Laboratorio di Statistica e Analisi Dati: Lezione 7
|
|
|
- Lucia Bosco
- 5 anni fa
- Visualizzazioni
Transcript
1 Laboratorio di Statistica e Analisi Dati: Lezione 7 Tommaso C. & Marco G Dicembre 2016 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 1/39
2 Distribuzioni Ovvero come R può aiutarvi a svolgere alcuni esercizi dell esame Vi mostreremo una serie di comandi relativi alle distribuzioni che avete studiato: non ci soffermeremo su tutte per mancanza da tempo vedremo nel dettaglio una distribuzione discreta e una continua file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 2/39
3 Prima di cominciare a elencarle Ci sono 4 funzioni di base per ogni distribuzione: una genera dei numeri casuali estratti secondo quella distribuzione (r) una restituisce il valore della densità valutata nel punto in input (d) una restituisce il valore della funzione di ripartizione valutata nel punto in input (p) una restituisce il quantile della probabilità passata come input (q) N.B. Alle ultime tre funzioni si possono come di consueto passare vettori di input, invece di singoli punti file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 3/39
4 Distribuzioni che vedremo Discrete: Uniforme Bernoulli Binomiale Ipergeometrica Geometrica Poisson Continue: Gaussiana Esponenziale file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 4/39
5 Discrete: Uniforme R non distingue uniforme continua da uniforme discreta Idee? file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 5/39
6 Discrete: Uniforme R non distingue uniforme continua da uniforme discreta Si tronca il risultato file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 6/39
7 Discrete: Uniforme (caso generale) runif(n, min = a, max = b) restituisce n numeri reali generati uniformemente a caso tra a e b. dunif(x, min = a, max = b) restituisce il numero e b, restituisce zero altrimenti se x è compreso tra a punif(x, min = a, max = b) restituisce il valore della cumulativa teorica della distribuzione uniforme tra a e b per valutata in x, ovvero qunif(p, min = a, max = b) restituisce il quantile un uniforme tra a e b N.B. x e p possono essere dei vettori p = 1/(b a) q Ua,b P( < x) U a,b (p) di una probabilità p di file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 7/39
8 Esempi Uniforme Discreta L esempio d uso più semplice per questa distribuzione è quello del lancio di un dado a n facce, nel nostro caso ne useremo 6. # lancio 4 volte un dado runif (4, min = 1, max = 7) ## [1] # ottengo dei valori reali quindi tronco il risultato trunc (runif (4, min = 1, max = 7)) ## [1] file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 8/39
9 Esempi Uniforme Discreta (cont.) L esempio d uso più semplice per questa distribuzione è quello del lancio di un dado a nel nostro caso ne useremo 6. n facce, # se lancio un dado quanto vale la probabilità di ottenere 0? dunif (0, min = 1, max = 7) ## [1] 0 # se lancio un dado quanto vale la probabilità di ottenere 6? dunif (6, min = 1, max = 7) ## [1] N.B. x [1, 7] 1/6 Per tutti i valori, dunif (x, min = 1, max = 7) restituisce (come nel caso continuo). file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 9/39
10 Esempi Uniforme Discreta (cont.) L esempio d uso più semplice per questa distribuzione è quello del lancio di un dado a n facce, nel nostro caso ne useremo 6. # se lancio un dado quanto vale la probabilità di ottenere un valore <5? punif (5, min = 1, max = 7) ## [1] # se lancio un dado quanto vale la probabilità di ottenere un valore >=5? 1 punif (5, min = 1, max = 7) ## [1] # se lancio un dado quanto vale la probabilità di ottenere un valore tra 3 e 5 compresi # devo prendere la probabilità dell'evento "risultato < 6" e # togliere la probabilità dell'evento "risultato < 3" punif(6, min = 1, max = 7) punif(3, min = 1, max = 7) ## [1] 0.5 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 10/39
11 Esempi Uniforme Discreta (cont.) L esempio d uso più semplice per questa distribuzione è quello del lancio di un dado a n facce, nel nostro caso ne useremo 6. # quale valore corrisponde al primo quartile? qunif (0.25, min = 1, max = 7) ## [1] 2.5 # quale valore corrisponde al terzo quartile? qunif (0.75, min = 1, max = 7) ## [1] 5.5 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 11/39
