Disuguaglianza di Cramér-Rao
|
|
- Regina Bini
- 6 anni fa
- Visualizzazioni
Transcript
1 Disuguaglianza di Cramér-Rao (Appunti per gli studenti Silvano Holzer Dipartimento di Scienze Economiche, Aziendali, Matematiche e Statistiche Bruno de Finetti Università degli studi di Trieste Un esperimento statistico dominato (, ℵ, µ, (f Θ si chiama regolare se verifica le seguenti proprietà di regolarità 1 : P1 Θ è un intervallo (limitato o no della retta reale; P2 0 < f (x < + per ogni campione x e per ogni stato ; P3 Per ogni campione x esiste finita la derivata parziale f (x; P4 f (xµ(dx 0 per ogni stato 2. Esempio 0.1 I primi due esempi assicurano che il campionamento bernoulliano e quello normale con media incognita sono esperimenti statistici regolari; l ultimo, invece, fornisce un esempio di esperimento statistico non regolare. (i Posto Θ ]0, 1[, sia l osservabile costituito dalle v.a. 1,..., n indipendenti e distribuite secondo la distribuzione di Bernoulli Ber( in corrispondenza ad ogni. Allora, {0, 1} n, µ γ e f (x n x (1 n(1 x (1 per ogni x. Posto α n x e β n(1 x n α, otteniamo f (x n α 1 (1 β 1 ( x 1 Per quanto concerne i risultati e le nozioni preliminari, faremo sempre riferimento al testo: S. Holzer, Elementi di teoria delle decisioni statistiche, EUT ( Condizione verificata se è possibile, qualunque sia x, derivare sotto il segno d integrale; risulta infatti 0 d d f dµ f dµ, osservato che f dµ 1 per ogni. 1
2 e quindi f (xµ(dx n 1 (1 1 ( x α (1 β γ (dx n 1 (1 1 E ( 0, ricordato che la media campionaria è uno stimatore non distorto. (ii Posto Θ R, sia l osservabile costituito dalle v.a. 1,..., n indipendenti e distribuite secondo la normale N(, σ 2 in corrispondenza ad ogni. Allora, R n, µ λ n e, per la formula (B.10 dell Esempio B.2.18(ii, n f (x (2πσ 2 n 2 exp [ (x i x 2 ] n( x ] 2 2σ 2 exp [ 2σ 2 (2 per ogni x. Posto otteniamo e quindi f (xµ(dx n σ 2 n K (2πσ 2 n 2 exp [ (x i x 2 ] 2σ 2 f (x n [ σ 2 ( x K exp n( x ] 2 2σ 2 R n ( x K exp n( x ] 2 [ 2σ 2 λ n (dx n σ 2 E ( 0, ricordato che la media campionaria è uno stimatore non distorto. (iii Posto Θ ]0, + [, sia l osservabile una v.a. distribuita uniformemente nell intervallo chiuso [0, ] in corrispondenza ad ogni. Allora, [0, + [, µ λ [0,+ [ e f 1 I [0,] per ogni. Conseguentemente, la proprietà P2 non è verificata. 1 Informazione di Fisher In questa sezione assumiamo che siano verificate la proprietà P2 e P3. Possiamo allora considerare su Θ la funzione - chiamata informazione di Fisher - così definita: [ ( ] 2 ( 2 I( E (x f (xµ(dx. Esempio 1.1 (i Con riferimento all Esempio 0.1(i, dalla (1 con n 1 otteniamo e quindi I( 1 2 (1 2 (x x 1 x 1 x (1 (x 2 f (x γ (dx (1 2 Var 1 ( (1,
3 osservato che Var ( (1. (ii Con riferimento all Esempio 0.1(ii, dalla (2 con n 1 otteniamo e quindi I( 1 σ 4 osservato che Var ( σ 2. R (x x σ 2 (x 2 f (xdx 1 σ 4 Var ( 1 σ 2, Con riferimento agli esperimenti statistici regolari, il prossimo lemma assicura che, in ogni stato, l informazione di Fisher coincide con la varianza della v.a. definita sullo spazio campionario. Lemma 1.2 Sussista P4. Allora, E ( 0, qualunque sia. Dimostrazione Risulta 0 f (xµ(dx qualunque sia. ( [ ] (x f (xµ(dx E Passando al caso multidimensionale, introduciamo la nozione di esperimento statistico prodotto tramite il cosiddetto schema delle prove ripetute che formalizza, dal punto di vista intuitivo, la situazione dell esecuzione (simultanea o