Elementi. di Statistica. Stages Estivi - Frascati 19/6/2009. Marco Dreucci. Elementi di statistica
|
|
- Olimpia Giannini
- 6 anni fa
- Visualizzazioni
Transcript
1 Elementi di Statistica
2 1... diamo un senso
3 cosa e la Fisica delle Particelle Elementari? Spiega il complesso mediante il semplice nel mondo dell infinitamente piccolo
4 all attacco!!! applicando la ben nota manovra a tenaglia : il metodo scientifico sperimentali teorici
5 piu son piccoli
6 cosa si misura nella HEP? Parametri fondamentali Altro Branching ratio (BR) vita media (τ ) massa (m) costanti di accoppiamento (ma di supporto) π ο γ γ, e+ e- γ quantita di moto q di una particella ; energia E rilasciata in un calorimetro da una particella ; angoli e direzioni delle particelle che si producono ; intervalli temporali, t ; efficienza di un rivelatore ; contaminazione in un campione ;
7 BR, branching ratio Canali BR e il determinismo dove e finito? Φ K+K- (~ 49 %) KSKL (~ 34 %) - Nel mondo dell infinitamente piccolo le condizioni π +π π ο (~ 15 %)iniziali non possono essere determinate in modo completo (principio di indeterminazione). Ne segue che ηγ (~ 1.3%) nel mondo delle particelle elementari le leggi sono sempre leggi di probabilita.
8 BR, branching ratio Canali BR e il determinismo dove e finito? Φ K+K- (~ 49 %) KSKL (~ 34 %) - Nel mondo dell infinitamente piccolo le condizioni π +π π ο (~ 15 %)iniziali non possono essere determinate in modo completo (principio di indeterminazione). Ne segue che ηγ (~ 1.3%) nel mondo delle particelle elementari le leggi sono sempre leggi di probabilita. N=2000 lanci N=200 lanci
9 una cosiddetta misura semplice Misura spessore cavo elettrico frequenza N= Istogramma s (mm) Errori casuali Errori sistematici
10 una cosiddetta misura difficile Misura massa KL frequenza N=21132 M (MeV)
11 il risultato di una operazione di misura e una variabile aleatoria! Le incertezze (sperimentali e/o teoriche) possono essere diminuite ; sperim teor
12 il risultato di una operazione di misura e una variabile aleatoria! Le incertezze (sperimentali e/o teoriche) possono essere diminuite ; La situazione puo cambiare nel tempo sperim sperim teor teor
13 2 Variabile aleatorie e funzioni di distribuzione
14 Indicatori fondamentali Valor medio x m= Deviazione standard i x=m± σ N σ= 2 (m x ) i ex = σ /m N 1
15 Indicatori fondamentali Valor medio x m= i x=m± σ N Deviazione standard σ= 2 (m x ) i ex = σ /m N 1 Si formano sempre istogrammi regolari, anche troppo! Ogni istogramma segue qualche funzione di distribuzione ~σ m x
16 Tipi di variabili aleatorie (I) VA : gaussiana FDD: gaussiana o normale o campana Misura di una grandezza ben definita, in presenza di errori casuali. tempo di caduta di un oggetto spessore cavo elettrico massa di una particella durata di un macchinario misura di un intervallo di tempo