12 Grafici (funzione di massa di probabilità) Riportiamo qui di seguito alcuni grafici ottenuti in maniera sperimentale (generando i dati con la distribuzione) e quelli relativi alla variabile aleatoria. # simuliamo lanci di un dado v < trunc(runif(10000, min = 1, max=7)) # preparo la matrice per due grafici par(mfrow=c(1,2)) #istogramma delle frequenze relative del lancio del dado barplot(prop.table(table(v)), main = "Esempio sperimentale") barplot(dunif (1:6, min = 1, max = 7), main = "Funzione di massa") file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 12/39
13 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 13/39
14 Grafici (funzione di ripartizione) # simuliamo lanci di un dado v < trunc(runif( 10000, min = 1, max=7)) # preparo la matrice per due grafici par(mfrow=c(1,2)) #istogramma delle frequenze relative del lancio del dado plot(ecdf(v), ylim = c(0,1), ylab = "frequenza relativa", main = "Cumulativa empirica") plot(punif (1:7, min = 1, max = 7), type="s", ylim = c(0,1), ylab ="valore", main = "Funzione di ripartizione") N.B. I valori di punif() sono scalati di uno file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 14/39
15 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 15/39
16 Discrete: Bernulli e Binomiale La variabile aleatoria di Bernulli è un caso particolare della variabile aleatoria Binomiale rbinom(n, size, prob) genera n numeri, size corrisponde al numero di ripetizoni, prob alla probabilità di successo. dbinom(x, size, prob) genera un vettore con i valori della densità di probabilità pbinom(q, size, prob) genera un vettore con valori della funzione di ripartizione qbinom(p, size, prob) genera il vettore dei valori dei quantili N.B. La varaiable aleatoria di Bernulli si ottiene impostando a size = 1 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 16/39
17 Discreta: Ipergeometrica rhyper(nn, m, n, k) genera un vettore di Ipergeometrica con parametri m, n e k nn numeri usando una distribuzione dhyper(x, m, n, k) Permette il calcolo della probabilità di estrarre x elementi di tipo n in un insieme di n + m elementi usando k estrazioni senza reinserimento. phyper(q, m, n, k) genera il vettore coi valori della funzione di ripartizione qhyper(p, m, n, k) genera il vettore dei valori dei quantili file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 17/39
18 Discrete: Geometrica La distribuzione geometrica modella un esperimento casuale in cui si ottiene un successo dopo esattamente k insuccessi in una successione di esperimenti indipendenti aventi la medesima probabilità di successo rgeom(n, prob) genera un vettore di x numeri usando questa distribuzione dgeom(x, prob) genera il vettore coi valori della densità di probabilità pgeom(q, prob) genera il vettore coi valori della funzione di ripartizione qgeom(p, prob) genera il vettore dei valori dei quantili file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 18/39
19 Discreta: Poisson rpois(n, lambda) genera un vettore di parametro λ n numeri usando un distribuzione di Poisson con dpois(x, lambda) genera il vettore coi valori della densità di probabilità ppois(q, lambda) genera il vettore coi valori della funzione di ripartizione qpois(p, lambda) genera il vettore dei valori dei quantili file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 19/39
20 Continue: Gaussiana Anche chiamata distribuzione normale, assume valori reali tra e. I suoi parametri sono la media e deviazione standard. I valori standard per questi due parametri sono 0 e 1 rnorm(n, mean = 0, sd = 1) genera un vettore di n numeri estratti usando una distribuzione normale con media 0 e deviazione standard 1 dnorm(x, mean = 0, sd = 1) genera il vettore coi valori della densità di probabilità pnorm(q, mean = 0, sd = 1) genera il vettore coi valori della funzione di ripartizione qnorm(p, mean = 0, sd = 1) genera il vettore dei valori dei quantili file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 20/39