in un certo ordine di un numero finito di prove i cui risultati (relativi ad alcune di queste e considerati sia singolarmente che nel loro complesso DM ritiene non siano in grado di alterare le sue opinioni sui risultati delle rimanenti prove. Definizione 1.3 Dati gli esperimenti statistici ( i, ℵ i, µ i, (f (i Θ (i 1,..., n, si chiama esperimento statistico prodotto l esperimento statistico (n 1 n, ℵ (n ℵ 1 ℵ n, µ (n µ 1 µ n e f (n (x f (1 (x 1 f (n (x n per ogni x (x 1,..., x n e per ogni. Il teorema seguente, al quale premettiamo un lemma, assicura che l informazione di Fisher dell esperimento prodotto è la somma delle informazioni di Fisher dei suoi fattori. 3
4 Lemma 1.4 Dati gli spazi di misura (Ω i, A i, m ı, con m i σ-finita, sia Ω (n Ω 1 Ω n, A (n A 1 A n e m (n m 1 m n. Allora, se la funzione A i -Borel misurabile f i : Ω i R è non negativa (i 1,..., n o m i -integrabile (i 1,..., n, risulta Ω (n n f i (ω i m (n (dω 1 dω n n Ω i f i (ω i m i (dω i. Dimostrazione Poichè per n 1 la tesi è banale, procediamo per induzione assumendo che sussista per n e proviamola per k n + 1. Allora, posto f(ω 1,..., ω k f 1 (ω 1 f k (ω k, dal Lemma A.5.1(iii (via dimostrazione per induzione e il Teorema A.2.5(iii otteniamo che f è A (k -Borel misurabile e quindi, per il Teorema A.2.3(ii, anche f. Inoltre, f è m (k -sommabile, se f i 0 (i 1,..., n, ed è m (k -integrabile, se f i è m i -integrabile (i 1,..., n. Infatti, nel secondo caso, dal Teorema A.5.6 si ha ( ( ( f dm (k f (ω 1,..., ω k m k (dω k m n (dω n m 1 (dω 1 Ω (k Ω 1 Ω n Ω k ( ( ( n f i (ω i f k (ω k m k (dω k m n (dω n m 1 (dω 1 Ω 1 Ω n Ω k ( ( ( n f i (ω i m n (dω n m 1 (dω 1 f k (ω k m k (dω k Ω 1 Ω n Ω k ( n f i (ω i m (n (dω 1 dω n f k (ω k m k (dω k Ω k Ω (n da cui, per l ipotesi induttiva (applicata alle f i (i 1,..., n, risulta Ω (k f dm (k n Ω i f i (ω i m i (dω i. Ne segue, per il Teorema A.3.5(ii, che f è m (k -integrabile e quindi, per il medesimo teorema, lo è anche f. Possiamo quindi applicare, in ogni caso, il Teorema A.5.6 ottenendo (sostituendo nella precedente catena di uguaglianze f, f i con f, f i (i 1,... k la tesi. Teorema 1.5 Dati gli esperimenti statistici regolari ( h, ℵ h, µ h, (f (h Θ con informazione di Fisher I h finita (h 1,..., n, sia I (n quella dell esperimento prodotto. Risulta allora, I (n I I n. 4
5 Dimostrazione L esperimento statistico prodotto verifica banalmente le proprietà P2, P3 per cui ha senso considerare la relativa informazione di Fisher. Dato, risulta ( I (n (n 2 (n ( n f dµ (n ( n 2 (i (x n i f (h (x h µ (n (dx n n n n j>i h1 [ ( (i 2 i (x fi (x i n [( k {i,j} ] h i (k (x k da cui, tramite il Lemma 1.4, otteniamo I (n ( n i n 1 ( ( + 2 j>i (i i ( 2 (i f dµ i (i n n 1 ( I h ( + 2 E h1 j>i f (h (x h µ (n (dx ] (x k f (k ( ( f (i dµ i j ( (i E h i,j f (h (x h µ (n (dx (j f (j dµ j (j. Ricordato che gli esperimenti sono regolari, ne segue, tramite il Lemma 1.2, la tesi. 2 Disuguaglianza di Cramér-Rao Nel prossimo teorema si considera una celebre disuguaglianza che fornisce, nel caso della stima puntuale per parametri reali con errore quadratico, una limitazione inferiore per la funzione di rischio MSE δ ( Var (δ + Bias (δ 2 dello stimatore δ che, qualora sia non distorto, dipendente solamente dall informazione di Fisher. Inoltre, il teorema mette in evidenza che l appartenenza delle densità di campionamento alla classe esponenziale è con- 5