17 Tipi di variabili aleatorie (I) VA : gaussiana FDD: gaussiana o normale o campana Misura di una grandezza ben definita, in presenza di errori casuali. tempo di caduta di un oggetto spessore cavo elettrico massa di una particella durata di un macchinario misura di un intervallo di tempo VA : binomiale FDD: binomiale Si immagini una prova il cui esito sia: successo o insuccesso. Il numero di successi in N prove e una variabile aleatoria, e ovviamente: 0 k N. risultato lancio di una moneta risultato lancio di un dado rivelazione di una data particella canale di decadimento per una particella misura dello spin di un elettrone
18 Tipi di variabili aleatorie (I) VA : gaussiana FDD: gaussiana o normale o campana Misura di una grandezza ben definita, in presenza di errori casuali. tempo di caduta di un oggetto spessore cavo elettrico massa di una particella durata di un macchinario misura di un intervallo di tempo VA : binomiale FDD: binomiale VA : poissoniana FDD: poissoniana Si immagini una prova il cui esito sia: successo o insuccesso. Caso particolare di var.binom.: - successo: evento raro, p 0 Il numero di successi in N prove e una variabile aleatoria, e ovviamente: 0 k N. risultato lancio di una moneta risultato lancio di un dado rivelazione di una data particella canale di decadimento per una particella misura dello spin di un elettrone - numero infinito di prove N # incidenti stradali in un anno # nascite al mese all ospedale # decadimenti in 5 s di una sostanza radioattiva # di eventi in un bin di un istogramma
19 Tipi di variabili aleatorie (II) VA : gaussiana FDD: gaussiana o normale o campana m σ Misura massa particella m = 139 MeV ; σ = 2 MeV σ / m = 0,014 (1,4%)
20 Tipi di variabili aleatorie (II) VA : binomiale FDD: binomiale VA : gaussiana FDD: gaussiana o normale o campana m σ p = probabilita successo m = pn σ = Np( 1 p) σ = m Misura massa particella Np( 1 p) 1 pn N m = 139 MeV ; σ = 2 MeV σ / m = 0,014 (1,4%) Rivelatore ( p=0.62 ) N=50 -> m= 31; σ =3 (10%) N=103 -> m= 620; σ =15 (2.4%) N=106 -> m=620000; σ =485 (0.08%)
21 Tipi di variabili aleatorie (II) VA : gaussiana FDD: gaussiana o normale o campana m σ VA : binomiale FDD: binomiale VA : poissoniana FDD: poissoniana p = probabilita successo p = probabilita successo m = pn m = pn σ = Np( 1 p) σ= m σ = m Misura massa particella Np( 1 p) 1 pn N m = 139 MeV ; σ = 2 MeV σ / m = 0,014 (1,4%) Rivelatore ( p=0.62 ) N=50 -> m= 31; σ =3 (10%) N=103 -> m= 620; σ =15 (2.4%) N=106 -> m=620000; σ =485 (0.08%) Nascite in un ospedale Se m=25/mese su N=15207: σ =5/mese; p=0.0016/mese Sostanza radioattiva Se p= /s e N=109: m=6.7/s ; σ =2.6/s Entries/bin Es.: misura massa KL (go back)
22 Misura massa particella f fdd gaussiana f M (MeV) f M (MeV) M (MeV)
23 Misura massa particella f fdd gaussiana f f M M (MeV) (MeV) M (MeV) f M (MeV)
24 Misura massa particella f fdd gaussiana f f M M M (MeV) (MeV) (MeV) fr f m m-σ M (MeV) m-2σ m=497.7 σ =1.5 m+σ m+2σ M (MeV)
25 Risultati della schedina fdd binomiale frequenza relativa k risultati indovinati
26 Sostanza radioattiva frequenza fdd poissoniana Tipo A N=60000 m=2.6 dec/s σ =1.6 Tipo B N= m=9.7 dec/s σ =3.1 k (dec/s)
