INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
|
|
- Gianpaolo Mancuso
- 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 Y,Y come coppia di variabili aleatorie: Funzione di Distribuzione Congiunta 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 a D 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 dd f dd 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,y x 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 Y x 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 xx,y che definisce sul piano una striscia che poi si farà tendere a zero (dx), si ha: D x di sviluppo verticale e larghezza x, y D () x dx x x x, P D x f x y dydx f x x D( x) Y 294
13 L integrale, x a zero: La Densità Marginale (segue) f Y x y dydx si può scrivere facendo tendere D( x) y D () x + f xdx f Y x, ydy dx x dx x Quindi la densità marginale è: f x fy x,ydy 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 probabilità congiunta sui diversi punti di coordinate x,y : 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 2 2 Y Y 2 2Y, Y 2 297
16 f Esempio: densità di probabilità gaussiana bidimensionale o In generale Y x,y x x y y 1 1 exp con: 2 2 Y Y Y 21 Y Y x 2 1 f x exp 2 2 2, y 2 1 Y fy y exp Y Y o Densità di probabilità marginali di e Y. o 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 0.3, Y 0.15, Y 0 299
18 Curve di livello Funzione densità di probabilità gaussiana bidimensionale nel caso di 0.3, Y 0.3, Y 0 300
19 Curve di livello Funzione densità di probabilità gaussiana bidimensionale nel caso di 0.3, Y 0.3, 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 PB Definizione: Due variabili e Y sono statisticamente indipendenti, se sono indipendenti gli eventi Y y e x, cioè: P x, Y y P x PY 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: e x i con le masse di probabilità marginali i Y Y k e q PY 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: i j f f i con i 1,2,...,6 Y f f j con j 1,2,...,6 1 1 P i PY j P i, Y j P ipy j 36 Nello spazio S dei due lanci indipendenti e Y sono indipendenti. i j 304
23 Esempio di Variabili Indipendenti e Y sono 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. o Calcolo del valore atteso di Z: o NB: Non occorre ricavare la e data la coppia di vv.aa. Z g,y,y si f z risulta assegnata nota f x,y Z E Z z f z dz Z f z : E Z E g,y g x,y f x,y dxdy Z. 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: Cov,Y E Y Y Y dove ed Y sono i valori attesi di ed Y rispettivamente. 307
26 Relazione tra Covarianza e Correlazione Y Cov,Y Cor,Y Verifica: Cov,Y E Y Y E Y E Y E Y Y Y E Y 308
27 Coefficiente di Correlazione Definizione: o Si definisce coefficiente di correlazione di ed Y la covarianza normalizzata : Y r Y dove ed Y sono le deviazioni standard di ed Y. o A volte il coefficiente di correlazione si indica con: o semplicemente con. Y Y 309
28 Variabili Aleatorie Centrate e Normalizzate Date le variabili aleatorie ed Y si definiscono: Y Y 0, Y0 0 e Y 0 sono dette v.a. standardizzate e hanno per definizione: Y E E Y Y Ne segue che: Y Cov,Y E Y E Y Y 1 Cov Y E Y r Y Y Y Y 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 Qc risulta non negativa se: Q c E Y 2cE Y c E c 2c0 La forma quadratica quindi E Y E E Y 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: 1r 1 Dimostrazione: (si fa uso della disuguaglianza di Schwartz) Se E ed EY Y c Y, indicando con e Y c Y Y ed applicando la disuguaglianza di Schwartz a 2 2 E cyc ry E c E Y c E 2 Y 2 2 c c E c E Y c E Y c e Y c, si ha: c c ry E c EY c 313
32 Proprietà del Coefficiente di Correlazione (segue) Il coefficiente di correlazione r Y 1 se Y è funzione lineare di : Y con, costanti Verifica: Infatti sostituendo nella definizione e ricordando che Y E Y E E E E Y E Y ry Y 2 E E
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 Esempio di Variabili Correlate Infatti essendo e S 1 2 * S =2 * per l'indipendenza tra 1 e Cor 1,S E 1S E * E E Cor,S Cov 1,S 1 S r S S
35 Dominio della coppia ( 1, S) Somma S Su ogni la massa di probabilità vale: P i,s j Pi,j 12 Massa Marginale 1 P 1 i P i, j i 1,2,...,6 6 j2 Dado 1 6 j j i1 36 Massa Marginale PS j Pi,j 1 j 2,...,7 j 8,...,
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 EY o Dalla relazione tra covarianza e correlazione Cov,Y Cor,Y per variabili scorrelate si ha: Y Y Y 0 ry 0 320
39 Varianza della Differenza di v.a. Correlate Data la v.a.: Y Y E Y E Y E E Y 2E Y E E Y 2E E Y E E EY E Y 2 E Y E E Y 2 2 Y 2Cov,Y 2r 2 2 Y Y Y In particolare se: ry 1 2 Y Y 321
