Dispense di probabilità e statistica *

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Dispense di probabilità e statistica *"

Transcript

1 IFORMATICA E STATISTICA PER OTTICA E OPTOMETRIA Dispese di probabilità e statistica * Daiele Motaio Uiversità degli Studi del Saleto daiele.motaio@le.if.it web: Questa dispesa può essere scaricata all idirizzo: _lab/probabilita_e_statistica.pdf A) Esercizi di calcolo combiatoriale A1) Calcolare i quati modi è possibile aagrammare la parola PARCO (ache parole seza seso). Evidetemete si tratta di permutare 5 lettere diverse i 5 posizioi differeti. I geerale le permutazioe di elemeti è data da!= ( 1) 1 (per defiizioe 0!=1). el ostro caso specifico quidi il risultato è 5!= =10 aagrammi diversi. el foglio di calcolo è possibile implemetare il calcolo tramite la fuzioe FATTORIALE() come mostrato el riquadro. A) Calcolare quate parole (ache seza seso) è possibile comporre prededo a caso 5 lettere dell alfabeto italiao (composto da 1 lettere), i modo però che le lettere ella parola o si ripetao. I questo caso si tratta di permutare 1 lettere i gruppi di 5, i cui però l ordie delle lettere è importate (per esempio la parola CATO è diversa dalla parola COTA). Si ricorda il umero di permutazioi di elemeti i gruppi di k è dato da! P(, k) = ( 1) ( ) ( k + 1) = ( k)! Il risultato è quidi =1!/(1-5)!= possibili parole di 5 lettere (ache seza seso). el foglio di * Il testo di riferimeto del corso è il seguete: J. Taylor Itroduzioe all'aalisi degli errori. Lo studio delle icertezze elle misure fisiche, Zaichelli. I questa dispesa è stato utilizzato il pacchetto OpeOffice. Esso può essere scaricato gratuitamete all idirizzo per le maggiori piattaforme.

2 calcolo è possibile implemetare questo calcolo direttamete per mezzo della fuzioe PERMUTAZIOE(;k) A3) Calcolare i quati modi è possibile sistemare 10 studeti avedo a disposizioe 15 postazioi. Poiché o ha importaza stabilire l ordie i cui gli studeti si siedoo a ciascua postazioe i questo caso il umero di possibili sistemazioi sarà la combiazioe di 15 elemeti (tutte le postazioi) a 10 alla volta (le postazioi occupate). Si ricorda che il umero di combiazioi (cioè quado l ordie o è importate) di elemeti i gruppi di k è dato da ' $ C(, k) % " = & k # P(, k) k! = ( 1) ( k + 1) k! =! k!( k)! el foglio di calcolo è possibile implemetare questo calcolo direttamete per mezzo della fuzioe COMBIAZIOE(;k). el ostro caso è possibile quidi combiare i 10 studeti i 3003 modi diversi. A4) Calcolare i coefficieti dello sviluppo del biomio (a+b) co =9 Si ricordi che i coefficieti dello sviluppo del biomio soo proprio i coefficieti combiatoriali C(, k): ( a ( % k k + b) = & # a b = k = 0 k k = 0 ' $ C(, k) a k b k el ostro caso si ha duque: ( a + b) 9 = a 9 + 9a a b 7 b + 36a b a b a b + 36a b a b + 9ab b 9 + B) Esercizi sulla probabilità distribuzioe biomiale e di Poisso B1* ) Simulare il lacio di due dadi per 1000 volte e calcolare volta per volta la somma delle due facce. Cofrotare la distribuzioe delle occorreze empiriche co quella teorica. Per simulare il risultato del lacio di u dado è possibile utilizzare la fuzioe IT(6*CASUALE()+1): i questo modo si avrà ua distribuzioe uiforme di umeri iteri tra 1 e 6. Su due coloe si ripete per 1000 volte il lacio di due dadi tramite la fuzioe precedete e se e calcola la somma. Tramite la fuzioe FREQUEZA si calcolao le Gli esercizi cotrassegati co l asterisco soo particolarmete complessi e soo mostrati solo a titolo illustrativo

