Come estrarre informazioni dalla CMB

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Come estrarre informazioni dalla CMB"

Transcript

1 Come estrarre informazioni dalla CMB Quali informazioni cerchiamo: parametri cosmologici gaussianità sorgenti galattiche ed extra-galattiche presenza di altri fondi diffusi ma lo scopo principale sono senza dubbio i parametri cosmologici Fissati i parametri all'interno di un modello e note le caratteristiche strumentali possiamo fare previsioni sulle osservazioni e confrontarle con i dati, ad esempio con il test del 2 dati: V(t)=s(t)+n(t) previsioni teoriche: confronto: s th t =f t,, 2 = t V t f th t,, 2 t 2

2 Come estrarre informazioni dalla CMB Bisogna notare che in questo modo è difficile confrontare dati provenienti da esperimenti diversi. Inoltre il numero di campionamenti temporali è elevatissimo (per BOOMERanG è ~5x10 7 per ogni rivelatore) e molti di essi sono fortemente correlati, quindi dobbiamo usare la formula completa del 2 : 2 = V t f th t,, T 1 M t t ' V t' f th t',, dove la matrice M è la matrice di covarianza dei dati e ha dimensione nd x nd, che nel caso di BOOMERanG diventano 2.5x10 15 elementi! Infine, tutto questo va ripetuto per ogni valore del set di parametri, per trovare i valori che meglio riproducono i dati. Bisogna comprimere i dati evitando la perdita di informazioni

3 Natura stocastica della CMB In realtà la CMB è una realizzazione stocastica di un modello teorico, allora possiamo solo farne una descrizione in termini statistici, ossia tramite le medie d'ensemble, perchè nessun modello potrà mai dirci quale tra tutte le possibili realizzazioni si è verificata, ma solo quali sono le configurazioni più o meno probabili. A partire dai dati, dovremo quindi calcolare una serie di grandezze, che andranno confrontate con la media e la varianza d'insieme delle stesse grandezze calcolate a partire dal modello teorico. Non possiamo confrontare direttamente i dati V(t) con il modello. Emerge quindi un limite intrinseco alla precisione della stima dei parametri, dovuta alla natura stocastica del problema. Anche un esperimento ideale sarà soggetto a questo limite.

4 Come estrarre informazioni dalla CMB Map-making: converte da un segnale V(t) ordinato temporalmente ad una mappa T ordinata spazialmente. T, E' una prima fase di compressione dei dati: ad esempio, per BOOMERanG si passa da 5x10 7 campionamenti temporali a 4x10 5 pixel spaziali. = 2 T T, fth,,, T 1 M T pp' T ', ' f th ', ',, dove questa volta la matrice M è la matrice di covarianza dei dati ordinati in pixel, e ha dimensione np x np che nel caso di BOOMERanG diventano 1.6x10 11 elementi! Ma di nuovo non stiamo considerando la natura stocastica del problema. Anche questo metodo per stimare i parametri non va bene.

5 Come estrarre informazioni dalla CMB: gaussianità Con il map-making riduciamo notevolmente le dimensioni del database, ma ancora non è sufficiente. Ipotesi: la CMB è un campo gaussiano P s e 1 2 s p s T 1 M pp ' s p' s Proprietà: un campo gaussiano è descritto completamente dai primi due momenti della distribuzione. M n x 0 = dxp x x x 0 n con dx P x =1 M 1 0 = dxp x x 0 = x = x M 2 x = dxp x x x 2 = dxp x x 2 2 x dxp x x x 2 dxp x = x 2 x 2 = 2 Varianza Valore aspettato Per una distribuzione simmetrica, tutti i momenti dispari rispetto al valor medio sono nulli, mentre quelli pari sono esprimibili usando la varianza.