40 Varianza della Somma di v.a. Correlate Data la v.a.: Y procedendo come fatto per la differenza si ottiene: 2r Y Y Y Y Se e Y sono scorrelate r 0: Y 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: Y E Y Y x y f x,y dxdy Y Y per l indipendenza: f x,y f x f y x f x dx y f y dy Y Y E E Y 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 x tale che l'errore di stima definito come: Y sia minimo secondo qualche criterio statistico. 329
48 Regressione Lineare Se si assume una funzione lineare per si parla di regressione lineare. x a bx x: o Nel caso della regressione lineare di due variabili e Y, l errore diviene: Y a b o Si vuole scegliere i coefficienti a e b in modo da minimizzare il valore quadratico medio di : e E E Y a b yabx fy x,ydxdy 330
49 y Regressione Lineare (segue) x,y i i y a bx Y 0 Errore di stima della regressione lineare x 331
50 Regressione Lineare (segue) Calcolo dei coefficienti a e b tali che: min e min E Y a b e a e b e 2EY a b 0 EY a be a e 2 2E Y ab 0 EYaEbE 0 b
51 Regressione Lineare (segue) Dalla prima equazione, cioè EY a be si ottiene: ab Y Sottraendo quest'ultima espressione all equazione Y a b si ha: Y Y b o La retta di regressione passa per il punto, detto centroide Y 333
52 e Dalla seconda equazione 0 b si ottiene: 2 2 E Y a b 0 Regressione Lineare (segue) E Y ae be 0 : 2 E Y ab 2 Y Cov,Y E Y Y 2 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 Cov,Y ry Y b r Y Y da cui essendo a Y b a r Y Y Y 334
53 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 : Y y Y ry x Y che passa per il punto, Y e ha pendenza ry. y Y tg Y r Y x 335
54 Momenti Congiunti di una Coppia di v.a. o Data una coppia di variabili aleatorie congiunti sono: k r k r mkr E Y x y fy x,ydxdy o Momenti congiunti centrali:,y i momenti k r k r E Y x y f x,y dxdy kr Y Y Y 336
55 Momenti Congiunti di una Coppia di v.a. (segue) m Casi particolari: ; m Y m ; m Y Y 10 0; 01 0 Cov,Y r 11 Y Y Y ; Y 337
56 Distribuzione di una Funzione di una Coppia di v.a. Z g,y, la distribuzione marginale: Data la variabile aleatoria Z dove superficie g x,y sotto il piano z,, F z P Z z P g Y z P Y D z D z è la proiezione sul piano z costante. x, y della porzione di Piano z = cost z g x,y x y D z 338
57 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 y z 0 D(z) z x Si ha pertanto: F z F z,z Z Y 339
58 Esempi di Funzione di una Coppia di v.a. (segue) Minimo tra due variabili aleatorie: Z g,y min,y tali che D z x,y min x,y z x z y z Y z D(z) 0 z x Si ha pertanto: F z F,z F z, F z,z Z Y Y Y 340
59 Esempi di Funzione di una Coppia di v.a. (segue) Somma di due variabili aleatorie: Z Y Calcolo della funzione di Distribuzione L equazione z g x,y x y definisce un piano nello spazio; l intersezione col piano z x, y: Z 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 341
60 Somma di variabili aleatorie discrete Siano e Y v.a. discrete con massa di probabilità congiunta: P i Y j p i, j interi se: si ha:,, i j Z Y P Z k p i j k essendo n il simbolo di Kronecker: n Pertanto i j i,j P Z k p i,ki i 1 n 0. 0 n 0 342
61 Somma di variabili aleatorie discrete Masse da sommare nel caso di k = 4 e k = -1. j k=-1 k=4 i 343
62 Somma di variabili aleatorie discrete Nel caso particolare in cui: pi,j 0 solo per i0, i N e j 0, j N si ha: k P Z k pi,k i per 0k N i0 N P Z k pi,k i per N k 2N ikn P Z k 0 fuori degli intervalli suddetti. 344
63 Somma di variabili aleatorie discrete In figura è mostrato il caso N =3, con k = 1 e k = 4. 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: PZ k pi pk i i 345
64 Somma di due variabili aleatorie Caso Discreto Lancio di due dadi: 1,2,...,6 e Y 1,2,...,6 Z Y Z 2,3,4,...,11,12 Calcolo della massa di probabilità PZ 2 P1,1 PZ 3 P1,2 P2,1 PZ 4 P1,3P2,2 P3,1 PZ 11 P5,6 P6,5 PZ 12 P6,6 346
65 Somma di due variabili aleatorie Caso Discreto Masse di probabilità relative al lancio di due dadi : 1 dado, Y: 2 dado, Z Y k1 PZ k P i,y ki k 2,3,4,...,11,12 i1 347
66 Esempio A:,,, v.a. indipendenti equidistribuite con Masse di Probabilità: 1 P i k per k 1,2,3 P i k 0 altrove Massa di Probabilità i (i = 1, 2, 3, 4) 348
67 Esempio A: Massa di Probabilità della Somma: 1 2 ottenuta per convoluzione delle masse di probabilità di 1 e di Somma di 2 variabili aleatorie 0.3 Massa di Probabilità di
68 Esempio A: Massa di Probabilità della Somma: convoluzione delle masse di probabilità di 1 2 e di 3. ottenuta per 0.35 Somma di 3 variabili aleatorie 0.3 Massa di Probabilità di
69 ottenuta e di 4 Esempio A: Massa di Probabilità della Somma: per convoluzione delle masse di probabilità di Somma di 4 variabili aleatorie 0.3 Massa di Probabilità di E Var
