Come estrarre informazioni dalla CMB
|
|
- Carla Blasi
- 6 anni fa
- Visualizzazioni
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 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
DettagliL 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.
DettagliDistribuzione 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
DettagliSimulazione 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
Dettagli1 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
DettagliDistribuzione 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
DettagliRipasso 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
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
DettagliMaria 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
DettagliStatistica. 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
DettagliF. 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
DettagliAnalisi 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
DettagliStatistica 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
DettagliIDENTIFICAZIONE 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
DettagliUlteriori 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
DettagliStatistica. 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.
DettagliCorso 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
DettagliUlteriori 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
DettagliIl 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/
DettagliMetodi 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
DettagliRETI 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
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliDistribuzioni 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
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## (##
DettagliAnalisi 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
DettagliStima 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
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, -..
DettagliIstituzioni 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,
DettagliLezione 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
DettagliNote 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
Dettaglif (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
DettagliDESCRITTIVE, 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
DettagliCHEMIOMETRIA. 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
DettagliCriteri 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
DettagliLa 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
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
DettagliDistribuzioni 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
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
DettagliC 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
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
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
DettagliESERCIZIO 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
DettagliTeoria 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
DettagliTest 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:
DettagliMetodi 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
DettagliIL 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
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)
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
DettagliESTRAZIONE 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
DettagliLaboratorio 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
DettagliLEZIONI 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
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
DettagliCORSO 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
DettagliDistribuzioni 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
DettagliPROBABILITÀ 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,
DettagliLa 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,
DettagliEsercizio 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
DettagliAnalisi 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
DettagliAnalisi 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
DettagliVariabili 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
DettagliElaborazione 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
DettagliIl 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
DettagliΣ (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
DettagliDistribuzioni 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
DettagliPROCEDURE/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
Dettagli04 - 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,
Dettaglitabelle 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
DettagliELEMENTI 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
DettagliTipi 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)
DettagliIl 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
DettagliL 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
DettagliVariabili 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.
DettagliSISTEMI 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,
DettagliMETODO 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
DettagliRAPPRESENTAZIONE 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
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
DettagliAppunti 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
Dettagli3) 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
Dettagli02 - 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
DettagliAnalisi 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
DettagliCorso 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
DettagliMassimi 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
DettagliLe 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
DettagliSISTEMI 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
DettagliSTATISTICA 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
DettagliMODELLI 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
DettagliUniversità 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
DettagliLA 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,
DettagliREGRESSIONE 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.
DettagliMisure 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
DettagliProprietà 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,
DettagliCorso 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
DettagliPrecorso 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
DettagliSistemi 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.+
DettagliUniversità 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
DettagliIl 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
DettagliLa 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
DettagliCorso 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
DettagliLE 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
DettagliQuesto 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