3 volte che il risultato vale, 3,, 11, 1. La distribuzioe empirica di probabilità è la frequeza relativa delle occorreze e si calcola dividedo il umero delle volte per il umero totale di prove, ovvero 1000 La distribuzioe teorica di probabilità è deducibile dalla seguete tabella: Risultato Possibili combiazioi dei due dadi Casi favorevoli Probabilità= Casi favorevoli/ , , , , , , , , , , ,08 Il umero di casi possibili vale 36, corrispodeti alle combiazioi dei due dadi. B) I u ura soo coteute 0 pallie di cui 15 verdi e 5 rosse. Calcolare la probabilità che estraedo cosecutivamete 3 pallie, risultio verdi e 1 rossa. Calcolare come cambia la probabilità se ogi volta si rimette ell ura la pallia estratta.

4 el primo caso abbiamo tre possibili combiazioi, i cui ad ogi estrazioe ell ura rimae ua pallia i meo: 5/0 15/19 14/ /0 5/19 14/ /0 14/19 5/18 La probabilità complessiva vale quidi 3 ( )/( ) 0,46. el secodo caso, poiché le pallie vegoo reiserite ell ura la probabilità iiziale per ogi pallia viee ristabilita. e cosegue che la probabilità che avvega l eveto desiderato vale 3 5/0 (15/0) =3 0,5 (0,75) 0,4. Questa probabilità poteva essere calcolata mediate la distribuzioe biomiale. Si ricorda se E è u eveto la cui probabilità di occorreza su di ua sigola prova vale p, la probabilità che su prove idipedeti l eveto E occorre esattamete k volte (e che quidi k volte o occorra) è data da b( k,, p) ( % & # ' k $ k k = p (1 p) Tale distribuzioe è detta biomiale. el ostro caso per esempio poiché ogi volta la pallia viee reiserita ell ura gli eveti soo idipedeti (metre el caso precedete gli eveti o erao idipedeti i quato ad ogi estrazioe il umero delle pallie ell ura cambia). Detto E l eveto estrazioe della pallia rossa questo eveto ha probabilità p=5/0=0,5. e cosegue che la probabilità che su tre estrazioi idipedeti si abbia esattamete l uscita di ua pallia rossa vale ) 3& P = b( k = 1, = 3, p = 0,5) = ' $ ( 1% 1 ( 0,5)( 1 0,5) 0, 4 Si oti che, poiché C(, k) = C(, k) e quidi C(3, 1) = C(3, ), se aziché di cosiderare come eveto E l uscita della pallia rossa avessimo cosiderato l uscita della pallia verdi il risultato sarebbe stato lo stesso. el foglio di calcolo è possibile implemetare il calcolo della fuzioe biomiale tramite la fuzioe DISTRIB.BIOM(k,,p,cumulativo). La variabile cumulativo è ua variabile logica che deve assumere il valore FALSO quado si vuole calcolare semplicemete il valore della probabilità biomiale per u valore specifico di e k. Se ivece il valore della variabile cumulativo è impostato su VERO la fuzioe forisce il seguete valore B( k,, p) = k h= 0 b( h,, p)

5 ovvero che la variabile estratta sia miore di k. L utilità di tale distribuzioe sarà chiarita egli esercizi segueti. Si oti che B(,, p) = k = 0 b( k,, p) = k = 0 ) ' ( & $ k % p k (1 p) k = ( p + 1 p) = 1 B3) Ua moeta (che si suppoe o truccata) viee laciata 10 volte. Calcolare la probabilità che a) Esca esattamete 5 volte testa e 5 volte croce b) Esca 3 volte testa e 7 volte croce c) o esca mai testa (o croce) d) Esca testa o più di 5 volte e) Esca testa almeo 3 volte f) Esca testa da a 8 volte Evidetemete la probabilità segue ua distribuzioe biomiale i cui l eveto E esce testa ha probabilità di occorreza p=0,5 (si oti che ache l eveto complemetare o E esce croce ha la stessa probabilità) a) La probabilità è data da b) La probabilità è data da c) La probabilità è data da ) 10& P = b( k = 5, = 10, p = 0,5) = ' $ ( 5 % ) 10& P = b( k = 3, = 10, p = 0,5) = ' $ ( 3 % 5 ( 0,5) ( 1 0,5) 0, ( 0,5) ( 1 0,5) 0, 117 ) 10& 0 10 P = b( k = 0, = 10, p = 0,5) = ' $ ( 0,5) ( 1 0,5) 0, 001 ( 0 % Questo eveto è quidi molto raro, com è facile ituire. Si oti che poiché C(,0)=1 si ha che la probabilità si poteva calcolare semplicemete come P=(0,5) corrispodete alla probabilità che 10 croce esca 10 volte su 10. Lo stesso risultato è valido ache el caso i cui si chiede che o esca mai croce (o equivaletemete, che testa esca 10 volte su 10. d) i questo caso la richiesta è che testa esca o più di 5 volte, il che sigifica che può uscire 0, 1,,