70 Esempio A: Densità di Probabilità Gaussiana: confrontare con la massa di probabilità di N 8; 8 3 da 0.35 Variabile Gaussiana: eta = 8, sigma = Densità di Probabilità Z 352
71 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,wdw Si userà qui un procedimento più semplice. 353
72 Densità della Somma di due variabili aleatorie continue y dz x y z dz Z Y z Z z dz se e solo se x, y D z z Y z dz cioè se dz x Z f z dz P zz zdz P x,y D z D(Z) + fy z y,ydydz Z + f z f z y, y dy Y 354
73 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. 355
74 Date due funzioni f x ed con h x, e si indica con: il seguente integrale: Concetto di Convoluzione h x si definisce convoluzione di g x f x hx g x h x t f t dt f x 356
75 Somma di due v.a. Indipendenti Esponenziali Se e Y sono v.a. con densità esponenziale di uguale valore atteso: 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 exp z t exp t dt z exp z dt 2 z exp zu z 2 0 Y 357
76 Somma di due v.a. Indipendenti Esponenziali f() f(z) Y f x exp x U x f y exp y U y Z Z 2 f z z exp z U z 358
77 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 359
78 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 R x è costituita dai tre rami di parabola: OA, AB,BD f t e ht 360
79 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 Rx è interpretabile come la densità della somma di tre variabili aleatorie uniformi in 0,2. t 361
80 Densità di Probabilità della Somma Z di due v.a. indipendenti e Y Uniformi in (a, b) Z Y Y f x f 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 362
81 Calcolo della densità di Z f z f x f y f f z d Z Y Y f f d z 2a Z z z 2 2 2a ba ba d 2b z Z z 2b 2 2 z Z f z 0 altrove f Z ba ba z per 2a z a b per a b z 2b b 1 a 0 a b 2a a+b 2b z 363
82 Funzioni di una Coppia di Variabili Aleatorie Date due v.a. e Y e due funzioni le variabili aleatorie così definite: Z g x,y e h x,y 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 364
83 Il Teorema Fondamentale per Coppie di v.a. Considerata la trasformazione: Z g,y W h,y la densità di Z,W è data da: 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 hx,y i i w (b) 365
84 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 hx,y x y 366
85 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. Pz,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 367
86 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 Jx i,yi dzdw, e che P z,w A f z,w dzdw i f x,y (c) ZW Y i i P,Y Bi dzdw J x,yi Essendo l'evento z Z z dz,w W w dw unione degli eventi disgiunti,y B i, dalla relazione (c) segue la (a): 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 368
87 La densità Uso della variabile ausiliaria f z di una sola funzione Z g,y Z 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 369
88 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 370
89 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 371
90 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,wdw w w 372
91 Densità del Rapporto di Due Variabili Aleatorie Z Y usando la variabile ausiliaria: W Y x 1 x z 2 1 y con Jx,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,wdw 373
ITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
DettagliTeoria dei Fenomeni Aleatori 1
Integrale Doppio Sia g( x,y ) una funzione continua nel piano ( x,y ) o D è un dominio sul piano ( x,y ) o P è una sua partizione che ricopre il dominio D: ( ) P D D... D... = 1,1 1,2 i,j, con Di,j = ΔxiΔ
DettagliSESSIONE ORDINARIA 2007 CORSO DI ORDINAMENTO SCUOLE ITALIANE ALL ESTERO - AMERICHE
SESSIONE ORDINARIA 007 CORSO DI ORDINAMENTO SCUOLE ITALIANE ALL ESTERO - AMERICHE PROBLEMA Si consideri la funzione f definita da f ( x) x, il cui grafico è la parabola.. Si trovi il luogo geometrico dei
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
DettagliLa Funzione Caratteristica di una Variabile Aleatoria
La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione
DettagliDefinizione Dati due insiemi A e B, contenuti nel campo reale R, si definisce funzione reale di variabile reale una legge f : A
Scopo centrale, sia della teoria statistica che della economica, è proprio quello di esprimere ed analizzare le relazioni, esistenti tra le variabili statistiche ed economiche, che, in linguaggio matematico,
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
Dettagli3. Sia g(x) = 4. Si calcoli l area del triangolo mistilineo ROS, ove l arco RS appartiene al grafico di f(x) o, indifferentemente, di g(x).
