Teoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
|
|
- Berta Lolli
- 5 anni fa
- Visualizzazioni
Transcript
1 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 è distribuita secondo una legge normale: = η = a, σ = b. Docenti: Gaspare Galati Gabriele Pavan 1
2 0.70 Il Modello Lognormale (segue) 0.60 Densita' di Probabilita' X 1 a = 0, b= 1, moda = e Docenti: Gaspare Galati Gabriele Pavan
3 Il Modello Lognormale (segue) Il momento r-esimo di una variabile lognormale è: E X r = exp ar+ rb [ ] E X = exp a + b [ ] a + b ( b ) = Var X e e 1 Docenti: Gaspare Galati Gabriele Pavan 3
4 Il Modello di Weibull f X ( x) α α 1 α ( ) α λ x exp λx x 0 = 0 x < 0 α> 0, λ> 0 1 α =, λ= π si ha una v.a. di Rayleigh con valore atteso unitario. Docenti: Gaspare Galati Gabriele Pavan 4
5 Teoria dei Fenomeni Aleatori La densità di Weibull AA 01/13 Docenti: Gaspare Galati Gabriele Pavan 5
6 La distribuzione di Weibull F X ( x) 1 exp λ ( x ) x 0 = 0 x < 0 α infatti: df X dx ( x) ( ) α λx α α 1 X ( ) = e λ α x = f x Docenti: Gaspare Galati Gabriele Pavan 6
7 La Funzione Gamma La funzione Gamma che è definita mediante l'integrale: ( ) b 1 y Γ = che converge se b> 0. b y e dy 0 + Valori particolari della funzione gamma sono: Γ ( 1) = 1 Γ ( 0.5) = π Docenti: Gaspare Galati Gabriele Pavan 7
8 La Funzione Gamma Docenti: Gaspare Galati Gabriele Pavan 8
9 La Funzione Gamma La funzione Gamma è calcolabile per ogni b> 0 se si conosce il suo andamento nell'intervallo 1< b<. Γ ( b+ 1) = b Γ ( b) Se b = n (intero), vale la relazione: Γ ( n + 1 ) = n Γ ( n ) = n ( n 1 )... Γ ( 1 ) = n! Quindi la funzione Gamma generalizza il fattoriale. Docenti: Gaspare Galati Gabriele Pavan 9
10 Il modello Chi Quadro La densità di probabilità di una v.a. X di tipo chi-quadro, χ n, con n gradi di libertà, ha la forma: f x 1 ( ) n ( n ) = Γ X n x 1 x e x 0 0 x < 0 L intero positivo n costituisce l'unico parametro di questa distribuzione. Docenti: Gaspare Galati Gabriele Pavan 10
11 Il modello Chi Quadro Per n= si ottiene l'esponenziale negativa con parametro 1 c =. La somma dei quadrati di n v.a. indipendenti con distribuzione N( 0,1 ) è una variabile aleatoria di tipo χ n con n gradi di libertà. Se n la distribuzione Chi-quadro tende a quella Normale. Docenti: Gaspare Galati Gabriele Pavan 11
12 Il modello Chi Quadro (segue) Docenti: Gaspare Galati Gabriele Pavan 1
13 Il modello Chi Quadro (segue) Il momento di ordine k di una v.a. Chi Quadro con n gradi di libertà è: n Γ k + k k E X = n Γ E[ X] = n Var[ X ] = n Docenti: Gaspare Galati Gabriele Pavan 13
14 Il modello di Student Una v.a. continua X di tipo Student ha una funzione di densità: n+ 1 Γ x ( ) f x = 1 ( ) + Γ nπ n X n < x < n+ 1 in cui n viene detto numero di gradi di libertà. Docenti: Gaspare Galati Gabriele Pavan 14
15 Il modello di Student Poiché si ha f ( x) f ( x) X =, la funzione di densità di Student è simmetrica rispetto all'origine. X All'aumentare del parametro n (n> 30) il modello di Student approssima quello gaussiano standard. Docenti: Gaspare Galati Gabriele Pavan 15
16 Il modello di Student (segue) f t (; tn) n = n. di gradi di libertà n nn t t Docenti: Gaspare Galati Gabriele Pavan 16
17 Il modello di Student (segue) Una v.a. di Student si può ottenere mediante la trasformazione: X = U V/n in cui: 1. U è una v.a. gaussiana standard. V è una v.a. di tipo Chi Quadro con n gradi di libertà 3. U e V sono indipendenti Docenti: Gaspare Galati Gabriele Pavan 17
18 Valore atteso e Varianza: Il modello di Student (segue) Il valore atteso è nullo (simmetria della densità) La varianza esiste solo per n> e vale [ ] Var X n = n Docenti: Gaspare Galati Gabriele Pavan 18
19 Il modello di Erlang Una v.a. X è distribuita secondo la legge di Erlang (erlangiana) se: X λ n ( ) = ( ) f x n 1! n 1 λx x e x 0 0 x < 0 Quando n= 1 la distribuzione Erlang si riduce ad una esponenziale. Docenti: Gaspare Galati Gabriele Pavan 19