21 Esempi Gaussiana Generiamo un campione di elementi usando una distribuzione normale con media 0 e deviazione standard 1 e ne calcoliamo media e deviazione standard. v < rnorm(10000, 0, 1) mean(v) ## [1] sd(v) ## [1] # calcolo i quantili dei dati generati quantile(v, c(0.25, 0.5, 0.75)) ## 25% 50% 75% ## # valori dei quantili della gaussiana qnorm(c(0.25, 0.5, 0.75), 0, 1) ## [1] file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 21/39
22 Esempi Gaussiana Generiamo un campione di elementi usando una distribuzione normale con media 4 e deviazione standard 3. Confrontiamo frequenze relative e densità teorica # creo un vettore x { 4, 3.999, 3.998,...,3.998,3.999,4} x < seq( 4,4,by = 0.001) par(mfrow= c(1,2)) # genero 8000 valori casualmente usando la distribuzione normale daticasuali < rnorm(8000, 0, 1) hist (daticasuali, main = "dati generati",xlim=c( 4,4)) plot(x,dnorm(x,0,1), type ="l", main = "funzione di massa") file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 22/39
23 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 23/39
24 Continue: Esponenziale Il parametro rate è il paramatro λ della definizione sul libro rexp(n, rate = 1) genera un vettore di n numeri usando questa distribuzione dexp(x, rate = 1) genera il vettore coi valori della densità di probabilità pexp(q, rate = 1) genera il vettore coi valori della funzione di ripartizione qexp(p, rate = 1) genera il vettore dei valori dei quantili file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 24/39
25 qqnorm, qqline, qqplot Dato un vettore, calcolano media e deviazione standard e usano questi dati per generare una gaussiana. Queste tre funzioni vengono utilizzate per fare una comparazione tra i quantili delle due distribuzioni. Confrontare i quantili permettte di notare alcune caratteristiche della distribuzione, quali: skewness a destra e a sinistra ampiezza delle code La differenza tra qqnorm e qqline è che la seconda traccia la retta passante per qqplot confronta i quantili di due vettori che vengono passati. Q1 e Q3 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 25/39
26 qqnorm e qqline Esempio di qqnorm con funzione normale par (mfrow = c(1,2)) v = rnorm(10000) hist (v) qqnorm(v) qqline(v) Con la normale ottengo grosso modo una retta file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 26/39
27 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 27/39
28 qqnorm e qqline Esempio di funzione skewed a destra hist(v) qqnorm(v) qqline(v) In rosso è visibile la coda più lunga della nostra distribuzione file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 28/39
29 qqnorm e qqline Esempio di funzione skewed a sinistra hist(v) qqnorm(v) qqline(v) In rosso è visibile la coda più lunga della nostra distribuzione file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 29/39
30 qqnorm e qqline Vediamo adesso cosa succede nel caso di una distribuzione bimodale hist(v) qqnorm(v) qqline(v) file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 30/39
31 qqplot Infine qqplot non genera distribuzioni normali a partire dai dati, semplicemente plotta i valori dei percentili dei vettori v1, v2, può essere utile se si vuole confrontare una serie di dati con una distribuzione nota (che non sia necessariamente normale) Prendiamo due serie di dati generate da due funzioni uniformi. par(mfrow=c(1,3)) hist(v1) hist(v2) qqplot(v1,v2) file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 31/39
32 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 32/39
33 qqplot (cont.) Un altro modo per usare qqplot è fornendo un vettore di quantili generato da qnomedistribuzione. Prendiamo una serie di dati e proviamo a vedere se appartiene ad una distribuzione fissata. Proveremo a controntare i dati dei quantili teorici della distribuzione geometrica. par(mfrow= c(1,2)) plot(prop.table(table(v)),type="l") qqplot(qgeom(seq(0,1,0.1),0.1), v, xlab="quantili geometrica", ylim= c(0,21)) file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 33/39
34 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 34/39