Esame liceo Scientifico : ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. PROBLEMI Problema. Sia ABCD un quadrato di lato, P un punto di AB e γ la circonferenza
DettagliEsercitazioni 2013/14
Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche 1. Esercizio (1 marzo 211 n.
DettagliMaturità Scientifica PNI, sessione ordinaria 2000-2001
Matematica per la nuova maturità scientifica A. Bernardo M. Pedone Maturità Scientifica PNI, sessione ordinaria 000-00 Problema Sia AB un segmento di lunghezza a e il suo punto medio. Fissato un conveniente
DettagliIntegrali doppi - Esercizi svolti
Integrali doppi - Esercizi svolti Integrali doppi senza cambiamento di variabili Si disegni il dominio e quindi si calcolino gli integrali multipli seguenti:... xy dx dy, con (x, y R x, y x x }; x + y
DettagliCapitolo 16 Esercizi sugli integrali doppi
Capitolo 6 sercizi sugli integrali doppi Brevi richiami di teoria Sia f : [a, b] [c, d] B IR una funzione limitata e non negativa, definita sul rettangolo R = [a, b] [c, d]. Dividiamo l intervallo [a,
DettagliStatistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
DettagliElementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B
Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio
DettagliELEMENTI DI ANALISI SPETTRALE 1 I DUE DOMINI
Lezioni di Fisica della Terra Solida, Università di Chieti, a.a. 999/. Docente A. De Santis ELEMENTI DI ANALISI SPETTRALE I DUE DOMINI È spesso utile pensare alle unzioni ed alle loro trasormate di Fourier
DettagliMassimi e minimi vincolati in R 2 - Esercizi svolti
Massimi e minimi vincolati in R 2 - Esercizi svolti Esercizio 1. Determinare i massimi e minimi assoluti della funzione f(x, y) = 2x + 3y vincolati alla curva di equazione x 4 + y 4 = 1. Esercizio 2. Determinare
DettagliVARIABILI ALEATORIE E VALORE ATTESO
VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della
DettagliCorso di Matematica per CTF Appello 15/12/2010
Appello 15/12/2010 Svolgere i seguenti esercizi: 1) Calcolare entrambi i limiti: a) lim(1 x) 1 e x 1 ; x 0 x log 2 x b) lim x 1 1 cos(x 1). 2) Data la funzione: f(x) = x log x determinarne dominio, eventuali
DettagliStudio di funzione. Tutti i diritti sono riservati. E vietata la riproduzione, anche parziale, senza il consenso dell autore. Funzioni elementari 2
Studio di funzione Copyright c 2009 Pasquale Terrecuso Tutti i diritti sono riservati. E vietata la riproduzione, anche parziale, senza il consenso dell autore. Funzioni elementari 2 Studio di funzione
DettagliAppunti sul corso di Complementi di Matematica- modulo Analisi Prof. B.Bacchelli
Appunti sul corso di Complementi di Matematica- modulo Analisi Prof. B.Bacchelli 09- Integrale doppio: Riferimenti: R.Adams, Calcolo ifferenziale 2. Capitoli 5.1, 5.2, 5.4. Esercizi 5.3, 5.4 Integrale
DettagliFederico Lastaria. Analisi e Geometria 2. Integrali multipli. Cambi di variabili. 1/21
Contenuto Integrali doppi. Teorema di Fubini Cambio di variabili: coordinate polari. Cambio di variabili: caso generale. Coordinate sferiche. Federico Lastaria. Analisi e Geometria 2. Integrali multipli.
