Analisi dei Processi Chimici e Biotecnologici Matlab
|
|
- Enrichetta Carnevale
- 6 anni fa
- Visualizzazioni
Transcript
1 Applicazioni con generatori di numeri casuali - Istruzioni per l uso - Simulazione numerica di un esperimento - Generatori di numeri casuali: cenni sulla teoria - Generazione di numeri casuali: rumore di tipo uniforme - Generazione di numeri casuali: rumore gaussiano - Comandi avanzati generatori di numeri casuali Istruzioni per l uso Nelle attività di laboratorio svolte con Matlab si intende affrontare in modo applicativo concetti relativi a Teoria della probabilità Stima dei parametri 2 Biotecnologici Parte 1 1
2 Istruzioni per l uso Matlab dispone di una serie di pacchetti aggiuntivi, specifici per differenti applicazioni, che ne aumentano le potenzialità, rispetto alla versione base. Purtroppo, i pacchetti non sono gratuiti. Di seguito, si sfrutteranno due pacchetti (Toolboxes): Il Toolbox Statistics Il Toolbox Optimization Saranno anche usati programmi predefiniti costruiti ad hoc per i problemi specifici Le fonti dei programmi sono Stixbox (pacchetto di file Matlab dedicato all analisi statistica) Programmi disponibili dal sito di Matlab Altro 3 Istruzioni per l uso Per evitare confusione tra i comandi disponibili nella versione base (utilizzabili quindi con qualunque versione di Matlab) e quelli previsti solo nei toolbox di statistica e ottimizzazione, si userà una legenda in fondo al lucido. Quando si farà riferimento ai comandi tradizionali della versione base di Matlab, sarà riportata sul lucido la scrittura, come nella presente diapositiva. 4 Biotecnologici Parte 1 2
3 Istruzioni per l uso Quando si sfrutteranno comandi avanzati, relativi ai pacchetti aggiuntivi, sul lucido sarà indicata l etichetta Toolbox statistics e/o Toolbox optimization, come nella diapositiva corrente. Toolbox statistics 5 Istruzioni per l uso Quando si sfrutteranno programmi forniti dal docente, sul lucido sarà indicata l etichetta Programmi WEB, come nella diapositiva corrente. Programmi Web 6 Biotecnologici Parte 1 3
4 Istruzioni per l uso Nei lucidi di teoria, non relativi a comandi specifici di Matlab sarà usata l etichetta Teoria. Questo tipo di visualizzazione sarà sfruttato anche nelle lezioni successive. Teoria 7 Simulazione numerica di un esperimento Si è visto come una misura connessa ad un esperimento sia inevitabilmente affetta da errore, legato a molteplici fattori che non possono essere controllati dallo sperimentatore. Di conseguenza, il risultato di un esperimento non fornisce mai lo stesso risultato, ovvero il valore vero della grandezza che si intende misurare. Ogni esperienza è affetta da una deviazione dal valore vero che cambia ogni volta che l esperimento è ripetuto. Teoria 8 Biotecnologici Parte 1 4
5 Simulazione numerica di un esperimento Schema di un esperimento: Valore vero della quantità che si sta misurando. + Risultato della singola misura, affetto dall errore sperimentale Errore nella misura che implica una deviazione dal valore esatto. Tale errore cambia di volta in volta nelle misure, per cui due esperienze diverse assumono valori differenti. Teoria 9 Simulazione numerica di un esperimento Come simulare con il computer l errore sperimentale. L errore sperimentale può essere simulato con Matlab usando un generatore di numeri casuali. Il seguente comando genera un numero casuale compreso tra 0 e 1 >> rand ans = >> Biotecnologici Parte 1 5
6 Generatori di numeri casuali Cenni sulla teoria Un computer non è in grado di generare dei numeri casuali Esistono dei programmi che sono in grado di generare delle successioni di numeri che sono apparentemente non correlati tra loro. I numeri così generati sono detti pseudo-casuali Teoria 11 Generatori di numeri casuali Cenni sulla teoria Esempio di generatore di numeri pseudo-casuali x i 1 c xi r mod m Dove la funzione mod (modulo) restituisce il resto di una divisione. 9.2 mod Una volta ottenuto il valore x i+1 questo viene utilizzato per calcolare x i+2 e così via. Il valore x 0 è chiamato seme Teoria 12 Biotecnologici Parte 1 6