35 Esercizio 1 Un urna contiene 10 palline di cui 4 Bianche e 6 Nere. Si eseguono 5 estrazioni con reimmissione. 1. Tracciare grafico della funzione massa di probabilità della variabile casuale X= numero di palline bianche estratte 2. Calcolare P(estrarre 2 bianche). 3. Calcolare P(estrarre al più 2 bianche). 4. Calcolare P(estrarre almeno 2 bianche). 5. Qual è il numero minimo x tale che la P(estrarre al più x bianche) sia almeno uguale ( ) a 0.8? file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 35/39
36 Esercizio 2 Si eseguono 10 estrazioni senza reimmissione da un urna. 1. Tracciare il grafico della funzione massa di probabilità della variabile casuale X= numero di palline bianche estratte nei seguenti casi: 1. l urna contenente 100 palline di cui 20 Bianche e le restanti Nere. 2. l urna contiene 100 palline di cui 2 Bianche e le restanti Nere. 2. Tracciare il grafico della funzione massa di probabilità della variabile casuale X nel caso dell urna 1 se si eseguono 25 estrazioni 3. Consideriamo l urna 1 e n=10 estrazioni. Si aumenti il numero totale M di palline nell urna mantenendo uguale a 0.2 la frazione di palline bianche. Per ciascun valore di M confrontare graficamente la distribuzione di probabilità del numero di palline bianche estratte nel caso di estrazioni con e senza reimmissione. Provare con 20, 40 e 200 palline bianche. file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 36/39
37 Esercizio 3 1. Calcolare la probabilità di ottenere più teste che croci lanciando 7 volte una moneta truccata con probabilità di avere croce pari a Calcolare la probablità di avere almeno 3 sei lanciando 5 dadi a 12 facce 3. Calcolare la probabiltà di estrarre 20 euro da un sacco contenente 47 monete da 1 centesimo e 53 da 2 euro estraendo (uniformemente) a caso 10 monete senza reinserirle 4. Un grammo di uranio emette mediamente 2152 particelle α ogni millisecondo. Qual è con buona approssimazione la probabilità che un grammo di uranio emetta al più 2000 particelle α in un millisecondo file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 37/39
38 Esercizio 4 1. Si generi un campione di valori estratti da una distribuzione geometrica di parametro p= Si confrontino attraverso un qq plot la distribuzione empirica dei dati e quella teorica file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 38/39
39 Esercizio 5 1. Un uomo si risveglia nel deserto a mezzogiorno con addosso soltanto un paio di mutande. Dopo ogni minuto ha una probabilità del 3% di perdere conoscenza per via delle condizioni estreme. Calcolare la probabilità che l uomo sopravviva alle prime due ore e la probabilità che l uomo muoia dopo esattamente un quarto d ora = Effettuare una verifica empirica del teorema del limite centrale estraendo volte un campione di n numeri casuali x1,, x n distribuiti con distribuzione esponenziale di parametro λ = 1 e notando che la somma di questi valori divisa per la x radice quadrata di n, ovvero x n, è distribuita approssimativamente come una n normale di media n e varianza 1. Notare come l approssimazione migliori al crescere di testando i valori n n = 1, 2, 5, 10, 100, 1.000, n ω file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/ %20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1) 39/39
Data Mining and Machine Learning Lab. Lezione 2 Master in Data Science for Economics, Business and Finance 2018
Data Mining and Machine Learning Lab. Lezione 2 Master in Data Science for Economics, Business and Finance 2018 06.04.18 Marco Frasca Università degli Studi di Milano Principali variabili casuali in R
distribuzioni teoriche di probabilità
distribuzioni teoriche di probabilità cosa sono distribuzione teorica di probabilità un modello del processo che genera i dati specifica la densità di probabilità associata ad ogni possibile valore assunto
Laboratorio di ST1 - Lezione 2. Antonietta di Salvatore. Dipartimento di Matematica Universitá degli Studi Roma Tre
Laboratorio di ST1 - Lezione 2 Antonietta di Salvatore Dipartimento di Matematica Universitá degli Studi Roma Tre Outline variabili discrete Binomiale Poisson variabili continue Normale Esponenziale Gamma
Laboratorio di Statistica e Analisi dei Dati
Laboratorio di Statistica e Analisi dei Dati Tommaso R. Cesari Università degli Studi di Milano A.A. 2017-2018 Programma Pagina del corso: http://cesari.di.unimi.it/teaching.html 1. Introduzione, script
Variabili aleatorie T T T. ω 2. ω 1. ω 3. ω 4. ω 5. ω 6. ω 7. ω 8
