Metodi di Monte Carlo: un'applicazione
|
|
- Francesca Bruno
- 5 anni fa
- Visualizzazioni
Transcript
1 Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa Una delle svariate applicazioni: la propagazione degli errori Concetto generale Applicazione alla misura di g tramite il pendolo
2 Metodo di Monte Carlo: definizione Metodo numerico basato su procedimenti probabilistici, usato in statistica per la risoluzione di problemi di varia natura, che presentano difficoltà analitiche non altrimenti o difficilmente superabili. Il metodo si basa sulla possibilità di eseguire, utilizzando numeri casuali, un campionamento di una distribuzione di probabilità assegnata, F(X); ossia sulla possibilità di generare una sequenza di eventi X1, X2,..., Xn,..., distribuiti secondo la F(X). In pratica, invece di servirsi di un campione di numeri effettivamente estratti a caso, si ricorre a una sequenza di numeri ottenuti con un processo iterativo ben determinato; tali numeri vengono detti pseudo casuali giacché, pur non essendo casuali, hanno proprietà statistiche analoghe a quelle dei veri numeri casuali. Al metodo Monte Carlo sono riconducibili molti metodi di simulazione, che mirano alla determinazione dei parametri tipici dei fenomeni complessi a carattere aleatorio.
3 Qualche (breve) richiamo Eventi casuali: eventi che possono essere descritti in modo statistico tramite una distribuzione di probabilità Variabile casuale: variabile associata ad un evento casuale. Non conosciamo a priori il suo valore ma, dalla distribuzione di probabilità, sappiamo l'intervallo di valori che la variabile stessa può assumere e con che probabilità. Ad esempio, una misura! Si veda anche: Lezione 8 Del Prof. Baruffolo 27 ottobre 2015
4 Qualche (breve) richiamo Grandezze necessarie per la caratterizzazione di una variabile casuale: Valore di aspettazione: è la media di tutti i valori che la variabile casuale può assumere, pesata per le probabilità. Ad esempio, la media delle misure da voi effettuate! Varianza: è il valore atteso del quadrato della deviazione della variabile casuale dal suo valore atteso. Caratterizza la dispersione dei valori attorno al valore di aspettazione Cioè, l'errore associato alla misura! Densità di probabilità P(x): funzione che assegna a ciascun valore possibile della variabile casuale, la probabilità che la variabile assuma proprio quel valore. Si veda anche: Lezione 8 Del Prof. Baruffolo 27 ottobre 2015
5 Qualche (breve) richiamo Alcuni tipi di P(x) Uniforme Gaussiana o normale Poissoniana Si veda anche: Lezione 8 Del Prof. Baruffolo 27 ottobre 2015
6 Qualche (breve) richiamo Grandezze necessarie per la caratterizzazione di una variabile casuale: Valore di aspettazione: è la media di tutti i valori che la variabile casuale può assumere, pesata per le probabilità. Ad esempio, la media delle misure da voi effettuate! Varianza: è il valore atteso del quadrato della deviazione della variabile casuale dal suo valore atteso. Caratterizza la dispersione dei valori attorno al valore di aspettazione Cioè, l'errore associato alla misura! Densità di probabilità P(x): funzione che assegna a ciascun valore possibile della variabile casuale, la probabilità che la variabile assuma proprio quel valore. Funzione cumulativa: indica la probabilità che la variabile casuale assuma un valore minore o uguale ad un certo valore v o. Nel caso di una distribuzione continua, definisce l'area al di sotto della P(x) da - al valore v o. Si veda anche: Lezione 8 Del Prof. Baruffolo 27 ottobre 2015
7 Il Metodo di Monte Carlo per la propagazione degli errori Grandezze misurate: A, B Errore: σ A σ B Distribuzione di probablità: ad esempio, gaussiana A e B sono legate tra loro da una funzione generica, più complicata di una semplice relazione lineare: f(a,b) Problema: Qual è l'errore di f(a,b)? Soluzione 1: applichiamo la formula di propagazione σ f = (...) MA! f(a,b) può essere particolarmente complicata quindi avremo a che fare con derivate parziali difficili da calcolare! Soluzione 2: Usiamo il metodo di Monte Carlo!
