RICHIAMI DI CALCOLO DELLE PROBABILITÀ
|
|
- Gerardo Lupo
- 5 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE
2 INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due approcci fondamentali: Misura di tipo deterministico Metodo delle Tensioni Ammissibili, Metodo del Calcolo a Rottura Misura di tipo probabilistico Metodo probabilistico, Metodo semiprobabilistico agli Stati Limite Le misure di tipo probabilistico sono più complesse ma allo stesso tempo più realistiche, dal momento che tengono conto delle variabilità e delle incertezze dei parametri da cui la sicurezza della struttura dipende. Tra i metodi di tipo probabilistico quello che maggiormente interessa è il Metodo Semiprobabilistico agli Stati Limite, metodo su cui attualmente si basa la Normativa Italiana.
3 INTRODUZIONE Il metodo è detto semiprobabilistico poiché che si basa su una relazione di tipo deterministico, ovvero: Domanda S d R d Richiesta S d ed R d hanno carattere probabilistico. Il metodo infatti considera la resistenza dei materiali ed i valori delle azioni agenti sulla struttura come variabili aleatorie, ovvero grandezze cui non si può assegnare un unico valore (deterministico) ma che, se misurate, assumono di volta in volta un valore differente, casuale.
4 VARIABILE ALEATORIA DISCRETA O CONTINUA Vi sono due tipi di variabile aleatoria: Variabile aleatoria discreta, capace di assumere solo un numero finito di valori: ad es. il risultato del lancio di un dado può assumere sei valori possibili. Variabile aleatoria continua, capace di assumere qualsiasi valore all interno di uno o più intervalli assegnati: ad es. il valore della resistenza a compressione dei cubetti di calcestruzzo
5 PROBABILITÀ: VARIABILE ALEATORIA DISCRETA Si consideri una variabile casuale di tipo discreto ad es. il risultato del lancio di un dado. Si supponga di effettuare n=7 lanci con i risultati riportati in tabella. Si indica con a l evento per cui il risultato del lancio è 3 ed n a il numero di volte in cui tale evento si verifica, nel nostro caso n a = 2. Si definisce frequenza relativa all evento a f a = n a /n = 2/7 La somma delle frequenze relative a tutti gli eventi possibili è ovviamente pari a 1. a f a = 1 N. Lanci Risultati fa 2 7 (3) 1 7 (6) 1 7 (2) 1 7 (1) 1 7 (5) 1 7 (4) 7 7 1
6 PROBABILITÀ: VARIABILE ALEATORIA DISCRETA Al crescere del numero n di lanci, la frequenza relativa esprime in termini numerici la tendenza di ciascun evento a verificarsi, ovvero la probabilità che l evento a si verifichi e cioè: p(a) lim (n n a / n) Se l evento a è CERTO n a coincide con n e la probabilità è pari a 1 Se l evento a è IMPOSSIBILE n a è nullo e la probabilità è pari a 0
7 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci
8 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo
9 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo n i rotture nell intervallo Frequenza f i relativa
10 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo n i rotture nell intervallo Frequenza f i relativa Fa=0/12=
11 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo n i rotture nell intervallo Frequenza f i relativa Fa=0/12= Fa=1/12=0,
12 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo n i rotture nell intervallo Frequenza f i relativa Fa=0/12= Fa=1/12=0, Fa=7/12=0,
13 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Per poter estendere il concetto di probabilità al caso delle variabili aleatorie continue, occorre dividere il campo di variabilità della grandezza in un numero finito di intervalli e contare il numero di volte in cui ciascuno dei valori cade all interno dell intervallo considerato. Consideriamo i risultati di 12 prove di compressione su altrettanti cubetti: N. Prelievi Rci N. Prelievi Rci Intervallo n i rotture nell intervallo Frequenza f i relativa Fa=0/12= Fa=1/12=0, Fa=7/12=0, Fa=4/12=0,333
14 FREQUENZA RELATIVA PROBABILITÀ: VARIABILE ALEATORIA CONTINUA RESISTENZA A COMPRESSIONE (MPa)