20 Il modello di Erlang La funzione di distribuzione è: 1 e x 0 n 1 ( ) ( ) i λx λx F ( x) = i! X i= 0 0 x<0 Una v.a. di tipo Erlang con parametri λ e n si può ottenere come somma di n v.a. esponenziali indipendenti con uguale parametro λ. Docenti: Gaspare Galati Gabriele Pavan 0
21 Il modello di Erlang (segue) X n = 3, =5 n = 3, =3 n = 3, = x Docenti: Gaspare Galati Gabriele Pavan 1
22 Il modello Gamma Una v.a. è distribuita secondo il modello Gamma se: b λ x b 1 e λx f ( x) = ( b) X Γ x 0 0 x< 0 in cui b> 0, 0 λ>, ( ) Γ b è la funzione Gamma (b parametro di forma, λ parametro di scala). Docenti: Gaspare Galati Gabriele Pavan
23 Il modello Gamma La funzione di distribuzione esiste in forma chiusa solamente se il parametro b è un intero positivo, altrimenti è esprimibile tramite la cosiddetta funzione Gamma incompleta che è tabulata. [ ] b E X = λ [ ] b Var X = λ Docenti: Gaspare Galati Gabriele Pavan 3
24 Il modello Gamma Valore atteso, varianza e momenti si ricavano dalla identità: + k b 1 λx + 0 ( ) x x e dx =Γ k + b λ ( k b) che si ottiene integrando per parti, ricordando che Γ ( b+ 1) = b Γ ( b). ( ) k b E X k =λ k Γ + Γ ( b ) Docenti: Gaspare Galati Gabriele Pavan 4
25 Il modello Gamma (segue) La somma di n v.a. indipendenti X i (i = 1,,...,n) distribuite secondo il modello gamma con parametri λ e b i (i = 1,,...,n), cioè con densità: b λ i ( ) b 1 f x = x i e λx, x 0 X i Γ b ( ) è una v.a. Y di tipo gamma con parametri λ e i b = n i= 1 b i Docenti: Gaspare Galati Gabriele Pavan 5
26 Il modello Gamma (segue) I modelli esponenziali, Chi Quadro ed Erlang possono essere considerati come casi particolari del modello Gamma. Per b= 1 λ ( ) λx λx f X x = e = λ e x 0 Γ 1 ( ) Esponenziale Docenti: Gaspare Galati Gabriele Pavan 6
27 Per b n = e Il modello Gamma (segue) λ = 1 f x 1 ( ) n ( n ) = Γ X n x 1 x e x 0 0 x < 0 Chi Quadro Docenti: Gaspare Galati Gabriele Pavan 7
28 Per b intero positivo: X Il modello Gamma (segue) λ n ( ) = ( ) f x n 1! n 1 λx x e x 0 0 x < 0 Erlang Docenti: Gaspare Galati Gabriele Pavan 8
29 Il modello di Laplace Una v.a. continua segue il modello di Laplace se: c ( ) cx f x = e X, c> 0 La densità è simmetrica rispetto all origine e quindi X ha valore atteso nullo. Tutti i momenti di ordine dispari sono nulli. Se invece r è pari, il momento di ordine r vale: r + r c cx + r cx r! E X = x e dx= x ce dx= 0 0 r c Docenti: Gaspare Galati Gabriele Pavan 9
30 Il modello di Cauchy Una v.a. continua è distribuita secondo il modello di Cauchy se: f ( x) = 1 a π x + a, a> 0 X La funzione di distribuzione di probabilità è: 1 1 ( ) x F x = + arctg X π a Docenti: Gaspare Galati Gabriele Pavan 30
31 Il modello di Cauchy La variabile aleatoria di Cauchy non ha valore atteso, infatti: ax +t lim t t π + ( x a ) dx non esiste (non corverge). Una v.a. di Cauchy può essere generata a partire da π π + una variabile θ Uniforme in ; X = a tg( θ ) mediante: Docenti: Gaspare Galati Gabriele Pavan 31
32 Il modello Geometrico Una v.a. geometrica ha una funzione di massa: P( X = k) = p q k 1 k = 1,,3,... con p+ q= 1 X m ( ) ( ) m, = X = < + k= 1 F x f k 1 q m x m 1 Docenti: Gaspare Galati Gabriele Pavan 3
33 Il modello Geometrico Tre masse della legge geometrica (k =, 3, 4) al variare di p. Docenti: Gaspare Galati Gabriele Pavan 33
34 Il modello Geometrico Il valore atteso di una variabile geometrica: [ ] E X = 1 p La varianza vale: q Var[ X ] = p Docenti: Gaspare Galati Gabriele Pavan 34
ln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliMODELLI STATISTICI, RICHIAMI
MODELLI STATISTICI, RICHIAMI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 11 Aprile 2006 Francesca Mazzia (Univ. Bari) MODELLI STATISTICI,
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
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
