratto da una popolazione con densità di probabilità f X (x, ϑ) = { 5 ϑ ϑ x ϑ 1 se 0 < x < 5 0 altrove con ϑ > 0. Determinare lo stimatore di massima verosimiglianza Θ di ϑ. Risoluzione. Calcoliamo la funzione di massima verosimiglianza L (x 1, x,, x n, ϑ) = n n f (x i, ϑ) = 5 nϑ ϑ n x ϑ 1 i con 0 < x i < 5, i = 1,,...,,n. Quindi lnl = nϑ ln5 + n lnϑ + (ϑ 1) lnx i e Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 3
33 Poniamo Inoltre, d dϑ lnl = n ln5 + n n ϑ + d dϑ lnl = 0 = ϑ = d dϑ lnl n n ln5 n ln x i ϑ = ϑ = ṋ ϑ < 0 lnx i quindi Θ = n n ln5 n lnx i Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 33
34 Esercizio 11 (Tema d esame del 8/06/005). Sia X 1,...,X n un campione casuale, di dimensione n, estratto da una distribuzione rettangolare uniforme sull intervallo [a, a]. 1. Determinare uno stimatore T 1 di a con il metodo dei momenti. Verificare se lo stimatore T 1 è distorto e calcolarne l errore quadratico medio MSE[T 1 ].. Considerato poi lo stimatore T = 1 X X, verificare se T è distorto e calcolarne l errore quadratico medio MSE[T ]. 3. Supposto n = 3, quale dei due stimatori T 1 e T di a è preferibile (giustificare la risposta)? T 1 = 3 X n T 1 non distorto [Risposta MSE[T 1 ] = a 7n T non distorto MSE[T ] = 5a 16 T 1 preferibile ] Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 34
35 Esercizio 1 (Tema d esame del 11/04/006). Determinare lo stimatore di massima verosimiglianza del parametro λ per un campione estratto dalla densità f(x) = { λ (x 1)e λ(x 1) se x > 1, 0 altrove. [Risposta T = X n 1 ] Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 35
36 Esercizio 13 (Tema d esame del 04/07/006). Sia X 1,...,X 8 un campione aleatorio, di dimensione 8, estratto da una distribuzione rettangolare uniforme sull intervallo [ 1, b], con b > 1. Si chiede: 1. determinare uno stimatore T 1 di b con il metodo dei momenti;. determinare se lo stimatore T 1 sia distorto; 3. calcolare l errore quadratico medio MSE[T 1 ]; 4. considerato poi lo stimatore T = 4X 8 X 3 X 5 + 1, calcolarne l errore quadratico medio MSE[T ]; 5. determinare quale dei due stimatori T 1 e T di b sia preferibile, giustificando la risposta. [Risposta T 1 = X n + 1 T 1 non distorto MSE[T 1 ] = (b+1) 4 MSE[T ] = (b+1) 6 T 1 preferibile ] Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 36
37 Esercizio 14 (Tema d esame del 05/04/005). Sia X una variabile casuale normale con media µ e varianza σ. Siano X 1, X, X 3 le variabili casuali indipendenti descritte dalle tre determinazioni x 1, x, x 3 di un campione casuale estratto da essa. Per stimare il parametro µ si considerano i due seguenti stimatori: X 3 = X 1 + X + X 3 3, T = 1 5 X X X Dire se X 3 e T sono stimatori non distorti di µ e motivare la risposta.. Calcolare MSE[X 3 ] e MSE[T] e stabilire quale tra i due stimatori X 3 e T di µ sia preferibile, motivando la risposta. X 3 non distorto [Risposta T non distorto MSE[X 3 ] = σ 3 MSE[T] = 11σ 5 X 3 preferibile ] Probabilità e Statistica - Esercitazioni - a.a. 006/007 Stima puntuale di parametri- Ines Campa e Marco Longhi - p. 37
Intervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliVariabili casuali multidimensionali
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 8 Abbiamo visto: Metodi per la determinazione di uno stimatore Metodo di massima verosimiglianza
DettagliEsercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano
Esercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano Esercizio 1 Una moneta viene lanciata 6 volte. Calcolare a) La probabilità che escano esattamente
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
Dettagli4. Si supponga che il tempo impiegato da una lettera spedita dall Italia per arrivare a destinazione segua una distribuzione normale con media
Esercizi sulle distribuzioni, il teorema limite centrale e la stima puntuale Corso di Probabilità e Inferenza Statistica, anno 007-008, Prof. Mortera 1. Sia X la durata in mesi di una valvola per radio.