7 Generatori di numeri casuali Cenni sulla teoria Esempi di valori comunemente usati (generatore di numeri casuali lineare): c = r = 0 m = Matlab riparte sempre dallo stesso seme iniziale quando il programma è riavviato. Teoria 13 Generatori di numeri casuali Cenni sulla teoria Dal grafico si può vedere come la successione dei numeri sia apparentemente casuale risultato Teoria esecuzioni generatore di numeri casuali 14 Biotecnologici Parte 1 7
8 Generatori di numeri casuali - Piccolo accorgimento Per evitare che si ripetano gli stessi numeri casuali sui diversi computer si è creato un semplice m-file che ha lo scopo di generare dei numeri casuali partendo da un seme che (si spera) sia distinto per tutti gli studenti Il file si chiama startran.m Istruzioni: 1. Lavorare nella cartella in cui è stato copiato il file in questione 2. Digitare nella finestra di comando principale: >> startran Seguire le istruzioni riportate durante l esecuzione 15 Generatori di numeri casuali Applicazioni I generatori di numeri casuali hanno molteplici applicazioni, ad esempio: Nel criptare codici, ovvero associare ad una successione di numeri e/o simboli una altra successione apparentemente scorrelata (codici GSM, conto corrente, password di accesso etc. etc.). Nelle simulazioni numeriche su scale microscopiche, in cui il numero casuale simula: La casualità della struttura a livello molecolare l agitazione termica delle molecole altro (metodi di Montecarlo). Nella simulazione dell errore sperimentale: Per analizzare la performance di stimatori statistici Nello studio dell affidabilità di sistemi di controllo automatico di processi Altro 16 Teoria Biotecnologici Parte 1 8
9 Generazione di numeri casuali Con Matlab è possibile generare vettori di numeri casuali: >> y = rand(10,1); >> Con questa scrittura si è scritto un vettore y di 10 righe per una colonna, di numeri casuali compresi tra 0 e 1. È possibile rappresentare il vettore di numeri casuali >> plot(y); >> 17 Statistica descrittiva È possibile calcolare il valore medio del vettore y con il comando mean: >> mean(y) ans = Espressione analitica della media y N y i 18 Biotecnologici Parte 1 9
10 Statistica descrittiva Si può valutare la dispersione dei dati con il comando var (varianza): >> var(y) ans = Espressione analitica della varianza: n 2 yi y 2 i 1 s n 1 È possibile anche calcolare la radice quadrata della varianza (ovvero la deviazione standard) con il comando std 19 Esercizio Generare un campione sintetico di dati sperimentali di diverse dimensioni n = 10 n = 100 n = Per ciascuno di essi valutare media e varianza campionarie 20 Biotecnologici Parte 1 10
11 Rumore di tipo uniforme Si può osservare che, all aumentare del numero di prove, anche la media assume dei valori sempre più precisi >> y = rand(10,1); >> mean(y) >> y = rand(100,1); >> mean(y) >> y = rand(1000,1); >> mean(y) Media Stimata Dimensione campione numeri casuali Rumore di tipo uniforme Lo stesso vale per la varianza: >> y = rand(10,1); >> var(y) >> y = rand(100,1); >> var(y) >> y = rand(1000,1); >> var(y) Stima Varianza Dimensione Campione Numeri Casuali Biotecnologici Parte 1 11
12 Rumore di tipo uniforme Si può osservare che, all aumentare del numero di prove, anche la media e la varianza assumono dei valori sempre più precisi >> mean(y) ans = >> var(y) ans = /12 23 Statistica descrittiva Il seguente comando: >> hist(y,5) >> Restituisce un diagramma delle frequenze assolute, ovvero un istogramma in cui gli elementi di y sono suddivisi in 5 intervalli equispaziati e associa a ciascuno di essi il numero di elementi di y che cadono in ciascun intervallo Esercizio: creare un vettore di numeri causali di dimensione e ripetere i passi precedenti. A tal proposito si possono considerare 10 intervalli equispaziati. 24 Biotecnologici Parte 1 12
13 Statistica descrittiva Il seguente comando: >> histo(y,5) >> Restituisce un istogramma in cui gli elementi di y sono suddivisi in 5 intervalli equispaziati e associa a ciascuno di essi il numero di elementi di y che cadono in ciascun intervallo Esercizio: creare un vettore di numeri causali di dimensione e ripetere i passi precedenti. A tal proposito si possono considerare 10 intervalli equispaziati. Programmi WEB (Stixbox) 25 Rumore di tipo uniforme Sintassi del comando histo histo(x, M, odd, scale) Variabile X che definisce il set di dati di cui si vuole rappresentare l istogramma Numero di intervalli in cui si vuole rappresentare il campione di dati Variabile per il posizionamen to degli intervalli (per comodita si pone = 0) L ultimo argomento dovrebbe essere posto uguale a 1 per avere area unitaria sotto l istogramma Programmi WEB (Stixbox) 26 Biotecnologici Parte 1 13