Variabili aleatorie ω X ( ω) x R S a.a. 2013-2014 1 In molte situazioni, si vuole assegnare un valore numerico ad ogni possibile risultato di un esperimento. Tale assegnamento viene chiamato variabile
INTRODUZIONE A R Lezione 3
INTRODUZIONE A R Lezione 3 Silvia Bacci e Silvia Pandolfi 1 Creare grafici in R R consente di realizzare, con semplicità, grafici di qualità professionale. Questi sono poi esportabili come file in numerosi
Esercitazioni di Statistica
Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda
ES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
Laboratorio di Statistica e Analisi Dati: Lezione 8 (20)
Laboratorio di Statistica e Analisi Dati: Lezione 8 Tommaso C. & Marco G. 11-13 Gennaio 2017 1 of 24 10/01/2017 13:51 1. 2. 3. Si consideri il seguente esperimento casuale: si lancia tre volte una moneta.
Ad esempio, consideriamo la distribuzione normale standardizzata. Esistono 4 funzioni ad essa relative:
Laboratorio 5 Distribuzioni R consente di gestire automaticamente molte distribuzioni (per calcolare probabilità, quantili,... ). Questo permette di effettuare verifiche di ipotesi, calcolare intervalli
Variabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
Laboratorio di Statistica 1 con R Esercizi per la Relazione. I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati
Laboratorio di Statistica 1 con R Esercizi per la Relazione I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati nel corso. Esercizio 1. 1. Facendo uso dei comandi
Variabili aleatorie. Variabile aleatoria discreta
Variabili aleatorie In molte situazioni, si vuole assegnare un valore numerico ad ogni possibile risultato di un esperimento. ale assegnamento viene chiamato variabile aleatoria o casuale. ω Esempio: lancio
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
R - seconda lezione. 1 Simulazione e rappresentazioni grafiche in R
R - seconda lezione 1 Simulazione e rappresentazioni grafiche in R R contiene funzioni interne che fanno riferimento a distribuzioni note. Relativamente a una fissata distribuzione, possiamo valutarne
STATISTICA ESERCITAZIONE 9
STATISTICA ESERCITAZIONE 9 Dott. Giuseppe Pandolfo 19 Gennaio 2015 REGOLE DI CONTEGGIO Sequenze ordinate Sequenze non ordinate Estrazioni con ripetizione Estrazioni senza ripetizione Estrazioni con ripetizione
Esercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 2 aprile 200 Funzioni di v.a., Media e Varianza Esercizio Calcolare la media delle distribuzioni binomiale, e quella di Poisson. Di quest ultima calcolare
P(X > 0) = P(X 1 = 1) + P(X 1 = 1, X 2 = 1, X 3 = 1) =
1 Esercizi settimana 3 Esercizio 1. Un urna contiene 8 palline bianche, 4 nere e rosse. Si assuma di vincere e ogni volta che si estragga una pallina nera, si perda 1e per ogni pallina bianca e non succeda
Esercizi 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
ESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
f(1, C) = 1; f(2, C) = 1; f(3, C) = 3; f(4, C) = 2; f(5, C) = 5; f(6, C) = V ar(x) = E[X 2 ] (E[X]) 2 =
![f(1, C) = 1; f(2, C) = 1; f(3, C) = 3; f(4, C) = 2; f(5, C) = 5; f(6, C) = V ar(x) = E[X 2 ] (E[X]) 2 =](/thumbs/93/113609620.jpg "f(1, C) = 1; f(2, C) = 1; f(3, C) = 3; f(4, C) = 2; f(5, C) = 5; f(6, C) = V ar(x) = E[X 2 ] (E[X]) 2 =")
SOLUZIONI DEGLI ESERCIZI SULLE VARIABILI ALEATORIE DISCRETE Esercizio. Si lanciano un dado equilibrato a sei facce e una moneta equilibrata. Se esce testa e il valore del dado è pari oppure croce e il
Variabili aleatorie. Richiami e uso del Matlab
ω Variabili aleatorie Richiami e uso del Matlab X ( ω) x R S 1 In molte situazioni, si vuole assegnare un valore numerico ad ogni possibile risultato di un esperimento. Tale assegnamento viene chiamato
LEZIONE 2.5. corso di statistica. Francesco Lagona Università Roma Tre. LEZIONE 2.5 p. 1/12
LEZIONE 2.5 p. 1/12 LEZIONE 2.5 corso di statistica Francesco Lagona Università Roma Tre LEZIONE 2.5 p. 2/12 distribuzione doppia di due variabili aleatorie consideriamo la distribuzione doppia di due
P(X > 0) = P(X 1 = 1) + P(X 1 = 1, X 2 = 1, X 3 = 1) =
1 Esercizi settimana 3 Esercizio 1. Un urna contiene 8 palline bianche, 4 nere e rosse. Si assuma di vincere e ogni volta che si estragga una pallina nera, si perda 1e per ogni pallina bianca e non succeda