6 Come estrarre informazioni dalla CMB: gaussianità Ipotesi: la CMB è un campo gaussiano P s e 1 T T T, 2 T T 1 M T T pp ' ', ' T T In particolare, la CMB è descritta da una distribuzione gaussiana multivariata con: T, =0 T T T n T T n' =C C 0 = 2 dove è l'angolo compreso tra le direzioni n e. C( ) è la funzione di correlazione a due punti del segnale, e sotto l'ipotesi di gaussianità contiene tutte le informazioni statistiche sulla CMB. E' una ulteriore fase di compressione, perchè si passa da np valori con una matrice np x np, a una funzione che assume un numero finito di valori: [0, ]; dipende dalle caratteristiche dello strumento Ovviamente, bisognerà verificare dai dati la validità dell'ipotesi di gaussianità, che è anche una previsione dell'inflation. n'

7 Descrizione alternativa della CMB: lo spazio armonico Un campo limitato definito su una sfera può essere decomposto utilizzando lo sviluppo in armoniche sferiche (ad es., lo studio dell'atomo di idrogeno in meccanica quantistica): T T n = l=0 dove i coefficienti dello sviluppo in armoniche sferiche a lm sono definiti come: a l m = 4 d T T n Y l m E' l'analogo dello sviluppo di Fourier per una sequenza temporale. coordinate sferiche: x=r sen cos y=r sen sen z=r cos l m= l a l m Y l m n

8 Proprietà delle armoniche sferiche Y l m, = 1 l 2 l 1 2 l l! 4 Y, 2 =Y, Y, = Y l m = 1 m Y l m P Y l m = 1 l Y l m l m! 1/2 P m l m! l cos e i m molteplicità: per ogni l ci sono 2l+1 valori di m, m l Condizioni al contorno perdiodiche Separabile rispetto alle variabili angolari Complesso coniugato La parità è data da l P xy Y l m = 1 m Y l m P z Y l m = 1 l m Y l m se a=b+c, allora a lm =b lm +c lm La parità scambiando solo x e y è data da m La parità scambiando solo z è data da l+m Linearità della trasformata in a. s. Teorema di addizione delle armoniche sferiche: m Y l m n Y l m n' = 2l 1 4 P cos l dove P l è il polinomio di Legendre e è l'angolo compreso tra le direzioni n e n'

9 l=0, m=0 Y 00 = 1 4 Prime armoniche sferiche E' una costante (termine di monopolo) termine di dipolo l=1, m=0, ±1 l=2, m=0, ±1,±2 termine di quadrupolo

10 Descrizione alternativa della CMB: lo spazio armonico Le mappe di brillanza delle anisotropie della CMB possono essere decomposte usando come base le armoniche sferiche: a l m = 4 d T T n Y l m L'ipotesi di gaussianità è valida sia nello spazio reale sia nello spazio armonico, quindi: T T, =0 T T n T T n' =C L'insieme dei coefficienti C l è detto spettro di potenza angolare (analogia con lo spettro di potenza ottenuto con la trasformata di Fourier) a l m =0 a l m a l 'm ' = l l ' mm ' C l m =C l Questa ugualianza è valida se assumiamo anche l'isotropia della CMB

11 Analogia tra spazio armonico e spazio reale C = T T n T T n' = l=0 l m= l sostituendo lo sviluppo in a.s. a l m Y l m n l '=0 T T l n = l=0 m= l l ' m'= l ' a l m Y l m n a l ' m' Y l 'm ' n' = l =0 l m= l l '=0 l ' m'= l ' a l m a l 'm ' Y l m n Y l 'm ' n' = l =0 = l =0 l Cl m= l 2 l 1 Y l m n Y l m n' usando il th. di addizione delle a.s. C P cos l l è la def. dei C l = l l' mm ' C l m =C l (Analogo del teorema di Wiener-Khintchine per la trasformata di Fourier) 4 Se sotto l'ipotesi di gaussianità la funzione di correlazione a due punti contiene tutte le informazioni statistiche sulla CMB, lo stesso deve valere per il suo analogo in spazio armonico, lo spettro di potenza angolare.