8 Il Metodo di Monte Carlo per la propagazione degli errori Sappiamo che le misure del parametro A si disporranno attorno al valore vero di A A vero con una certa dispersione che è data dagli errori di misura (casuali!). Possiamo assumere che il valore misurato di A coincida con A vero Generiamo N valori A simulato in modo pseudo-casuale, seguendo la forma della PDF di A: l'insieme di questi valori sarà distribuito attorno ad A vero con una dispersione data da σ A I valori di A simulato ci permettono di campionare lo spazio dei parametri di A. La qualità del campionamento dipenderà dal numero di valori di A simulato che generiamo. *Questo si applica anche al parametro B Si vedano anche: Lezioni 6b e 10a Del Prof. Baruffolo 6 e 19 novembre 2015
9 Il Metodo di Monte Carlo per la propagazione degli errori Quindi avremo N valori simulati del parametro A (A simulato ) Ed N valori simulati del parametro B (B simulato ) Possiamo ripetere N volte il calcolo di f(a,b) sui valori A simulato, B simulato otterremo N valori di f simulato = f(a simulato, B simulato ) A partire dagli N valori di f simulato possiamo costruirne la distribuzione di probabilità p(f) Dalla p(f) ricaviamo: Il valore medio di f simulato. Questo valore deve essere confrontato con f vero per controllare che la simulazione sia stata fatta correttamente L'errore Δf sul parametro f: σ(p(f)) se e solo se p(f) è gaussiana (vero se p(a) e p(b) sono gaussiane) Altrimenti costruiamo la cumulativa e usiamo i percentili: Δf = (84 th - 16 th ) Percentile
10 Il Metodo di Monte Carlo per la propagazione degli errori f ( A, B)= A B Parametri: A vero = 1 σ A = 0.4 B vero = 4 σ B = 0.3 σf = σa2 B 2 +σb2 A2 B 2 Valori simulati dei parametri: N simulazioni = A simulato = A vero + randomn(seed,n simulazioni )*σ A B simulato = B vero + randomn(seed,n simulazioni )*σ B f simulato = A simulato / B simulato
11 Il Metodo di Monte Carlo per la propagazione degli errori σf = σa2 B 2 +σb2 A2 B 2 =0.125 σ f,mc = 84 th percentile della p(f) - 16 th percentile della p(f) ~ 0.11
12 Applicazione pratica al pendolo g= 4 π 2 l T 2 Grandezze misurate: l e T Errori: σ l e σ T. Propagazione degli errori: σ (g)= σ (l)2 ( g l ) 2 +(σ (T )) 2 ( g T ) 2 Monte Carlo: N simul = 1000 g = f(l,t) l simul = l vero + randomn(seed, N simul )*σ l T simul = T vero + randomn(seed, N simul )*σ T g simul = f(l simul,t simul )
13 Propagazione vs Monte Carlo g= 4 π 2 l T 2 l misurato = 0.99 m σ l = 2E-4 m T misurato = 2 s σ T = 1E-4 s g misurato = m/s 2 σ g, propagazione = m/s 2 <g simulato > = m/s2 σg, MC = m/s 2
14 In conclusione... LEARN
tabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
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
DettagliComputazione 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
DettagliUlteriori 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## (##
DettagliLaboratorio di Calcolo Paola Gallo
Studio di una funzione Dopo aver calcolato limiti, massimi, minimi e flessi siamo in grado di stabilire noi quali estremi di variabilità e che passo dare alle mie x per poter visualizzare bene nel grafico
DettagliEsercitazione 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
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
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
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
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 I risultati di un esperimento
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
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
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI, RICHIAMI Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione Nel
DettagliLa likelihood. , x 2. } sia prodotto a partire dal particolare valore di a: ; a... f x N. La probabilità che l'i ma misura sia compresa tra x i
La likelihood E' dato un set di misure {x 1, x 2, x 3,...x N } (ciascuna delle quali puo' essere multidimensionale) Supponiamo che la pdf (f) dipenda da un parametro a (anch'esso eventualmente multidimensionale)
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
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliLe 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
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
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:
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliVariabili aleatorie. 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
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
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,
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
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
DettagliTecniche di simulazione
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di simulazione 8/3/2006 Metodo di Monte Carlo Risoluzione di problemi numerici determinazione parametro F di una popolazione
DettagliCapitolo 10. La media pesata Calcolo della media pesata
Capitolo 0 La media pesata Supponiamo che una stessa grandezza sia stata misurata da osservatori differenti (es. velocità della luce) in laboratori con strumenti e metodi di misura differenti: Laboratorio
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliOsservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 2015-16 P.Baldi Lista di esercizi 4, 11 febbraio 2016. Esercizio 1 Una v.a.