6 3, 4 o 5 volte. e cosegue che la probabilità è la somma delle probabilità che testa esca 0, 1, 5 volte. P = B( k = 5, = 10, p = 0,5) E possibile allora usare la distribuzioe cumulativa poedo il valore VERO el campo della variabile corrispodete. I questo caso la probabilità che esca testa o più di 5 volte vale 0,63. Alterativamete si sarebbe potuto eseguire direttamete le somme delle sigole probabilità biomiali. e) I questo caso si può procedere i due modi: il primo è cosiderare che la richiesta che esca testa almeo 3 volte è equivalete alla richiesta che esca croce o più di 7 volte. Il secodo modo è ivece cosiderare che la richiesta che testa esca almeo 3 volte è il complemetare dell eveto che testa esca o più di volte. I etrambi casi si ha quidi P = B( k = 1 B( k = 7, = 10, p = 0,5) =, = 10, p = 0,5) = 0,945 Alterativamete si poteva procedere alla somma diretta delle sigole probabilità biomiali da k=3 a k=10, come el caso precedete: f) I questo caso la probabilità è data da P = = 8 k = 8 k = 0 = B( k = 8, = 10, p = 0,5) B( k = 1, = 10, p = 0,5) = 0,979 b( k, = 10, p = 0,5) = b( k, = 10, p = 0,5) 1 k = 0 b( k, = 10, p = 0,5)

7 Alterativamete si poteva procedere alla somma diretta delle sigole probabilità biomiali da k=3 a k=8, come ei casi precedeti. B4*) Tramite u foglio di calcolo si simuli per 100 volte il lacio di 10 moete e si cofroti la distribuzioe empirica delle volte che è uscita testa co ua distribuzioe biomiale. Si cofroti la media e la deviazioe stadard della distribuzioe empirica co quella teorica. Per simulare il lacio di ua moeta el foglio di calcolo è possibile utilizzare il seguete trucco: si geera u umero casuale tra 0 e 1 tramite la fuzioe CASUALE e tramite la fuzioe SE si vede se queste umero è compreso tra 0,5 e 1, e i tal caso è possibile si assega T (testa), altrimeti si assega C (croce) SE(CASUALE()>0,5;"T";"C") I questa maiera si assegao quidi i due eveti T e C etrambi co probabilità ½. Ripetedo la procedura (tramite trasciameto) per 10 volte i orizzotale e 100 volte i verticale avremo la simulazioe cercata, come i figura (i questa figura ioltre, tramite ua formattazioe codizioale si soo assegati colori diversi a T e C i modo da poter distiguere meglio i due eveti). Tramite la fuzioe COTA.SE è quidi possibile cotare quate volte è uscita T i ogi riga: COTA.SE(A8:J8;"T") Stramite la fuzioe FREQUEZA è possibile cotare quate volte soo uscite 0 teste, 1 testa e così via, come ella tabella seguete: di T k Frequeza Freq. Rel. P(k) Biomiale b(k) Cumulativa Biom. Cumul ,00 0,00 0,00 0, ,00 0,01 0,00 0,01 4 0,04 0,04 0,04 0, ,1 0,1 0,16 0, ,0 0,1 0,36 0, ,4 0,5 0,60 0, ,1 0,1 0,81 0, ,1 0,1 0,93 0, ,05 0,04 0,98 0,99 9 0,0 0,01 1,00 1, ,00 0,00 1,00 1,00 ella terza coloa è stata calcolata la frequeza relativa (ovvero la frequeza divisa per il umero totale di prove, cioè 100) di volte i cui è uscito testa che rappreseta quidi la ostra distribuzioe empirica di probabilità. Questa distribuzioe la cofrotiamo ella