27 Misura intervallo temporale b a Riv 0 f (entries/1ns) ~ 37 m Riv1 Riv2 ~4 m t (ns)
28 Le FDD VA : gaussiana FDD: gaussiana o normale 1 f(x; m, σ) = 2π σ (m x)2 2 2σ e fr m m-σ m-2σ m=497.7 σ =1.5 m+σ m+2σ
29 Le FDD VA : gaussiana FDD: gaussiana o normale VA : binomiale FDD: binomiale 1 f(x; m, σ) = 2π σ fr (m x)2 2 2σ e n k P(k; n, p) = p (1 p ) n k k m m-σ m-2σ m=497.7 σ =1.5 m+σ m+2σ fr k risultati indovinati
30 Le FDD VA : gaussiana FDD: gaussiana o normale VA : binomiale FDD: binomiale VA : poissoniana FDD: poissoniana 1 f(x; m, σ) = 2π σ (m x)2 2 2σ e n k P(k; n, p) = p (1 p ) n k k mk e m P(k; m) = k! fr m m-σ m-2σ m=497.7 σ =1.5 m+σ m+2σ fr k risultati indovinati
31 3 Curva di accostamento (Fit)
32 relazione matematica=legge fisica=grafico : i valori sperimentali si adattano ad esso? Fare un fit : trovare la funzione che meglio si adatta ai dati
33 A scuola si fa a mano Allungamento di una molla (I) y=kx
34 A scuola si fa a mano Allungamento di una molla (I) y=kx k = ( 0.20 ± 0.03) cm/g
35 Ma esistono vari programmini Allungamento di una molla (II) y=kx
36 Spessore di un cavo elettrico (I) y= A 2π σ (x m)2 2 2σ e gaussiana
37 Errori casuali da due sorgenti Spessore di un cavo elettrico (II) gaussiana
38 Errori casuali da due sorgenti Spessore di un cavo elettrico (II) gaussiana bigaussiana
39 Disturbo di tipo non casuale, e dunque non gaussiano, ne bigaussiano Spessore di un cavo elettrico (III) gaussiana
40 Disturbo di tipo non casuale, e dunque non gaussiano, ne bigaussiano Spessore di un cavo elettrico (III) gaussiana bigaussiana
41 Un fit non e fatto sempre per verificare l adattamento, ma per trovare qualche parametro Misura vita media y=ae t τ Legge stranota, ma voglio trovare la vita media τ esponenziale t(s)
42 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x; α,β ) e gia decisa. Lo scopo del fit e allora di determinare i valori dei parametri (α e β in questo caso) che corrispondono al miglior adattamento della curva ai dati sperimentali.
43 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x; α,β ) e gia decisa. Lo scopo del fit e allora di determinare i valori dei parametri (α e β in questo caso) che corrispondono al miglior adattamento della curva ai dati sperimentali. I valori che corrispondono al miglior adattamento sono quelli che rendono minima la quantita seguente : valore teorico valore sperimentale yi f(xi ; α, β) 2 σi χ i=1 = N 2 N 2 N 2
44 Quale e il criterio per dire che un fit e OK? Se il fenomeno in studio e ben noto, la funzione y = f (x; α,β ) e gia decisa. Lo scopo del fit e allora di determinare i valori dei parametri (α e β in questo caso) che corrispondono al miglior adattamento della curva ai dati sperimentali. I valori che corrispondono al miglior adattamento sono quelli che rendono minima la quantita seguente : valore teorico valore sperimentale yi f(xi ; α, β) 2 σi χ i=1 = N 2 N 2 N 2 Van der Waals ~ 1 O.K.! > 1 K.O.!