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}
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
Esercizi di Probabilità - Matematica Applicata a. a aprile 2014
Esercizi di Probabilità - Matematica Applicata a. a. 2013-3014 db 1 aprile 2014 1 Funzione di ripartizione Si dice funzione di ripartizione o funzione cumulativa delle frequenze di una variabile casuale
Tenendo conto che la funzione di probabilità per una v.c. binomiale X è definita dalla seguente notazione
APPENDICE I. TAVOLE STATISTICHE Si ribadisce al lettore che in questa Appendice si riportano le procedure di Excel e di R.2.12.1 che gli permettono di trovare qualsiasi valore di probabilità cercato e
, mentre Y è una variabile geometrica di costante q = 1 2. (1 q) n = q (1 q) 3 1 q = (1 2 )3 = 1 8. n=0
SOLUZIONI DEGLI ESERCIZI SULLE VARIABILI ALEATORIE DISCRETE Esercizio. Sono date due urne denominate rispettivamente A e B. A contiene palline bianche e 6 palline rosse, B contiene 8 palline bianche e
Lezione 12. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 12. A. Iodice.
discrete uniforme Bernoulli Poisson Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 56 Outline discrete uniforme Bernoulli Poisson 1 2 discrete 3
Variabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
Matematica 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.
Statistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
Le variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
Laboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
Funzioni 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
Foglio di Esercizi 10 con Risoluzione 18 dicembre 2017
Matematica per Farmacia, a.a. 07/8 Foglio di Esercizi 0 con Risoluzione 8 dicembre 07 ATTENZIONE: in alcuni degli esercizi di Probabilità puó essere utile usare il Teorema di Bayes. Esercizio (Vedere il
Calcolo 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
ESERCITAZIONE 5: PROBABILITÀ DISCRETA
ESERCITAZIONE 5: PROBABILITÀ DISCRETA e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: Martedi 16-18 Dipartimento di Matematica, piano terra, studio 126 6 Novembre 2012 Esercizi 1-2
Prova scritta di STATISTICA. CDL Biotecnologie. (Programma di Massimo Cristallo - A)
Prova scritta di STATISTICA CDL Biotecnologie (Programma di Massimo Cristallo - A) 1. Un associazione di consumatori, allo scopo di esaminare la qualità di tre diverse marche di batterie per automobili,
Statistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
Laboratorio di Probabilità e Statistica
Laboratorio di Probabilità e Statistica lezione 4 Massimo Guerriero Ettore Benedetti Indice Lezione Prerequisiti dalla lezione scorsa Permutazioni e coefficiente binomiale Variabili casuali discrete Esperimento
Esercitazione 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
Distribuzioni di probabilità. Un po' di teoria
Distribuzioni di probabilità Un po' di teoria Distribuzione di Poisson Considera un centralino telefonico. Tale centralino riceve in media 3600 telefonate al giorno. Vogliamo calcolare la probabilità
Statistica 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
Probabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
Esercizi su variabili aleatorie discrete
Esercizi su variabili aleatorie discrete Esercizio 1. Data la variabile aleatoria discreta X, caratterizzata dalla seguente rappresentazione nello spazio degli stati: 1 0,25 X = { 0 0,50 1 0,25 calcolare
Inferenza statistica
Test del Inferenza statistica Indagine campionaria: indagine svolta su una parte dell intero collettivo da indagare (popolazione) Estendere i risultati a tutta la popolazione: i risultati ottenuti per
ESERCIZI SU EVENTI E VARIABILI ALEATORIE DISCRETE
ESERCIZI SU EVENTI E VARIABILI ALEATORIE DISCRETE Docente titolare: Irene Crimaldi 26 novembre 2009 Es.1 Supponendo che la probabilità di nascita maschile e femminile sia la stessa, calcolare la probabilità
Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
Leggi di distribuzione
Leggi di distribuzione 1 Esercizio 0.1 Una sorgente binaria genera le cifre 0 e 1 in modo casuale, con probabilità 0.4 e 0.6, rispettivamente. Calcolare la probabilità che, in una sequenza a 5 cifre, si