8 coloa seguete co la distribuzioe teorica di probabilità calcolata co la fuzioe DISTRIB.BIOM. Di seguito è mostrato il grafico delle due distribuzioi: 0,30 Cumulativa 0,5 1,0 0,0 0,15 0,10 Frequeza relativa Biomiale 1,00 0,80 0,60 Cumulativa Biom. Cumul. 0,05 0,40 0, umero di "Teste" 0,0 0, Calcoliamo ifie i valori della media e della variaza empirica della distribuzioe. Si ricorda che la media di ua distribuzioe è defiita come µ = k = 0 Metre la deviazioe stadard è defiita come k P k σ = k = 0 ( k µ ) P = k P µ k k = 0 k È possibile quidi costruire la seguete tabella P k k P k k ,08 0,16 0,36 1,08 0,8 3, 1, 6 1,6 7,56 0,84 5,88 0,4 3, 0,18 1,6 0 0 Σ= 5,1 8,7 σ= 1,58

9 el ostro caso specifico avremo quidi µ=5,1 e σ=1,58. Si ricorda che per ua distribuzioe biomiale la media e la deviazioe stadard teorica valgoo µ = p e σ = p( 1 p) dove p è la probabilità a priori del sigolo eveto. el ostro caso (=10, p=0,5) si ha quidi µ=5 e σ=1,581. Come si vede quidi I valori empirici soo molto vicii a quelli teorici. Maggiori dettagli riguardo il calcolo precedete possoo essere trovati el file Probabilita_e_statistica.xls. B5*) U idustria produce lampadie cofezioate i scatole coteeti 8 pezzi ciascua. E oto che mediamete ua lampadia su 0 è difettosa. Tramite u foglio di calcolo si simuli il coteuto di 100 cofezioi e si cotio il umero di lampadie difettose i ogi scatola. Si costruisca quidi la distribuzioe empirica di lampadie difettose e la si cofroti co ua distribuzioe biomiale. Questo problema è simile al precedete trae per il fatto che la probabilità del sigolo eveto E lampadia difettosa vale 1/0=0,05 (si veda la figura). L esempio è trattato el foglio di calcolo Ok-difettoso del file Probabilita_e_statistica.xls. Si oti che la distribuzioe è i questo caso asimmetrica. Cumulativa Cumulativa 1,0 Biom. Cumul. 1,00 0,80 0,60 0,40 0,0 0, B6) Ua rara patologia colpisce mediamete ua persoa ogi Qual è la probabilità che i ua città co abitati: a) essua persoa e sia affetta b) Ua persoa e sia affetta c) Almeo ua persoa e sia affetta Il file Probabilita_e_statistica.xls può essere scaricato all idirizzo web: _lab/probabilita_e_statistica.xls

10 d) Al più tre persoe e siao affette Si faccia ifie u grafico della distribuzioe sio a k=10, co k umero di persoe affette dalla patologia. Poiché la probabilità dell eveto è molto bassa coviee utilizzare la distribuzioe di Poisso. Si ricorda che la statistica di Poisso è il limite di ua distribuzioe biomiale i cui la probabilità p di u sigolo eveto è molto piccola, ma il campioe è molto grade, i modo che il valore medio µ= p sia u umero e troppo grade e troppo piccolo (dell ordie dell uità), ed è data da: p( k, µ ) = µ e k! k µ Si ricorda che il valore medio della distribuzioe vale proprio µ e la variaza vale σ = µ. el ostro caso p=1/0.000 e = per cui µ=,5. el foglio di calcolo la distribuzioe di Poisso può essere implemetato dalla fuzioe POISSO(k,µ,cumulativo) dove la variabile cumulativo è al solito ua variabile logica che se posta su VERO da come risultato la distribuzioe cumulativa di Poisso: P( k, µ ) = p( h, µ ) k h= 0 a) I questo caso si ha quidi (vedi figura) p ( k = 0, µ =,5) = 0,08 C è quidi ua probabilità del 8,% che essua persoa sia affetta dalla patologia i questioe. Allo stesso modo b) si vede che p ( k = 1, µ =,5) = 0,05 c) Evidetemete la probabilità che più di ua persoa e sia affetta è il complemetare della probabilità che essua e sia affetta, ovvero p=1 0,08=0,918. d) I questo caso coviee usare la distribuzioe cumulativa. Il calcolo forisce P ( k = 3, µ =,5) = 0,758

