{ } { } { } {( ) ( ) ( ) { } { } ( ) ( { } ( ) Valor medio statistico (o valore atteso): Se g(x) è una funzione di V.A., si ha:
|
|
- Lucrezia Rossi
- 5 anni fa
- Visualizzazioni
Transcript
1 Variabili Aleatorie Valor medio statistico (o valore atteso: μ + { } ( = E = x f ( x dx Se g( è una funzione di V.A., si ha: + { ( } = ( ( E g g x f x dx Esempi di valore atteso di funzione di variabile aleatoria. a Varianza Si può dimostrare che: b Deviazione standard ( { } = var = {( } ( { } E E { } { } { } ( = E E = E E = var (
2 c Momento di ordine n: Variabili Aleatorie + n n { } = ( E x f xdx (si noti che il momento di ordine 1 è il valor medio, mentre il momento di ordine coincide con la varianza nel caso di V.A. a media nulla d Funzione caratteristica: + ω ( ω { } ( I = = j x jωx E e f x e dx (legata alla trasformata di Fourier della densità di probabilità Espressione alternativa: e Funzione generatrice dei momenti ( ν { } + jπν x jπν x ( I = E e = f x e dx + tx tx M ( t = E{ e } = f ( x e dx
3 Valgono le seguenti proprietà: Variabili Aleatorie n n n d E{ } = ( j I = j I n dt ( n n ( 0 ( ( ω n n ( n { } d E = M ( 0 = M ( t dt n t = 0 Quindi, una volta note la funzione caratteristica oppure la funzione generatrice dei momenti, è possibile ricavare tutti i momenti di qualsivoglia ordine attraverso semplici operazioni di derivazione. ω= 0
4 Alcune V.A. di interesse pratico 1 V. A. uniforme sull intervallo reale [a,b]. In breve, si scrive: La p.d.f. è espressa da: ([ ] U a, b mentre la cumulativa (CDF è: Si dimostra facilmente che: a+ b μ E{ } 1 a < x < b f ( x = b a 0 altrove 0 x a 1 F ( x = ( x a a< x< b b a 1 x b = = var ( ( = = b a I ( ω = 1 jω ( b a 1 e jωb e jωa
5 Alcune V.A. di interesse pratico ( V. A. normale o gaussiana. In breve, si scrive: La p.d.f. è espressa da: La cumulativa è: (, N μ 1 f ( x e π ( ( x μ = dove x 1 = π ( t μ F x e dt μ { } ( = E = μ = var = e non è esprimibile in forma chiusa tramite funzioni elementari. Tuttavia, l integrale a secondo membro si può risolvere per via numerica. Si definisce usualmente la funzione errore: ( x t erf x = e dt [ funzione dispari di x ] π 0
6 Alcune V.A. di interesse pratico (3 Si noti che risulta: 1 P( x = erf ( x, per Nμ = 0, = Inoltre, si può dimostrare facilmente che: ( t μ x 1 1 x μ F ( x = e dt = 1 + erf π Solitamente, si usa la funzione errore complementare (disponibile in forma tabulare valori ottenuti con integrazione numerica: erfc( x = 1 erf ( x Alcune proprietà delle funzioni erf ed erfc: erf ( = 1, erf (0 = 0, erf ( = 1
7 Alcune V.A. di interesse pratico (4 erfc ( =, erfc (0 = 1, erfc ( = 0 erfc( x = 1 erf ( x = 1 + erf ( x = erfc( x Alla fine si ottiene quindi un espressione compatta per la CDF della VA V.A. normale: ( t μ x 1 1 x 1 F ( x = e dt = erfc = erfc x μ μ 1 π La funzione caratteristica è: j ( e ωμ ω ω I = 1
8 Alcune V.A. di interesse pratico (4 3 V. A. log-normale La p.d.f.. è espressa essa da: ( 1 ( ln y μ e y > F Y y = y π 0 0 altrimenti Si noti che tale funzione è ottenibile applicando la trasformazione =ln(y, essendo N( μ,, 0. Si ricordi infatti la regola di trasformazione delle p.d.f.: f ( x i ( x n fy ( y = con x i ( i= 1 g 1,x,,x n soluzioni dell equazione y=g(x i La cumulativa non è esprimibile in forma chiusa tramite funzioni elementari, ma usando le funzioni erf e erfc si ha: F Y ( y 1 1 ln y μ 1 μ ln y + erf = erfc y > 0 = 0 altrimenti