15 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Si definisce densità δ i il rapporto tra la frequenza relativa f i e l estensione dell intervallo adottato d i. i Il passaggio dalle frequenze relative alla probabilità per le variabili aleatorie continue si ottiene facendo tendere ad infinito il numero n di prove e a zero l ampiezza d i degli intervalli in cui è stato suddiviso il campo di variabilità della resistenza a compressione. Si definisce funzione densità di probabilità f(x) come: f i d i f( x) lim n di0 i
16 PROBABILITÀ: VARIABILE ALEATORIA CONTINUA Accanto alla funzione densità di probabilità si definisce la funzione probabilità cumulata F della variabile aleatoria x con riferimento ad un certo valore a : F( a) a f( x) dx Che rappresenta la funzione che associa ad ogni possibile valore della variabile aleatoria x la probabilità che essa assuma valori compresi tra (limite inferiore del campo di variabilità) ed a. In altre parole: F(a) = p ( x < a )
17 INTERPRETAZIONE GRAFICA Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può essere rappresentata graficamente f(x) f( x) dx 1 x
18 x INTERPRETAZIONE GRAFICA Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può essere rappresentata graficamente f(x) f( x) dx 1
19 INTERPRETAZIONE GRAFICA Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può essere rappresentata graficamente f(x) f( x) dx 1 P( X x0) F( x0) Probabilità che la variabile aleatoria assuma valori compresi tra ed X 0 x0 x
20 INTERPRETAZIONE GRAFICA Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può essere rappresentata graficamente f(x) f( x) dx 1 P( X x3) 1 F( x3) Probabilità che la variabile aleatoria assuma valori compresi tra X 3 + x3 x
21 INTERPRETAZIONE GRAFICA Se f(x) è la funzione densità di probabilità di una variabile aleatoria x, essa può essere rappresentata graficamente f( x) dx 1 f(x) P( x1 X x2) F( x2) F( x1) Probabilità che la variabile aleatoria assuma valori compresi tra X 1 ed X 2 x1 x2 x
22 DEFINIZIONE DI FRATTILE Assegnato un valore P * della probabilità, esisterà uno ed un solo valore x k della variabile x per il quale vale P* P( x xk) F( xk) Si definisce frattile della probabilità P * il valore x k della variabile aleatoria x che soddisfa tale uguaglianza. f(x) Si definisce frattile superiore al p% quel valore della variabile aleatoria cui corrisponde la probabilità p% di non essere superato x 0 = frattile superiore al 5% x0 5% x
23 DEFINIZIONE DI FRATTILE Assegnato un valore P * della probabilità, esisterà uno ed un solo valore x k della variabile x per il quale vale P* P( x xk ) F( xk ) Si definisce frattile della probabilità P * il valore x k della variabile aleatoria x che soddisfa tale uguaglianza. f(x) Si definisce frattile inferiore al p% quel valore della variabile aleatoria cui corrisponde la probabilità p% di non essere minorato x 0 = frattile inferiore al 95% 95% x0 x
24 DEFINIZIONE DI MEDIA, MEDIANA E MODA Fra tutti i valori che una variabile casuale può assumere ce ne sono alcuni che sono più frequenti di altri, in qualche modo tipici e vengono generalmente posti al centro dell intervallo di variabilità. I parametri media, mediana e moda forniscono una valutazione significativa di tali valori tipici.
25 DEFINIZIONE DI MEDIA, MEDIANA E MODA Con riferimento ad una variabile aleatoria continua x, con una funzione di densità di probabilità f(x), la media μ della popolazione indicata anche come valore atteso vale: E(x) xf (x) dx La mediana x 50 è il valore per il quale la funzione F(x) di probabilità cumulata assume il valore 0,5 (ossia 50%) La moda è il valore associato al punto di massimo della funzione f(x) di densità di probabilità I valori di media, mediana e moda coincidono nel caso di distribuzioni f(x) simmetriche