12 Interpretazione dello spettro di potenza angolare Lo spettro di potenza angolare ci dice quanto ogni modo nello spazio armonico contribuisce al segnale osservato. In particolare, per uno spazio piatto si ha: = l quindi possiamo conoscere quali sono le scale angolari caratteristiche del segnale misurato. 2l 1 C = l=0 4 C P cos l l C 0 = 2 2 l 1 = l =0 4 C P 1 l l 2 l 1 = l =0 4 C l La presenza nello spettro di potenza di un picco a l=200 ci dice che la scala angolare tipica delle anisotropie della CMB è di ~1.

13 Stima dello spettro di potenza angolare Partendo da una mappa a tutto cielo di anisotropie della CMB possiamo calcolare i coefficienti dello sviluppo in armoniche sferiche usando la loro definizione: a l m = 4 d T T n Y l m In presenza di uno strumento ideale, privo di rumore e con risoluzione infinita, possiamo calcolare lo spettro di potenza come: C l = 1 l a m= l 2l 1 l m a l m E' un estimatore unbiased, perchè il valore aspettato coincide con il valore vero della grandezza: estimatore C l = 1 l a m= l 2l 1 l m a l m = 1 l C m= l 2 l 1 l =C l valore vero usando la def. dello spettro di potenza usando l'isotropia della CMB

14 Natura stocastica della CMB: la varianza cosmica Calcoliamo ora la varianza dell'estimatore appena definito: Var { C l }= C l 2 C l 2 = usando la def. dell'estimatore e il suo valore atteso 1 l 1 a m= l 2l 1 l m a l 2 l m a m '= l 2l 1 l m ' a l m' C l separando i casi m=m' e m m' 1 = 2l 1 { l 2 m= l a l m a l m a l m a l m m m' m a l m a l m a l m ' a l m' } C l 2 molteplicità 2l+1 per una gaussiana si ha dx x 4 f x =3 2 2 molteplicità 2l(2l+1) 1 = 2l 1 { 2l 1 3C 2 2l 1 2lC l l } C l = 1 2l 1 { 2l 3 C 2 2 } C l l = 2 2l 1 C 2 l E' la varianza cosmica

15 Significato della varianza cosmica E' un limite intrinseco alla precisione nella stima dello spettro di potenza, e di conseguenza dei parametri cosmologici, dovuto alla natura stocastica del problema. Osservando una sola realizzazione di Universo siamo limitati dalla funzione di distribuzione delle grandezze che andiamo a stimare. Anche un esperimento ideale è soggetto a questo limite. Dal punto di vista statistico, la varianza cosmica ci dice che ogni la variabile 2l 1 C l /C l è descritta da una distribuzione 2 con (2l+1) gradi di libertà. Saremmo potuti giungere alla stessa conclusione con le seguenti considerazioni: se x è una variabile gaussiana, allora x 2 / 2 è descritta da una distribuzione 2 con 1 grado di libertà, indentifichiamo x=a lm, 2 =C l dalla definizione dello spettro si ha che per ogni valore di l sommiamo (2l+1) variabili, ognuna descritta da 2 con 1 grado di libertà.

16 Significato della varianza cosmica Lo spettro di potenza è definito come media d'ensemble del modulo al quadrato dei coefficienti a lm. Avendo a disposizione una sola realizzazione di cielo non possiamo fare la media sull'ensemble, ma possiamo simularla assumendo l'isotropia e mediando per ogni l su tutti i valori possibili di m. Tanto più l è grande, tanti più valori di m potremo mediare e tanto più la media si avvicinerà a quella d'ensemble. Per questo motivo, la varianza cosmica decresce all'aumentare di l.

17 Effetto del rumore strumentale Lo spettro di potenza viene calcolato partendo dalla mappe delle anisotropie, ma per un esperimento reale nella mappa sarà presente anche il rumore strumentale. Sfruttando la linearità della trasformata in armoniche sferiche si ottiene: d l m = 4 d d n Y l m = 4 d T T n Y l m 4 d n n Y l m =a l m n l m ossia i coefficienti dello sviluppo in a.s. stimati in questo modo sono la somma di quelli del segnale e di quelli del rumore. Di conseguenza: C l = 1 l m= l 2l 1 d l m d l m = 1 l m= l 2l 1 = 1 l a m= l 2 l 1 l m a l m n l m n l m a l m n l m n l m a l m a l m n l m a l m n l m = 1 l C m= l 2 l 1 l C N N l =C l C l L'estimatore non è più unbiased e bisogna rimuovere il contributo N del rumore. Una possibilità è ricavare C l dalle proprietà dello strumento e sottrarlo nella stima. Un'altra è combinare dati da diversi rivelatori assumendo che il rumore sia scorrelato.