9 Alcune V.A. di interesse pratico (5 Anche se la cumulativa non è esprimibile analiticamente, qualora interessi valutare la probabilità che una V.A. log-normale appartenga a un intervallo reale, si può aggirare il problema riconducendosi ad una V.A. gaussiana, e determinare poi tale probabilità con l ausilio della funzione erfc. efc. Ad esempio, se una uaga grandezza aaeato aleatoriaespressaessa in unità lineari ha distribuzione log-normale, la medesima grandezza, espressa in db, seguirà una distribuzione gaussiana! μ 1 μ Y EY [ ] ee e μ + = = = La funzione caratteristica della V.A. log-normale non è esprimibile analiticamente in forma chiusa. Risulta: 1 μ ( ( ( μ + ( = var = = 1 Y Z e e e e e x μ + exp p( ( x + jω 1 I Y ( ω = e dx con x = ln y π
10 Alcune V.A. di interesse pratico (5 4 V.A. di Rayleigh. In breve, si scrive: Rayleigh( La p.d.f. è espressa da: f = x e 0 x x e 0 0 ( x altrimenti Osservazione: in letteratura è diffusa anche la seguente espressione della pdf di Rayleigh: x x f ( x = e x 0 Da essa è possibile comunque passare alla precedente con il cambio di variabile: x x dx = dx. Si ha infatti, applicando la proprietà p di normalizzazione: x ( x ( x x x dx x f ( x dx= e dx= e e dx 1 = = 0 0 0
11 Alcune V.A. di interesse pratico (6 Si può dimostrare che: F ( x x = 1 e x 0 0 altrimenti I momenti del primo e secondo ordine e la varianza sono: μ { } = E = { } E = π 4 π = var ( = Il massimo della funzione si ha per 1 e x = (figura e vale ( V.A. di Rayleigh Probability density function = 0.5 = 1 = = 3 =4
12 Alcune V.A. di interesse pratico (7 5 V.A. di Rice. In breve, si scrive: Rice(, μ La p.d.f. è espressa da:: f ( x x + μ x μ x e I 0 x 0 = 0 altrimenti dove μ è un parametro non negativo, mentre I 0 è la funzione di Bessel I 0 (x modificata di prima specie e di ordine zero, definita da: π 1 ξcosϑ In ( ξ = e cos ( nϑ dϑ n= 0,1,,... π π 1 π ξ cosϑ I0 ( ξ = e dϑ π π Si noti che per μ=0μ 0 la p.d.f. di Rice si riduce alla p.d.f. di Rayleigh.
13 Alcune V.A. di interesse pratico (8 Si può dimostrare che: μ x 1 QM, x 0 F ( x = 0 altrimenti Q M : funzione Q di Marcuum Principali momenti: π μ μ = E = L 1 [L ν (x polinomio di Laguerre] { } 1 { } 1 1 V.A. di Rice Probability density = 0 function μ = 0 μ = 0.5 μ = 1 μ = μ = 4 E = + μ = μ 1 + K μ dove K = fattore di Rice La p.d.f. df può anche essere espressa mettendo in evidenza il fattore diri Rice: f K ( x + μ x K μ x K e I x 0 = μ 0 altrimenti 0 ( x μ
14 Alcune V.A. di interesse pratico (9 6 V.A. Esponenziale. In breve, si scrive: La p.d.f. è espressa da: ( λ dove λ = ( exp 1 f ( x x 1 λx λe = e x 0 = 0 altrimenti F ( x La cumulativa (CDF è: x λx = 1 e = 1 e x 0 0 altrimenti
15 Alcune V.A. di interesse pratico (10 Per la V.A. esponenziale risulta: μ 1 λ 1 λ 4 = = 4 λ 1 I ω = = λ jω 1 jω = = ( 7 V.A. Binomiale. i E un esempio di V.A. discreta di notevole importanza pratica. Esprime la probabilità di avere k successi dopo n esperimenti ripetuti. Può assumere n valori, da 0 a n-1 n n 1 k n 1 k Pk = Prob { x= k} = p q, k = 0,1,..., n 1 k dove è il coefficiente binomiale e p e q rappresentano k probabilità di successo e insuccesso (risulta perciò p+q=1 Risulta inoltre: μ ω j ( (,, ω = np = npq I = q + pe n
