INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
|
|
- Sabrina Pepe
- 5 anni fa
- Visualizzazioni
Transcript
1 INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su Prove Dad1/Dado Frequenze Assolute teoriche dadi non truccati e indipendenti ( Prove) Dado1/Dado
2 Frequenze Assolute relative all esperimento del lancio di una coppia di dadi ripetuta Istogramma bidimensionale 284
3 INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di una freccia sul bersaglio (10000 prove) Y 285
4 Frequenze Assolute delle coppie di valori (,Y) Y Istogramma bidimensionale 286
5 Istogramma dei valori di (10000 prove) Supponendo che l errore sulla coordinata è indipendente da quello sulla coordinata Y e che è causato dalla somma di numerosi fattori indipendenti, è una v.a. Gaussiana. 287
6 Istogramma dei valori di Y (10000 prove) Supponendo che l errore sulla coordinata Y è indipendente da quello sulla coordinata e che Y è causato dalla somma di numerosi fattori indipendenti, Y è una v.a. Gaussiana. 288
7 , COPPIE DI VARIABILI ALEATORIE Distribuzioni di Probabilità Congiunte e Marginali Date due variabili aleatorie ed Y Proprietà statistiche individuali: Funzioni di Distribuzioni (o di Densità) marginali F ( x ), f ( x ) e F ( y ), f ( y ) Proprietà statistiche congiunte, cioè di (,Y ) come coppia di variabili aleatorie: Funzione di Distribuzione Congiunta Y Y FY ( x, y ) 289
8 Funzione di Distribuzione (cumulativa) Congiunta Dato l evento { x,y y} generato dalla coppia di variabili (,Y ) cioè l'appartenenza di un punto P ( x,y) D a 0 P D 0 y x la Funzione di Distribuzione congiunta è: ( ) = ( ) = { } FY x,y P x,y D0 P x, Y y 290
9 Densità di Probabilità Congiunta La densità di probabilità congiunta f Y ( ) { < + < + } = ( ) x,y è tale che: P x x dx, y Y y dy f x,y dxdy Y f Y ( x,y ) x y y + dy y x + dx x 291
10 Densità di Probabilità Congiunta (segue) Per una generica regione D del piano ( x, y ): {( ) } ( ) P, Y D = fy x,y dxdy Applicando l espressione precedente alla regione D 0, si ha: (, ) (, ) (, ) F x y = f α β dαdβ= f α β dαdβ Y Y Y D 0 da cui si ricava il legame tra densità e distribuzione congiunte: f Y ( x,y) = 2 D F Y y x y x ( x,y) P D 0 y x 292
11 La Distribuzione Marginale o La distribuzione marginale della v.a. è: ( ) = ( + ) F x F x, o Infatti la probabilità dell evento { x} Y eguaglia la massa relativa alla regione a sinistra della retta verticale passante per x, cioè la probabilità dell evento: { x,y + } y x x o Analogamente per Y : F ( y) = F ( +,y) Y Y 293
12 La Densità Marginale Considerando l evento { x x+δx,y + } che definisce sul piano una striscia Δ D( x) di sviluppo verticale e larghezza Δ x, che poi si farà tendere a zero (dx), si ha: y D () x dx Δ x x x { ( )} (, ) ( ) P Δ D x = f x y dydx f x Δx ΔD( x) Y 294
13 L integrale (, ) Δ x a zero: La Densità Marginale (segue) f Y x y dydx si può scrivere facendo tendere ΔD( x) y D () x + f ( x) dx = f Y ( x, y) dy dx x dx x Quindi la densità marginale è: + f ( x) = fy ( x,y) dy o Si dice che la densità marginale di si ottiene saturando Y. o Analogamente per la v.a. Y : + ( ) ( ) fy y = fy x,y dx 295
14 Massa di Probabilità Congiunta Se e Y sono variabili aleatorie discrete, si definisce la massa di x,y : probabilità congiunta sui diversi punti di coordinate ( ) { } P = x,y = y = p i k ik Massa di Probabilità Marginale { } { } P = x = p ; P Y = y = q i i k k Si ottengono per saturazione dell altra variabile aleatoria: pi = pik q k k = i p ik i k 296
15 Esempio: densità di probabilità gaussiana bidimensionale Y 1 x y f ( x, y) = exp Y 2 2 2πσ σy 2σ 2σY, σ = σy = 2 297