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Il modello binomiale Da studi interni è noto che il 35% dei clienti del Supermercato GD paga
1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3.
Corso di Laurea INTERFACOLTÀ - Esercitazione di Statistica n 6 ESERCIZIO 1: 1. Descrivere gli spazi campionari dei seguenti esperimenti casuali: 1. lancio di un dado 2. lancio di due dadi 3. lancio di
2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
ESERCIZI DI PROBABILITA
ESERCIZI DI PROBABILITA Sezione 1. Spazi di Probabilità e Indipendenza. Per convenienza dello studente si danno le risposte di alcuni esercizi. 1) Si consideri lo spazio di probabilità corrispondente alla
Prova d esame di Istituzioni di Calcolo delle Probabilità Laurea Triennale in Scienze Statistica. 09/09/2013
Prova d esame di Istituzioni di Calcolo delle Probabilità Laurea Triennale in Scienze Statistica. 09/09/2013 COGNOME e NOME... N. MATRICOLA... Esercizio 1. (V. 12 punti.) Supponiamo di avere due urne che
Probabilità 1, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09. Due roulette regolari vengono azionate più volte; sia T il numero di volte che occorre azionare la prima roulette
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
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 -
Calcolo 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
PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale
PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE In questa scheda vedremo due famiglie di variabili aleatorie (una discreta e una continua), che ci serviranno per descrivere uno dei risultati
Calcolo 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
Laboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
Corsi 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
P (CjB m )P (B m ja) = p:
Esonero di Calcolo delle Probabilità del 7/04/ ESERCIZIO. Nel gioco del domino le tessere (di solito nere) sono divise in due riquadri, su ciascuno dei quali viene riportato, quale punteggio, un certo
Scopo del Corso: Lezione 1. La Probabilità. Organizzazione del Corso e argomenti trattati: Prerequisiti:
Lezione 1 La Probabilità Scopo del Corso: Introduzione alla probabilità e alle procedure di inferenza statistica Introduzione ad alcune importanti tecniche di analisi multivariata dei dati Organizzazione
STATISTICA A K (63 ore) Marco Riani
STATISTICA A K (63 ore) Marco Riani mriani@unipr.it http://www.riani.it Esempio totocalcio Gioco la schedina mettendo a caso i segni 1 X 2 Qual è la prob. di fare 14? Esempio Gioco la schedina mettendo
Variabile 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
Modelli 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
Indice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI Test del χ 2 (il file Excel test_chi.xls mostra possibili sviluppi degli esercizi proposti) Esercizio 1a) un
Probabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
STATISTICA 1, metodi matematici e statistici
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 15-03-2004 Andrea Tancredi Università di Roma La Sapienza, Rome, Italy andrea.tancredi@uniroma1.it http://3w.eco.uniroma1.it/utenti/tancredi
Variabili aleatorie. Richiami e uso del Matlab T T T. ω 2. ω 1. ω 3. ω 4. ω 5. ω 6. ω 7. ω 8
ω Variabili aleatorie Richiami e uso del Matlab X ( ω) x R S In molte situazioni, si vuole assegnare un valore numerico ad ogni possibile risultato di un esperimento. Tale assegnamento viene chiamato variabile
CP110 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
p 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,
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
STATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
Variabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
#################################################### # ESERCITAZIONE 1 ####################################################
#################################################### # ESERCITAZIONE 1 #################################################### # ESERCIZIO 1 # Calcolo di quantili help(qnorm) qnorm(0.95, mean = 0, sd = 1)
