Teorema del Limite Centrale

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Teorema del Limite Centrale"

Transcript

1 Teorema del Limite Centrale Una combinazione lineare W = a 1 X + a Y + a 3 Z +., di variabili aleatorie indipendenti X,Y,Z, ciacuna avente una legge di ditribuzione qualiai ma con valori attei comparabili e varianze finite dello teo ordine di grandezza, all aumentare del numero delle variabili aleatorie tende ad alla ditribuzione normale/gauiana con valore atteo e varianza ripettivamente pari a: a a 1 a 1 y a y a... 3 z a 3 z... Nota: Il cao di più miure della tea quantità fatte da diveri perimentatori cade perfettamente nelle ipotei del teorema. La definizione della deviazione dalla media m = /N 1/ è dimotrabile attravero il teorema del limite centrale

2 Nella maggioranza dei cai (ma non in tutti) facendo un itogramma delle miure acquiite i ottiene una curva a campana detta normale o Gauiana. G,, G,, d Ditribuzione Gauiana o Normale 1 e 1 1 = Valor Medio (vedi proimo lucido) = deviazione tandard (vedi proimo lucido) Si puo dimotrare che l itogramma ha una forma Gauiana quando tutte le orgenti di incertezza hanno un contributo molto piccolo e cauale Eitono tuttavia altre curve che incontreremo nel coro, come ad eempio la Binomiale o la Poioniana Poiche la Gauiana è immetrica attorno al valore medio allora Media = Mediana = Moda

3 Teoremi Nel cao di un numero N finito di miure, ripetibili ed indipendenti, che poano eere decritte da una ditribuzione gauiana allora 1- La migliore tima del parametro è la media G 1,, e 1 1 N N i1 i La migliore tima del parametro è la deviazione tandard del campione N i1 ( i ) N 1 3 L incertezza relativa ul valore di è data da incertezza ul valore di come tima di ( N 1)

4 Incertezza ul valore della Numero Miure

5 Ditribuzione Gauiana o Normale Nell ipotei che i dati miurati i ditribuicano eguendo una curva Gauiana è poibile dare una definizione più quantitativa della deviazione tandard Il 68% delle miure cadrà all interno dell intervallo ; Il 95% delle miure cadrà all interno dell intervallo 1.96 ; il 99.7% delle miure cadrà all interno dell intervallo 3 ; 3

6 Perche il 68% o il 95%? Data una gauiana normalizzata Allora 1,, 1,, 1 d G e G ,, 0.95,, 0.68,, d G d G d G

7 Ditribuzione Gauiana o Normale Queta proprietà è vera ecluivamente per una ditribuzione Gauiana. Per altre ditribuzioni potranno valere, cao per cao, percentuali differenti Per eempio 1 - Poioniana con valor medio <> = 8 e =.8 In un intervallo di più o meno una deviazione tandard cadono il 6% dei conteggi - Poioniana con valor medio <> = 10 e = 3. In un intervallo di più o meno una deviazione tandard cadono il 73% dei conteggi 3 - Poioniana con valor medio <> = 5 e =. In un intervallo di più o meno una deviazione tandard cadono il 74% dei conteggi Nota: Valor medio e deviazione tandard ono definite per un qualiai et di dati, tuttavia olo per il cao della Gauiana è poibile dimotrare il legame con i parametri della ditribuzione tea.

8 Probabilità Integrale ERF Funzione degli errori Come ho fatto a calcolare gli integrali di prima? Come poo fare per calcolare l integrale di una gauiana per altri intervalli di integrazione? Oppure.. più in generale? Come faccio a trovare la probabilità che una data miura 0 faccia parte della ditribuzione tatitica Gauiana che ha valor medio bet e? Il punto di partenza è l integrale parametrizzato bet

9 Probabilità Integrale ERF Funzione degli errori Come ho fatto a calcolare gli integrali di prima? Come poo fare per calcolare l integrale di una gauiana per altri intervalli di integrazione? Oppure.. più in generale? Come faccio a trovare la probabilità che una data miura 0 faccia parte della ditribuzione tatitica Gauiana che ha valor medio bet e? Il punto di partenza è l integrale parametrizzato P Nota : bet bet bet bet G ,, d G',,0 ' - t t bet bet d' t t d d' ' dove 0 e t bet bet Non è una uguaglianza matematica ma una equivalenza dopo un cambio di coordinate. Ricordatevi che una tralazione conerva le differenze 0

10 P bet bet 0 G 0,, bet d P t G t,,0 d con t bet 0 P(,, bet ) bet 0 bet 0

11 Sia per eempio t 0.3 P 0.3 G 0.3,,0 d Dobbiamo uare la tabella Quindi P 0.3 G 0.3,,0d Pagina 89 taylor

12 Quindi: Data una miura 0 Data una ditribuzione gauiana con valor medio bet e deviazione tandard Sia t = 0 bet / = 0.3 Allora ho una probabilità pari all area eterna alla gauiana, P G 0.3,,0 d % cioè il 74.9% di probabilità, di trovare una miura uguale o peggiore (cioè più lontana da bet ) di 0. Quindi ho il 74.9% di probabilità che 0 appartenza alla ditribuzione NOTA IMPORTANTE Coa uccede e t=1.96? In queto cao, ho olo il 5% di probabilità di avere una miura uguale o peggiore di 0, quindi 0 è una cattiva miura.