14 Rumore di tipo uniforme Da notare che all aumentare delle dimensioni del vettore numeri casuali una struttura nell istogramma risulta sempre più chiara. >> y = rand(10000,1); >> histo(y,15) >> Si può intuire che il numero casuale è di tipo uniforme: la probabilità che esso assuma valori nell intervallo [0, 1] è la stessa in tutto l intervallo e non ci sono dei valori che sono più ricorrenti di altri. Programmi WEB (Stixbox) 27 Rumore di tipo uniforme Con la seguente scrittura si ottiene un diagramma di tale tipo: 1.4 >> y = rand(10000,1); >> histo(y,15,0,1) >> L area sottesa dall istogramma e pari a Esercizio: ripetere i comandi con differenti intervalli di campionamento. Dal punto di vista qualitativo che si osserva? Programmi WEB (Stixbox) 28 Biotecnologici Parte 1 14
15 1.5 Rumore di tipo uniforme È possibile introdurre una funzione densità di probabilità (pdf) del rumore di tipo uniforme: f z 1 0 z 0,1 altrove a 1 Y b L area segnata in celeste rappresenta la probabilità che si osservi un numero casuale il cui valore sia compreso tra a e b. Inoltre la pdf è una funzione normalizzata: Teoria 1 0 f z dz 1 29 Rumore di tipo uniforme Il rumore di tipo uniforme non risulta essere adeguato per la simulazione del rumore sperimentale. È plausibile, in un esperimento, che siano più ricorrenti piccole deviazioni dal valore vero, mentre errori significativi siano via via meno frequenti allontanandosi dal trend centrale. 30 Biotecnologici Parte 1 15
16 Rumore di tipo uniforme Esercizio: Si consideri il caso della somma di due rumori di tipo uniforme: Z=Y 1 +Y 2 A tal proposito si generino due vettori di numeri casuali (di dimensioni notevoli, in modo da descrivere le proprietà asintotiche) e si faccia la media di ciascuna coppia degli elementi dei vettori y 1 e y 2 31 Somma di rumori di tipo uniforme Quale è l intervallo in cui z può assumere valori? Ci aspettiamo una distribuzione dei valori ottenuti di z ancora uniforme? Si analizzi il vettore Z risultante. In particolare si valuti: La media La varianza L istogramma delle frequenze (si considerino 20 intervalli equispaziati) 32 Biotecnologici Parte 1 16
17 Somma di rumori di tipo uniforme 1.4 Risultati: La variabile z assume valori compresi tra 0 e 2 La distribuzione assume una forma triangolare >> mean(z) ans = m m m Z Y1 Y 2 >> var(z) ans = - Programmi WEB (Stixbox) Z s s 2 Y 1 s 33 2 Y 2 Somma di rumori di tipo uniforme Esercizio: Ripetiamo la stessa procedura nel caso della somma di più numeri casuali Si consideri il caso della somma di otto rumori di tipo uniforme: Z=Y 1 +Y 2 +Y 3 +Y 4 +Y 5 +Y 6 +Y 7 +Y 8 Si generano otto vettori di numeri casuali (di dimensioni notevoli, in modo da descrivere le proprietà asintotiche) e si faccia la somma dei vettori. Ancora, quale è la media del nuovo campione di dati? Quale è la varianza? 34 Biotecnologici Parte 1 17
18 Somma di rumori di tipo uniforme L istogramma che si dovrebbe osservare è il seguente: Tale distribuzione, al tendere ad infinito del numero di esperienze, tende ad una curva a campana, che prende il nome di Gaussiana Programmi WEB (Stixbox) 35 Somma di rumori di tipo uniforme Si è appena visto un caso particolare del Teorema del Limite Centrale se le sorgenti di errore sono infinite ed indipendenti (e non vi sono errori di natura sistematica), la funzione di probabilità di una variabile aleatoria è una distribuzione normale (o altrimenti detta funzione di Gauss) Dato che nelle misure sperimentali le sorgenti di errore sono infinite, è ragionevole supporre che le deviazioni dalla tendenza centrale seguono una probabilità di tipo gaussiano Teoria 36 Biotecnologici Parte 1 18
19 Teorema del limite centrale Un altro demo interessante per illustrare il teorema del limite centrale è: >> illustration_clt( type ) dove type è il tipo di distribuzione su cui viene applicato il teorema: exp : somma di VA di tipo esponenziale unif : somma di VA di tipo uniforme Programmi WEB 37 Funzione densità di tipo Gaussiano Espressione analitica per la funzione densità di probabilità Gaussiana. f Y 1 1 exp 2 s 2 Y y m 2 s Y 2 Y Il grafico di tale funzione è una curva a campana simmetrica rispetto a y=m Y Il parametro s 2 coincide con la varianza che si otterrebbe per un numero infinito di prove sperimentali. Teoria 38 Biotecnologici Parte 1 19