16 Momenti di ordine n di alcune distribuzioni di probabilità DISTRIBUZIONE Momento di ordine n, { n } Uniforme Gaussiana di Rayleigh Esponenziale di Rice 1 b a n+ 1 b a n+ 1 n+ 1 E, n>0 1 n n k n k k k + 1 μ k= 0 ( k pari Γ π n k n n Γ 1 + n n n! ( n μ n n μ e Γ 1+ 1F11 +, 1 ; ( e e Log-normale nμ ( 1n Binomiale n 1 n k n 1 k k = 0 k n 1 p q k ( NOTA: Γ(x indica la funzione gamma e 1F1 α, β ; x la funzione ipergeometrica confluente
17 Distribuzioni bivariate Siano,Y due Variabili Aleatorie. Si può definire la funzione di distribuzione cumulativa congiunta (joint CDF: Y (, = (, F xy P xy y Analogamente si può definire la densità di probabilità congiunta (joint pdf: f Y x y F Y x y xy Valgono le seguenti proprietà: 1 F x FY x,, Y f x f x, y dy, (, = (, ( = ( F ( y = FY (, y ( = Y ( Y ( = Y ( f ( x fy ( y f ( x, y dxdy = 1 [ e pdf marginali ] 3 Y f y f x dx
18 Distribuzioni bivariate 4 (, = (, P x y A f Y x y dxdy e in particolare: 5 Y ( x, y A (, = ( < < +, < < + f x y dxdy P x x dx y Y y dy x y F xy, f xydxdy, Y ( ( = Y La coppia di V.A. (,Y è completamente descritta dalla cumulativa congiunta o dalla densità congiunta. Sia g(,y una funzione di Variabili Aleatorie. Si può definire il valore atteso: { (, } (, Y (, E g Y g Y f xydxdy =
19 Variabili Aleatorie Congiunte Esempi di valore atteso di funzione di V.A. a Funzione di correlazione corr, Y b Funzione di covarianza ( = E{ Y} ( ( { } ( { } { } cov Y, = E E Y EY Si può dimostrare che: Se =Y Y, si ha: Altre proprietà: cov ( Y, = E{ Y} E{ } EY { } ( = var ( = cov, var { + } = { } + { } ( a + by = a ( + b { Y } + ab ( Y E a by a E b E Y c Coefficiente di correlazione ρ var var var cov, Y ( Y E { Y } E { } EY { } cov, = = Y Y
20 Indipendenza e incorrelazione di V.A. 1 V.A. indipendenti: (, = ( ( f x y f x f y Y Y V.A. incorrelate: E{ Y} = E{ } E{ Y} Se, Y incorrelate, risulta anche ρ Y = 0 3 V.A. ortogonali: { } 0 E Y = - L indipendenza è una caratteristica molto più stringente delle altre - Se,Y sono entrambe a media nulla, ortogonalità e incorrelazione coincidono
21 Indipendenza e incorrelazione di V.A. ( Proprietà: a Siano, Y due V.A. indipendenti: allora esse sono anche incorrelate Si noti che il viceversa non è vero, in generale! [ Unica eccezione: il caso di V.A. gaussiane ] b Siano, Y due V.A. incorrelate: allora -E{} e Y-E{Y} sono ortogonali. Si ha quindi: ( { } { } ( { } = 0 E E Y E Y c Siano x, y due V.A. ortogonali. Allora: { ( + } = { } + { } E Y E E Y [ Se, Y sono V.A. che rappresentano le intensità di segnali, significa che vale la proprietà itàdi somma dll delle potenze, cioè ièche la potenza dl del segnale somma è uguale alla somma delle potenze]
22 Trasformazione di V.A. bidimensionali Z W = g(, Y = h (, Y ZW, funzioni di V.A. Y, La cumulativa congiunta è: { } ( ( Si può dimostrare che se il sistema di equazioni i { } FZW, ( zw, = P Z z, W w = P g Y, z, h Y, w z = w = g( x, y h( x, y { x, y} ammette le soluzioni i i, e in tali punti il determinante della matrice Jacobiana J ( x, y è non nullo, risulta: f ZW, ( z, w = ( ( y f x, y Y, i i det J x, i i i g g x y = h h x y
23 V.A. congiuntamente gaussiane Due VA V.A., Y si dicono congiuntamente gaussiane se risulta: ( N μ, ( Y N μ, Y Y eselapdf p.d.f. congiunta nta è: f Y ( x y ( x μ ( y μ ( x μ ( y μ 1 1 Y Y, = exp + ρ π 1 1 ( Y Y ρ ρ Y dove ρ Y = ρ è il coefficiente di correlazione. Proprietà: 1 La p.d.f. congiunta è completamente individuata da μ, μ Y,, Y e dal coefficiente di correlazione ρ se ρ = 0, risulta anche f Y ( x, y = f ( x fy ( y cioè V.A. gaussiane incorrelate sono anche sempre indipendenti 3 Una qualunque combinazione lineare di e Y è ancora una V. A. gaussiana