13 0. P(,0, ) t t La probabilità di avere una miura uguale o peggiore di 0 i calcola integrando u tutto l intervallo eterno a partire dal punto in quetione ( 0 ) u entrambi i lati della gauiana

14 Eercizio: Provate a verificare ulle tabelle e è vero che P P P P bet bet bet bet bet bet bet 0 G 0 bet 0 G G,, d G,,0d bet,, d G,,0d bet.58,, d G,,0d G 0 bet ,, d G,,0d bet 0.5

15 Nota importante Nei lucidi precedenti abbiamo definito l oervabile t definita come t bet 0 L oervabile t indica, in queto cao, la ditanza della miura 0 dal valor medio in unità di deviazione tandard Ovviamente il valore dell oervabile t dipende dalla corretta conocenza di bet e della deviazione tandard In una ditribuzione Gauiana, noto il valore dell oervabile t è poibile, in qualiai cao, calcolare la probabilità di avere una miura di valore uguale o maggiore (in modulo) di 0 attravero l uo della proprietà integrale e delle tavole. Nota: La deviazione tandard nella formula di t è quella VERA non quella miurata!

16 Ditribuzione Gauiana Nell ipotei che i dati miurati i ditribuicano eguendo una curva Gauiana è poibile dare un carattere predittivo alla deviazione tandard La proima miura ha il 68 % di probabilità di cadere all interno dell intervallo La proima miura ha il 95 % di probabilità di cadere all interno dell intervallo La proima miura ha il 99.7 % di probabilità di cadere all interno dell intervallo ; ; 3 ; 3 La deviazione tandard quindi: E una quantità aociata alla ingola miura E una tima quantitativa della incertezza u una ingola miura E una tima quantitativa della diperione delle ingole miure E una tima della larghezza della ditribuzione di probabilità delle miure NON è una tima dell errore del valor medio ottenuto NON è una tima dell incertezza tatitica preente nel notro valor medio NON dipende dal numero di miure effettuate Che variabile tatitica quantifica l errore/incertezza preente nel valor medio?

17 Deviazione Standard della Media Abbiamo vito precedentemente (e i puo dimotrare con il teorema del limite centrale) che l incertezza a cui è oggetto il valore medio è data dal rapporto della deviazione tandard con la radice quadrata del numero di miure effettuate. Altri nomi della Deviazione Standard della media (SDOM) ono: Errore Standard Errore Standard della Media La Deviazione Standard della media decrece con l aumentare del numero di miure Nell ipotei di: Deviazione tandard della media m Aver effettuato N miure della medeima quantità (miure ripetute ed indipendenti). NON iano preenti errori itematici. C e il 68% di probabilità che il valore vero ia all interno dell intervallo ( bet m ; bet + m ). Il valore bet è etratto atrravero il proceo di media. N Analogamente per il 95% ed il 99.7% di probabilità con 1.96 m e 3 m

18 Per comprendere in maniera intuitiva l origine della deviazione tandard della media Immaginate di avere un numero infinito di dataet compoti ciacuno da N miure di una oervabile fiica. I dati in ciacun dataet i ditribuiranno econdo una data ditribuzione, con un valor medio ed una deviazione tandard Media Dev. Std Media Dev. Std Media Dev. Std Media Dev. Std Media Dev. Std Poo ottenere un numero infinito di valori medi (uno per dataet). Cotruiamo la ditribuzione dei valori medi ottenuti in ciacun dataet. Queta ditribuzione è una Gauiana Queta ditribuzione avrà come valore medio vero Queta ditribuzione avrà come deviazione tandard la deviazione tandard della media di un ingolo dataet

19 Nota importante La deviazione dalla media è uno trumento molto utile per valutare il numero di miure necearie per ottenere un certo errore. P.e. Devo miurare una oervabile, una tima a priori mi dice che dovrei ottenere come valor medio <> ed una deviazione tandard Se volei una incertezza nel valore medio pari all 1% quante miure dovrei fare? N m m 1% N

20 DEFINIZIONI Deviazione Standard La deviazione tandard è una tima dell incertezza ulla ingola miura, in altre parole è una valutazione quantitativa delle fluttuazioni cauali e quindi di come i diperdono le ingole miure attorno al valore medio. In particolare, nella gauiana, eite il 68% di probabilità che una ingola miura ia all interno dell intervallo ( bet ; bet + ) Deviazione Standard della Media m La deviazione tandard della media è una tima dell incertezza ul valor medio, in altre parole è una valutazione quantitativa di quanto (in aenza di errore itematico) bet è lontano da vero. In particolare, eite il 68% di probabilità che vero ia all interno dell intervallo ( bet m ; bet + m )

21 Nota Importante Voglio conocere il valore di una oervabile attravero una operazione di miura. Ipotizzo che i dati i ditribuicano econdo una gauiana attorno al valore medio Effettuo N miure (indipendenti e ripetibili) dell oervabile. Etraggo il valore medio (la migliore tima del valore vero) Etraggo la deviazione tandard del campione (la migliore tima di ) Etraggo la deviazione dalla media (la migliore tima del mio errore) Etraggo il valore dell oervabile t Poo quindi affermare che ho il 68% (t=1) di probabilità che il valore vero ia nell intervallo ( medio ± m ) o il 99.7% (t=3) che il valore vero ia nell intervallo ( medio ± 3 m ) Tuttavia: t bet 0 per etrarre la deviazione dalla media devo uare la deviazione tandard, che tuttavia non conoco ma di cui ho una tima (la deviazione tandard del campione) non neceariamente corretta. Come poo timare l errore della miura e non conoco il valore vero della deviazione tandard? Se il numero di miure N è piccolo poo apettarmi che il valore della deviazione tandard del campione poa eere molto differente dal valore vero della deviazione tandard