DettagliStatistica 2. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo
Statistica 2 Esercitazioni Dott. L 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
Dettagli(a) Determinare lo stimatore di massima verosimiglianza θ di θ. (b) Calcolare la funzione di score e l informazione di Fisher.
Statistica Matematica, Anno Accademico 216/17, 27 Gennaio 217 ESERCIZIO 1 Siano X 1, X 2, X 3 variabili aleatorie indipendenti con legge X 1 Gamma(3,2), X 2 Gamma(5,1) e X 3 Gamma(4,3) Determinare la funzione
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliStatistica descrittiva II
Probabilità e Statistica Esercitazioni a.a. 009/010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Statistica descrittiva II Ines Campa Probabilità e Statistica - Esercitazioni
DettagliEsercitazioni di Statistica Metodologica
Esercitazioni di Statistica Metodologica June 22, 2009 1 Esercizio La compagnia di telefonia fissa Happy Line ha svolto una indagine sul numero di telefonate effettuate dai suoi clienti la settimana scorsa.
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La v.c. Uniforme Continua Secondo alcuni sondaggi sul sito della Apple (technical support site,
DettagliX Vincita (in euro) Tabella 1: Vincite
Cognome e Nome:....................................... Matricola............. CdS............. CALCOLO DELLE PROBABILITA - 9 Giugno 1 CdS in STAD, SIGAD - docente: G. Sanfilippo Motivare dettagliatamente
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
DettagliStatistical Process Control
Statistical Process Control ESERCIZI II Esercizio 1. Una ditta che produce schermi a cristalli liquidi deve tenere in controllo il numero di pixel non funzionanti. Vengono ispezionati venti schermi alla
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliCALCOLO DELLE PROBABILITÀ - 9 giugno 1998 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ - 9 giugno 1998 1. Dati gli eventi A,B,C, ognuno dei quali implica il successivo, e tali che P (A) è metà della probabilità di B, che a sua volta ha probabilità metà di quella
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliLezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Esercizio: si consideri una generica popolazione X con media µ e varianza σ 2 Siano T 1 =(X 1 +X 2 +X 3 +X 4 )/4 e T 2 =(3X 1 +4X
DettagliVariabili casuali II
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliStatistica Sociale e Criminale (12 CFU) A.A. 2015/2016
Statistica Sociale e Criminale (1 CFU) A.A. 015/016 CdL Sociologia e Criminologia Simone Di Zio Dove siamo MODULO 3. L Inferenza statistica 3.1 Probabilità e variabili casuali 3. Le tecniche di campionamento
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia
DettagliSESSIONE SUPPLETIVA QUESTIONARIO QUESITO 1
www.matefilia.it SESSIONE SUPPLETIVA 015 - QUESTIONARIO x QUESITO 1 Data la funzione integrale ln(t) dt, determinare per quali valori di x il suo grafico 1 incontra la retta di equazione y = x + 1. Calcoliamo
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliEsercizi di Ricapitolazione
Esercizio 1. Sono dati 150g di una soluzione S 1 concentrata al 12%. (a) Determinare quanti grammi di soluto occorre aggiungere a S 1 per ottenere una nuova soluzione S 2 concentrata al 20%. (b) Determinare
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 9 Abbiamo visto metodi per la determinazione di uno stimatore puntuale e casi per: Carattere con
Dettagli5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2010/11
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 00/ Prova scritta del /0/0 Esercizio Due variabili aleatorie indipendenti, X e Y, verificano la relazione X Y. ) Si provi che F Y (x) F X (x) per ogni numero
Dettaglib) E necessario formulare delle ipotesi per calcolare l intervallo di confidenza ottenuto al punto a? (motivare brevemente la risposta):
ESERCIZIO 1 Una grande banca vuole stimare l ammontare medio di denaro che deve essere corrisposto dai correntisti che hanno il conto scoperto. Si seleziona un campione di 100 clienti su cui si osserva
DettagliEsercizi su variabili aleatorie discrete
Esercizi su variabili aleatorie discrete Esercizio 1. Data la variabile aleatoria discreta X, caratterizzata dalla seguente rappresentazione nello spazio degli stati: 1 0,25 X = { 0 0,50 1 0,25 calcolare
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
DettagliEsercitazioni di Statistica Matematica A Lezione 2. Variabili con distribuzione gaussiana
Esercitazioni di Statistica Matematica A Lezione 2 Variabili con distribuzione gaussiana.) Una bilancia difettosa ha un errore sistematico di 0.g ed un errore casuale che si suppone avere la distribuzione
DettagliModelli di variabili casuali
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Modelli di variabili casuali Ines Campa Probabilità e Statistica -
DettagliEsercizi svolti di statistica. Gianpaolo Gabutti
Esercizi svolti di statistica Gianpaolo Gabutti (gabuttig@hotmail.com) 1 Introduzione Questo breve documento contiene lo svolgimento di alcuni esercizi di statistica da me svolti durante la preparazione
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
Dettagli1 Esercizi per l esame finale
1 Esercizi per l esame finale 1 1 Esercizi per l esame finale 1.1 Stima puntuale 1 Sia (X 1,..., X n ) un campione casuale estratto da una distribuzione U[0, θ], θ > 0. (a) Scrivere la funzione di verosimiglianza
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliProbabilità e Statistica Esercitazioni. a.a. 2006/2007
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5:
esercitazione 5 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5: 22-04-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Elementi che fanno variare l ampiezza dell intervallo di confidenza (p. 70) s.q.m. dell universo σ Più σ è elevato, maggiore è la
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliTEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE
TEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia Parte A. Sia X, X,...