18 Effetto del rumore strumentale C l C l N C l

19 Effetto della risoluzione strumentale Come per il rumore, un esperimento reale ha una risoluzione angolare finita, descritta da una funzione di risposta B o, nel caso di una risposta gaussiana, dalla FWHM. Quindi, osservando una direzione n, lo strumento riceve da tutto il resto del cielo dei contributi che vengono pesati con la risposta angolare. In termini matematici si tratta di una convoluzione: T T, = 4 d 'B ', ' T T ', ' Passando nello spazio armonico, in analogia con quanto avviene nello spazio di Fourier, l'integrale di convoluzione si riduce ad un prodotto: d l m = 4 d 4 d 'B ', ' T T ', ' Y l m, =b l m a l m dove b lm sono i coefficienti dello sviluppo in armoniche sferiche della risposta angolare. Di conseguenza: C l = 1 l d m= l 2l 1 l m d l m =B l C l

20 Effetto della risoluzione strumentale

21 Conclusioni La CMB va studiata in modo statistico e il modo migliore per farlo è usando lo spazio armonico e in particolare lo spettro di potenza angolare. Infatti, sotto l'ipotesi di gaussianità, lo spettro contiene tutte le informazioni statistiche, permettendo inoltre una notevole compressione del dataset da confrontare con i modelli. Infine, lavorando nello spazio armonico, molti effetti strumentali come la presenza del rumore e la risoluzione angolare del telescopio possono essere trattati facilmente.

Laboratorio di Fisica Moderna Cosmologia

Laboratorio di Fisica Moderna Cosmologia Laboratorio di Fisica Moderna Cosmologia Programma di oggi Da dove vengono le mappe di CMB Le mappe di CMB del satellite Planck Estrazione dello spettro di potenza Localizzazione del primo picco Misura

Dettagli

L analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta

L analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.

Dettagli

Distribuzione Gaussiana

Distribuzione Gaussiana Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor

Dettagli

Simulazione dei dati

Simulazione dei dati Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare

Dettagli

1 Alcuni risultati sulle variabili Gaussiane multivariate

1 Alcuni risultati sulle variabili Gaussiane multivariate Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor

Dettagli

Distribuzione Gaussiana - Facciamo un riassunto -

Distribuzione Gaussiana - Facciamo un riassunto - Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura

Dettagli

Ripasso segnali e processi casuali. Trasmissione dell Informazione

Ripasso segnali e processi casuali. Trasmissione dell Informazione Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale

Dettagli

Esercitazione del

Esercitazione 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

Dettagli

Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano

Maria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento

Dettagli

Statistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione

Statistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza

Dettagli

F. Piacentini - Roma1. F. Piacentini - Roma1. Il cielo a microonde spettro di potenza angolare. Mappe della radiazione di fondo cosmico (CMB)

F. Piacentini - Roma1. F. Piacentini - Roma1. Il cielo a microonde spettro di potenza angolare. Mappe della radiazione di fondo cosmico (CMB) Lo spettro di potenza angoare dea radiazione di fondo cosmica Lo spettro di potenza angoare dea radiazione di fondo cosmica F. Piacentini - Roma F. Piacentini - Roma Page Mappe dea radiazione di fondo

Dettagli

Analisi degli Errori di Misura. 08/04/2009 G.Sirri

Analisi degli Errori di Misura. 08/04/2009 G.Sirri Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia

Dettagli

Statistica di base per l analisi socio-economica

Statistica di base per l analisi socio-economica Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme

Dettagli

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola

IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 2014 Cognome Nome Matricola IDENTIFICAZIONE DEI MODELLI E ANALISI DEI DATI 1 (Prof. S. Bittanti) Ingegneria Informatica 5 CFU. Appello 23 Luglio 201 Cognome Nome Matricola............ Verificare che il fascicolo sia costituito da

Dettagli

Ulteriori applicazioni del test del Chi-quadrato (χ 2 )

Ulteriori applicazioni del test del Chi-quadrato (χ 2 ) Ulteriori applicazioni del test del Chi-quadrato (χ 2 ) Finora abbiamo confrontato con il χ 2 le numerosità osservate in diverse categorie in un campione con le numerosità previste da un certo modello

Dettagli

Statistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione

Statistica. Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate. Covarianza e correlazione Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2011/2012 Statistica Esercitazione 4 15 maggio 2012 Connessione. Medie condizionate.

Dettagli

Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.

Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010. Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e

Dettagli

Ulteriori Conoscenze di Informatica e Statistica

Ulteriori Conoscenze di Informatica e Statistica ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17

Dettagli

Il Corso di Fisica per Scienze Biologiche

Il Corso di Fisica per Scienze Biologiche Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/

Dettagli

Metodi per la risoluzione di sistemi lineari

Metodi per la risoluzione di sistemi lineari Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante

Dettagli

RETI LINEARI R 3 I 3 R 2 I 4

RETI LINEARI R 3 I 3 R 2 I 4 RETI LINERI 1 Leggi di Kirchoff. Metodo delle correnti di maglia R 1 R 3 I 1 I 3 E 1 J 1 J 2 J 3 I 2 I 4 R 4 I 5 R 5 I 6 R 6 J 4 R 7 Il calcolo delle correnti e delle differenze di potenziale in un circuito

Dettagli

Distribuzioni di Probabilità

Distribuzioni di Probabilità Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale

Dettagli

Distribuzioni e inferenza statistica

Distribuzioni e inferenza statistica Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione

Dettagli

Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3

Ulteriori 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## (##

Dettagli

Analisi delle corrispondenze

Analisi delle corrispondenze Analisi delle corrispondenze Obiettivo: analisi delle relazioni tra le modalità di due (o più) caratteri qualitativi Individuazione della struttura dell associazione interna a una tabella di contingenza

Dettagli

Stima dei parametri di un sistema di ODE

Stima dei parametri di un sistema di ODE Stima dei parametri di un sistema di ODE May 22, 2007 Questi appunti sono ispirati al Cap. 3 del libro Metodi Numerici e Statistici per le Scienze Applicate del Prof. V. Comincioli, disponibile all indirizzo

Dettagli

Esercizi di statistica

Esercizi 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, -..

Dettagli

Istituzioni di Matematiche, Integrali fratti. corso di laurea in Scienze geologiche. Mauro Costantini

Istituzioni di Matematiche, Integrali fratti. corso di laurea in Scienze geologiche. Mauro Costantini Istituzioni di Matematiche, Integrali fratti corso di laurea in Scienze geologiche. Mauro Costantini tipo: Il nostro obiettivo è studiare gli integrali (indefiniti e definiti delle funzioni razionali,

Dettagli

Lezione 6 Richiami di Geometria Analitica

Lezione 6 Richiami di Geometria Analitica 1 Piano cartesiano Lezione 6 Richiami di Geometria Analitica Consideriamo nel piano due rette perpendicolari che si intersecano in un punto O Consideriamo ciascuna di queste rette come retta orientata

Dettagli

Note sulla probabilità

Note sulla probabilità Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15

Dettagli

f (a)δa = C e (a a*)2 h 2 Δa

f (a)δa = C e (a a*)2 h 2 Δa Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione

Dettagli

DESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.

DESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI. Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi

Dettagli

CHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)

CHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi) CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON

Dettagli

Criteri di Valutazione della scheda (solo a carattere indicativo)

Criteri di Valutazione della scheda (solo a carattere indicativo) Criteri di Valutazione della scheda (solo a carattere indicativo) Previsioni - A Sono state fatte le previsioni e discussi i valori attesi insieme al ragionamento con cui sono stati calcolati? E stata

Dettagli

La regressione lineare. Rappresentazione analitica delle distribuzioni

La regressione lineare. Rappresentazione analitica delle distribuzioni La regressione lineare Rappresentazione analitica delle distribuzioni Richiamiamo il concetto di dipendenza tra le distribuzioni di due caratteri X e Y. Ricordiamo che abbiamo definito dipendenza perfetta

Dettagli

Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo

Esercitazione 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

Dettagli

Distribuzioni campionarie. Antonello Maruotti

Distribuzioni campionarie. Antonello Maruotti Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento

Dettagli

STATISTICA ESERCITAZIONE

STATISTICA 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

Dettagli

C I R C O N F E R E N Z A...

C I R C O N F E R E N Z A... C I R C O N F E R E N Z A... ESERCITAZIONI SVOLTE 3 Equazione della circonferenza di noto centro C e raggio r... 3 Equazione della circonferenza di centro C passante per un punto A... 3 Equazione della

Dettagli

Statistica ARGOMENTI. Calcolo combinatorio

Statistica ARGOMENTI. Calcolo combinatorio Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità

Dettagli

Laboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.

Laboratorio 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

Dettagli

ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante.

ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. ESERCIZIO 1. Vengono riportati di seguito i risultati di un analisi discriminante. Test di uguaglianza delle medie di gruppo SELF_EFF COLL_EFF COIN_LAV IMPEGNO SODDISF CAP_IST COLLEGHI Lambda di Wilks

Dettagli

Teoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici

Teoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione

Dettagli

Test di ipotesi su due campioni

Test di ipotesi su due campioni 2/0/20 Test di ipotesi su due campioni Confronto tra due popolazioni Popolazioni effettive: unità statistiche realmente esistenti. Esempio: Confronto tra forze lavoro di due regioni. Popolazioni ipotetiche:

Dettagli

Metodi per la risoluzione di sistemi lineari

Metodi per la risoluzione di sistemi lineari Metodi per la risoluzione di sistemi lineari 1 Sistemi di equazioni lineari 1.1 Determinante di matrici quadrate Ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante della matrice

Dettagli

IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI

IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI IL CONFRONTO TRA LE VARIANZE DI DUE POPOLAZIONI Perchè confrontare le varianze stimate in due campioni? Torniamo all'esempio dei frinosomi Per poter applicare il test t avevamo detto che le varianze, e

Dettagli

STATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo

STATISTICA (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)

Dettagli

Schema lezione 5 Intervalli di confidenza

Schema 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

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma

Dettagli

Laboratorio di Calcolo B 68

Laboratorio di Calcolo B 68 Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però

Dettagli

LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell

LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi

Dettagli

Università 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 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

Dettagli

CORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità

CORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere

Dettagli

Distribuzioni di probabilità

Distribuzioni di probabilità Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la

Dettagli

PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE

PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,

Dettagli

La media e la mediana sono indicatori di centralità, che indicano un centro dei dati.

La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,

Dettagli

Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)

Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che

Dettagli

Analisi dei Dati Tabelle e Grafici

Analisi dei Dati Tabelle e Grafici Analisi dei Dati Tabelle e Grafici Spesso una misurazione consiste nello studio di una grandezza,y i in funzione di un altra, x i. Esempi: o lo spazio percorso da un oggetto in funzione di un intervallo

Dettagli

Analisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)

Analisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico

Dettagli

Variabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia

Variabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile

Dettagli

Elaborazione nel dominio delle frequenze. Elaborazione delle immagini digitali 1

Elaborazione nel dominio delle frequenze. Elaborazione delle immagini digitali 1 Elaborazione nel dominio delle frequenze Elaborazione delle immagini digitali 1 Serie di Fourier Elaborazione delle immagini digitali 2 Introduzione alla trasformata di Fourier Una funzione periodica può