45 4 La propagazione degli errori
46 Misure indirette, ovvero grandezze calcolate Le misure indirette (I) V = V2 V1 F=G Mm r2
47 Misure indirette, ovvero grandezze calcolate Le misure indirette (I) V = V2 V1 F=G Mm r2 visione pessimistica : ΔV = ΔV2 + ΔV1 0,2 + 0,2 = 0,4 ΔF ΔG ΔM Δm Δr = F G M m r
48 Misure indirette, ovvero grandezze calcolate Le misure indirette (I) V = V2 V1 F=G Mm r2 visione pessimistica : ΔV = ΔV2 + ΔV1 ΔF ΔG ΔM Δm Δr = F G M m r 0,2 + 0,2 = 0,4 visione realistica : ΔV = ΔV12 + ΔV22 2 0, ,2 2 = 0, ΔF ΔG ΔM Δm Δr = F G M m r a2 + b2 = a b 2
49 Le misure indirette (II) 1) i = Q/t corrente elettrica 2) K = ½ mv² energia cinetica 3) m = m1+m2+m3 massa totale 4) A = π r² i Q t = i Q t K m v = 2 K m v m = m1 m2 m3 area di un cerchio 5) p = p1 + p2 pressione totale 6) I = σ A T4 potenza irradiata 7) Q = ks(t2-t1)/d calore trasmesso A π r = 2 A π r p = p1 p2 I σ A T = 4 I σ A T Q k S T2 T1 d = Q k S T2 T1 d
50 Esempio 1 (raggi cosmici) v=? Riv 0 (123.5 ± 2.1) ns (137.2 ± 3.4) ns Riv1 Riv2 t (ns) s
51 Esempio 1 (raggi cosmici) v=? Riv 0 t12 = t 2 t1 = 13.7 ns Δt12 = Δt1 Δt 2 = 4.0ns (123.5 ± 2.1) ns (137.2 ± 3.4) ns Riv1 Riv2 t (ns) s
52 Esempio 1 (raggi cosmici) v=? Riv 0 t12 = t 2 t1 = 13.7 ns Δt12 = Δt1 Δt 2 = 4.0ns (123.5 ± 2.1) ns (137.2 ± 3.4) ns v= s t12 = 3.8m = m / s s Δs Δt Δv = v 12 = m / s t12 s ~ 2% Riv1 ~ 30% Riv2 t (ns) s
53 Esempio 2 K+ π + π π + π 0 π 0 π + π 0 π 0 µ µ π + ν + ν K+ trigger + π e+ ν (branching ratio) Ntrig Efficienza ε SEL = µ Vertice e γ µ γ π + Nobs Rivelatore
54 Esempio 2 K+ π + π π + π 0 π 0 π + π 0 π 0 µ µ π + ν 0 sig bkg ν e+ ν + Efficienza ε CUT = π (branching ratio) µ K+ trigger Ntrig Efficienza ε SEL = 0.52 cut Vertice e E (MeV) γ µ γ π + Nobs Rivelatore
55 Esempio 2 K+ π + π π + π 0 π 0 π + π 0 π µ π + µ + ν 0 sig bkg ν e+ ν 0 Efficienza ε CUT = π (branching ratio) trigger Ntrig Efficienza ε SEL = 0.52 cut µ Vertice e E (MeV) γ µ γ ( N OBS N BKG ) ( K+ ) BR K + π 0 π + = N SIG = N trig ε SEL εcut N trig = ( N OBS N BKG ) N trig ε SEL εcut π + Nobs Rivelatore
56 5 Combinazione di misure
57 Scrivere i risultati Ogni misura, normalmente, riporta separatamente due errori: statistico e sistematico : BR ( K+ π + π 0.02sist 0 ) = 0.21 ± 0.01stat ± La precisione della misura in questo esempio sara : ebr = BR/BR = ( )/0.21 ~ 0.11
58 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti del tipo (xi ± σ i) di una stessa grandezza, come si ricava il valore più attendibile? p x= i 1 σ2 i x i ptot σx = 1 ptot
59 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti del tipo (xi ± σ i) di una stessa grandezza, come si ricava il valore più attendibile? p x= i 1 σ2 i x i ptot σx = 1 ptot x1 = ( 0.49 ± 0.03 ) p1 = 1111 x2 = ( 0.47 ± 0.01 ) p 2 = 10000
60 Combinare insieme le misure Perché combinare insieme più misure? Da più misure indipendenti del tipo (xi ± σ i) di una stessa grandezza, come si ricava il valore più attendibile? p x= i 1 σ2 i x i σx = ptot 1 ptot x1 = ( 0.49 ± 0.03 ) p1 = 1111 x2 = ( 0.47 ± 0.01 ) p 2 = x= = σ( x ) = 1 = x = ( ± )
Vedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
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.
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
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.