Dettagli7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità
7.6 Distribuzione Esponenziale. 111 7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità { λe λx se x, (76) f(x) = se x
DettagliX (o equivalentemente rispetto a X n ) è la
Esercizi di Calcolo delle Probabilità della 5 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova). Esercizio 1. Siano (X n ) n i.i.d. di Bernoulli di parametro p e definiamo per
DettagliCP110 Probabilità: Esame del 6 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 21-11, II semestre 6 giugno, 211 CP11 Probabilità: Esame del 6 giugno 211 Testo e soluzione 1. (6 pts) Ci sono 6 palline, di cui nere e rosse. Ciascuna,
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
Dettagli5. Distribuzioni. Corso di Simulazione. Anno accademico 2009/10
Anno accademico 2009/10 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
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:
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
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
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
Dettagli3. Distribuzioni. Corso di Simulazione. Anno accademico 2006/07
Anno accademico 2006/07 Spazio di probabilità Ω spazio campione F 2 Ω spazio degli eventi: (i) Ω F (ii) A F = Ω \ A F (iii) A, B F = A B F P: F [0, 1] funzione di probabilità: (i) P(A) 0 (ii) P(Ω) = 1
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
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
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
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
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
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
DettagliLE PROVE DI AFFIDABILITA
4. LE PROVE DI AFFIDABILITA Ed.1 del 14/09/98 Rev. 3 del 08/09/00 AFFIDABILITA' DI COMPONENTI E SCHEDE ELETTRONICHE-sez 4 1 LE PROVE DI AFFIDABILITA SI RICAVANO INFORMAZIONI RELATIVE AD UN CAMPIONE E SI
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
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
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.
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
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
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
DettagliCP110 Probabilità: Esame 4 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 4 luglio, 2012 CP110 Probabilità: Esame 4 luglio 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline numerate da 1
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
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
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
Dettagliφ X (t) = mentre nel caso continuo, indicando con f(x) la densità di X, si ha e itx f(x) dx + e itx e itx f(x)dx. f(x)dx = e itx +
10.1 Funzione caratteristica 11 10.1. Funzione caratteristica La funzione caratteristica è uno strumento teorico utile sotto diversi aspetti per studiare la distribuzione di probabilità di numeri aleatori
DettagliAlcuni argomenti di Calcolo delle Probabilità Corso di Studi in Statistica per l Analisi dei dati A.A. 2010/2011 1
Alcuni argomenti di Calcolo delle Probabilità Corso di Studi in Statistica per l Analisi dei dati A.A. 2010/2011 1 1 Queste dispense non comprendono tutti gli argomenti trattati nel corso. Inoltre per
DettagliLE PROVE DI AFFIDABILITA LE PROVE DI AFFIDABILITA
4. LE PROVE DI AFFIDABILITA Ed. del 4/09/98 Rev. 3 del 08/09/00 AFFIDABILITA' DI COMPONENTI E SCHEDE ELETTRONICHE-sez 4 LE PROVE DI AFFIDABILITA SI RICAVANO INFORMAZIONI RELATIVE AD UN CAMPIONE E SI UTILIZZANO
DettagliANALISI MATEMATICA I, Compito scritto del 5/07/2016 Corso di Laurea in Matematica. COGNOME e NOME... MATR T
ANALISI MATEMATICA I, Compito scritto del 5/7/6 Corso di Laurea in Matematica COGNOME e NOME... MATR... 3 4 T Nelle risposte devono essere riportati anche i conti principali e le motivazioni principali.