Dettagli

Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni

Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con

Dettagli

Σ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica

Σ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica 13. Regressione lineare parametrica Esistono numerose occasioni nelle quali quello che interessa è ricostruire la relazione di funzione che lega due variabili, la variabile y (variabile dipendente, in

Dettagli

Distribuzioni campionarie

Distribuzioni campionarie 1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari

Dettagli

PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA

PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURE/TECNICHE DI ANALISI / MISURE DI ASSOCIAZIONE A) ANALISI DELLA VARIANZA PROCEDURA/TECNICA DI ANALISI DEI DATI SPECIFICAMENTE DESTINATA A STUDIARE LA RELAZIONE TRA UNA VARIABILE NOMINALE (ASSUNTA

Dettagli

04 - Logica delle dimostrazioni

04 - Logica delle dimostrazioni Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 04 - Logica delle dimostrazioni Anno Accademico 013/014 D. Provenzano,

Dettagli

tabelle grafici misure di

tabelle grafici misure di Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Dipartimento di Matematica U. Dini, Università di Firenze Viale Morgagni 67/A, 50134 - Firenze, Italy, vlacci@math.unifi.it A.A. 2015-16 Terminologia In un esperimento ogni risultato delle caratteristiche

Dettagli

Tipi di variabili. Indici di tendenza centrale e di dispersione

Tipi di variabili. Indici di tendenza centrale e di dispersione Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)

Dettagli

Il modello di regressione lineare multipla. Il modello di regressione lineare multipla

Il modello di regressione lineare multipla. Il modello di regressione lineare multipla Introduzione E la generalizzazione del modello di regressione lineare semplice: per spiegare il fenomeno d interesse Y vengono introdotte p, con p > 1, variabili esplicative. Tale generalizzazione diventa

Dettagli

L A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010

L A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi

Dettagli

Variabili casuali multidimensionali

Variabili casuali multidimensionali Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.

Dettagli

SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI

SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,

Dettagli

METODO DEI MINIMI QUADRATI

METODO DEI MINIMI QUADRATI METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità

Dettagli

RAPPRESENTAZIONE GRAFICA DEI RISULTATI SPERIMENTALI INTERPOLAZIONE E CURVE DI REGRESSIONE

RAPPRESENTAZIONE GRAFICA DEI RISULTATI SPERIMENTALI INTERPOLAZIONE E CURVE DI REGRESSIONE RAPPRESENTAZIONE GRAFICA DEI RISULTATI SPERIMENTALI INTERPOLAZIONE E CURVE DI REGRESSIONE Rappresentazione grafica Visione d insieme di una grandezza, in funzione del tempo o di un altro parametro Tipicamente

Dettagli

Modelli probabilistici variabili casuali

Modelli 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

Dettagli

Appunti su Indipendenza Lineare di Vettori

Appunti su Indipendenza Lineare di Vettori Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo

Dettagli

3) Vengono di nuovo ripetute le misure del punto 2 e i risultati sono s, s, s, s, s, s, s, 96.

3) Vengono di nuovo ripetute le misure del punto 2 e i risultati sono s, s, s, s, s, s, s, 96. Problema A Un pendolo e costituito da una massa di dimensioni trascurabili appesa a un filo considerato in estensibile, di massa trascurabile, lunghezza L, e fissato a un estremo. L Il periodo di oscillazione

Dettagli

02 - Logica delle dimostrazioni

02 - Logica delle dimostrazioni Università degli Studi di Palermo Facoltà di Economia Dipartimento di Scienze Economiche, Aziendali e Statistiche Appunti del corso di Matematica 0 - Logica delle dimostrazioni Anno Accademico 015/016

Dettagli

Analisi Multivariata dei Dati. Regressione Multipla

Analisi Multivariata dei Dati. Regressione Multipla Analisi Multivariata dei Dati Regressione Multipla A M D Marcello Gallucci Milano-Bicocca Lezione: III Effetti multipli Consideriamo ora il caso in cui la variabile dipendente possa essere spiegata da