16 f Esempio: densità di probabilità gaussiana bidimensionale o In generale Y ( x,y) = ( x η ) ( x η )( y η ) ( y η ) 1 1 = exp 2ρ con: 2 2 Y Y πσ σy ρ 21 ( ρ ) σ σσy σy ( x η ) 2 1 f ( x) = exp 2 2π σ 2σ, ( ) ( y η ) 2 1 Y fy y = exp 2 2π σ 2σ Y Y o Densità di probabilità marginali di e Y. o ρ definisce il coefficiente di correlazione tra la variabile aleatoria e la variabile aleatoria Y. 298
17 Curve di livello Funzione densità di probabilità gaussiana bidimensionale nel caso di σ = 0.3, σ Y = 0.15, ρ Y = 0 299
18 Curve di livello Funzione densità di probabilità gaussiana bidimensionale nel caso di σ = 0.3, σ Y = 0.3, ρ Y = 0 300
19 Curve di livello Funzione densità di probabilità gaussiana bidimensionale nel caso di σ = 0.3, σ Y = 0.3, ρ Y =
20 Indipendenza statistica di due variabili aleatorie La proprietà di indipendenza di due variabili aleatorie si basa su quella di indipendenza tra due eventi A e B: P( A B) = P( A) P( B) Definizione: Due variabili e Y sono statisticamente indipendenti, se sono indipendenti gli eventi { Y y} e { x} cioè: P{ x, Y y} = P{ x } P{ Y y } x, y F x,y = F x F y ( ) ( ) ( ) Y Y da f ( x,y) ( ) ( ) df x dfy y fy ( x,y) = f x fy y dx dy = Y = 2 F ( ) ( ) Y x y ( x,y), 302
21 Indipendenza statistica di due variabili aleatorie (segue) Nel caso di variabili aleatorie discrete e Y, definendo gli eventi: { = x i } e { Y = Y k } con le masse di probabilità marginali i = { = } e q = P{ Y = Y } p P x allora e Y sono indipendenti se: i pik = pi qk k k 303
22 Esempio di Variabili Indipendenti Esperimento: doppio lancio di un dado non truccato con sei facce. Risultati: 36 del tipo fi f j, dove i ( j ) indica la faccia del dado. Variabili aleatorie: e Y associate al numero che compare sulla faccia superiore rispettivamente al primo ed al secondo lancio: ( ) f f = i con i 1,2,...,6 i j = ( ) Y f f = j con j = 1,2,...,6 1 1 P( = i) = PY ( = j) = P{ = i, Y = j} = = P{ = i} P{ Y = j} 36 Nello spazio S dei due lanci indipendenti e Y sono indipendenti. i j 304
23 Teoria dei Fenomeni Aleatori Esempio di Variabili Indipendenti AA 2012/13 e Y sonoo indipendenti, uniforme in (0, a) e Y uniforme in (0, b) Densità marginali Densità congiunta 1 ab f Y ( x,y) b y x a 305
24 Funzione di una Coppia di variabili aleatorie o Data la funzione z g( x,y) costruisce la v.a. Z: o La densità di probabilità ( ) Z. o Calcolo del valore atteso di Z: = e data la coppia di vv.aa. ( ) Z = ( ) g,y,y si f z risulta assegnata nota f ( x,y) [ ] ( ) E Z = z fz z dz o NB: Non occorre ricavare la fz ( z ): E Z E g,y g x,y f x,y dxdy { } ( ) { } ( ) ( ) = =. Y Y 306
25 Covarianza e Correlazione Se si prende z = g( x,y) = x y, il prodotto di due variabili aleatorie e Y forma una terza variabile aleatoria Z Z = Y Definizione: o Si definisce CORRELAZIONE tra le v.a. ed Y il valore atteso del loro prodotto Cor,Y = E Y ( ) [ ] Definizione: o Date due variabili aleatorie ed Y la loro COVARIANZA è: ( ) ( )( ) μ = Cov,Y = E η Y η Y Y dove η ed η Y sono i valori attesi di ed Y rispettivamente. 307
26 Relazione tra Covarianza e Correlazione Cov(,Y ) = Cor (,Y ) ηη Y Verifica: ( ) ( )( ) Cov,Y = E η Y η = Y [ ] [ ] [ ] = E Y η E Y η E +η η = Y Y = E[ Y] ηη Y 308
27 Coefficiente di Correlazione Definizione: o Si definisce coefficiente di correlazione di ed Y la covarianza normalizzata : Y r μ Y = σ σ dove σ ed σ Y sono le deviazioni standard di ed Y. o A volte il coefficiente di correlazione si indica con: o semplicemente con ρ. ρ Y Y 309
28 Variabili Aleatorie Centrate e Normalizzate Date le variabili aleatorie ed Y si definiscono: η Y ηy 0 =, Y0 = σ σ 0 e Y 0 sono dette v.a. standardizzate e hanno per definizione: Y [ ] [ ] E = E Y = σ =σ = 2 2 Y Ne segue che: η Y η Cov(,Y ) E[ Y ] E Y 0 0 = 0 0 = = σ σy ( ) 1 Cov Y = E ( η )( Y η ) = = r σ σ Y Y Y σσy 310