Dettagli= 0 Ciascuna frazione tende ad x x 4 2 cos x lim x = il secondo addendo del numeratore è una funzione x (cos sin x 3 1) cos(x π 2 )
+ sen x Es. lim x = il numeratore tende ad un numero positivo, il x 4 denominatore tende a zero. x 4 lim x = il denominatore ha grado maggiore del numeratore. x 8 + x sen x lim x +( + x) sen x = lim x
DettagliCorrezione di Esercizi 4 di Calcolo delle Probabilità e Statistica. Mercoledì 4 maggio 2016
Correzione di Esercizi di Calcolo delle Probabilità e Statistica. Mercoledì maggio 6 Chun Tian. Answer of Exercise Figure. Catena di Markov.. (a) Le classi di equivalenza e i loro periodi. Da Figure, si
DettagliCorsi di Laurea Magistrale in Matematica, A.A Calcolo stocastico e applicazioni (Docente: Bertini) Esercizi settimanali
Settimana 1 Esercizio 1. [Unicità della misura di Wiener] Sia C([0, 1]) l insieme delle funzioni continue sull intervallo [0, 1] con la topologia (metrizzabile) indotta dalla convergenza uniforme. Sia
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
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
DettagliCENNI SULLE VARIABILI ALEATORIE INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ
CENNI SULLE VARIABILI ALEATORIE... 1 INTRODUZIONE ALLA TEORIA DELLE PROBABILITÀ... APPROFONDIMENTO SULLA TEORIA DELLE PROBABILITÀ... 3.1 Teorema della probabilità dell evento complementare... 3. Teorema
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
Dettagli(a) Determinare lo stimatore di massima verosimiglianza θ di θ. (b) Calcolare la funzione di score e l informazione di Fisher.
Statistica Matematica, Anno Accademico 216/17, 27 Gennaio 217 ESERCIZIO 1 Siano X 1, X 2, X 3 variabili aleatorie indipendenti con legge X 1 Gamma(3,2), X 2 Gamma(5,1) e X 3 Gamma(4,3) Determinare la funzione
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,
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità M. Pratelli e M. Romito Gli esercizi che seguono sono stati proposti nel corso Probabilità dell Università di Pisa negli a.a. 2012-13 e 2013-14 (M. Romito) e 2014-15
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
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
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
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
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
DettagliDistribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona media e varianza campione
Dettaglie n n xn ( 1) n ( 1) n n + 1 2e n x n 3n [ln x]n 1 n + 1 2e n 1
1) Studiare la seguente serie di funzioni en ( 1) n n x n 2) Studiare la seguente serie di funzioni ( 1) n n + 1 2e n xn 3) Studiare la seguente serie di funzioni 3n [ln x]n 1 2n 4) Studiare la seguente
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
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
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliElementi di Probabilità e Statistica - 052AA - A.A
Elementi di Probabilità e Statistica - AA - A.A. -6 Prova scritta - giugno 6 Problema. (pt 9) Supponiamo che ad un centralino arrivino n chiamate, agli istanti aleatori T, T,..., T n.. Supponiamo che T,
Dettagli11. Sia g(y) la funzione inversa di f(x) = x 3 + x + 1. Calcolare. 14. Calcolare la somma della serie
Prova N. parti e : risposte Matematica e Statistica 0 gennaio 0 VARIANTE: 0 risposte: C A C B B B B D A B A C D C D B A C D A Ricordiamo che se Z ha distribuzione normale standard, si ha P (Z >.00) = %,
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
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
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
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
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
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2011/12
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 0/ Esercizio Prova scritta del 7/06/0 Siano X e Y due v.a. indipendenti, con distribuzione continua Γ(, ). Si trovino la distribuzione di X Y e di (X Y ). Esercizio
DettagliMEDIA aritmetica semplice (Gli indicatori di posizione)