1 Eventi. Operazioni tra eventi. Insiemi ed eventi. Insieme dei casi elementari. Definizione di probabilità.
Quella che segue e la versione compatta delle slides usate a lezioni. NON sono appunti. Come testo di riferimento si può leggere Elementi di calcolo delle probabilità e statistica Rita Giuliano. Ed ETS
Principi di Statistica a.a
Principi di Statistica a.a. 2014-2015 Dr. Luca Secondi 1. Introduzione al corso 1.01Variabili casuali Distribuzioni di probabilità 1 Corso di laurea in Biotecnologie Matematica e PRINCIPI DI STATISTICA
COMPITO n. 1. a) Determinare la distribuzione del numero X di palline nere presenti nell urna.
Università di Siena a.a. 28/9 Docente D. Papini COMPITO n. 1 a) Un dado non truccato viene lanciato due volte. Quant è la probabilità dell evento: al primo lancio esce un numero minore o uguale a 2 ed
Esercizi 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
STATISTICA ESERCITAZIONE 10. Dott. Giuseppe Pandolfo. 26 gennaio 2015
STATISTICA ESERCITAZIONE 10 Dott. Giuseppe Pandolfo 26 gennaio 2015 Esercizio 1 Presso uno sportello bancomat persone su 5 fanno operazione di versamento. Si supponga di estrarre (con riposizione) in maniera
Esercitazione 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
VIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
Campionamento di variabili aleatorie. Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010
Campionamento di variabili aleatorie Andrea Marin Università Ca' Foscari Venezia Corso di Probabilità e Statistica a.a. 2009/2010 Premessa Soluzione della prima esercitazione: l'analisi teorica Richiami:
1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
Probabilità e Statistica
Cognome e Nome............................................................................... C. d. L.: GESL Anno di Corso: 1 2 3 altro Matricola....................................... Firma.......................................
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
Analisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
Esercitazione del 31/01/2012 Istituzioni di Calcolo delle Probabilità
Esercitazione del 1/01/2012 Istituzioni di Calcolo delle Probabilità Esercizio 1 Vengono lanciati due dadi regolari a 6 facce. (a) Calcolare la probabilità che la somma dei valori ottenuti sia 9? (b) Calcolare
Computazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
Nozioni 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
Esercizi settimana 5. Esercizi applicati. Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 2 3
1 Esercizi settimana 5 Esercizi applicati Esercizio 1. Si considerino tre monete truccate, ognuna con probabilità 3 di ottenere testa. Se scegliete la prima moneta vincete 10 punti se esce testa e punti
Introduzione alla probabilità. Renato Mainetti
Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre
Teoria 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
CP110 Probabilità: Esame 2 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 212-13, II semestre 2 luglio, 213 CP11 Probabilità: Esame 2 luglio 213 Testo e soluzione 1. (6 pts Due mazzi di carte francesi vengono uniti e mischiati.
CP110 Probabilità: esame del 20 giugno 2017
Dipartimento di Matematica, Roma Tre Pietro Caputo 6-7, II semestre giugno, 7 CP Probabilità: esame del giugno 7 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una