22 Il grafico riporta l andamento della deviazione tandard al variare del numero di miure nel cao di un dado equiprobabile. Il valore vero è indicato dalla linea gialla. Oervate che dopo 3-5 tiri la deviazione tandard del campione può eere molto differente dal valore vero della deviazione tandard Per riolvere queto problema biogna tudiare la ditribuzione dell oervabile t

23 La ditribuzione dell oervabile t è tata calcolata da William Sealy Goet, nel 1905 con lo peudonimo di Student e quindi nella toria paata come Student t ditribution ed data dalla relazione: p( t, n ) 1 n G G n 1 n / / t 1 n n 1/ Dove G indica una funzione matematica peciale (vedi pg. 196 del Bevington). Nella formula l oervabile n indica il numero di gradi di libertà (n = N-1 e dal medeimo et di dati i etrae anche il valor medio) e l oervabile t è data dalla relazione t 0 valor medio etrattodai dati deviazione tandard etrattadai dati P((t,n) indica quindi la probabilità di ottenere un determinato t avendo fatto un numero di miure pari a N

24 Nota: La ditribuzione ha code più lunghe ripetto alla Gauiana tandard All aumentare di N la ditribuzione "t" di Student tende alla Gauiana tandard. f(t) gauiana p=0.1 t di Student (n=) n p= t8 Notate che, nel cao di tre miure (n=) la probabilità di ottenere t con una ditribuzione gauiana è più baa (4.6%) che con la ditribuzione t Student 18.3%. Queto andamento è intuitivo poiché non conocendo il valore vero di devo ridurre la predittività della miura Eempio, una probabilità inferiore al 5% (u un dataet di tre miure) la ottengo con dato che dita circa 4.1 dal valore medio (non )

25 La pagina 66 del Bevington (e la tabella che egue) indicano il valore dell integrale della ditribuzione della t di Student nell intervallo da 1 = <> - t a = <> + t fiato il valore dell oervabile t e del numero di gradi di libertà. Facciamo un eempio: Vengono fatte n (numero piccolo, -7) miure e i ottiene un valor medio di 5,88 ed una deviazione della media di 0,31 (Il valore atteo è pari a 6.50) Nel cao di una ditribuzione gauiana il parametro t aume un valore pari a t = (6.50-5,88)/0.31 =, in altre parole il valor medio miurato dita due deviazioni tandard della media miurate dal valore atteo. Se la deviazione tandard miurate foe eattamente quella vera (e quindi anche la deviazione dalla media) potremmo dire che eite il 4.55 % di probabilità che la ditanza tra il valore miurato ed il valore atteo ia dovuto alle fluttuazioni tatitiche la miura, tuttavia, ha dato olo una tima, non neceariamente precia, della deviazione tandard. Lo perimentatore NON conoce il vero valore di Queto è il tipico cao in cui è utile la ditribuzione della t Student

26 Quindi: L oervabile t è una variabile tatitica definita come Dove la deviazione tandard tot indica la deviazione tandard vera, quindi non nota a meno di fare infinite miure, della differenza (<> - 0 ) Come per tutte le variabili tatitiche quindi t arà nota con una certa preciione, queta dipende oprattutto dalla preciione con cui i conoce tot Ogni affermazione tatitica che fa uo della variabile t deve tenere conto del fatto che t può avere una ua incertezza, quindi nel cao della tima della probabilità di una gauiana: Se ho un elevato numero di miure - Poo coniderare miurata praticamente uguale alla vera e quindi uare la probabilità integrale della gauiana -Se ho poche miure - E poibile che la miurata ia differente dalla vera, quindi per tenere conto di queta incertezza non devo uare la probabilità integrale gauiana ma la tabella della t di Student t tot 0

27 La tabella degli integrali della ditribuzione t Student riporta che per t = : La tabella ERF mi dice che P(t=) = 4.6% Gradi di Liberta Numero Miure Probabilità che la differenza dal valor medio ia una fluttuazione tatitica (t=) % % % % % % % % infinite Infinite 4.6 % Notate che per un numero infinito di miure i ottengono gli tei riultati della gauiana Notate che il riultato dipende dal numero di miure Notate che la tabella non entra in gioco nel determinare il valore l errore ma - la compatibilità o meno di miure tra loro o vero un valore atteo - l intervallo di probabilità entro il quale ci apettiamo di avere il valor medio