DettagliCoppie di variabili aleatorie. In questo capitolo il concetto di variabile aleatoria viene generalizzato al caso di una coppia.
Capitolo 6 Coppie di variabili aleatorie In questo capitolo il concetto di variabile aleatoria viene generalizzato al caso di una coppia di variabili aleatorie: si mostra in particolare che in questo caso
DettagliDefinisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione:
Verso l'esame di Stato Definisci il Campo di Esistenza ( Dominio) di una funzione reale di variabile reale e, quindi, determinalo per la funzione: y ln 5 6 7 8 9 0 Rappresenta il campo di esistenza determinato
Dettaglix log(x) + 3. f(x) =
Università di Bari, Corso di Laurea in Economia e Commercio Esame di Matematica per l Economia L/Z Dr. G. Taglialatela 03 giugno 05 Traccia dispari Esercizio. Calcolare Esercizio. Calcolare e cos log d
DettagliEQUAZIONI DIFFERENZIALI. 1. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x 2 log t (d) x = e t x log x (e) y = y2 5y+6
EQUAZIONI DIFFERENZIALI.. Trovare tutte le soluzioni delle equazioni differenziali: (a) x = x log t (d) x = e t x log x (e) y = y 5y+6 (f) y = ty +t t +y (g) y = y (h) xy = y (i) y y y = 0 (j) x = x (k)
DettagliVARIABILI ALEATORIE MULTIVARIATE (vers. 1/11/2013)
VARIABILI ALEATORIE MULTIVARIATE (vers. 1/11/213) Daniela De Canditiis modulo di CdP di teoria dei segnali - Ingegneria dell informazione - (Sapienza - Latina) VARIABILI ALEATORIE MULTIVARIATE Molto spesso
Dettaglib) Il luogo degli estremanti in forma cartesiana è:
Soluzione della simulazione di prova del 9/5/ PROBLEMA È data la funzione di equazione: k f( ). a) Determinare i valori di k per cui la funzione ammette punti di massimo e minimo relativi. b) Scrivere
DettagliValori caratteristici di distribuzioni
Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di
DettagliSono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3
1 FUNZIONI DI PIÙ VARIABILI 1 1 Funzioni di più variabili Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3 Definizione 1.1 Dati D R 2 e f : D R, l insieme
DettagliFunzioni a 2 variabili
Funzioni a 2 variabili z = f(x, y) Relazione che associa ad ogni coppia di valori x,y (variabili indipendenti) uno ed un solo valore di z (variabile dipendente). Esempi: z = x 2y + 4 z = x 2 y 2 2x z =
DettagliESERCIZI SULLE PROBABILITA E LE VARIABILI ALEATORIE
ESERCIZI SULLE PROBABILITA E LE VARIABILI ALEATORIE Esercizio N. Calcolare: - la probabilità di vincere la rendita ventennale (4 euro al mese) al Win for life, - la probabilità di fare il 6 o il 5 + al
DettagliESERCIZI SVOLTI PER LA PROVA DI STATISTICA
ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI
DettagliSPAZI METRICI. Uno spazio metrico X con metrica d si indica con il simbolo (X, d). METRICI 1
SPAZI METRICI Nel piano R 2 o nello spazio R 3 la distanza fra due punti è la lunghezza, o norma euclidea, del vettore differenza di questi due punti. Se p = (x, y, z) è un vettore in coordinate ortonormali,
DettagliProtocollo dei saperi imprescindibili Ordine di scuola: professionale
Protocollo dei saperi imprescindibili Ordine di scuola: professionale DISCIPLINA: MATEMATICA RESPONSABILE: CAGNESCHI F. IMPERATORE D. CLASSE: prima servizi commerciali Utilizzare le tecniche e le procedure
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliSyllabus: argomenti di Matematica delle prove di valutazione
Syllabus: argomenti di Matematica delle prove di valutazione abcdef... ABC (senza calcolatrici, senza palmari, senza telefonini... ) Gli Argomenti A. Numeri frazioni e numeri decimali massimo comun divisore,
DettagliISTITUTO D'ISTRUZIONE SUPERIORE A. MOTTI
ISTITUTO D'ISTRUZIONE SUPERIORE A. MOTTI ISTITUTO PROFESSIONALE DI ENOGASTRONOMIA E OSPITALITA ALBERGHIERA CON I PERCORSI: ACCOGLIENZA TURISTICA, CUCINA, SALA-BAR ISTITUTO TECNICO PER IL TURISMO Sede Amministrativa:
DettagliMISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
DettagliVARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliRETTE, PIANI, SFERE, CIRCONFERENZE
RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 6 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it Quantizzazione Il segnale y(t) non solo è campionato sull asse dei tempi, ma anche i valori di ordinata sono
DettagliMINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ, DELLA RICERCA SCUOLE ITALIANE ALL ESTERO
Sessione Ordinaria in America 4 MINISTERO DELL'ISTRUZIONE, DELL'UNIVERSITÀ, DELLA RICERCA SCUOLE ITALIANE ALL ESTERO (Americhe) ESAMI DI STATO DI LICEO SCIENTIFICO Sessione Ordinaria 4 SECONDA PROVA SCRITTA
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliELEMENTI DI CALCOLO DELLE PROBABILITA
Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica
DettagliEnergia potenziale L. P. Maggio 2007. 1. Campo di forze
Energia potenziale L. P. Maggio 2007 1. Campo di forze Consideriamo un punto materiale di massa m che si muove in una certa regione dello spazio. Si dice che esso è soggetto a un campo di forze, se ad
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
Dettagli.y 6. .y 4. .y 5. .y 2.y 3 B C C B. B f A B f -1
Funzioni FUNZIONI Una funzione è una relazione fra due insiemi non vuoti e, che associa ad ogni elemento uno e un solo elemento. In simboli si scrive: = oppure. x 1. x..y B C.y 5 x 4..y 4 L elemento è
Dettagli7 Esercizi e complementi di Elettrotecnica per allievi non elettrici. Circuiti elementari
7 Esercizi e complementi di Elettrotecnica per allievi non elettrici Circuiti elementari Gli esercizi proposti in questa sezione hanno lo scopo di introdurre l allievo ad alcune tecniche, semplici e fondamentali,
DettagliClassificazione Singolarità isolate, Serie di Laurent, Residui, Teorema dei residui e applicazioni
Classificazione Singolarità isolate, Serie di Laurent, Residui, Teorema dei residui e applicazioni Docente:Alessandra Cutrì Richiamo:Zeri di Funzioni olomorfe (o analitiche) Sia f : A C C A aperto connesso,
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
DettagliAnalisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06
Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o
DettagliIntroduzione alla programmazione lineare. Mauro Pagliacci
Introduzione alla programmazione lineare Mauro Pagliacci c Draft date 25 maggio 2010 Premessa In questo fascicolo sono riportati gli appunti dalle lezioni del corso di Elaborazioni automatica dei dati
DettagliEQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.
EQUAZIONI DIFFERENZIALI Esercizi svolti 1. Determinare la soluzione dell equazione differenziale (x 2 + 1)y + y 2 =. y + x tan y = 2. Risolvere il problema di Cauchy y() = 1 2 π. 3. Risolvere il problema
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliUniversità degli Studi della Basilicata Facoltà di Ingegneria
Università degli Studi della Basilicata Facoltà di Ingegneria Corso di TECNICA DELLE COSTRUZIONI Docente: Collaboratori: Prof. Ing. Angelo MASI Dr. Ing. Giuseppe Santarsiero Ing. Vincenzo Manfredi RICHIAMI
DettagliTeoria delle scorte. Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio
Teoria delle scorte Ricerca operativa Met. e mod. per le decisioni (Informatica Matematica) Pierluigi Amodio Dipartimento di Matematica Università di Bari Teoria delle scorte p.1/26 definizione del problema
DettagliAnalisi Complessa. Prova intermedia del 7 novembre 2002 - Soluzioni. (z 11 1) 11 1 = 0.
Analisi Complessa Prova intermedia del 7 novembre 2002 - Soluzioni Esercizio. Si consideri l equazione z 0. Quante soluzioni distinte esistono in C? Quante di esse sono contenute all interno del disco
DettagliCLASSE terza SEZIONE H A.S. 14/ 15 PROGRAMMA SVOLTO
DOCENTE: Laura Marchetto CLASSE terza SEZIONE H A.S. 14/ 15 RIPASSO ARGOMENTI PROPEDEUTICI L insieme dei numeri razionali. Equazioni di primo e di secondo grado Sistemi di disequazioni di primo grado Equazione
DettagliCalcolo integrale in più variabili
ppunti di nalisi II Calcolo integrale in più variabili Integrali doppi Nel caso di una funzione di una variabile f : a, b] R, supponendo f continua e fx) a, b], la quantità b a fx)dx indica l area fra
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
DettagliLICEO SCIENTIFICO STATALE G.GALILEI CATANIA A.S. 2006/2007 SIMULAZIONE DI II PROVA - A
LICEO SCIENTIFICO STATALE G.GALILEI CATANIA A.S. 6/7 SIMULAZIONE DI II PROVA - A Tempo a disposizione: cinque ore E consentito l uso della calcolatrice non programmabile. Non è consentito uscire dall aula
DettagliStrumenti matematici SOMMARIO. A.1. Alcuni concetti fondamentali A.2. Relazioni lineari A.3. Relazioni non lineari A.4. Integrali A.5.