24 Distribuzioni multivariate (cenno Siano date n V.A. 1,,, n. Si definisce la densità di probabilità congiunta di ordine n: (,...,... = ( +,..., + f x x dx dx P x x dx x x dx n 1 n 1 n n n n n e valgono le proprietà seguenti: R (i Normalizzazione: ( (ii (,..., (,..., f x x = f x x dx n 1 1 n 1 R n 1 n n (iii ( = (... f x,..., x dx... dx = 1 n n 1 n 1 n P x,... x A... f x,..., x dx... dx 1 n A n 1 n 1 n
25 Esempio: n V.A. congiuntamente gaussiane Le V.A. 1,,, n sono dette congiuntamente gaussiane se e solo se la p.d.f. congiunta si scrive: ( fn( x1, x,..., xn = exp ( x μ C ( x μ n π det C ( ( μ = μ,..., 1 μn vettore dei valori medi μ i = E[ i] C = { Cij} i, j= 1,,.. n matrice di covarianza Cij = cov ( i, j = E i j E[ i ] E j Proprietà: La p.d.f. congiunta è completamente individuata da μ (momenti del primo ordine e da R = { R } con R ij { }, 1,..., ij = corr i, j = E i j= n i j (momenti del secondo ordine. R matrice di correlazione C = I n V.A. incorrelate se risulta: 1,,, n indipendenti e identicamente distribuite (i.i.d. Una qualunque q combinazione lineare di V.A. congiuntamente gaussiane è ancora una V.A. gaussiana. T
26 Fading da cammini multipli (1 Segnale trasmesso: portante sinusoidale non modulata ( cos( π f t φ x t = f c + 0 α n Δ v f = n cosα n λ Spostamento Doppler In un ambiente caratterizzato dalla presenza di cammini multipli e ricevitore mobile, il segnale ricevuto assume la forma: N j ( cos( { fct n π c φ0 φn π n Re } y t = c f t+ + + Δ f t = Y e π = n= 1 jπ fct {( I jq e } I( t Q( t = Re +, componenti in fase e in quadratura sono Processi Aleatori!! ( ( = t t0 I t0, Q t0 Variabili Aleatorie
27 N Fading da cammini multipli ( ( = cos( φ + φ + πδ ( = sin ( φ + φ + πδ I t c f t Q t c f t n 0 n n n 0 n n n= 1 n= 1 ( = ( cos( π ( sin ( π y t I t f t Q t f t c c N Y=I+jQ Per N, il teorema del limite centrale ci dice che le componenti in fase e in quadratura I e Q tendono a diventare VA V.A. gaussiane indipendenti e identicamente distribuite Y = I + jq V. A. gaussiana complessa
28 Fading alla Rayleigh (1 I, Q V.A. gaussiane indipendenti a valor medio nullo ( 0, I N La p.d.f. congiunta è: (, ( 0, Q N ( = ( ( f i q f i f q IQ,, I Q ( i + q 1 i 1 q 1 f i q = e e = e π π π IQ, I ( ( f i f q Definiamo la V.A. gaussiana complessa: Y=I+jQ jθ jθ Rcos Θ= I Y = Y e = R e Rsin Θ= Q Trasf. Inversa: R = I + Q = g( I, Q ( Q Θ= arctg = h( I, Q Y Q
29 Fading alla Rayleigh ( Il determinante Jacobiano della trasformazione di V. A. è: (, J I Q I Q I + Q I + Q = Q I I + Q I + Q 1 1 det J( I, Q = I + Q = R La p.d.f. congiunta delle V.A. trasformate R e Θ è quindi: 1 r e r 0, (, r R fr r π < Θ ϑ = = e 1 π π Θ< π r Passando alle p.d.f. marginali si ottiene infine: + + r r r r fθ ( ϑ = e dr = e = e = [ 1 0] = π π π π π [ πππ ] V.A. Uniforme nell'intervallo,! 0 + ( ( [ ] Θ = arg Y U ππ,