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
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
DettagliQuesti appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai
Questi appunti costituiscono soltanto una traccia sintetica del Corso di Laboratorio di Fisica, a prescindere dalle opportune spiegazioni e dai necessari chiarimenti forniti a lezione. 1 MISURA DI UNA
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. 075-585 2708 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
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
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
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/
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
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
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
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
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
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliCALCOLO DELLE PROBABILITÀ - 9 giugno 1998 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ - 9 giugno 1998 1. Dati gli eventi A,B,C, ognuno dei quali implica il successivo, e tali che P (A) è metà della probabilità di B, che a sua volta ha probabilità metà di quella
DettagliCalcolare. 16. Calcolare la somma della serie. 17. Se
Prova N.: risposte Matematica e Statistica gennaio VARIANTE: risposte: C A C B B B D B A B A C D C D B A C D A Ricordiamo che se Z ha distribuzione normale standard, si ha P (Z >.) = %, P (Z >.) = %, P
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliLa casualità nello spazio o nel tempo: la distribuzione di Poisson
La casualità nello spazio o nel tempo: la distribuzione di Poisson Cosa potrebbero rappresentare questi punti? o Organismi o eventi presenti in una certa area Per esempio, ci interessa capire come avviene
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
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
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
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
DettagliIntroduzione alla Meccanica Quan1s1ca
Introduzione alla Meccanica Quan1s1ca Danilo Babusci Stage Es)vi LNF Giugno 2012 Probabilità Le leggi fondamentali della natura sono leggi di probabilità, non leggi di certezza La Meccanica Quantistica
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
DettagliLezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
Dettagli! # %# & # & # #( # & % & % ( & )!+!,!++
! # %# & # & # #( # &! # % & % ( & )!+!,!++ ! # % & & ( ) +,.! / ( # / # % & ( % &,. %, % / / 0 & 1.. #! # ) ) + + + +) #!! # )! # # #.. & & 8. 9 1... 8 & &..5.... < %. Α < & & &. & % 1 & 1.. 8. 9 1.
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
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
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
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
Dettaglila forma esplicita delle correzioni
la forma esplicita delle correzioni al leading order (ma nei programmi di fit le correzioni si spingono, a seconda dei casi, ad ordini superiori) e per m H >m W le correzioni dipendenti dal flavour sono
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliDistribuzione di Probabilità
Distribuzione di Probabilità Sia X variabile con valori discreti X 1, X 2,..., X N aventi probabilità p 1, p 2,..., p N ( i p i = 1) (X variabile discreta aleatoria, o stocastica, o casuale, random) Funzione
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
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
DettagliLE PROVE DI AFFIDABILITA
4. LE PROVE DI AFFIDABILITA Ed.1 del 14/09/98 Rev. 3 del 08/09/00 AFFIDABILITA' DI COMPONENTI E SCHEDE ELETTRONICHE-sez 4 1 LE PROVE DI AFFIDABILITA SI RICAVANO INFORMAZIONI RELATIVE AD UN CAMPIONE E SI
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
DettagliEsercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano
Esercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano Esercizio 1 Una moneta viene lanciata 6 volte. Calcolare a) La probabilità che escano esattamente
DettagliDISTRIBUZIONI DISTRIBUZIONE DI GAUSS
DISTRIBUZIONI ESPERIENZA a: DISTRIBUZIONE DI GAUSS SCOPO: Costruzione di una distribuzione di Gauss dai valori di una grandezza fisica ottenuti da una misura dominata da errori casuali. Studio dell influenza
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliRaccolta di esercizi di fisica moderna
Raccolta di esercizi di fisica moderna M. Quaglia IIS Avogadro Torino M. Quaglia (IIS Avogadro Torino) Raccolta di esercizi di fisica moderna Torino, 20/11/2014 1 / 30 Prova AIF e Sillabo http://www.aif.it/archivioa/aif_seconda_prova_di_fisica.pdf
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliLaboratorio di Meccanica (can C) A.A. 2014/15
Laboratorio di Meccanica (can C) A.A. 2014/15 Diario Tipo: PII: prova in itinere E: esercizi V: vacanza Lo scorso anno N Data Tipo Argomento N Data Tipo Argomento 1W No Lab 1W No Lab 1 mercoledì 4 marzo
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliCALCOLO DELLE PROBABILITA - 24 Giugno 2015 CdL in STAD, SIGAD Compito intero Seconda prova in itinere: esercizi 4,5,6.