28 La tabella C.8 pg 66 del Bevington

29 Coa biogna fare quando ho poche miure: Eempio: ho 4 Miure che mi hanno dato un valore medio di 5.3 ed una deviazione tandard della media Voglio verificare la compatibilità di queto riultato con un valore atteo di 4.9. La funzione ERF della gauiana ( t ), poiché cotruita con la deviazione tandard del campione non produce le corrette probabilità Etraggo l oervabile t uando la deviazione tandard miurata t tud = ( )/0.17 =.35 Utilizzando la tabella della t di Student trovo la probabilità aociata alla t ottenuta P(eterna,t tud =.35) = = 0.1 Ricavo la probabilità equivalente a 0.1 = 10% con la funzione ERF gauiana P(gauiana-eterna)= 10% -> t gau = 1.64 Eeguo tutti i ragionamenti di compatibilità come e la t ricavata dai miei dati perimentali foe 1.64 Poiché t gau < allora il dato perimentale è compatibile con il valore atteo Ho il 10% di probabilità che la differenza tra la mia miura e il valore atteo ia di origine tatitica e quindi lo accetto Se non avei uato la ditribuzione di Student avrei concluo che non ci foe compatibilità tra il dato perimentale e quello atteo. La baa tatitica invece rende la miure compatibili

30 GDL t gau e t tud = 1 t gau e t tud = t gau e t tud = 3 ~ 0.80 ~ 1.33 ~ ~ 0.86 ~ 1.48 ~ ~ 0.89 ~ 1.57 ~.06 5 ~ 0.91 ~ 1.64 ~.17 6 ~ 0.9 ~ 1.68 ~.6 8 ~ 0.94 ~ 1.75 ~ ~ 0.95 ~ 1.79 ~.48 1 ~ 0.96 ~ 1.8 ~ ~ 0.97 ~ 1.86 ~.63 0 ~ 0.98 ~ 1.89 ~ ~ 0.99 ~ 1.95 ~.87 Morale: Se avete poche miure (i.e. 4 -> 3 GDL) e volete un riultato ad un C.L. 99.7% (a tre igma gauiane) allora la votra t tud deve eere pari a circa 9.. Quindi l intervallo diventa enorme e poco utile. Per avere riultati a 3 igma gauiane biogna fare molte miure

31 Eercizio: Uno tudente miura l accelerazione di gravità, g, cinque volte con i eguenti riultati 9.90 m/ 9.60 m/ 9.50 m/ 9.70 m/ 9.80 m/ Trovare il valor medio, la deviazione tandard e l errore ulla miura di g. Calcolare con che probabilità la differenza tra il valore miurato e quello atteo poa eere ricondotta ad una fluttuazione tatitica (uate un limite di confidenza del 0%). Fate queto conto uando la proprietà integrale della gauiana e con le correzioni date dalla ditribuzione della t di Student

32 In queto cao l oervabile t = ( )/0.08 = 1.33 Secondo l integrale Gauiano ho una probabilità del ( ) = 18.4 % che la differenza tra la miura ed il valore atteo ia una fluttuazione tatitica. Secondo la ditribuzione di tudent la probabilità è di circa 6.7 % Morale: la miura è compatibile entro un intervallo di confidenza del 0%

33 Eercizio Dopo aver miurato la velocita del uono v molte volte, uno tudente conclude che la deviazione tandard v è pari a 10 m/. Aumendo che tutte le incertezze iano cauali, lo tudente puo raggiungere una preciione deiderata facendo un numero ufficiente di miure e mediando. Quante miure ono necearie per avere un errore ulla velocità del uono pari a 3 m/? Quante miure ono necearie per avere un errore ulla velocità del uono pari a 0.5 m/? / 10 / 3 m m m N m m N / 10 / 0.5 m m m N m m N

34 ESERCIZI Provate a fare gli eercizi 4.15, 4.16, 4.17

35 Attenzione L errore finale u una qualiai quantità non puo eere di molto inferiore alla enibilità trumentale. Altrimenti arebbe poibile raggiungere preciioni NON fiiche emplicemente ripetendo le miure più e più volte indipendentemente dallo trumento utilizzato. Eempio: Vogliamo miurare la lunghezza di un tavolo con un metro a natro con tacche da 1 mm. La enibilità trumentale è di circa 0.5 mm. Eeguendo 9 miure otteniamo un valor medio di 178. mm con una deviazione tandard di 1. mm. La deviazione della media è di 0.4 mm dello teo ordine di grandezza della enibilità trumentale. Non ha il minimo eno fare più miure, tanto l errore ul valor medio non potrà eere ridotto in maniera ignificativa. queto anche e la matematica ci dice che miurando volte potremmo ottenere una preciione di mm (del decimilleimo di millimetro).

36 Eempio: Vogliamo miurare la poizione di una maa appea ad una molla con un enore ad ultrauoni con la enibilità di 0.5 millimetri. A caue di tutte le influenze eterne la maa non è mai ferma ma ocilla leggermente in tutte le direzioni. Quete ocillazioni cauali rendono ovviamente la miura meno precia. Eeguendo 9 miure otteniamo un valor medio di 67. mm con una deviazione tandard di 3. mm. La deviazione della media in queto cao è di 1.1 mm, valore uperiore (più che doppio) alla enibilità trumentale. In queto cao, potrebbe eere utile arrivare a circa 50 miure. In queto modo la deviazione dalla media arebbe 0.45 mm. In queto cao l effetto delle fluttuazioni cauali è dominante ripetto alla enibilità trumentale. Effettuare più miure, quindi, giova per aumentare la preciione della miura.