20 Rumore di tipo Gaussiano Nel caso di un rumore di tipo gaussiano, si sta ipotizzando che piccole deviazioni dal valore vero siano più ricorrenti (ovvero più probabili) di grosse deviazioni (che sono meno probabili). In questo caso la funzione densità di probabilità assume la seguente forma Varianza s 2 = 0.25 Varianza s 2 = Teoria Rumore di tipo Gaussiano Con Matlab è possibile una rappresentazione della funzione densità di probabilità di tipo gaussiano y = dnorm(x, Mean, StandardDeviation) Output dell operazione: Restituisce il valore che assume la funzione densità di probabilità in corrispondenza della x Valore della x per cui intendo valutare la funzione (può anche essere un vettore) Parametro Media (m) della funzione Parametro Deviazione Standard ( s) della funzione Programmi WEB (Stixbox) Biotecnologici Parte 1 20
21 Rumore di tipo Gaussiano Si consideri di nuovo l ultimo campione di numeri casuali generato L obiettivo è confrontarlo con una distribuzione di tipo gaussiano A tal riguardo si rappresenti l istogramma delle densità di frequenza per il campione di dati (se non lo si è già fatto) >> histo(z,20,0,1) L aggiunta dell opzione 1 alla fine degli argomenti Posso valutare media e deviazione standard del campione >> med = mean(z) >> sigma = std(z) numero infinito di dati Programmi WEB (Stixbox) della funzione histo, permette di avere un istogramma di area unitaria N.B. Da notare che abbiamo gli strumenti per calcolare il valore teorico di media e varianza asintotiche per un Rumore di tipo Gaussiano Eseguendo i seguenti comandi è possibile confrontare la curva Gaussiana corrispondente al set di dati >> x = [1:0.01:7]; (creazione vettore ascisse in cui valutare la Gaussiana) >> y = dnorm(x,med,sigma); (creazione valori della Gaussiana corrispondenti alla x) >> hold on (permette la sovrapposizione dei grafici nella stessa figura, per disattivarlo: hold off) >> plot(x,y,'r') Programmi WEB (Stixbox) Biotecnologici Parte 1 21
22 Rumore di tipo Gaussiano Il seguente comando: >> randn(1,1) ans = Genera un numero casuale di tipo gaussiano, di media 0 e varianza 1 (ovvero una gaussiana di tipo standard). Domanda: era verosimile se il generatore mi avesse restituito il valore (-4.5)? 43 Comandi avanzati per i generatori È possibile sfruttare generatori di numeri casuali più raffinati, ad esempio: >> randunifc(a,b,n) Restituisce un vettore di n numeri casuali di tipo uniforme compreso tra a e b. Se n è omesso, il comando restituisce un solo numero casuale. Programmi WEB 44 Biotecnologici Parte 1 22
23 Comandi avanzati per i generatori Con il Toolbox Statistics : >> unifrnd(-1,1) ans = Restituisce un numero casuale di tipo uniforme compreso tra -1 e 1. In genere, unifrnd(a,b,m,n) restituisce una matrice di dimensioni m n di numeri casuali compresi tra a e b. Toolbox statistics 45 Comandi avanzati per i generatori Il seguente comando: >> rnorm(n, m, s) Genera un vettore colonna di n numeri casuali di tipo gaussiano associato ad una funzione densità di probabilità di media m e deviazione standard s. Programmi WEB (Stixbox) 46 Biotecnologici Parte 1 23
24 Comandi avanzati per i generatori Il seguente comando: >> normrnd(-1,3) ans = Genera un numero casuale di tipo gaussiano associato ad una funzione densità di probabilità di media -1 e deviazione standard (la radice quadrata della varianza) 3. In genere, normrnd(a,b,m,n) restituisce una matrice di dimensioni (m n) di numeri casuali di tipo gaussiano di media a e deviazione standard b. Toolbox statistics 47 Comandi avanzati per i generatori Esercizio: Generare un set di numeri casuali provenienti da una Gaussiana di media 1 e deviazione standard 1 Rappresentare i risultati con un istogramma Un interessante rappresentazione grafica puo essere ottenuta con il seguente comando. >> plotdens(x); >> hold on >> histo(x,50,0,1) >> Programmi WEB (Stixbox) 48 Biotecnologici Parte 1 24