29 Disuguaglianza di Schwartz Data la coppia di vv.aa. e Y, vale la seguente disuguaglianza: [ ] { } E Y E E Y Verifica: se c è una costante, per la variabile aleatoria differenza: Y c 2 deve essere: ( ) ( ) E Y c = Q c 0 ( ) 2 [ ] La forma quadratica Q( c ) risulta non negativa se: quindi [ ] Q c = E Y 2c E Y + c E =αc 2β c+γ 0 { } β E Y E E Y 0 γα [ ] 0 { } E Y E E Y 311
30 Disuguaglianza di Schwartz Graficamente se la parabola non interseca l asse delle ascisse (cioè non ci sono radici reali dell equazione di 2 grado nell incognita c): ( ) Q c ( ) Q c Sì No 0 c 0 c Il che prova l ineguaglianza di Schwartz: [ ] A volte si trova la notazione: [ ] E Y E E Y { } E Y E E Y 312
31 Proprietà del Coefficiente di Correlazione o Il coefficiente di correlazione tra due v.a. e Y è compreso in modulo tra -1 e +1: 1 ry + 1 Dimostrazione: (si fa uso della disuguaglianza di Schwartz) Se η = E[ ] ed η = EY [ ] Y c, indicando con = η e Y c = Y η Y ed applicando la disuguaglianza di Schwartz a [ Y ] [ ] 2 2 E c c ry = E c E Y c E Y c c E c E Y c c e Y c, si ha: [ ] E Y c c ry = E c E Y c 313
32 Proprietà del Coefficiente di Correlazione (segue) Il coefficiente di correlazione r Y = 1 se Y è funzione lineare di : Y = α +β con α, β costanti Verifica: Infatti sostituendo nella definizione e ricordando che Y [ ] η = E α +β =αη +β ( ) ( ) ( ) σ Y = E α +β αη +β = E α η = 2 ( ) =α E η =α σ E{ [ η ][ ]} {[ ] ( ) } Y η E η Y α +β αη +β ry = = = σ σ α σ σ Y E{ η 2 } σ [ η ] α[ η ] { } [ ] E = = = α σ 314
33 Esempio di Variabili Correlate o Data la coppia di v.a. ( 1, 2 ) indipendenti con Masse marginali: P( 1 = i) = 1/6 P( 2 = j) = 1/6 i, j = 1, 2,,6 Massa congiunta: P( 1 = i, 2 = j) = P( 1 = i)p( 2 = j) = 1/36 o Se definiamo la v.a. somma: S = o Le v.a. 1 ed S sono correlate. 315
34 Infatti essendo Esempio di Variabili Correlate η = η 1 = η 2 e σ = σ 1 = σ 2 η = η + η = 2η 1 2 S 1 2 * S = + =2 * per l'indipendenza tra 1 e 2 σ σ σ σ ( ) [ ] ( ) Cor 1,S = E 1S = E = * [ ] = E + E = σ + η + η η = σ + 2η ( ) Cor (,S ) ( ) 2 2 Cov 1,S 1 η ηs σ + 2η η2η 1 r = = = = σ σ σ σ 2σ σ 2 S S 316
35 Dominio della coppia ( 1, S) Somma S Su ogni ( ) la massa di probabilità vale: P( i,s j) P( i,j) 12 Massa Marginale ( ) ( ) 1 P 1 = i = P i, j = i = 1,2,...,6 6 j= 2 Dado 1 Massa Marginale P( S j) P( i,j) 1 = = = = 6 j 1 j = 2,...,7 36 = = = 13 j j = 8,...,12 i=
36 Simulazione su Prove di ( 1, S) 318
37 Simulazione su Prove di ( 1, S) Massa di Probabilità congiunta di ( 1, S) i/j ,0282 0,0275 0,0277 0,0279 0,0286 0,0278 0,0000 0,0000 0,0000 0,0000 0,0000 0,1677 1/6 2 0,0000 0,0279 0,0284 0,0282 0,0280 0,0274 0,0279 0,0000 0,0000 0,0000 0,0000 0,1678 1/6 3 0,0000 0,0000 0,0265 0,0272 0,0272 0,0274 0,0282 0,0276 0,0000 0,0000 0,0000 0,1641 1/6 4 0,0000 0,0000 0,0000 0,0274 0,0273 0,0273 0,0270 0,0287 0,0278 0,0000 0,0000 0,1654 1/6 5 0,0000 0,0000 0,0000 0,0000 0,0279 0,0272 0,0282 0,0281 0,0284 0,0272 0,0000 0,1668 1/6 6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0289 0,0281 0,0267 0,0275 0,0288 0,0282 0,1682 1/6 0,0282 0,0554 0,0825 0,1107 0,1391 0,1660 0,1393 0,1110 0,0836 0,0560 0,0282 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36 319
38 Definizione: Variabili Aleatorie Scorrelate o Le variabili aleatorie e Y sono scorrelate (o incorrelate) se la loro correlazione eguaglia il prodotto dei loro valori attesi: E[ Y ] = E[ ] E[ Y ] o Dalla relazione tra covarianza e correlazione ( ) ( ) μ = Cov,Y = Cor,Y η η per variabili scorrelate si ha: Y Y μ Y = 0 ry = 0 320
39 Varianza della Differenza di v.a. Correlate Data la v.a.: Y 2 ( ) [ ] { } 2 2 σ Y = E Y E Y = [ ] [ ] [ ] [ ] [ ] ( ) = E + E Y 2E Y E + E Y 2E E Y = { 2 2[ ]} 2 2 [ ] { } [ ] [ ] [ ] { } = E E + E Y E Y 2 E Y E E Y = ( ) 2 2 =σ +σ = Y 2Cov,Y =σ +σ 2r σ σ 2 2 Y Y Y In particolare se: ry = 1 σ = 2 Y 0 σ =σ 2 2 Y 321