37 Livello di confidenza Abbiamo vito che nel cao di un numero infinito di miure ripetibili ed indipendenti che i ditribuicano econdo una gauiana il 68 % dei dati perimentali deve cadere all interno di una deviazione tandard. In altre parole abbiamo un livello di confidenza che, eeguendo una miura più volte, nel 68% dei cai il riultato cadrà entro una deviazione tandard. Speo, ma non empre, i ceglie la deviazione tandard, un livello di confidenza del 68%, come riferimento. Ovviamente queto non vale per una ditribuzione poiionana o piatta. Per ditribuzioni non gauiane i fa il vicevera, i dice [ 1, ] al 95% C.L. Queto ignifica che il 95% delle miure cadono nell intervallo [ 1, ] In generale quando la miura è molto più piccola dell errore (eempio 0. ± 1) anche e la ditribuzione è gauiana i ua il livello di confidenza - ad eempio [-11.8, 1.] 68% C.L.

38 E tutto Chiaro? Dovrete aver chiari i eguenti argomenti: Deviazione tandard della media Differenza tra la deviazione tandard e la deviazione tandard dalla media Gauiana Ditribuzione di t di Student Errore minimo Livello di Confidenza

Teorema del Limite Centrale

Teorema del Limite Centrale Teorema del Limite Centrale Una combinazione lineare W = a X + a Y + a 3 Z +., di variabili aleatorie indipendenti X,Y,Z, ciacuna avente una legge di ditribuzione qualiai ma con valori attei comparabili

Dettagli

Errori di misura. è ragionevole assumere che una buona stima del valore vero sia la media

Errori di misura. è ragionevole assumere che una buona stima del valore vero sia la media Errori di miura Se lo trumento di miura è abbatanza enibile, la miura rietuta della tea grandezza fiica darà riultati diveri fra loro e fluttuanti in modo caratteritico. E l effetto di errori cauali, o

Dettagli

Capitolo IV L n-polo

Capitolo IV L n-polo Capitolo IV L n-polo Abbiamo oervato che una qualiai rete, vita da due nodi, diventa, a tutti gli effetti eterni, un bipolo unico e queto è in qualche miura ovvio e abbiamo anche motrato come cotruire

Dettagli

Capitolo. Il comportamento dei sistemi di controllo in regime permanente. 6.1 Classificazione dei sistemi di controllo. 6.2 Errore statico: generalità

Capitolo. Il comportamento dei sistemi di controllo in regime permanente. 6.1 Classificazione dei sistemi di controllo. 6.2 Errore statico: generalità Capitolo 6 Il comportamento dei itemi di controllo in regime permanente 6. Claificazione dei itemi di controllo 6. Errore tatico: generalità 6. Calcolo dell errore a regime 6.4 Eercizi - Errori a regime

Dettagli

Definizione delle specifiche per un sistema di controllo a retroazione unitaria

Definizione delle specifiche per un sistema di controllo a retroazione unitaria Definizione delle pecifiche per un itema di controllo a retroazione unitaria Obiettivi del controllo Il itema di controllo deve eere progettato in modo da garantire un buon ineguimento dei egnali di riferimento

Dettagli

Circuito Simbolico. Trasformazione dei componenti

Circuito Simbolico. Trasformazione dei componenti Circuito Simbolico Principio di bae E poibile applicare a tutte le leggi matematiche che regolano un circuito la traformata di Laplace, in modo da ottenere un nuovo circuito con delle proprietà differenti.

Dettagli

Le ipotesi di base che si utilizzano sono le stesse quattro già viste con riferimento al caso della flessione semplice e cioè:

Le ipotesi di base che si utilizzano sono le stesse quattro già viste con riferimento al caso della flessione semplice e cioè: LEZIONI N 44 E 45 CALCOLO A ROTTURA DELLA SEZIONE PRESSOINFLESSA PROBLEMI DI VERIFICA La procedura di verifica dei pilatri di c.a., ottopoti a forzo normale e momento flettente, è baata ulla cotruzione

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

Controllore Processo. Le principali componenti del sistema sono: il rivelatore di errore, il controllore che ha il compito di trasformare il segnale

Controllore Processo. Le principali componenti del sistema sono: il rivelatore di errore, il controllore che ha il compito di trasformare il segnale CONTROLLORI DI TIO ID rincipi di funzionamento Il termine controllo definice l azione volta per portare e mantenere ad un valore prefiato un parametro fiico di un impianto o di un proceo (ad eempio, la

Dettagli

Note su alcuni principi fondamentali di macroeconomia Versione parziale e provvisoria. Claudio Sardoni Sapienza Università di Roma

Note su alcuni principi fondamentali di macroeconomia Versione parziale e provvisoria. Claudio Sardoni Sapienza Università di Roma Note u alcuni principi fondamentali di macroeconomia Verione parziale e provvioria Claudio Sardoni Sapienza Univerità di Roma Anno accademico 2010-2011 ii Indice Premea v I Il breve periodo 1 1 Il fluo

Dettagli

Nel caso di molte misure e statistica gaussiana

Nel caso di molte misure e statistica gaussiana Dicrepanza Nella tragrande maggioranza dei cai le concluioni perimentali implicano il confronto tra due o più valori. Queti valori poono eere delle miure (e quindi con un incertezza), delle time teoriche

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

risulta (x) = 1 se x < 0.

risulta (x) = 1 se x < 0. Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente

Dettagli

Lezione 2. Campionamento e Aliasing. F. Previdi - Controlli Automatici - Lez. 2 1