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
Dettagli7 - Distribuzione Poissoniana
7 - Distribuzione Poissoniana Probabilita' (poissoniana) o densita' di probabilita' (gaussiana) 0.7 Poisson, λ=0.5 Gaussiana, µ=λ=0.5, σ= 0.6 0.5 0.4 0.3 0.2 0.1 0 0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 n = numero
DettagliTutorato di Chimica Analitica 2016/2017
Tutorato di Chimica Analitica 2016/2017 Friendly reminder La notazione scientifica Modo per indicare un risultato con numerose cifre decimali come prodotto di una potenza di 10 esempio Cifre significative
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliDI IDROLOGIA TECNICA PARTE III
FACOLTA DI INGEGNERIA Laurea Specialistica in Ingegneria Civile N.O. Giuseppe T. Aronica CORSO DI IDROLOGIA TECNICA PARTE III Idrologia delle piene Lezione XIX: I metodi indiretti per la valutazione delle
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) MEDIA aritmetica semplice
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
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,
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
Dettagli3/19/18. Obiettivo: Descrizione di un Istogramma
1 2 3 4 Obiettivo: Descrizione di un Istogramma 18 5 Indici di descrizione statistica di un campione di posizione MODA MEDIANA MEDIA INDICI di dispersione SCARTO QUADRATICO MEDIO VARIANZA RANGE di forma
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
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
DettagliProbabilità 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.
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliMetodi statistici per lo studio dei fenomeni biologici
Metodi statistici per lo studio dei fenomeni biologici Alla fine di questa lezione dovreste essere in grado di: descrivere la distribuzione di campionamento della differenza di due medie costruire gli
DettagliLaboratorio 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.
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 075-585 2708 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 9 LA STANDARDIZZAZIONE DEI TEST. IL PROCESSO DI TARATURA: IL CAMPIONAMENTO. Costruire delle norme di riferimento per un test comporta delle ipotesi di fondo che è necessario
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
DettagliProva di recupero di Probabilità e Statistica - A * 21/04/2006
Prova di recupero di Probabilità e Statistica - A * /04/006 (NB: saranno prese in considerazione solo le risposte adeguatamente motivate) tempo di lavoro: Due ore. Per conseguire la patente di guida, un
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliNaïve Bayesian Classification
Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
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
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di Gauss) CdL Area Tecnica -
DettagliStatistica Elementare
Statistica Elementare 1. Frequenza assoluta Per popolazione si intende l insieme degli elementi che sono oggetto di una indagine statistica, ovvero l insieme delle unità, dette unità statistiche o individui
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
DettagliMetodi Computazionali della Fisica Secondo Modulo: C++
Metodi Computazionali della Fisica Secondo Modulo: C++ Seconda Lezione Andrea Piccione () Metodi Comptazionali della Fisica - Secondo Modulo: C++ Milano, 09/1/08 1 / 9 La lezione di oggi Obiettivo: implementare
DettagliCampionamento La statistica media campionaria e la sua distribuzione. Paola Giacomello Dip. Scienze Sociali ed Economiche Uniroma1
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliMODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla
Syllabus e Testi di Riferimento MIS 1 di 7 MODELLISTICA DI IMPIANTI E SISTEMI Syllabus e Testi di Riferimento Prof. Giuseppe Iazeolla Syllabus da testo 1 (la numerazione fa riferimento ai capitoli del
DettagliEsplorazione dei dati
Esplorazione dei dati Introduzione L analisi esplorativa dei dati evidenzia, tramite grafici ed indicatori sintetici, le caratteristiche di ciascun attributo presente in un dataset. Il processo di esplorazione
DettagliDefinizione della variabile c 2 Distribuzione della variabile c 2
Definizione della variabile c Distribuzione della variabile c In queste definizioni ho N variabili indipendenti, nessun vincolo e quindi N coincide con i gradi di libertà In un sistema fisico dove il numero
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
DettagliDistribuzione degli Errori di Misura. La distribuzione normale
Distribuzione degli Errori di Misura La distribuzione normale Errori casuali e sistematici Gli errori vengono generalmente suddivisi in due categorie: errori casuali ed errori sistematici. Gli errori casuali
Dettaglif (a)δa = C e (a a*)2 h 2 Δa
Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione
Dettagli