30 R ( Fading alla Rayleigh (3 + π r r + π r r r r ϑ ϑ π π π π π π f r = e d = e d = e = r = e r V.A. di Rayleigh con parametro! Inoltre, si può dimostrare facilmente che: R 1 exp = Y R = Y Rayleigh( Se si ha una V. A. Y=I+jQ gaussiana complessa con I, Q a valor medio non nullo r 0 : I (, 0 N r Q (, 0 N r ( i r ( q r ( = ( ( f i q f i f q IQ,, I Q i + q + r ir0 qr f ( i, q e e e π π π IQ, = = ( ( f i f q Con analogo procedimento, si dimostra che: I (, 0 R Y Rice r Q ( = Θ= arg ( Y U [ ππ, ]
31 Fading da cammini multipli (3 In pratica: si ha un fading alla Rayleigh in presenza di numerosi cammini multipli, tutti con ampiezza paragonabile fra loro. Un ambiente con un numero di cammini N>=6 è già una buona approssimazione di uno scenarioconfading alla Rayleigh. Caso tipico: scenario urbano denso (Manhattan-like sihaunfadingallariceinpresenzadiuntermine dominante (in genere cammino LOS, o cammino LOS + cammino riflesso sul terreno, e numerosi cammini che "perturbano" il contributo dominante Caso tipico: scenari indoor (solitamente con fattore di Rice K compreso fra 4 db e1db.
Introduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
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
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliLa funzione di ripartizione caratterizza la v.a. Ad ogni funzione di ripartizione corrisponde una ed una sola distribuzione.
Funzione di ripartizione X v.a. a valori in IR F X (x) = P (X x), x IR Indice X omesso quando chiaro Proprietà funzione di ripartizione F (i) F X (x) ; x (ii) è non decrescente Sia a < b P (a < X b) =
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
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
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliX n = αx n 1 + Y n. Si dimostri che. Usando la precedente relazione si dimostri che. e che. e si determini il limite di media e varianza quando n +.
Problema 1. Siano X, Y 1, Y,... variabili aleatorie indipendenti. Si supponga che X abbia media m e varianza σ e che le Y i abbiano distribuzione gaussiana con media µ e varianza σ. Dato α in (, 1, si
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
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
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della v.a.
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliFacoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica
Facoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica Prima prova scritta A.A. 8-9 Durata della prova h Punteggi: ) + + ; ) + + + ; ) +. Totale. Esercizio Sia
DettagliVariabili aleatorie n-dim
Sessione Live #6 Settimana dal 6 maggio al giugno 003 Variabili aleatorie n-dim Funzioni di ripartizione e di densità (F.D.R. e f.d.d.) congiunte e marginali, valori medi e momenti misti, funzione generatrice
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
DettagliCoppie di variabili aleatorie
Coppie di variabili aleatorie 1 Coppie di variabili aleatorie Definizione: Si definisce vettore aleatorio la coppia (,) dove,, sono definite sullo stesso spazio campione : S R, : S R (, ) : S R Esempio:
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
Dettagli5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
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
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliLezione 2: Descrizione dei Da0. h2p://
Lezione 2: Descrizione dei Da0 h2p://www.mi.infn.it/~palombo/dida=ca/analisista0s0ca/lezioni/lezione2.pdf Funzione Densità di Probabilità q La variabile casuale assume valori diversi con diverse probabilità.