6 dizione necessaria affinchè la disuguaglianza in oggetto sia un uguaglianza 3. Teorema 2.1 Dato un esperimento statistico regolare con informazione di Fisher I( > 0 e finita per ogni, sia T : R una v.a. con speranza matematica E (T finita per ogni e tale che la funzione E (T sia derivabile e risulti: ( d E (T ( T (x ( f (x( µ(dx 4 (3 d per ogni. Riesce allora Var (T [( d d E (T ( ] 2 I( (disuguaglianza di Cramér-Rao qualunque sia. Inoltre, se 0 < Var (T < + per ogni e le funzioni I(, Var (T sono continue (in e sussiste l uguaglianza Var (T [( d d E (T ( ] 2 I( (uguaglianza di Cramér-Rao per ogni, allora esiste una versione delle densità di campionamento appartenente alla famiglia esponenziale. Dimostrazione (i Dato, sia Y (x ( (x( per ogni x. Allora, per il Lemma 1.2, E (Y 0 e, per (3, E (Y T ( d E d (T (. Quindi, Cov (Y T ( d E d (T ( e, per il Teorema B.1.8(i, Var (Y I(. Conseguentemente, dalla disuguaglianza di Cauchy-Schwarz (Teorema B.1.9(iii otteniamo [ 2 ( d E (T ( ] d Cov (Y T 2 Var (Y Var (T Var (T I( 3 Ricordiamo che una densità di campionamento g appartiene alla famiglia esponenziale se è della forma: [ n ] g (x c( h(x exp π i (t i (x. Ad esempio, appartengono a questa famiglia le densità delle distribuzioni continue Gamma, Chi-quadrato, Beta, Normale di media nulla (con riferimento alla misura di Lebesgue e le funzioni di probabilità delle distribuzioni discrete Bernoulliana, Binomiale, Poissoniana e binomiale negativa (con riferimento alla misura di conteggio. 4 Condizioni sufficienti che assicurano la derivabilità sotto il segno d integrale sono fornite dal Teorema A
7 e quindi la disuguaglianza di Cramér-Rao. Passando alla seconda parte della tesi, sia [ ( d d E (T ( ] 2 Var (T I( (4 per ogni. Posto ne segue, ricordato che E (Y 0, c( I( Var (T E [ (c( (T E (T Y 2 ] c( 2 E [(T E (T 2 ] + E (Y 2 2c( E [(T E (T Y ] I( Var (T Var (T + Var (Y 2c( [E (T Y E (T E (Y ] I( + I( 2c( ( d d E (T ( da cui, per (4, otteniamo E [ (c( (T E (T Y 2 ] 2I( 2 I( Var (T I( Var (T 2I( 2I( 0. Conseguentemente, per il Teorema A.3.6(v, c( (T E (T Y 0 (µq.o. e quindi esiste 0 tale che µ( c 0 0 e ( (x( c( (T (x E (T per ogni x 0. Sia ora x 0. Data l arbitrarietà di e ricordata la proprietà P1, dal Teorema di Torricelli risulta allora, qualunque sia lo stato, (x T (x 0 c(t dt + 0 c(t E t (T dt + C(x, ove 0 è uno stato arbitrario. Posto β( 0 c(t dt e A( 0 c(t E t (T dt, si ha f (x exp[t (xβ(] exp A( exp C(x 7
8 e quindi, posto α( exp A(, si ottiene f (x α( exp C(x exp[β(t (x] per ogni. Considerata infine la funzione { exp C(x se x 0 γ(x, 0 se x 0 otteniamo che la funzione g (x α( γ(x exp[β(t (x] è una versione della densità di campionamento f, essendo µ( c 0 0. La dimostrazione è così conclusa. Osservazione 2.2 Uno stimatore non distorto δ che verifica l uguaglianza di Cramér-Rao, cioè tale che Var (δ 1 I( per ogni, viene detto stimatore non distorto con varianza uniformemente minima (o brevemente stimatore UMVUE dall inglese Uniformly Minimun Variance Unbiased Estimator. È uno stimatore di questo tipo la media campionaria nei campionamenti bernoulliano e normale con media incognita (considerati nell Esempio 1.1. Basta infatti notare che, per il Teorema 1.5, nei due campionamenti si ha, rispettivamente, Var ( (1 I( 1 e Var n ( σ2 n I( 1. È anche interessante osservare che, nei campionamenti considerati, l informazione di Fisher e la media campionaria (per il Teorema A.3.13 verificano le ipotesi del Teorema
Regressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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,
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
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
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
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliStatistica Matematica 3
Statistica Matematica 3 1 Regole bayesiane formali nella stima puntuale di un parametro reale Θ D R con D intervallo (limitato o no) P probabilità su T E P(Z) = Θ θ P(dθ) finito. Allora, per l internalità,
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
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
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
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
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliSi noti che questa definizione dice esattamente che
DISUGUAGLIANZA INTEGRALE DI JENSEN IN DIMENSIONE FINITA LIBOR VESELY integrazione. Prima disuguaglianza integrale di Jensen.. Motivazione. Siano un insieme convesso in uno spazio vettoriale, f : (, + ]
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
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliI I L I. e e. '/ene11c. cleup editore. v: IVO
'/ene11c I I ------L---------- 1 I I I I A e e cleup editore v: IVO \ o Adelchi Azzalini -Romano Vedaldi Introduzione all'inferenza statistica parametrica CENTRO < G. ASTENGO " cleup editore INVENTARIO?
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
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
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliDiario Complementi di Probabilità a.a. 2017/2018
Diario Complementi di Probabilità a.a. 2017/2018 Testi di riferimento: [W] Probability with martingales, D.Williams [Bi] Probability and measure, P.Billingsley [Ba] Appunti del corso di Calcolo delle Probabilità
DettagliIndice. Presentazione
Indice Presentazione v 1 Il problema statistico 1 1.1 Esperienze e regole 1 1.2 Un esempio introduttivo 3 1.3 Esperienze ed errori 4 1.4 Errori e fluttuazioni 6 1.5 Quando non ci sono regole 7 1.6 Conclusione
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
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
DettagliAnalisi Stocastica Programma del corso 2008/09
Analisi Stocastica Programma del corso 2008/09 [13/01] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza, valore
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliCorso di Metodi Matematici per l Ingegneria A.A. 2016/2017 Esercizi svolti su misura e integrale di Lebesgue, spazi L p, operatori lineari continui
Corso di Metodi Matematici per l Ingegneria A.A. 26/27 Esercizi svolti su misura e integrale di Lebesgue, spazi L p, operatori lineari continui Marco Bramanti Politecnico di Milano December 4, 26 Esercizi
DettagliAnalisi Stocastica Programma del corso 2009/10
Analisi Stocastica Programma del corso 2009/10 [13/01a] Introduzione. 0. Preludio (1 ora) [1] Descrizione del corso: obiettivi, prerequisiti, propedeuticità. Un esempio euristico: lavoro di una forza,
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
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliE n 1 n. n i. n 2. n 2 ( n
Lezione n. 7 7.1 Ancora sulle proprietà degli stimatori Esempio 7.1 [continua dall Esempio 6.1] Studiare varianza e MSE dei due stimatori e verificare se T n raggiunge il limite di Cramer- Rao. Soluzione.