A Strumenti matematici SOMMARIO A.1. Alcuni concetti fondamentali A.2. Relazioni lineari A.3. Relazioni non lineari A.4. Integrali A.5. Esercizi A2 Appendice A. Strumenti matematici c 978-88-08-17530-4
DettagliNOTA 3. VETTORI LIBERI e VETTORI APPLICATI. Negli esempi visti sono stati considerati due tipi di vettori :
NOTA 1 VETTOI LIBEI e VETTOI APPLICATI Negli esempi visti sono stati considerati due tipi di vettori : 1) Vettori liberi, quando non è specificato il punto di applicazione. Di conseguenza ad uno stesso
DettagliSOLUZIONE DEL PROBLEMA 2 CORSO DI ORDINAMENTO 2013. 8 4 + x 2, con dominio R (infatti x2 + 4 0 per ogni. 8 4 + ( x) = 8. 4 + x 2
SOLUZIONE DEL PROBLEMA CORSO DI ORDINAMENTO. Studiamo la funzione f(x) = x R). Notiamo che f( x) = 4 + x, con dominio R (infatti x + 4 per ogni 4 + ( x) = 4 + x = f(x), cioè la funzione è pari e il grafico
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/2/215 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema di
DettagliEsercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica
Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili
DettagliAppunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.
Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine
DettagliEsercizi su dominio limiti continuità - prof. B.Bacchelli. Riferimenti: R.Adams, Calcolo Differenziale 2. Capitoli 3.1, 3.2.
Esercizi su dominio iti continuità - prof. B.Bacchelli Riferimenti: R.Adams, Calcolo Differenziale 2. Capitoli 3., 3.2. - Esercizi 3., 3.2. ESERCIZI * Determinare e disegnare il dominio delle seguenti
DettagliEsempi di funzione. Scheda Tre
Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.
DettagliCapitolo 1. Integrali multipli. 1.1 Integrali doppi su domini normali. Definizione 1.1.1 Si definisce dominio normale rispetto all asse
Contenuti 1 Integrali multipli 2 1.1 Integralidoppisudomininormali... 2 1.2 Cambiamento di variabili in un integrale doppio. 6 1.3 Formula di Gauss-Green nel piano e conseguenze. 7 1.4 Integralitripli...
DettagliSoluzione del tema d esame di matematica, A.S. 2005/2006
Soluzione del tema d esame di matematica, A.S. 2005/2006 Niccolò Desenzani Sun-ra J.N. Mosconi 22 giugno 2006 Problema. Indicando con A e B i lati del rettangolo, il perimetro è 2A + 2B = λ mentre l area
DettagliIstituto Professionale di Stato per l Industria e l Artigianato Giancarlo Vallauri. Classi I C I G
Esercizi Estivi di Matematica a.s. 0/04 Istituto Professionale di Stato per l Industria e l Artigianato Giancarlo Vallauri Classi I C I G ALUNNO CLASSE Ulteriore ripasso e recupero anche nei siti www.vallauricarpi.it
DettagliEsercizi svolti. Elettrotecnica
Esercizi svolti di Elettrotecnica a cura del prof. Vincenzo Tucci NOVEMBE 00 NOTA SUL METODO PE LA DEGLI ESECIZI La soluzione degli esercizi è un momento della fase di apprendimento nel quale l allievo
DettagliInformatica Grafica. Un introduzione
Informatica Grafica Un introduzione Rappresentare la Geometria Operabile da metodi di calcolo automatici Grafica Vettoriale Partiamo dalla rappresentazione di un punto... Spazi Vettoriale SPAZI VETTORIALI
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliSIMULAZIONE TEST ESAME - 1
SIMULAZIONE TEST ESAME - 1 1. Il dominio della funzione f(x) = log (x2 + 1)(4 x 2 ) (x 2 2x + 1) è: (a) ( 2, 2) (b) ( 2, 1) (1, 2) (c) (, 2) (2, + ) (d) [ 2, 1) (1, 2] (e) R \{1} 2. La funzione f : R R
Dettagli1 Portofoglio autofinanziante
1 Portofoglio autofinanziante Supponiamo che l evoluzione del titolo A 1 sia S 1 t) e l evoluzione del titolo A sia S t). Supponiamo che al tempo 0 io abbia una somma X0) che voglio investire parte in
DettagliFunzioni. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Funzioni Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliSTATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
DettagliSTATISTICA DESCRITTIVA BIVARIATA
STATISTICA DESCRITTIVA BIVARIATA Si parla di Analisi Multivariata quando su ogni unità statistica, appartenente ad una determinata popolazione, si rileva un certo numero s di caratteri X 1, X 2,,X s. Si
DettagliMETODI ITERATIVI PER SISTEMI LINEARI
METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliFUNZIONI DI DUE VARIABILI: graöci 3D e curve di livello
FUNZIONI DI DUE VARIABILI: graöci 3D e curve di livello Una funzione di due variabili Ë una funzione in cui per ottenere un valore numerico bisogna speciöcare il valore di 2 variabili x e y, non pi di
DettagliIn laboratorio si useranno fogli di carta millimetrata con scale lineari oppure logaritmiche.