11 Il grafico della distribuzioe è ifie mostrato ella figura seguete. 0,3 0,5 0, Poisso 0,15 0,1 0, k C) Distribuzioi limite distribuzioe ormale C1*) Mostrare che ua distribuzioe uiforme tra 0 e 1 ha ua media µ=0,5 e ua variaza σ = 1/ 3 0,89. Tramite u foglio di calcolo geerare 1000 variabili casuali co distribuzioe uiforme tra 0 e 1 e mostrare che media e deviazioe stadard delle variabili soo molto vicii ai valori teorici. Ua distribuzioe uiforme i u dato itervallo [a,b] descrive delle variabili casuali che hao tutte la stessa probabilità di uscire ell itervallo dato. Per esempio ua distribuzioe uiforme ell itervallo [0,1] vale 1 se x [0,1] e 0 se x [0,1] come el grafico seguete: 1 f(x ) ,5 0 0,5 1 1,5 x La media µ vale quidi = f ( x) xdx = xdx = 1 µ 0,5 come ci si aspetta e la variaza vale 1 ' 1 $ var = % x " dx = & x # da cui si ricava σ = 1/ 3 0,89. el foglio di calcolo la fuzioe CASUALE() forisce proprio umeri casuali distribuiti uiformemete ell itervallo [0,1]. Si lascia per esercizio calcolare media e deviazioe stadard di 1000 umeri casuali calcolati co la fuzioe CASUALE() e mostrare che il risultato è molto vicio a quello atteso. dx 1 4 = = 1 1

12 C*) Ua distribuzioe biomiale b(k,,p) per molto grade può essere approssimata da ua distribuzioe ormale co media µ = p e deviazioe stadard σ = p( 1 p). Fare u grafico delle distribuzioi biomiale e ormale per =0 e verificare che le due distribuzioi soo molto simili. Come oto ua distribuzioe ormale (o Gaussiaa ) di media µ e variaza σ è descritta dall equazioe g ( x µ ) 1 σ ( x, µ, σ ) = e πσ La distribuzioe ormale el foglio di calcolo può essere calcolata dalla fuzioe DISTR.ORM(x,µ,σ,cumulativo). Al solito la variabile cumulativo è ua variabile logica che vale FALSO se si vuole calcolare il valore della distribuzioe per il valore x, metre se viee posta uguale a VERO la fuzioe forisce la distribuzioe cumulativa defiita come l area al di sotto della curva descritta dalla fuzioe g da sio a x G(x,µ,σ) = x g(y,µ,σ)dy ovvero la probabilità che la variabile estratta sia miore di x. E possibile dimostrare che + lim G( x, µ, σ ) = g( y, µ, σ ) dy = 1 x come deve essere (la dimostrazioe di questa proprietà va oltre gli scopi del presete corso). 1,5 area Distribuzioe ormale Distribuzioe ormale cumulativa 1 g(x) 0,5 0 x G(x)=area colorata µ

13 Il grafico delle due distribuzioi è mostrato i figura e si può trovare el file Probabilita_e_statistica.xls. C3*) Ua distribuzioe di Poisso p(k,µ) per µ molto grade può essere approssimata da ua distribuzioe ormale co media µ e deviazioe stadard σ = µ. Fare u grafico delle distribuzioi biomiale e ormale per µ=0 e verificare che le due distribuzioi soo molto simili L esercizio è simile al precedete, si veda la figura.