40 Varianza della Somma di v.a. Correlate Data la v.a.: + Y procedendo come fatto per la differenza si ottiene: σ =σ +σ + 2r σ σ Se e Y sono scorrelate ( r 0) Y Y Y Y Y = : σ =σ +σ ± Y Y o Se le variabili sono scorrelate, a varianza della somma (differenza) è uguale alla somma delle varianze. o Le fluttuazioni si sommano quadraticamente se le loro cause sono indipendenti. 322
41 Variabili Aleatorie Ortogonali Definizione: o Due variabili aleatorie e Y sono ortogonali se E[ Y ] = 0 Segue che se e Y sono ortogonali: ( ) = + E Y E E Y 323
42 Indipendenza e Scorrelazione o Due variabili aleatorie indipendenti sono anche scorrelate. Verifica: ( )( ) μ Y = E η Y η Y = + + ( )( ) ( ) = x η y η f x,y dxdy = Y Y per l indipendenza: f ( x,y) = f ( x) f ( y) + + = x η f x dx y η f y dy = ( ) ( ) ( ) ( ) Y Y [ ] [ ] = E η E Y η = 0 Y Y Y Indipendenti Scorrelate 324
43 Andamenti empirici (scatter plots) di due variabili aleatorie y y r = 1 0 x x 325
44 Andamenti empirici (scatter plots) di due variabili aleatorie y y r > 0 0 x x 326
45 Andamenti empirici (scatter plots) di due variabili aleatorie y y r < 0 0 x x 327
46 Andamenti empirici (scatter plots) di due variabili aleatorie y y r < 0 0 x x 328
47 Il Concetto di Regressione o La regressione si può intendere come un problema di stima di una v.a. Y nota la v.a.. Ovvero determinare una funzione: y = Φ ( x) tale che l'errore di stima ε definito come: ε = Y Φ ( ) sia minimo secondo qualche criterio statistico. 329
48 Regressione Lineare Se si assume una funzione lineare per Φ ( x) : si parla di regressione lineare. Φ ( x) = a+ bx o Nel caso della regressione lineare di due variabili e Y, l errore diviene: ε = Y ( a+ b) o Si vuole scegliere i coefficienti a e b in modo da minimizzare il valore quadratico medio di ε: e= E E Y ( a b) ε = + = y ( a+ bx) fy ( x,y) dxdy 330
49 y Regressione Lineare (segue) x,y ( ) i i ε y = a + bx η Y 0 η Errore di stima della regressione lineare x 331
50 Regressione Lineare (segue) Calcolo dei coefficienti a e b tali che: { 2 } ( ) = ( + ) min e min E Y a b e = 0 a e = 0 b e = 2E Y ( a + b ) = 0 E[ Y ] = a + be[ ] a e 2 = 2E Y ( a+ b) = 0 E[ Y] ae[ ] be = 0 b 332
51 Regressione Lineare (segue) Dalla prima equazione, cioè E[ Y] = a+ be[ ] si ottiene: η = a+ bη Sottraendo quest'ultima espressione all equazione Y = a+ b si ha: Y η = b η Y Y ( ) o La retta di regressione passa per il punto (, ) centroide η η detto Y 333
52 e Dalla seconda equazione = 0 b si ottiene: [ ] ( 2 2 ) E Y aη b σ +η = 0 Regressione Lineare (segue) E Y ae be = 0 : [ ] [ ] 2 E = σ +η [ ] η η σ = 2 [ ] η ( + η ) σ = η Y = a+ bη 2 [ ] ηηy σ = Cov(,Y ) = E[ Y ] ηη Y 2 ( ) σ = E Y a b b 0 E Y a b b 0 E Y b 0 Cov,Y b 0 r b 0 2 Y Y σ σ σ = Cov(,Y ) = ryσ σ Y 334
53 b= r Y σ σ Y da cui essendo a= ηy bη a σ = η r η Y Y Y σ Regressione Lineare (segue) o L'approssimazione lineare che minimizza l errore quadratico medio (LSM, Least Mean Square) di Y su è la retta di regressione : σy y η Y = ry ( x η ) σ σy che passa per il punto ( η, η Y) e ha pendenza ry σ. 335
54 y η Y tg Y ( α ) = r Y σ σ α η x Momenti Congiunti di una Coppia di v.a. o Data una coppia di variabili aleatorie (,Y ) i momenti congiunti sono: + + k r k r mkr = E Y = x y fy ( x,y) dxdy o Momenti congiunti centrali: 336
55 + + k r k r ( ) ( ) ( ) ( ) ( ) μ = E η Y η = x η y η f x,y dxdy kr Y Y Y Momenti Congiunti di una Coppia di v.a. (segue) Casi particolari: m = η ; m =η Y m = η +σ ; m =η +σ Y Y μ 10 = 0; μ 01 = 0 337
56 ( ) μ =μ = Cov,Y = r σ σ 11 Y Y Y μ =σ ; μ = σ Y Distribuzione di una Funzione di una Coppia di v.a. Z = g,y, la distribuzione marginale: Data la variabile aleatoria ( ) Z ( ) { } ( ) dove D( z ) è la proiezione sul piano ( ) superficie g ( x,y ) sotto il piano z = costante. {, } {(, ) ( )} F z = P Z z = P g Y z = P Y D z x, y della porzione di 338