DettagliQuesiti di Metodi Matematici per l Ingegneria
Quesiti di Metodi Matematici per l Ingegneria Presentiamo una raccolta di quesiti per la preparazione alla prova orale del modulo di Metodi Matematici per l Ingegneria. Per una buona preparazione é consigliabile
Dettagli11. Misure con segno.
11. Misure con segno. 11.1. Misure con segno. Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 11.1.1. (Misura con segno). Si chiama misura con segno su A ogni funzione ϕ : A R verificante
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
DettagliAlcuni complementi di teoria dell integrazione.
Alcuni complementi di teoria dell integrazione. In ciò che segue si suppone di avere uno spazio di misura (,, µ) 1 Sia f una funzione misurabile su un insieme di misura positiva tale che f 0. Se fdµ =
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
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
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
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
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
DettagliFacoltà di AGRARIA anno accademico 2009/10
Facoltà di AGRARIA anno accademico 2009/10 Attività didattica MATEMATICA E STATISTICA [AG0233], MATEMATICA E STATISTICA [AG0233] Periodo di svolgimento: Primo Semestre Docente titolare del corso: FREDDI
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - 05AA - A.A. 014-015 Prima prova di verifica intermedia - 9 aprile 015 Problema 1. Dati due eventi A, B, su uno spazio probabilizzato (Ω, F, P), diciamo che A è in
DettagliSerie e Trasformata di Fourier
Serie e Trasformata di Fourier Corso di Analisi Funzionale Prof. Paolo Nistri Cancelli, D Angelo, Giannetti Polinomio di Fourier Si consideri la successione costituita dalle restrizioni delle funzioni
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliIntegrali Curvilinei
Integrali Curvilinei Gianluca Gorni 11 gennaio 2006 1 Lunghezza di una curva Definizione 1.1. Una curva N-dimensionale è una funzione definita su un intervallo (compatto, se non specificato altrimenti)
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Intervalli di confidenza Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
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
Dettagli1-Forme Differenziali
1-Forme Differenziali 30 novembre 2011 1 Definizioni di base Siano n N e A R n un insieme aperto. Con (R n ) denotiamo il duale topologico di R n, cioè l insieme (R n ) = {p : R n R : R-lineari e continue}.
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
DettagliCP410: Esonero 1, 31 ottobre 2013
Dipartimento di Matematica, Roma Tre Pietro Caputo 2013-14, I semestre 31 ottobre, 2013 CP410: Esonero 1, 31 ottobre 2013 Cognome Nome Matricola Firma 1. Fare un esempio di successione di variabili aleatorie
DettagliL Analisi della Varianza (ANOVA)
L Analisi della Varianza (ANOVA) Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Introduzione. L analisi della varianza (indicata spesso con
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliSTATISTICA APPLICATA Prof.ssa Julia Mortera. INTRODUZIONE al STATISTICA
STATISTICA APPLICATA Prof.ssa Julia Mortera INTRODUZIONE al CAMPIONAMENTO e all INFERENZA STATISTICA Inferenza Statistica Nell inferenza statistica si usano le statistiche campionarie per fare previsioni
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliLa funzione di distribuzione Gaussiana normale
La funzione di distribuzione Gaussiana normale Nicola Morganti 25 aprile 2004 Indice Proprietà fondamentali 2 Standard Normal Density Function 3 3 Esempio applicativo 5 Proprietà fondamentali L utilizzo
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
Dettagli2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima.