Lezione 2. Campionamento e Aliasing. F. Previdi - Controlli Automatici - Lez. 2 1 Lezione 2. Campionamento e Aliaing F. Previdi - Controlli Automatici - Lez. 2 1 Schema della lezione 1. Introduzione 2. Il campionatore ideale 3. Traformata di un egnale campionato 4. Teorema del campionamento

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

d y d u + u y des C(s) F(s) Esercizio 1 Si consideri lo schema di controllo riportato in figura:

d y d u + u y des C(s) F(s) Esercizio 1 Si consideri lo schema di controllo riportato in figura: Eercizio Si conideri lo chema di controllo riportato in figura: y de e C() d u u F() d y y Applicando le regole di algebra dei blocchi, calcolare le eguenti funzioni di traferimento: y() a) W y,dy() =

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

Dettagli

3. Catene di Misura e Funzioni di Trasferimento

3. Catene di Misura e Funzioni di Trasferimento 3.. Generalità 3. Catene di Miura e Funzioni di Traferimento 3.. Generalità Il egnale che rappreenta la grandezza da miurare viene trattato in modo da poter eprimere quet ultima con uno o più valori numerici

Dettagli

Corso di Microonde II

Corso di Microonde II POITECNICO DI MIANO Coro di Microonde II ezi n. 3: Generalità ugli amplificatori ineari Coro di aurea pecialitica in Ingegneria delle Telecomunicazi Circuiti attivi a microonde (Amplificatori) V in Z g

Dettagli

Stato limite ultimo di sezioni in c.a. soggette. SLU per sezioni rettangolari in c.a. con. determinazione del campo di rottura

Stato limite ultimo di sezioni in c.a. soggette. SLU per sezioni rettangolari in c.a. con. determinazione del campo di rottura Univerità degli Studi di Roma Tre Coro di Progetto di trutture - A/A 2008-0909 Stato limite ultimo di ezioni in c.a. oggette a preoleione SLU per ezioni rettangolari in c.a. con doppia armatura determinazione

Dettagli

UNIVERSITÀ DEGLI STUDI DI TERAMO

UNIVERSITÀ DEGLI STUDI DI TERAMO UNIVERSITÀ DEGLI STUDI DI TERAMO CORSO DI LAUREA IN TUTELA E BENESSERE ANIMALE Coro di : FISICA MEDICA A.A. 2015 /2016 Docente: Dott. Chiucchi Riccardo ail:rchiucchi@unite.it Medicina Veterinaria: CFU

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

Diagramma circolare di un motore asincrono trifase

Diagramma circolare di un motore asincrono trifase Diagramma circolare di un motore aincrono trifae l diagramma circolare è un diagramma che permette di leggere tutte le grandezze del motore aincrono trifae (potenza rea, perdite nel ferro, coppia motrice,

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010 LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno

Dettagli

Ing. Mariagrazia Dotoli Controlli Automatici NO (9 CFU) Antitrasformata di Laplace PROCEDIMENTI DI ANTITRASFORMAZIONE

Ing. Mariagrazia Dotoli Controlli Automatici NO (9 CFU) Antitrasformata di Laplace PROCEDIMENTI DI ANTITRASFORMAZIONE PROCEDIMENTI DI ANTITRASFORMAZIONE L'operazione di paaggio invero dal dominio della frequenza complea al dominio del tempo F() f(t) è detta antitraformata o traformazione invera di Laplace. Data una funzione

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Esempio 1 Si consideri la sezione di un solaio latero-cementizio (1 m) di caratteristiche geometriche:

Esempio 1 Si consideri la sezione di un solaio latero-cementizio (1 m) di caratteristiche geometriche: Si riporta di eguito la rioluzione di alni eercizi riguardanti il calcolo del momento reitente e del dominio di preoleione di ezioni in cemento armato. In tutte le applicazioni ucceive i è utilizzato per

Dettagli

Psicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE

Psicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una

Dettagli

Onestà di un dado. Relazione sperimentale

Onestà di un dado. Relazione sperimentale Onestà di un dado Relazione sperimentale La valutazione dell onesta di un qualunque dado a n facce è svolta mediante l analisi statistica di un set di tiri del medesimo ed il confronto con i valori teorici.

Dettagli

Messa a punto avanzata più semplice utilizzando Funzione Load Observer

Messa a punto avanzata più semplice utilizzando Funzione Load Observer Mea a punto avanzata più emplice utilizzando Funzione Load Oberver EMEA Speed & Poition CE Team AUL 34 Copyright 0 Rockwell Automation, Inc. All right reerved. Co è l inerzia? Tutti comprendiamo il concetto

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Esercizi sul moto del proiettile

Esercizi sul moto del proiettile Eercizi ul moto del proiettile Riolvi li eercizi ul quaderno utilizzando la oluzione olo per controllare il tuo riultato. 1 Un fucile è puntato orizzontalmente contro un beralio alla ditanza di 30 m. Il

Dettagli

ERRORE STATICO. G (s) H(s) Y(s) E(s) X (s) YRET(s)

ERRORE STATICO. G (s) H(s) Y(s) E(s) X (s) YRET(s) Preciione a regime: errore tatico ERRORE STATICO Alimentazione di potenza E() YRET() G() Y() H() Per errore tatico i intende lo cotamento, a regime, della variabile controllata Y() dal valore deiderato.