STATISTICA E RICERCA DIDATTICA Note di statistica e metodi di ricerca Il 94.5 % delle statistiche e' sbagliato. Woody Allen Non esistono i dati, solo interpretazioni! Friedrich Nietzsche Laurea in Scienze
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 P.Baldi appello, 7 giugno 200 Corso di Laurea in Matematica Esercizio Siano X, Y v.a. indipendenti di legge Ŵ(2, λ). Calcolare densità e la media
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliVariabili Casuali Continue
Distribuzione Normale Concentrazione di cloro nel sudore Variabili Casuali Continue 9 8 7 6 5 4 3 media = 98.8 meq/l mediana =. meq/l moda =. meq/l < 3 6 5 me/l La distribuzione empirica (diagramma a barre)
Dettaglib = 1 2σ 3. La lunghezza di una barra è un numero aleatorio X con densità della forma 0, x 0, 0 < x 1 a = 1 F (x) = 2 2x 1 x2
CALCOLO DELLE PROBABILITÀ E STATISTICA - 0 gennaio 2002 Informatica (N.O.) (Canali 4) esercizi -4 Vecchio Ordinamento esercizi -6. Da un lotto contenente 4 pezzi buoni e 2 difettosi si estraggono senza
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
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
DettagliGenerazione di distribuzione di probabilità arbitrarie
Generazione di distribuzione di Abbiamo visto come generare eventi con distribuzione di uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi
DettagliCALCOLO DELLE PROBABILITA - 13 Aprile 2011 CdL in STAD, SIGAD - docente: G. Sanfilippo
Cognome e Nome: Matricola CdS CALCOLO DELLE PROBABILITA - 13 Aprile 211 CdL in STAD, SIGAD - docente: G Sanfilippo Motivare dettagliatamente le risposte su fogli allegati e scrivere le risposte negli appositi
DettagliEsercitazione del 28/10/2011 Calcolo delle probabilità
Esercitazione del 28/0/20 Calcolo delle probabilità Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile aletoria discreta, sia f una funzione da in, se Y := f(x) allora
DettagliDISTRIBUZIONI DI PROBABILITA PER L IDROLOGIA
DISTRIBUZIONI DI PROBABILITA PER L IDROLOGIA 8 ottobre 06 INDICE i Indice Richiami di statistica applicata all Idrologia. Distribuzioni di probabilità............................... Stimatori.........................................3
DettagliEsercitazione del 28/02/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 8/0/01 Istituzioni di Calcolo delle Probabilità David Barbato barbato@math.unipd.it Esercizio 1. Sia X una v.a. aleatoria assolutamente continua con densità f X data da { 0 x < 0 f X
DettagliINFERENZA STATISTICA I (CANALE B)
INFERENZA STATISTICA I (CANALE B) FORMULE E TAVOLE PER L ESAME a.a. 2003/04 Indice A. Formule 2 B. Quantili di una distribuzione normale standard 4 C. Quantili di una distribuzione t di Student 5 D. Quantili
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2017/18 - Prova scritta
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA A.A. 2017/18 - Prova scritta 2018-09-12 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliModelli di variabili casuali
Modelli di variabili casuali Un modello di v.c. è una funzione f(x) che associa ad ogni valore x di una v.c. X la corrispondente probabilità. Obiettivo: calcolo della probabilità per tutti i valori che
DettagliCALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno Motivare dettagliatamente le risposte su fogli allegati
CALCOLO DELLE PROBABILITÀ 2 (Laurea Specialistica) 28 giugno 2006 Motivare dettagliatamente le risposte su fogli allegati 1.- Sia X un numero aleatorio a valori { α, 0, α}, con α > 0 e P (X = α) = P (X
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
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
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
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
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
DettagliCalcolare. 16. Calcolare la somma della serie. 17. Se
Prova N.: risposte Matematica e Statistica gennaio VARIANTE: risposte: C A C B B B D B A B A C D C D B A C D A Ricordiamo che se Z ha distribuzione normale standard, si ha P (Z >.) = %, P (Z >.) = %, P
Dettagli