57 z Piano z = cost ( ) z = g x,y x y ( ) D z Esempi di Funzione di una Coppia di v.a. Massimo tra due variabili aleatorie: Z = g(,y) = max(,y) ( ) ( ) tali che ( ) { } {( ) ( )} D z = x,y max x,y z = x z y z 339
58 y z 0 D(z) z x Si ha pertanto: F ( z) = F ( z,z) Z Y Esempi di Funzione di una Coppia di v.a. (segue) Minimo tra due variabili aleatorie: Z = g(,y) = min(,y) D ( z) = ( x,y ) tali che min( x,y) z = x z y z { } {( ) ( )} 340
59 Y z D(z) 0 z x Si ha pertanto: F ( z) = F ( +,z) + F ( z, + ) F ( z,z) Z Y Y Y Esempi di Funzione di una Coppia di v.a. (segue) Somma di due variabili aleatorie: Z = + Y Calcolo della funzione di Distribuzione 341
60 L equazione ( ) l intersezione col piano z x, y: Z z = g x,y = x+ y definisce un piano nello spazio; = costante definisce una retta sul piano y = z x ( oppure x = z y) ( ) = { } = ( ) o ( ) F z P Z z { } = P x, y al semipian D z ( ) D z y y = x z 0 x Somma di variabili aleatorie discrete Siano e Y v.a. discrete con massa di probabilità congiunta: ( ), P = i Y = j = p i, j interi, i j 342
61 se: si ha: Z = + Y ( = ) = δ ( + ) P Z k p i j k essendo δ ( n) il simbolo di Kronecker: ( n) Pertanto i j i,j + P Z = k = p ( ) i,k i i= 1 n = 0 δ =. 0 n 0 Somma di variabili aleatorie discrete Masse da sommare nel caso di k = 4 e k =
62 j k=-1 k=4 i Nel caso particolare in cui: Somma di variabili aleatorie discrete 344
63 p 0 solo per i 0, i N e j 0, j N si ha: i,j ( ) k P Z = k = pi,k i per 0 k N ( ) i= 0 N P Z = k = pi,k i per N < k 2N i= k N P( Z = k) = 0 fuori degli intervalli suddetti. Somma di variabili aleatorie discrete In figura è mostrato il caso N =3, con k = 1 e k =
64 j i k=1 k=4 Se e Y sono indipendenti, le espressioni precedenti si fattorizzano dando luogo alla convoluzione discreta della massa di probabilità di con la massa di probabilità di Y: P( Z = k) = pi pk i Somma di due variabili aleatorie Caso Discreto Lancio di due dadi: 1,2,...,6 e Y 1,2,...,6 i 346
65 Z = + Y Z 2,3,4,...,11,12 Calcolo della massa di probabilità P( Z = 2) = P( 1,1) P( Z = 3) = P( 1,2) + P( 2,1) P( Z = 4) = P( 1,3) + P( 2,2) + P( 3,1) P( Z = 11) = P( 5,6) + P( 6,5) P( Z = 12) = P( 6,6) Somma di due variabili aleatorie Caso Discreto Masse di probabilità relative al lancio di due dadi 347
66 Teoria dei Fenomeni Aleatori : 1 dado, Y: 2 dado, Z = + Y AA 2012/13, ( = k ) P Z,, k 1 = P( = i, Y = k i ) k = 2,3,4,...,11,12 i= 1 Esempio A: v.a. indipendenti equidistribuite con Masse di Probabilità: 348
67 1 P ( i = k ) = per k = 1,2,3 P ( i = k ) = 0 altrove Massa di Probabilità i (i = 1, 2, 3, 4) Esempio A: Massa di Probabilità della Somma: ottenuta per convoluzione delle masse di probabilità di 1 e di
68 0.35 Somma di 2 variabili aleatorie 0.3 Massa di Probabilità di Esempio A: Massa di Probabilità della Somma: convoluzione delle masse di probabilità di ( 1+ 2) e di ottenuta per 350
69 0.35 Somma di 3 variabili aleatorie 0.3 Massa di Probabilità di ottenuta e di 4 Esempio A: Massa di Probabilità della Somma: per convoluzione delle masse di probabilità di ( ) 351
70 0.35 Somma di 4 variabili aleatorie 0.3 Massa di Probabilità di [ ] σ = = σ = η = E = 8 2 Var [ ] 352
71 Esempio A: Densità di Probabilità Gaussiana: confrontare con la massa di probabilità di N η = 8; σ = 8 3 da 0.35 Variabile Gaussiana: eta = 8, sigma = Densità di Probabilità Z 353
72 Densità della Somma di due variabili aleatorie continue La densità di probabilità di Z Y Z = g,y ) = + (o in generale di ( ) nota la densità congiunta f ( ) una variabile aleatoria Y x,y, si può ricavare prendendo W = Y e calcolando prima (mediante il teorema fondamentale per trasformazioni di coppie di variabili aleatorie) z,w e poi fzw ( ) + fz ( z) = fzw ( z,w) dw Si userà qui un procedimento più semplice. 354