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliDistribuzione Gaussiana o Normale. 1 Distribuzione Normale come limite della Binomiale
Statistica e analisi dei dati Data: 6 Maggio 26 Distribuzione Gaussiana o Normale Docente: Prof. Giuseppe Boccignone Scriba: Matteo Gandossi Distribuzione Normale come limite della Binomiale Data una distribuzione
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
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
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 PBaldi appello, 23 giugno 29 Corso di Laurea in Matematica Esercizio Per α 2 consideriamo la catena di Markov su {, 2, 3} associata alla matrice
Dettagli1 Richiami di algebra lineare
1 Richiami di algebra lineare Definizione 11 (matrici e vettori) Una matrice A e un insieme di numeri A hk, h = 1,, m, k = 1,, n, ordinati in base alla coppia di indici h e k nel modo seguente A 1 A n
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliTeoria dei segnali terza edizione
Capitolo 9 Segnali aleatori a tempo continuo e a tempo discreto SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 9.3 Si osservi innanzitutto che, essendo il processo () t Gaussiano, anche il processo
DettagliStatistica. Congiunte. Capitolo 5. Distribuzioni di Probabilità. Chap 5-1. Statistics for Business and Economics, 6e 2007 Pearson Education, Inc.
Statistica Capitolo 5 Distribuzioni di Probabilità Congiunte Statistics for Business and Economics, 6e 2007 Pearson Education, Inc. Chap 5-1 Distribuzione di Probabilità Congiunta Una variabile casuale
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliLa Funzione Caratteristica di una Variabile Aleatoria
La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica densità di probabilità è f di una v.a., la cui x, è definita come: jx f x e dx Ee j 1 La Funzione Caratteristica di una
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliTraccia della soluzione degli esercizi del Capitolo 3
Traccia della soluzione degli esercizi del Capitolo 3 Esercizio 68 Sia X una v.c. uniformenente distribuita nell intervallo ( π, π, cioè f X ( = π ( π, π (. Posto Y = cos(x, trovare la distribuzione di
DettagliVariabili casuali multidimensionali
Capitolo 1 Variabili casuali multidimensionali Definizione 1.1 Le variabili casuali multidimensionali sono k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità.
DettagliE (X 2 ) = E (G) + E (E 2 ) = 1, V ar (X 2 ) = V ar (G) + V ar (E 2 ) = 5, Cov(X 1, X 2 ) = Cov(G + E 1, G + E 2 ) = V ar (G) = 4,
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 04/05 Prova di Esonero Maggio 05 degli esercizi proposti Siano G, E, E tre variabili aleatorie gaussiane indipendenti, rispettivamente
DettagliElettronica II Segnali periodici; serie di Fourier; trasformata di Fourier p. 2
Elettronica II Segnali periodici; serie di Fourier; trasformata di Fourier Valentino Liberali Dipartimento di Tecnologie dell Informazione Università di Milano, 26013 Crema e-mail: liberali@dti.unimi.it
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie Combinazioni di più variabili aleatorie continue Distribuzione
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
DettagliSessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie.
Sessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie. 9 e 11 Dicembre 2008 Richiami di teoria Come si calcolano le densità marginali Esercizi Una v.a. n-dimensionale (o vettore aleatorio
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliProbabilità 1, laurea triennale in Matematica Prova scritta sessione invernale a.a. 2008/09 del 26/01/2010
Probabilità 1, laurea triennale in Matematica Prova scritta sessione invernale a.a. 2008/09 del 26/01/2010 1. Nello scaffale di un negozio vi sono 20 CD-Rom di software, di cui 2 di grafica e gli altri
DettagliVariabile aleatoria vettoriale
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabile aleatoria vettoriale Sommario della lezione 4 Esperimenti combinati VA vettoriali La Gaussiana multidimensionale Medie e
Dettagliln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
DettagliCENNI SULLE VARIABILI ALEATORIE INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ
CENNI SULLE VARIABILI ALEATORIE... 1 INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ... APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ... 3.1 Teorema della probabilità dell evento complementare... 3. Teorema
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
DettagliRichiami di teoria della probabilità
Richiami di teoria della probabilità Lo spazio fondamentale S F rappresenta l insieme di tutti i risultati ξ i che si escludono mutuamente che si possono ottenere da un esperimento aleatorio. Esempio.