GRAFICI Servono per dare immediatamente e completamente le informazioni, che riguardano l andamento di una variabile in funzione dell altra. La Geometria Analitica c insegna che c è una corrispondenza
DettagliSTRUTTURE ISOSTATICHE REAZIONI VINCOLARI ED AZIONI INTERNE
ESERCIZI SVOLTI O CON TRACCIA DI SOLUZIONE SU STRUTTURE ISOSTATICHE REAZIONI VINCOLARI ED AZIONI INTERNE v 1.0 1 I PROVA DI VALUTAZIONE 15 Novembre 2006 - Esercizio 2 Data la struttura di figura, ricavare
DettagliMOMENTI DI INERZIA. m i. i=1
MOMENTI DI INEZIA Massa Ad ogni punto materiale si associa uno scalare positivo m che rappresenta la quantità di materia di cui è costituito il punto. m, la massa, è costante nel tempo. Dato un sistema
DettagliELEMENTI DI GEOMETRIA ANALITICA: LA RETTA.
ELEMENTI DI GEOMETRIA ANALITICA: LA RETTA. Prerequisiti I radicali Risoluzione di sistemi di equazioni di primo e secondo grado. Classificazione e dominio delle funzioni algebriche Obiettivi minimi Saper
DettagliPROBLEMI DI SCELTA dipendenti da due variabili d azione
prof. Guida PROBLEMI DI SCELTA dipendenti da due variabili d azione in un problema di programmazione lineare, si ricorda che la funzione obiettivo z=f(x,y)=ax+by+c assume il suo valore massimo (o minimo)
DettagliSOLUZIONI D = (-1,+ ).
SOLUZIONI. Data la funzione f() ( ) ln( ) a) trova il dominio di f b) indica quali sono gli intervalli in cui f() risulta positiva e quelli in cui risulta negativa c) determina le eventuali intersezioni
DettagliDERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia
DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti
DettagliRichiami. Esercizio 1.1. La radiazione elettromagnetica del corpo nero ha la seguente densità di energia per unità di frequenza
Parte I Problemi Richiami Esercizio 1.1. La radiazione elettromagnetica del corpo nero ha la seguente densità di energia per unità di frequenza u ν = 8π hν c 3 ν e βhν 1, dove c è la velocità della luce
DettagliLE FUNZIONI MATEMATICHE
ALGEBRA LE FUNZIONI MATEMATICHE E IL PIANO CARTESIANO PREREQUISITI l l l l l conoscere il concetto di insieme conoscere il concetto di relazione disporre i dati in una tabella rappresentare i dati mediante
DettagliEsercizi di probabilità discreta
Di seguito, potete trovare i testi (con risposta) degli esercizi svolti (o proposti) nel corso di esercitazioni dell insegnamento di Matematica applicata. 1 Esercizi di probabilità discreta Algebra degli
DettagliAnno 5 4 Funzioni reali. elementari
Anno 5 4 Funzioni reali elementari 1 Introduzione In questa lezione studieremo alcune funzioni molto comuni, dette per questo funzioni elementari. Al termine di questa lezione sarai in grado di definire
DettagliIl Metodo Scientifico
Unita Naturali Il Metodo Scientifico La Fisica si occupa di descrivere ed interpretare i fenomeni naturali usando il metodo scientifico. Passi del metodo scientifico: Schematizzazione: modello semplificato
Dettagli