73 Densità della Somma di due variabili aleatorie continue y dz x y z dz Z = + Y z < Z z+ dz se e solo se { } { z < + Y z+ dz} cioè se ( x, y) Δ D( z) dz D(Z) x Z ( ) ( ) ( ) ( ) f z dz = P z< Z z+ dz = = P x,y Δ D z = + = fy ( z y,y) dy dz Z + ( ) ( ) f z f z y, y dy = Y 355
74 Somma di due variabili aleatorie Indipendenti Se le v.a. e Y sono indipendenti, per Z = + Y dal risultato precedente: si ottiene, per l'indipendenza: Z + ( ) ( ) f z f z y, y dy = Y + ( ) ( ) ( ) f z = f z y f y dy Z Y la quale è la convoluzione delle densità di probabilità di e di Y. 356
75 Concetto di Convoluzione Date due funzioni f ( x ) ed h( x ) si definisce convoluzione di f ( x ) con h( x ), e si indica con: il seguente integrale: g ( x) = f ( x) h( x) + ( ) ( ) ( ) g x = h x t f t dt 357
76 Somma di due v.a. Indipendenti Esponenziali Se e Y sono v.a. con densità esponenziale di uguale valore atteso: ( ) =α ( α ) ( ) ( ) =α ( α ) ( ) f x exp x U x f y exp y U y allora per la densità della loro somma Z si ottiene: 2 ( ) ( ) ( ) z 0 fz z = α exp α z t exp α t dt = z exp ( z ) dt α 2 z exp ( α z) U ( z) 2 =α α = 0 Y 358
77 Somma di due v.a. Indipendenti Esponenziali f() f(z) Y ( ) = α ( α ) ( ) ( ) =α ( α ) ( ) f x exp x U x f y exp y U y Z Z 2 ( ) = α ( α ) ( ) f z z exp z U z 359
78 Somma di due v.a. Indipendenti Uniformi Se e Y sono distribuite uniformemente nell'intervallo ( 0,c ), la densità della loro somma Z è un triangolo. Si ottiene per convoluzione di due rettangoli eguali: y f (w) = f (w) x y f (z) z 2c - z c 1 c 1 c ( 2c - z ) dz zdz S z = x + y 0 z c z x 0 c w c 2c z dz 360
79 Convoluzione di un triangolo con un rettangolo ft () 0.5 ht () t 0 2 t R x A C B D x triangolare rettangolare convoluzione tra f ( t ) e ht ( ) R( x ) è costituita dai tre rami di parabola: OA, AB,BD 361
80 Convoluzione di un triangolo con un rettangolo (segue) hxt (-) 0.5 ft () x=1 x=2 x= t t t 0 0 x=5 x=6 t 0 0 R( x ) è interpretabile come la densità della somma di tre variabili aleatorie uniformi in ( 0,2 ). t 362
81 Densità di Probabilità della Somma Z di due v.a. indipendenti e Y Uniformi in (a, b) Z = + Y ( ) = ( ) f x f y Y 1 b a -b -a 0 a b 2a a+b 2b x,y Intervalli di definizione per la v.a. Z Z < 2a Evento impossibile 2a < Z < 2b Z > 2b Evento impossibile 363
82 Calcolo della densità di Z ( ) ( ) ( ) ( ) ( ) f z = f x f y = f τ f z τ dτ Z Y Y + f f dτ z 2a Z ( z) = z = 2 2 2a ( b a) ( b a) dτ 2b z Z ( z) = 2b = 2 2 z Z ( ) f z = 0 altrove f Z ( b a) ( b a) ( z ) per 2a < z a + b per a+ b< z < 2b b 1 a 0 a b 2a a+b 2b z 364
83 Funzioni di una Coppia di Variabili Aleatorie Date due v.a. e Y e due funzioni g ( x,y ) e h( x,y ) le variabili aleatorie così definite: Z = g(,y) e W = h(,y) sono una coppia la cui distribuzione congiunta FZW ( z,w ) può essere espressa in funzione di FY ( x,y ) 365
84 Il Teorema Fondamentale per Coppie di v.a. Considerata la trasformazione: la densità di ( Z,W ) è data da: ( ) Z = g,y W = h,y ( ) ( ) ( ) ( ) ( ) ( ) ( ) f x,y f x,y f x,y fzw ( z,w )... J x,y J x,y J x,y Y 1 1 Y 2 2 Y N N = (a) N N con: J( x,y ) determinante dello Jacobiano della trasformazione; ( x, y ) per i= 1,2,...,N sono le coppie che soddisfano: i i ( ) g x,y i i = z e h( x,y ) i i = w (b) 366
85 Il Teorema Fondamentale per Coppie di v.a. (segue) Si riporta la definizione dello Jacobiano: ( ) J x, y ( ) g( x,y) g x,y x = h x,y y ( ) h( x,y) x y 367
86 Il Teorema Fondamentale per Coppie di v.a. (segue) Dimostrazione: g (x,y) = z y dz g (x,y) = z +dz w A dw y i B i h (x, y )=w 0 z 0 Trasformazione dell'elemento di superficie del piano z,w al piano x,y. P{ ( z,w) A} P{ ( x,y) B} i = ( < + < + ) = ( ) = i 1,2,...,N P z Z z dz, w W w dw f z,w dzdw ZW x i x 368