2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 3. Fra tutti i cilindri a base rotonda inscritti in una sfera, determinare quello di volume massimo. 4. Dimostrare
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
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
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliSi dimostri che la (*) possiede un unica soluzione (u n ) limitata.
Scuola Normale Superiore, ammissione al IV anno del corso ordinario Prova scritta di Analisi Matematica per Fisica, Informatica, Matematica 26 Agosto 2 Esercizio. Siano (a n ) e (b n ) successioni di numeri
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
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliPolitecnico di Milano Corso di Analisi e Geometria 1. Federico Lastaria Formule di Taylor Ottobre 2012
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Formule di Taylor Ottobre 2012 Indice 1 Formule di Taylor 1 1.1 Il polinomio di Taylor...............................
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
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
DettagliIl Principio di Indeterminazione di Heisenberg
Il Principio di Indeterminazione di Heisenberg Il Principio di Indeterminazione di Heisenberg è uno dei fondamenti della meccanica quantistica, e stabilisce che non è possibile ottenere nello stesso tempo
DettagliAnalisi a più variabili: Integrale di Lebesgue
Analisi a più variabili: Integrale di Lebesgue 1 Ripasso delle definizioni di Algebre, σ-algebre, misure additive, misure σ-additive, Proprietà della misura astratta, misura esterna. Definizione (Insieme
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
Dettagli20. Prodotto di spazi di misura. I teoremi di Tonelli e di Fubini.
20. Prodotto di spazi di misura. I teoremi di Tonelli e di Fubini. 20.1. Prodotto di σ-algebre. Definizione 20.1.1. (σ-algebra prodotto. Dati n spazi misurabili (Ω 1, A 1,..., (Ω n, A n, si chiama σ-algebra
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it STIMA PUNTUALE (p. 55) Il parametro è stimato con un unico valore Esempio: stima della share di un programma TV = % di spettatori
DettagliStima puntuale di parametri
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
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
DettagliCOMPLEMENTI DI ANALISI MATEMATICA DI BASE. Prova scritta del 26 gennaio 2005
Prova scritta del 26 gennaio 2005 Esercizio 1. Posto B = x R 2 : x 2 2}, sia f n } una successione di funzioni (misurabili e) integrabili in B tali che f n f q.o. in B e, per ogni n N, f n (x) 2 x 3 per
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
DettagliStima Puntuale e per Intervallo. Stimatore e stima. Pietro Coretto Università degli Studi di Salerno
Stima Puntuale e per Intervallo Pietro Coretto pcoretto@unisa.it Università degli Studi di Salerno Corso di Statistica (01700010) CDL in Economia e Management Curriculum in Management e Informatica a.a.
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
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE PROCESSI DI POISSON Definizione Un processo stocastico che assume valori interi non negativi si dice essere un processo di Poisson con frequenza λ se 1. A(t) è un prosesso di
DettagliMatematica II prof. C.Mascia
Corso di laurea in CHIMICA INDUSTRIALE Sapienza, Università di Roma Matematica II prof CMascia alcuni esercizi, parte, 7 marzo 25 Indice Testi degli esercizi 2 Svolgimento degli esercizi 4 Testi degli
DettagliFondamenti di statistica per il miglioramento genetico delle piante. Antonio Di Matteo Università Federico II
Fondamenti di statistica per il miglioramento genetico delle piante Antonio Di Matteo Università Federico II Modulo 2 Variabili continue e Metodi parametrici Distribuzione Un insieme di misure è detto
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
DettagliFunzione derivabile. La derivata.
Funzione derivabile. La derivata. Dati: f I R funzione; I R intervallo aperto ; x 0 I. Definizione (Derivata come limite del rapporto incrementale) Se esiste finito (cioè, non + o ) il limite del rapporto
DettagliElementi di statistica per l econometria
Indice Prefazione i 1 Teoria della probabilità 1 1.1 Definizioni di base............................. 2 1.2 Probabilità................................. 7 1.2.1 Teoria classica...........................
Dettagli