26 DEFINIZIONE DI VARIANZA E DEVIAZIONE STANDARD Con riferimento ad una variabile aleatoria continua x, caratterizzata da una funzione di densità di probabilità f(x) e media μ, si definisce varianza la quantità: 2 2 ( x ) f ( x) dx La deviazione standard si definisce come 2
27 TEORIA DEI CAMPIONI Ci si pone spesso davanti al problema di determinare conclusioni valide per un ampio gruppo di individui o di oggetti; in questi casi, invece di esaminare l intero gruppo, detto POPOLAZIONE, esame che può comportare diverse difficoltà e diventare anche impossibile, si può far ricorso all esame di una piccola parte della popolazione: questa piccola parte viene chiamata un CAMPIONE. ES: Desideriamo trarre conclusioni circa la statura (o il peso) di studenti adulti (la popolazione) esaminando solo 100 studenti (il campione) estratti dalla popolazione ES: Desideriamo trarre conclusioni circa la percentuale dei bulloni difettosi costruiti da una certa fabbrica durante i sei giorni di una settimana, esaminando ogni giorno 20 bulloni prodotti in diverse ore della giornata lavorativa. In questo caso la popolazione sono i bulloni prodotti nella settimana lavorativa mentre il campione sono i 120 bulloni scelti. LA POPOLAZIONE PUO ESSERE FINITA O INFINITA, IL NUMERO SARA DETTO GRANDEZZA DELLA POPOLAZIONE E DI SOLITO E DENOTATO CON N. IL CAMPIONE E GENERALMENTE FINITO ED IL NUMERO SARA DETTO GRANDEZZA DEL CAMPIONE
28 TEORIA DEI CAMPIONI LA MEDIA CAMPIONARIA: non è altro che la media aritmetica delle osservazioni campionarie, cioè del campione. Se un campione di osservazioni è sufficientemente rappresentativo dell intera popolazione, la media calcolata sul campione sarà molto vicino a quella vera della popolazione stessa. N. Prelievi Rci N. Prelievi Rci E 12 30
29 TEORIA DEI CAMPIONI ESEMPIO Supponiamo che la popolazione sia composta da 2066 intervistati a cui chiediamo l età. L età media calcolata su tutta la popolazione di intervistati è 22,7 anni. Supponendo di non conoscerla, si vuole stimare l età media estraendo a caso un campione di dieci intervistati. Le osservazioni sono le seguenti: 27; 22; 26; 22; 23; 28;29; 27; 25; 22 La loro età media è = ( )/10=25,1. Questo campione può dirsi sufficientemente rappresentativo dell intera popolazione di intervistati? Il campione oltre a essere troppo piccolo, non contiene nessun intervistato di età inferiore a 20 anni e comprende un numero sproporzionato rispetto alla realtà di persona con età superiore a 26anni. QUESTA MEDIA CAMPIONARIA NON È QUINDI UNA BUONA STIMA DELLA MEDIA DELLA POPOLAZIONE!!
30 TEORIA DEI CAMPIONI Cosa fare per ottenere un campione maggiormente rappresentativo? Aumentando il campione si ha modo di aumentare le probabilità che la composizione del campione rispecchi quelle che è la strutta della età reale della popolazione. Portando il campione a 500 unità, la forma della sua distribuzione assume effettivamente un profilo che ricorda quella dell intera popolazione (ovviamente su scala diversa). L età media campionaria in questo caso è 22,9 anni: molto vicina a quella reale.
31 TEORIA DEI CAMPIONI LA MEDIA DELLE MEDIE CAMPIONARIE È UNA BUONA STIMA DEL VALORE MEDIO DELLA POPOLAZIONE Esempio: Quelle che seguono sono le medie di venti diversi campioni da 10 unità ciascuno: la media campionaria è diversa per ogni campione. 22,7 23,5 23,1 21,9 23,3 22,5 22,8 22,8 22,5 22,8 21,7 22,7 21,7 22,4 22,3 22,8 23,2 23,5 23,1 22,8 La media delle medie campionarie approssima bene quella dell intera popolazione. La stima della media della popolazione sarà: 22,9
32 MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI 1) Distribuzione uniforme o rettangolare La legge di distribuzione della probabilità, nell intervallo di definizione [a,b] è data da f(x) = 1 / (b-a) Si ha cioè una densità di probabilità uniforme E semplice calcolare il valore della media, ovvero E( x) xf( x) dx ( ba)/2 La distribuzione è simmetrica pertanto media e mediana coincidono; non ha senso invece definire il parametro moda.