Cognome e Nome: Matricola CdS CALCOLO DELLE PROBABILITA - 4 Giugno 5 CdL in STAD, SIGAD Compito intero Seconda prova in itinere: esercizi 4,5, Motivare dettagliatamente le risposte su fogli allegati e
DettagliEsercizi Teoria della Probabilità
Esercizi Teoria della Probabilità Esercizio 1 Durante un corso universitario, uno studente prova a svolgere una serie di esercizi. La risposta agli esercizi è di tipo binario (SI/NO). Supponendo la completa
Dettagli2. SISTEMI DI UNITÀ DI MISURA
Indice generale 3 Prefazione.............................................. v Prefazione alla seconda edizione.................................. ix Prefazione alla terza edizione....................................
DettagliI decadimenti radioattivi
Istituzioni di Fisica Nucleare e Subnucleare Prof. A. Andreazza Lezione 3 I decadimenti radioattivi Radioattività naturale Osservazione di Bequerel della presenza di trasmutazioni di atomi. Osservazione
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
Dettagli8.8 Modificare i file di testo I processi La stampa Accesso alle periferiche 176
INDICE i Statistica ed analisi dei dati 1 1 Propagazione degli errori. Parte I 5 1.1 Terminologia 5 1.2 Propagazione dell incertezza massima (errore massimo) 7 1.2.1 Somma 8 1.2.2 Differenza 9 1.2.3 Prodotto
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliGLI EVENTI. Probabilità di un evento P(A)
GLI EVENTI Nel calcolo delle probabilità con la parola evento si intende ogni fatto che in seguito ad una prova può accadere oppure no. Qualche esempio: - l'apparizione di testa quando si lancia una moneta
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
DettagliValenza didattica (aggiunta e principale) Individuazione della grandezza da misurare. Misure ccomplementari/alternative
Misura del coefficiente di emanazione del radon da un materiale poroso Valenza didattica (aggiunta e principale) Contesto Tematica Individuazione della grandezza da misurare Metodologia di misura Misure
DettagliSe la funzione è analiticamente invertibile, estratto q, si può ricavare x = x(q).
La tecnica Monte Carlo Il metodo Monte Carlo è basato sulla scelta di eventi fisici con una probabilità di accadimento nota a priori. sia p(x) la distribuzione di probabilità con la quale si manifesta
Dettagli11. Sia g(y) la funzione inversa di f(x) = x 3 + x + 1. Calcolare. 14. Calcolare la somma della serie
Prova N. parti e : risposte Matematica e Statistica 0 gennaio 0 VARIANTE: 0 risposte: C A C B B B B D A B A C D C D B A C D A Ricordiamo che se Z ha distribuzione normale standard, si ha P (Z >.00) = %,
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
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
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliMEDIA aritmetica semplice (Gli indicatori di posizione)
STATISTICA E RICERCA DIDATTICA Note di statistica e metodi di ricerca Il 94.5 % delle statistiche e' sbagliato. Woody Allen Non esistono i dati, solo interpretazioni! Friedrich Nietzsche Laurea in Scienze
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliLa misura fornisce un numero ed una unità di misura. Questione dell unità di misura: analisi dimensionale
Presentazione dei calcoli e delle misure La fisica studia i fenomeni naturali, con osservazioni sceintifiche, misure di grandezze e verifiche di leggi. La misura fornisce un numero ed una unità di misura.