25 Comandi avanzati per i generatori Esercizio Si generino dei vettori di numeri casuali di tipo gaussiano di media 2 e deviazione standard 1.5 Le dimensioni dei vettori siano 10, 100, 1000, Si stimino per ciascuno dei vettori: I valori medi del campione I valori della varianza All aumentare delle dimensioni del campione le stime tendono ad un valore asintotico? Quale è il valore cui stanno tendendo? 49 Esercizio Si generi un vettore x (di dimensioni elevate) di numeri casuali provenienti da una variabile aleatoria di tipo normale di media m=0 e varianza s 2 =1 Si considerino le seguenti trasformazioni dei numeri casuali X: y 1 =1+2*x y 2 = x 2 y 3 = exp(x) Quali valori possono assumere i nuovi vettori generato? Rappresentare in un opportuno istogramma i nuovi vettori. Commentare i risultati - Programmi WEB (Stixbox) 50 Biotecnologici Parte 1 25
26 Comandi avanzati per i generatori È utile ricordare che è possibile generare un numero casuale relativo ad una qualunque gaussiana utilizzando semplicemente il comando randn della versione base di Matlab sfruttando le proprietà delle trasformazioni lineari per le variabili aleatorie. Se y è un numero casuale generato da una gaussiana di media 0 e varianza 1, il valore z = m + s*y È un numero casuale proveniente da una distribuzione di tipo gaussiano di media m e deviazione standard s. 51 Comandi avanzati per i generatori Altri generatori di numeri casuali: >> rchisq(m,v) Restituisce un vettore colonna di m numeri casuali da una distribuzione di tipo c 2 a v gradi di libertà. >> rt(m,v) Restituisce un vettore colonna di m numeri casuali da una distribuzione T-student a v gradi di liberta >> rf(m, v1,v2) Restituisce un vettore colonna di m numeri casuali generati da una distribuzione di Fisher a v 1 e v 2 gradi di libertà Programmi WEB (Stixbox) 52 Biotecnologici Parte 1 26
27 Comandi avanzati per i generatori Altri generatori di numeri casuali: >> chi2rnd(v,m,n) Restituisce una matrice m n di numeri casuali da una distribuzione di tipo c 2 a v gradi di libertà. >> trnd(v,m,n) Restituisce una matrice m n di numeri casuali da una distribuzione T-student a v gradi di liberta >> frnd(v1,v2, m,n) Restituisce una matrice m n di numeri casuali generati da una distribuzione di Fisher a v 1 e v 2 gradi di libertà Toolbox statistics 53 Comandi avanzati per i generatori Per una panoramica completa dei generatori di numeri casuali con delle interessanti rappresentazioni grafiche si può usare il comando: >> randtool Altro generatore di numeri casuali per un ampia classe di distribuzioni statistiche: >> randraw Toolbox statistics - Programmi WEB 54 Biotecnologici Parte 1 27
28 Come sfruttarli In alcune delle sezioni successive, i generatori di numeri casuali saranno ampiamente sfruttati per simulare l errore sperimentale. È possibile in questo modo effettuare delle analisi statistiche su modelli già noti a priori, sporcando il segnale con rumore anche esso noto In questo modo, è possibile verificare l efficienza dei metodi statistici usati 55 Biotecnologici Parte 1 28
Analisi dei Processi Chimici e Biotecnologici Matlab
Applicazioni con generatori di numeri casuali - Istruzioni per l uso - Simulazione numerica di un esperimento - Generatori di numeri casuali: cenni sulla teoria - Generazione di numeri casuali: rumore
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliFunzioni di probabilità con Matlab
Funzioni densità di probabilità e distribuzioni cumulative - Introduzione: Riepilogo Concetti Teoria - Distribuzioni densità di probabilità con - Distribuzioni cumulative - Inverse distribuzioni cumulative
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
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
DettagliErrore nella misura sperimentale
Introduzione al concetto errore di misura Introduzione concetto errore di misura Esempio di misura sperimentale Dispersione dei dati: Frequenza relative ed assolute vettoriale Errori sistematici ed errori
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
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## (##
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
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
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
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,
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.