87 Il Teorema Fondamentale per Coppie di v.a. (segue) L area di B i è pari a: dato che: Area ( A) si ha: area ( A) Area ( Bi ) = J( x i,yi) = dzdw, e che ( ) { } = ( ) P z,w A f z,w dzdw fy ( x i,yi ) P (,Y ) Bi = dzdw (c) J( x i,yi) Essendo l'evento { z < Z z + dz,w < W w + dw} unione degli eventi disgiunti ( ), dalla relazione (c) segue la (a): { },Y B i ( ) ( ) ( ) ( ) ZW ( ) ( ) f x,y f x,y f x,y fzw ( z,w ) = J x,y J x,y J x,y Y 1 1 Y 2 2 Y N N N N 369
88 Uso della variabile ausiliaria La densità fz ( z ) di una sola funzione Z g(,y) = di due v.a. e Y può essere determinata ricorrendo al Teorema fondamentale ed W = h,y, come segue: introducendo una variabile ausiliaria ( ) 1) si determina f ( ) 2) si determina ( ) ( ) ZW Z z,w (Teorema Fondamentale) + f z = f z,w dw (si satura W) ZW La variabile aleatoria W è scelta opportunamente, di solito si sceglie: W = oppure W = Y 370
89 Trasformazioni Lineari Data la trasformazione con a,b,c,d costanti: Z = a + b W = cy + d Si ha un unica soluzione per ogni valore di ( z,w ): z b w d x 1 = y1 = a c Lo Jacobiano vale: J( x,y) Applicando il Teorema Fondamentale: z b w d f Y, a c fzw ( z, w) = ac = ac 371
90 Somma di due variabili aleatorie Date le v.a. e Y si consideri la variabile aleatoria Z = + Y Per determinare la densità di Z, si introduce la variabile ausiliaria in questo caso: ( ) W = Y 1 1 J x,y = = Dal Teorema Fondamentale risulta, con ZW saturando rispetto alla W: Z x 1 ( ) = ( ) f z,w f z w,w Y + ( ) ( ) f z f z w,w dw = Y = z w e y 1 = w 372
91 Densità del Prodotto di Due Variabili Aleatorie Z usando la variabile ausiliaria: pertanto z = xy w = y saturando la v.a. W = Y W = Y y x J x, y = = y 0 1 con ( ) 1 z fzw ( z,w) = f Y,w w w + 1 z fz ( z) = f Y,w dw w w 373
92 Densità del Rapporto di Due Variabili Aleatorie Z = Y usando la variabile ausiliaria: W = Y x 1 x z = 2 1 y con J( x,y) = y y = y w = y 0 1 pertanto saturando la v.a. W ZW ( ) = ( ) f z,w w f zw,w Y + f Z ( z) = w fy ( zw,w) dw 374
INTRODUZIONE 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
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
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
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.
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.
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
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
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
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
DettagliFunzioni di 2 variabili
Funzioni di 2 variabili 1 eterminare l insieme di definizione di ciascuna delle seguenti funzioni precisando se tali insiemi sono aperti, chiusi, itati. F (x, y) = 1 sin x cos y F (x, y) = arctan sin xy
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
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
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
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
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
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
Dettagli{ } { } { } {( ) ( ) ( ) { } { } ( ) ( { } ( ) Valor medio statistico (o valore atteso): Se g(x) è una funzione di V.A., si ha:
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
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliMateriale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI
Materiale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI Claudia Furlan Anno Accademico 006-007 Ringrazio Carlo Gaetan, Nicola Sartori e Aldo Solari per il materiale, aggiunte e
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.