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Statica del corpo rigido: esercizi svolti dai compitini degli anni precedenti

Statica del corpo rigido: esercizi svolti dai compitini degli anni precedenti Statica de corpo riido: eercizi voti dai compitini dei anni precedenti II COMPITIO 00 003 Un ae di eno orizzontae omoenea, di maa M0 k e unhezza L m, è appoiata u due cavaetti. L ae pore di 60 cm otre

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Sintesi tramite il luogo delle radici

Sintesi tramite il luogo delle radici Sintei tramite il luogo delle radici Può eere utilizzata anche per progettare itemi di controllo per itemi intabili Le pecifiche devono eere ricondotte a opportuni limiti u %, ta, t di W(), oltre quelle

Dettagli

STATISTICA IX lezione

STATISTICA IX lezione Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri

Dettagli

SPC e distribuzione normale con Access

SPC e distribuzione normale con Access SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,

Dettagli

1 Serie di Taylor di una funzione

1 Serie di Taylor di una funzione Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita

Dettagli

2. Leggi finanziarie di capitalizzazione

2. Leggi finanziarie di capitalizzazione 2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M

Dettagli

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 11: 13-14 Maggio 2010. Meccanismi per la Condivisione dei Costi

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 11: 13-14 Maggio 2010. Meccanismi per la Condivisione dei Costi Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/0 Lecture : 3-4 Maggio 200 Meccanimi per la Condiviione dei Coti Docente Paolo Penna Note redatte da: Paolo Penna Primo Eempio Vogliamo vendere

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Fondamenti e didattica di Matematica Finanziaria

Fondamenti e didattica di Matematica Finanziaria Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio

Dettagli

Poiché la retta è definita dall equazione: y = a + bx. Capitolo 4. Regressione e Correlazione.

Poiché la retta è definita dall equazione: y = a + bx. Capitolo 4. Regressione e Correlazione. Diaz - Appunti di tatitica - AA 1/ - edizione 9/11/1 Cap. 4 - Pag. 1 Capitolo 4. Regreione e Correlazione. Regreione Il termine regreione ha un'origine antica ed un ignificato molto particolare. L inventore

Dettagli

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?

Viene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento

Dettagli

Lezione 12. Regolatori PID

Lezione 12. Regolatori PID Lezione 1 Regolatori PD Legge di controllo PD Conideriamo un regolatore che eercita un azione di controllo dipendente dall errore attravero la eguente legge: t ut = K et K e d K de t P + τ τ+ D. dt La

Dettagli

Usando il pendolo reversibile di Kater

Usando il pendolo reversibile di Kater Usando il pendolo reversibile di Kater Scopo dell esperienza è la misurazione dell accelerazione di gravità g attraverso il periodo di oscillazione di un pendolo reversibile L accelerazione di gravità

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

Come visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)

Come visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1) Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre

Dettagli

Errori di una misura e sua rappresentazione

Errori di una misura e sua rappresentazione Errori di una misura e sua rappresentazione Il risultato di una qualsiasi misura sperimentale è costituito da un valore numerico (con la rispettiva unità di misura) ed un incertezza (chiamata anche errore)

Dettagli

SCHEDA TECNICA DI VALUTAZIONE

SCHEDA TECNICA DI VALUTAZIONE CHEDA TECNICA DI VALUTAZIONE L aggiudicazione avverà a favore del oferta economicamente più vantaggioa, valutata econdo i eguenti criteri: Al integrale accetazione del capitolato tecnico peciale veranno

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Soluzione degli esercizi sul moto rettilineo uniformemente accelerato

Soluzione degli esercizi sul moto rettilineo uniformemente accelerato Liceo Carducci Volterra - Classe 3 a B Scientifico - Francesco Daddi - 8 novembre 00 Soluzione degli esercizi sul moto rettilineo uniformemente accelerato Esercizio. Un corpo parte da fermo con accelerazione

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Esercizi sul moto rettilineo uniformemente accelerato

Esercizi sul moto rettilineo uniformemente accelerato Liceo Carducci Volterra - Classe 3 a B Scientifico - Francesco Daddi - 8 novembre 010 Esercizi sul moto rettilineo uniformemente accelerato Esercizio 1. Un corpo parte da fermo con accelerazione pari a

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

Dettagli

OSSERVAZIONI TEORICHE Lezione n. 4

OSSERVAZIONI TEORICHE Lezione n. 4 OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

SERIE NUMERICHE. prof. Antonio Greco 6-11-2013

SERIE NUMERICHE. prof. Antonio Greco 6-11-2013 SERIE NUMERICHE prof. Antonio Greco 6--203 Indice Motivazioni........... 3 Definizione........... 3 Errore tipico........... 3 Un osservazione utile...... 3 Condizione necessaria...... 4 Serie armonica.........