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliMatematica con elementi di Informatica
Statistica descrittiva ed inferenziale Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliOsservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliUniversity of Messina, Italy
ERRORI CASUALI ELL AALISI CHIMICA Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
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
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
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
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)
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
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
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliUniversity of Messina, Italy
ERRORI CASUALI NELL ANALISI CHIMICA 1 Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
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
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
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
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,
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliProgramma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
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
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
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
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
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,
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliScuola di Calcolo Scientifico con MATLAB (SCSM) 2017
Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni
DettagliSTIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
DettagliLaboratorio di Calcolo B 67
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
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 25/02 14:30 Aula informatica (4 gruppi) Martedi 02/03 14:30 P50 Giovedi 04/03 14:30 Aula informatica (4 gruppi) Martedi 09/03 14:30 P50 p.
DettagliFrequenza relativa e probabilità
Frequenza relativa e probabilità La La probabilità e' e' un un numero con con cui cuisi si descrivono i i fenomeni che che possono essere essere pensati come come risultato di di un un esperimento che
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
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
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
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.
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
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
DettagliCALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO
CALCOLO DELL ERRORE E VALUTAZIONE DI UN METODO ANALITICO In chimica analitica un settore importante riguarda il calcolo dell errore e la valutazione della significatività di una misura. Generalmente nell
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
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
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/
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di Gauss) CdL Area Tecnica -
DettagliLaboratorio di Fisica per Chimici
Laboratorio di Fisica per Chimici Dott. Marco Felici 6 marzo 215 Ufficio: Vecchio Edificio di Fisica (Ed. Marconi)-Stanza 349 (3 piano); Telefono: 6-49914382; e-mail: marco.felici@roma1.infn.it. Orario
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o 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
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliAlgoritmi in C++ (prima parte)
Algoritmi in C++ (prima parte) Alcuni algoritmi in C++ Far risolvere al calcolatore, in modo approssimato, problemi analitici Diverse tipologie di problemi generazione di sequenze di numeri casuali ricerca
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliAggiorniamo pag. 24 della presentazione
Aggiorniamo pag. 24 della presentazione Il pendolo è un sistema che utilizzo per introdurre la teoria. Posso prevedere qual è il periodo di oscillazione del pendolo? T = 2π l g Prendo la legge e la verifico,
DettagliVariabili aleatorie. continue. Discreto continuo
Variabili aleatorie continue Discreto continuo.18 Uniforme discreta, n=11 n=21 n=11 n=6 n=51 n=51 Uniforme.16.14.12.1.8.6?.4.2 1 1 2 2 3 3 4 4 5 5 6 6 7 7 Per passare dal modello discreto al modello continuo
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
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
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
Dettaglip. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali.
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliLaboratorio di Statistica 1 con R Esercizi per la Relazione. I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati
Laboratorio di Statistica 1 con R Esercizi per la Relazione I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati nel corso. Esercizio 1. 1. Facendo uso dei comandi
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
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
DettagliAppunti di statistica ed analisi dei dati
Appunti di statistica ed analisi dei dati Indice generale Appunti di statistica ed analisi dei dati...1 Analisi dei dati...1 Calcolo della miglior stima di una serie di misure...3 Come si calcola μ...3
Dettagli