DettagliCorso di Statistica. Distribuzioni di probabilità per variabili casuali discrete. Prof.ssa T. Laureti a.a
Corso di Statistica Distribuzioni di probabilità per variabili casuali discrete Prof.ssa T. Laureti a.a. 2013-2014 1 Variabili casuale di Bernoulli La v.c. di Bernoulli trae origine da una prova nella
DettagliCompiti tematici capp. 5,6
Compiti tematici capp. 5,6 a cura di Giovanni M. Marchetti 2016 ver. 0.6 Indice Esercizi dai compiti a casa (HW..................................... 8 1. Se X e Y sono due variabili casuali independenti,
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliStatistica. V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali
Elementi di Inferenza Statistica Variabili casuali V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali Soriano nel Cimino (VT), 6 Ottobre 2009 Pier
DettagliIncertezza di misura concetti di base. Roberto Olmi IFAC-CNR
Incertezza di misura concetti di base Roberto Olmi IFAC-CNR Certezza dell incertezza Il display mostra: Inferenza sulla la massa, basata sulla lettura: La massa ha un valore tra 83.35 e 83.45 g La massa
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
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,
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea in Economia e Finanza Statistica 1 A.A. 2015/2016 (8 CFU, corrispondenti a 48 ore di lezione frontale e 24 ore di esercitazione) Prof. Luigi Augugliaro 1 / 52 Adattamento di una distribuzione
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliFondamenti statistici : Test d Ipotesi (1)
Fondamenti statistici : Test d Ipotesi (1) Ipotesi statistica: È una assunzione formulata su un particolare aspetto della popolazione considerazioni teoriche Informazioni relative a popolazioni analoghe
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliL istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un
Gli istogrammi L istogramma è una rappresentazione grafica di una distribuzione di frequenza di una certa grandezza, ossia di quante volte in un insieme di dati si ripete lo stesso valore. Esistono diversi
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
DettagliEsempi di distribuzioni teoriche
Capitolo 7 Esempi di distribuzioni teoriche In questo capitolo presentiamo alcune funzioni teoriche che rappresentano densità di probabilità di variabili casuali unidimensionali (continue e discrete) che
DettagliPRINCIPALI DISTRIBUZIONI DI PROBABILITA. Psicometria 1 - Lezione 9 Lucidi presentati a lezione AA 2000/2001 dott. Corrado Caudek
PRINCIPALI DISTRIBUZIONI DI PROBABILITA Psicometria 1 - Lezione 9 Lucidi presentati a lezione AA 000/001 dott. Corrado Caudek 1 DISTRIBUZIONE BINOMIALE Possiamo definire un processo bernoulliano come una
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliLezione Le incertezze nel calcolo strutturale
Lezione Le incertezze nel calcolo strutturale Sommario Le strutture reali Le incertezze nei materiali L approccio probabilistico Le strutture reali Le strutture reali Le strutture reali Fasi costruttive
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino) Prova di giovedi febbraio 2005 (tempo a disposizione: 3 ore). consegna compiti e inizio orale Lunedì
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005
Statistica Matematica A - Ing. Meccanica, Aerospaziale II prova in itinere - 2 febbraio 2005 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Esercizio
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # 6 1 Test ed intervalli di confidenza per una popolazione Esercizio n. 1 Il calore (in calorie
Dettaglix ;x Soluzione Gli intervalli di confidenza possono essere ottenuti a partire dalla seguente identità: da cui si ricava: IC x ;x = +
ESERCIZIO 6.1 Si considerino i 0 campioni di ampiezza n = estratti da una popolazione X di N = 5 elementi distribuiti normalmente, con media µ = 13,6 e σ = 8,33. A partire dalle 0 determinazioni della
DettagliLezione 3 Calcolo delle probabilità
Lezione 3 Calcolo delle probabilità Definizione di probabilità La probabilità è lo studio degli esperimenti casuali e non deterministici Se lanciamo un dado sappiamo che cadrà ma non è certo che esca il
DettagliMisura della vita media del mesone D 0 a LHCb
International Masterclasses (LNF) 17 marzo 2016 Misura della vita media del mesone D 0 a LHCb B. Sciascia (INFN) [Almost all slides from A. Carbone] L ESERCIZIO DI OGGI Obiettivi dell esercizio I obiettivo:
Dettagli