Dettagli

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita

Dettagli

Tabella 7. Dado truccato

Tabella 7. Dado truccato 0 ALBERTO SARACCO 4. Compiti a casa 7novembre 200 4.. Ordini di grandezza e calcolo approssimato. Esercizio 4.. Una valigia misura 5cm di larghezza, 70cm di lunghezza e 45cm di altezza. Quante palline

Dettagli

PROBABILITA CONDIZIONALE

PROBABILITA CONDIZIONALE Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,

Dettagli

CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA

CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA SOLUZIONI 7.1 7.2 7.3 7.4 7.5 a) X=6,3 minuti b) 3,7 minuti CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA a) Quantitativo,discreto b) P=502/1004=0,5 o 50% c) Età,tipo di lavoro,

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Teoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S

Teoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2003

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2003 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 003 Il candidato riolva uno dei due problemi e 5 dei 0 queiti in cui i articola il quetionario. PROLEMA Si conideri un tetraedro regolare T di vertici

Dettagli

Distribuzioni discrete

Distribuzioni discrete Distribuzioni discrete Esercitazione 4 novembre 003 Distribuzione binomiale Si fa un esperimento (o prova): può manifestarsi un certo evento A con probabilità p oppure no (con probabilità q = p). La distribuzione

Dettagli

Cinematica: soluzioni. Scheda 4. Ripetizioni Cagliari di Manuele Atzeni - 3497702002 - info@ripetizionicagliari.it

Cinematica: soluzioni. Scheda 4. Ripetizioni Cagliari di Manuele Atzeni - 3497702002 - info@ripetizionicagliari.it Cinematica: oluzioni Problema di: Cinematica - C0015ban Teto [C0015ban] Eercizi banali di Cinematica: 1. Moto rettilineo uniforme (a) Quanto pazio percorre in un tempo t = 70 un oggetto che i muove con

Dettagli

Trasformata di Laplace ESEMPI DI MODELLIZZAZIONE

Trasformata di Laplace ESEMPI DI MODELLIZZAZIONE Traformata di Laplace ESEMPI DI MODELLIZZAZIONE Introduzione La traformata di Laplace i utilizza nel momento in cui è tata individuata la funzione di traferimento La F.d.T è una equazione differenziale

Dettagli

Tasso di interesse e capitalizzazione

Tasso di interesse e capitalizzazione Tasso di interesse e capitalizzazione Tasso di interesse = i = somma che devo restituire dopo un anno per aver preso a prestito un euro, in aggiunta alla restituzione dell euro iniziale Quindi: prendo

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo. DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo

Dettagli

Lezioni di Ricerca Operativa 2 Dott. F. Carrabs

Lezioni di Ricerca Operativa 2 Dott. F. Carrabs Lezioni di Ricerca Operativa Dott. F. Carrab.. 009/00 Lezione in Laboratorio: - Eercizi di modellazione Lezione 7: Eempio: Invetimenti Un cliente affida ad un aenzia finanziaria un milione di euro da impieare

Dettagli

1. Scopo dell esperienza.

1. Scopo dell esperienza. 1. Scopo dell esperienza. Lo scopo di questa esperienza è ricavare la misura di tre resistenze il 4 cui ordine di grandezza varia tra i 10 e 10 Ohm utilizzando il metodo olt- Amperometrico. Tale misura

Dettagli

Trasformazioni Elementari 2D

Trasformazioni Elementari 2D Traformazioni Elementari 2D Le traformazioni affini ono operazioni di ROTAZIONE, TRASLAZIONE e SCALATURA che permettono di modificare l oggetto 2D o 3D. Una traformazione è definita da una matrice T. Applicare

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

LE FINESTRE E L ISOLAMENTO ACUSTICO

LE FINESTRE E L ISOLAMENTO ACUSTICO LE FINESTRE E L ISOLAMENTO ACUSTICO Roberto Malatesta. William Marcone Ufficio Tecnico (giugno 2008) LA PROTEZIONE DAL RUMORE DEGLI EDIFICI, LA NORMATIVA NAZIONALE La maggior sensibilità delle persone

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it A.Studio dell interdipendenza tra variabili: riepilogo Concetto relativo allo studio delle relazioni tra

Dettagli

T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:

T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

Distribuzione Gaussiana - Facciamo un riassunto -

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

Dettagli

Test statistici di verifica di ipotesi

Test statistici di verifica di ipotesi Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall

Dettagli

Funzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente

Funzioni funzione dominio codominio legge argomento variabile indipendente variabile dipendente Funzioni In matematica, una funzione f da X in Y consiste in: 1. un insieme X detto dominio di f 2. un insieme Y detto codominio di f 3. una legge che ad ogni elemento x in X associa uno ed un solo elemento

Dettagli

Grandezze scalari e vettoriali

Grandezze scalari e vettoriali Grandezze scalari e vettoriali 01 - Grandezze scalari e grandezze vettoriali. Le grandezze fisiche, gli oggetti di cui si occupa la fisica, sono grandezze misurabili. Altri enti che non sono misurabili

Dettagli

Il confronto fra proporzioni

Il confronto fra proporzioni L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,

Dettagli

ELETTRONICA ANALOGICA INDUSTRIALE PARTE 4. Retroazione

ELETTRONICA ANALOGICA INDUSTRIALE PARTE 4. Retroazione Retroazione Eetto della retroazione ul guadagno Riduzione della ditorione Impedenze di ingreo e di ucita Reti di retroazione Ripota in requenza Eetto della retroazione ui poli Margini di guadagno e di

Dettagli

Indice. 1 La disoccupazione ---------------------------------------------------------------------------------------- 3. 2 di 6

Indice. 1 La disoccupazione ---------------------------------------------------------------------------------------- 3. 2 di 6 INEGNAMENO DI EONOMIA OLIIA LEZIONE VIII IL EORE DELL OUAZIONE ROF. ALDO VAOLA Economia olitica Indice 1 La disoccupazione ----------------------------------------------------------------------------------------

Dettagli