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
DettagliStatistica Corso di laurea in Biotecnologie I esonero - 19 aprile 2010
Statistica Corso di laurea in Biotecnologie I esonero - 9 aprile 00 Esercizio Determinare, a P X ; b PX < /; c il terzo quartile della distribuzione, nei casi ix N, ; iix variabile aleatoria continua con
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:
DettagliEsercizi Svolti. 2. Costruire la distribuzione delle frequenze cumulate del tempo di attesa
Esercizi Svolti Esercizio 1 Per una certa linea urbana di autobus sono state effettuate una serie di rilevazioni sui tempi di attesa ad una determinata fermata; la corrispondente distribuzione di frequenza
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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
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
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
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,
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
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
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
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
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
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliAnalisi Matematica 2. Prove Parziali A.A. 2012/2017
Analisi 2 Polo di Savona Analisi Matematica 2 Prove Parziali A.A. 2012/2017 1- PrPzAmT.TEX [] Analisi 2 Polo di Savona Prima Prova parziale 23/11/2011 Prima Prova parziale 23/11/2011 Si consideri la funzione
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliCAPITOLO 9. Vettori Aleatori
CAPITOLO 9 Vettori Aleatori 9 9 Vettori Aleatori 3 9 Vettori Aleatori In molti esperimenti aleatori, indicando con Ω l insieme dei possibili risultati, al generico risultato dell esperimento, ω Ω, sono
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
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
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
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
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
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
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliEsercitazione N. 1 (11 ottobre 2016)
Esercitazione N. 1 (11 ottobre 2016) Un'urna contiene elementi. Vengono estratti di seguito elementi, ogni elemento una volta estratto è riposto nell'urna. Calcolare la probabilità dell evento: Problema
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliPROVA SCRITTA DI STATISTICA. CLEA/CLEFIN/CLEMIT (cod. 5047/4038/371/377) 3 Novembre 2004 MOD. A
PROVA SCRITTA DI STATISTICA CLEA/CLEFIN/CLEMIT (cod. 547/438/37/377) 3 Novembre 4 MOD. A Esercizio N. (3 punti). Data la v.s. X avente funzione di densità: / x < 9/4 x < 3 f(x) = / 3 x < 7 / 7 x < 9 altrove
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
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
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
DettagliVariabili casuali multidimensionali
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
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
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Variabili casuali Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio Determinare se le funzioni seguenti: 0.0 se x < 0. se x = g(x) = 0.5 se x = 0.7 se x = 3 se x =
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
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
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
DettagliFoglio di esercizi 4-12 Aprile 2019 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella
Esercizio. Foglio di esercizi 4 - Aprile 9 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella Un punto viene scelto a caso uniformemente nel cerchio di raggio 3 centrato nell origine. Dette
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 6 1. Si consideri un campione di 69 persone
DettagliCapitolo 5. Variabili casuali discrete
Capitolo 5 Variabili casuali discrete Come già anticipato nel paragrafo 3, nella teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable) può essere
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
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
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliLezione 6 Richiami di Geometria Analitica
1 Piano cartesiano Lezione 6 Richiami di Geometria Analitica Consideriamo nel piano due rette perpendicolari che si intersecano in un punto O Consideriamo ciascuna di queste rette come retta orientata
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
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
DettagliDisuguaglianza di Cramér-Rao
Disuguaglianza di Cramér-Rao (Appunti per gli studenti Silvano Holzer Dipartimento di Scienze Economiche, Aziendali, Matematiche e Statistiche Bruno de Finetti Università degli studi di Trieste Un esperimento
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
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
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
DettagliVariabili aleatorie multiple. X = (X 1,..., X n ) vettore aleatorio
Variabili aleatorie multiple X = (X 1,..., X n ) vettore aleatorio F X (x 1,..., x n ) = P(X 1 x 1,..., X n x n ) caso particolare n = 2 (variabile doppia) F X,Y (x, y) = P(X x, Y y) V.a. discreta: (X,
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
DettagliRELAZIONI e CORRISPONDENZE
RELAZIONI e CORRISPONDENZE Siano X e Y due insiemi non vuoti si chiama relazione tra X e Y un qualunque sottoinsieme del prodotto cartesiano: X x Y = {(x,y): x X, y Y} L insieme costituito dai primi (secondi)
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 24 Outline 1 () Statistica 2 / 24 Outline 1 2 () Statistica 2 / 24 Outline 1 2 3 () Statistica 2 /
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 23 maggio, 213 CP11 Probabilità: Esonero 2 Testo e soluzione 1. (7 punti) Una scatola contiene 1 palline, 5 bianche e 5 nere. Ne vengono
DettagliEventi numerici e variabili aleatorie
Capitolo Eventi numerici e variabili aleatorie. Probabilità di eventi numerici Nel capitolo precedente si sono considerate le nozioni di esperimento, risultato, evento. Un evento è individuato dai risultati
Dettagli