Dettagli

Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione 4

Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione 4 Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione 4 Esercizio 1) Regressione lineare. Il file altezza_peso.dat è un file ASCII che contiene i dati di altezza, peso

Dettagli

Massimi e minimi vincolati

Massimi e minimi vincolati Massimi e minimi vincolati Data una funzione G C 1 (D), dove D è un aperto di R 2, sappiamo bene dove andare a cercare gli eventuali punti di massimo e minimo relativi. Una condizione necessaria affinché

Dettagli

Le equazioni e i sistemi di primo grado

Le equazioni e i sistemi di primo grado Le equazioni e i sistemi di primo grado prof. Roberto Boggiani Isiss Marco Minghetti 1 settembre 009 Sommario In questo documento verrà trattato in modo semplice e facilmente comprensibile la teoria delle

Dettagli

SISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3

SISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3 SISTEMI LINEARI. Esercizi Esercizio. Verificare se (,, ) è soluzione del sistema x y + z = x + y z = 3. Trovare poi tutte le soluzioni del sistema. Esercizio. Scrivere un sistema lineare di 3 equazioni

Dettagli

STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE

STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1

Dettagli

MODELLI QUANTITATIVI. f x r = c

MODELLI QUANTITATIVI. f x r = c MODELLI QUANTITATIVI Qualunque sia il modello di estrazione di regolarità o di conoscenze dai dati empirici, esiste sempre una base statistica da cui occorre partire. Un fenomeno linguistico specifico

Dettagli

Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica

Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Università del Piemonte Orientale Specializzazioni di area sanitaria Statistica Medica Regressione Lineare e Correlazione Argomenti della lezione Determinismo e variabilità Correlazione Regressione Lineare

Dettagli

LA DISTRIBUZIONE NORMALE o DI GAUSS

LA DISTRIBUZIONE NORMALE o DI GAUSS p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,

Dettagli

REGRESSIONE E CORRELAZIONE

REGRESSIONE E CORRELAZIONE REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.

Dettagli

Misure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:

Misure Meccaniche e Termiche. punti massa. Valore atteso: Varianza: Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati

Dettagli

Proprietà della varianza

Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Operazioni macchina e Cancellazione numerica

Dettagli

Precorso di Matematica

Precorso di Matematica UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni

Dettagli

Sistemi II. Sistemi II. Elisabetta Colombo

Sistemi II. Sistemi II. Elisabetta Colombo Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+

Dettagli

Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare

Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. Correlazione. Regressione Lineare Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica Correlazione Regressione Lineare Corso di laurea in medicina e chirurgia - Statistica Medica Correlazione

Dettagli

Il metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo:

Il metodo dei minimi quadrati. Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Il metodo dei minimi quadrati Molto spesso due grandezze fisiche x e y, misurabili direttamente, sono legate tra loro da una legge del tipo: Dove A e B sono costanti y = A + Bx (ad esempio in un moto uniformemente

Dettagli

La matrice delle correlazioni è la seguente:

La matrice delle correlazioni è la seguente: Calcolo delle componenti principali tramite un esempio numerico Questo esempio numerico puó essere utile per chiarire il calcolo delle componenti principali e per introdurre il programma SPAD. IL PROBLEMA

Dettagli

Corso di Visione Artificiale. Texture. Samuel Rota Bulò

Corso di Visione Artificiale. Texture. Samuel Rota Bulò Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si

Dettagli

LE EQUAZIONI DIFFERENZIALI. che, insieme alle loro derivate, soddisfano un equazione differenziale.

LE EQUAZIONI DIFFERENZIALI. che, insieme alle loro derivate, soddisfano un equazione differenziale. LE EQUAZIONI DIFFERENZIALI I problemi incontrati fin ora nel corso di studi di matematica erano tutti di tipo numerico, cioè la loro risoluzione ha sempre portato alla determinazione di uno o più numeri

Dettagli

Questo calcolo richiede che si conoscano media e deviazione standard della popolazione.

Questo calcolo richiede che si conoscano media e deviazione standard della popolazione. Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito

Dettagli