DettagliRichiami di Teoria della probabilità (I)
Richiami di Teoria della probabilità (I) ESPERIMENTO: ogni operazione il cui risultato non può essere predetto con certezza EVENTO: è il risultato di un esperimento Eventi semplici e composti Eventi disgiunti
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
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
DettagliLa distribuzione Gaussiana
La distribuzione Gaussiana 23 maggio 207 Consideriamo la funzione piú importante e frequente che si incontra in statistica: la distribuzione Normale, chiamata molto piú comunemente distribuzione Gaussiana
DettagliFacoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA
Facoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA Attività didattica CALCOLO DELLE PROBABILITA' [60/64/186] Periodo di svolgimento: Primo Semestre Docente titolare del
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
DettagliCalcolo delle Probabilità: esercitazione 11
Argomento: Distribuzioni bivariate discrete (pag. 44 e seguenti) e covarianza (pag 45 e seguenti). Distribuzione bivariate assolutamente continue (pag. 48 e seguenti del libro di testo). La v.c. trinomiale
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 29-2, II semestre 25 maggio, 2 CP Probabilità: Esonero 2 Testo e soluzione . (7 pt) Siano T, T 2 variabili esponenziali indipendenti, di parametri λ =
DettagliEsercizi settimana 9. Esercizi applicati. Esercizio 1. Sia f denita da. f(t) = 0 t 0, con α, θ > 0. Si calcoli il tasso istantaneo di guasto denito da
1 Esercizi settimana 9 Esercizi applicati Esercizio 1. Sia f denita da f(t) = { αθ α (θ+t) α+1 t >, t, con α, θ >. Si calcoli il tasso istantaneo di guasto denito da e si dica se r è crecente. r(t) :=
DettagliNella modulazione di ampiezza, si trasmette il segnale. v R (t) = (V 0 + k I x(t)) cos (2πf 0 t).
Cenni alla Modulazione di Ampiezza (AM) Nella modulazione di ampiezza, si trasmette il segnale v(t) = (V 0 + k I x(t)) cos (πf 0 t), dove x(t) è il segnale di informazione, con banda B, e f 0 è la frequenza
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
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
DettagliStima dei parametri. I parametri di una pdf sono costanti che caratterizzano la sua forma. r.v. parameter. Assumiamo di avere un campione di valori
Stima dei parametri I parametri di una pdf sono costanti che caratterizzano la sua forma r.v. parameter Assumiamo di avere un campione di valori Vogliamo una funzione dei dati che permette di stimare i
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
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
DettagliCOPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliB C D E A B D E A B C E A B E A B D A B E A B C A B B D A B B A B B C A B
same di Teoria dei Segnali Ing. Informatica, lettronica e Telecomunicazioni 8 settembre 6 sercizio Si consideri di dover ordinare i nomi di 5 persone, indicate come,,, ed. Nell ordinamento di devono rispettare
Dettagli(1) Per ciascuno dei seguenti spazi dire se è o meno uno spazio vettoriale (spiegare)
1 Spazi vettoriali (1) Per ciascuno dei seguenti spazi dire se è o meno uno spazio vettoriale (spiegare) (a) R 5 (b) [0, ) (c) x R 2 : x 1 + 2x 2 = 0} (d) x R 2 : x 2 1 + 2x 2 = 0} (e) x R 2 : x 1 > x
DettagliEsercizi di Calcolo delle Probabilità Foglio 3
Esercizi di Calcolo delle Probabilità Foglio David Barbato Esercizio. (6-ese- s) Sia (X, Y ) un vettore aleatorio con densità: { αy (x, y) D f (X,Y ) (x, y) (x, y) / D Dove D {(x, y) R : x
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliFacoltà di Scienze MM.FF.NN. Corso di Laurea in Matematica - A.A Prova scritta di Analisi Matematica II del
Prova scritta di nalisi Matematica II del 12-06-2001. C1 1) Studiare la convergenza semplice, uniforme e totale della serie di funzioni seguente ( 1) [ n 2 ] n x 1 + n 2 x. n=0 2) Data la funzione (x 2
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
Dettagli