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliVariabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliCALENDARIO BOREALE 2 AMERICHE 2015 QUESITO 1
www.matefilia.it Indirizzi: LI0, EA0 SCIENTIFICO; LI0 - SCIENTIFICO - OPZIONE SCIENZE APPLICATE CALENDARIO BOREALE AMERICHE 0 QUESITO Determinare il volume del solido generato dalla rotazione attorno alla
DettagliTEST n La funzione di ripartizione di una variabile aleatoria:
TEST n. 1 1. Un esperimento consiste nell estrarre successivamente, con reimmissione nel mazzo, due carte da un mazzo di 52 carte. Individuare la probabilità di estrarre due assi. A 0.0059 B 0.0044 C 0.0045
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
Dettaglib = 1 2σ 3. La lunghezza di una barra è un numero aleatorio X con densità della forma 0, x 0, 0 < x 1 a = 1 F (x) = 2 2x 1 x2
CALCOLO DELLE PROBABILITÀ E STATISTICA - 0 gennaio 2002 Informatica (N.O.) (Canali 4) esercizi -4 Vecchio Ordinamento esercizi -6. Da un lotto contenente 4 pezzi buoni e 2 difettosi si estraggono senza
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliMetodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione
Metodi statistici per la ricerca sociale Capitolo 7. Confronto tra Due Gruppi Esercitazione Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze
DettagliProva d'esame di Statistica I - Corso Prof.ssa S. Terzi
Prova d'esame di Statistica I - Corso Prof.ssa S. Terzi Esercizio 1 Data la variabile casuale X con funzione di densità f(x) = 2x, per 0 x 1; f(x) = 0 per x [0, 1], determinare: a) P( - 0,5 < X< 0,7) b)
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliUniversità degli studi di Udine - Sede di Pordenone
Università degli studi di Udine - Sede di Pordenone Facoltà di Scienze della Formazione - Corso di Corso di Matematica e Statistica Tema d esame AA2009/2010-27 gennaio 2010 Esercizio 1a Esplicitare la
DettagliIndici di Dispersione
Indici di Dispersione Si cercano indici di dispersione che: utilizzino tutti i dati {x 1, x 2,..., x n } siano basati sulla nozione di scarto (distanza) dei dati rispetto a un centro d i = x i C ad esempio,
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Corso di Calcolo delle Probabilità A. A. /5 prova scritta (//5(docenti G. Nappo, F. Spizzichino La prova scritta consiste nello svolgimento dei punti non facoltativi
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica 69AA) A.A. 06/7 - Prima prova in itinere 07-0-03 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliSTATISTICA A K (63 ore) Marco Riani
STATISTICA A K (63 ore) Marco Riani mriani@unipr.it http://www.riani.it Esercizio In un urna vi sono N/2 palline bianche e N/2 palline nere. Si supponga di estrarre un campione con ripetizione di dimensione
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
DettagliSezione Prima Derivate di funzioni elementari: quadro riassuntivo e regole di derivazione. = ( n) lim x
Capitolo USO DELLE DERIVATE IN ECONOMIA Sezione Prima Derivate di funzioni elementari: quadro riassuntivo e regole di derivazione Si definisce derivata della funzione y f() nel punto 0 del suo insieme
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005
Statistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Esercizio
Dettagli