33 MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI 2) Distribuzione Normale o Gaussiana La variabile x può assumere un qualsiasi valore tra - e + f(x) f 1 ( x ) ( x) e 2 2 x xf ( x) dx 2 ( x ) f ( x) dx
34 MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI 3) Distribuzione Esponenziale f ( t) e F( t) t 0 t f ( t) dt 0 t t 0 e t dt (1 e t ) 1,2 1 0,8 PDF 0,6 0,4 0, tempo
35 MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI 4) Distribuzione di Weibull f ( t) ( t ) 1 e t
36 MODELLI DI DISTRIBUZIONI DI VARIABILI CASUALI 5) Distribuzione LogNormale Distribuzioni lognormali con uguale valore dello scarto quadratico medio s(y) e diverso valore (maggiore per la distribuzione b) della media m(y)
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
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,
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:
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
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
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
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
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,
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
Dettaglitabelle 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
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
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
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
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Teorema. Sia data una popolazione numerica infinita di media µ e deviazione standard σ da cui vengono estratti dei campioni casuali formati ciascuno da n individui, con n abbastanza
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
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
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
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
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
DettagliLezione Le incertezze nel calcolo strutturale
Lezione Le incertezze nel calcolo strutturale Sommario Le strutture reali Le incertezze nei materiali L approccio probabilistico Le strutture reali Le strutture reali Le strutture reali Fasi costruttive
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
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
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
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
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
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
DettagliQuestionario 1. Sono assegnati i seguenti dati
Questionario 1. Sono assegnati i seguenti dati 30 30 10 30 50 30 60 60 30 20 20 20 30 20 30 30 20 10 10 40 20 30 10 10 10 30 40 30 20 20 40 40 40 dire se i dati illustrati sono unità statistiche valori
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
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
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
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliAPPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO
APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni
DettagliStatistica descrittiva II
Probabilità e Statistica Esercitazioni a.a. 009/010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Statistica descrittiva II Ines Campa Probabilità e Statistica - Esercitazioni
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
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
DettagliModulo III. Definizione ed elementi di calcolo delle probabilità Le variabili casuali La distribuzione normale e la normale standardizzata
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea triennale Tecniche della Prevenzione PERCORSO SRTAORDINARIO 2007/08 Insegnamento di STATISTICA MEDICA Docente:Dott.ssa Egle
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
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
DettagliStatistica descrittiva
Statistica descrittiva L obiettivo è quello di descrivere efficacemente i dati prima delle elaborazioni vere e proprie: - mediante rappresentazioni grafiche e tabelle - sintetizzandoli con indici opportuni
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
Dettaglideve utilizzarsi la variabile t ν,α/2 , dove n è il numero di gradi di libertà pari al numero delle misure diminuito di 1 (ν=n-1).
Indice 1. Frequenza e Probabilità. Parametri Statistici 3. Curva di Gauss 4. isure poco numerose: t di student nel caso non sia possibile effettuare un numero di misure adeguato (n
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
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
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,
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
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
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
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
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
DettagliSTIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
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
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
DettagliIntroduzione all'inferenza Lezione 4
Last updated April 16, 2016 Introduzione all'inferenza Lezione 4 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Introduzione all inferenza Popolazione Campione
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
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
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
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
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:
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
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
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
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
DettagliESERCITAZIONE 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
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
DettagliPrincipi 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
DettagliBIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um
1 2 Data_31misure_070318 BIN = 15 um Minimum 80 Maximum Sum 120 3176,7 Points Mean Median 31 102,47419 102,9 102.5 um RMS Std Deviation Variance Std Error 102,7225 7,2559846 52,649312 1,3032133 7.3 um
Dettagli9. VARIABILI CASUALI
9. VARIABILI CASUALI 9. Definizione di variabile casuale In molte situazioni reali l interesse è rivolto non tanto agli eventi che possono verificarsi nel corso di un esperimento, quanto al valore numerico
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
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
DettagliINDICATORI DI TENDENZA CENTRALE
INDICATORI DI TENDENZA CENTRALE INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo indice che riassume o descrive i dati e dipende dalla
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
Dettagli2. 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
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
Dettaglix ;x Soluzione Gli intervalli di confidenza possono essere ottenuti a partire dalla seguente identità: da cui si ricava: IC x ;x = +
ESERCIZIO 6.1 Si considerino i 0 campioni di ampiezza n = estratti da una popolazione X di N = 5 elementi distribuiti normalmente, con media µ = 13,6 e σ = 8,33. A partire dalle 0 determinazioni della
DettagliANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
IDROLOGIA Analisi esplorativa di serie di dati ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI P Claps IDROLOGIA Analisi esplorativa di serie di dati Rappresentazione tabellare della serie storica Sequenza
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
DettagliProf. Anna Paola Ercolani (Università di Roma) Lez Indicatori di tendenza centrale
INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo indice che riassume o descrive i dati e dipende dalla scala di misura dei dati in
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica.3 - La distribuzione normale Tempi di reazione Registrati i tempi di reazione (in millisecondi) a uno stimolo (n = 30). Classe Freq Freq relative Densità
DettagliSperimentazioni 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
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
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
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 1 A. I dati riportati nella seguente tabella si riferiscono
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
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
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliINDICATORI DI TENDENZA CENTRALE
Psicometria (8 CFU) Corso di laurea triennale INDICATORI DI TENDENZA CENTRALE Torna alla pri ma pagina INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore
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
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
Dettagli