14 C4*) Il teorema del limite cetrale asserisce che se x 1 x soo variabili idipedeti aveti la stessa distribuzioe di probabilità co media µ e variaza σ, el limite di molto grade la media degli x k µ = k=1 x k si distribuisce secodo ua distribuzioe ormale di media µ e variaza σ /. Calcolare per volte la media di 5 umeri casuali e cofrotare la distribuzioe della media co ua distribuzioe ormale co media µ=0,5 e deviazioe stadard σ=0,89/ 5=0,0578 ell itervallo x [0,3, 0,7] co passo Δx=0,01. Geeriamo prima di tutto ua riga co 5 umeri casuali compresi tra 0 e 1 co la fuzioe CASUALE() e calcoliamoe la media poi trasciiamo la riga per volte, come i figura. Creiamo la coloa delle classi da 0,30 a 0,70 co passo 0,1 e tramite la fuzioe FREQUEZA calcoliamo il umero delle occorreze i ciascua classe. La distribuzioe empirica si otterrà dividedo la frequeza per il umero totale di prove, cioè e per

15 il passo Δx=0,01. Ifatti, detta F i la frequeza delle volte i cui il dato cade i ua classe compresa tra x e x+δx, la probabilità p i che il dato cada i quella classe sarà dato da F i (il umero di casi favorevoli) diviso (il umero di casi possibili). Ad esempio la probabilità che il dato cada tra 0,40 e 0,41 sarà 158/ Ricordado che la distribuzioe di probabilità è defiita come quella fuzioe per cui f(x i )Δx=p i si ha proprio f(x i )= p i /Δx. ella coloa successiva soo ivece tabulati i valori della distribuzioe ormale co media µ=0,5 e deviazioe stadard σ=0,0578. Il risultato del cofroto tra le due distribuzioi è mostrato i figura: 8 7 Distr. Empirica Distr. ormale ,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 media L esercizio è svolto el foglio di calcolo Teorema limite cetrale del file Probabilita_e_statistica.xls. C5) E oto che la distribuzioe delle altezze di u campioe di persoe è ua ormale co meda 170 cm e deviazioe stadard pari a 15 cm. Estraedo a caso persoe, calcolare: a) Il umero atteso di persoe che hao u altezza iferiore a 150 cm. b) Il umero atteso di persoe che hao u altezza superiore a 00 cm. c) Il umero atteso di persoe co altezza compresa tra 160 e 180 cm. d) L altezza stimata per cui al di sotto della quale ci soo 300 persoe. e) L altezza stimata al di sopra della quale ci soo 300 persoe.

16 a) Evidetemete la probabilità che ua persoa sia più bassa di 150 cm è la cumulativa della distribuzioe ormale sio a 150. Tale probabilità (vedi figura) vale P(h<150 cm)=0,091, quidi il umero di persoe atteso sul campioe sarà ,091=91 b) La probabilità che ua persoa sia più alta di 00 cm sarà il complemetare della probabilità che ua persoa sia più alta di quell altezza. Procededo come el caso precedete troviamo P(h<00 cm)=0,977, quidi P(h>00 cm)=1 0,977=0,0.e cosegue che circa persoe sarao più alte di 00 cm. c) La probabilità sarà evidetemete P(h<180 cm) P(h<160 cm)=0,495. e cosegue che il umero atteso di persoe co altezza compresa tra le due altezze sarà 495. d) Evidetemete i 3/10 delle persoe sarao più basse dell altezza data h 0, ovvero la probabilità che queste persoe siao più basse di h 0 deve essere 0,3. Cerchiamo quidi il valore di h 0 per cui si ha G(h 0 )=0,3, dove G è la distribuzioe ormale cumulativa. Per fare ciò utilizziamo la fuzioe IV.ORM che forisce la fuzioe iversa della cumulativa della distribuzioe ormale. el ostro caso avremo h 0 =16,1cm (vedi figura). e) I questo caso evidetemete basta trovare il valore di h 0 per cui 700 persoe soo più basse di esso. Procededo come el caso precedete si trova h 0 =177,9cm. C6) Si verifichi che i ua distribuzioe ormale la probabilità che ua variabile distribuita i maiera ormale co media µ e deviazioe stadard σ cada ell itervallo x=µ±σ, x=µ±σ, x=µ±3σ, vale rispettivamete 0,683, 0,954 e 0,997 idipedetemete dai valori di µ e σ. Evidetemete ciò è equivalete a calcolare µ +kσ µ kσ g(y,µ,σ)dy = G(µ + kσ,µ,σ) G(µ kσ,µ,σ) per k=1,,3. Il calcolo è lasciato per esercizio allo studete per mezzo della fuzioe cumulativa. Si dice per esempio che la variabile x cadrà ell itervallo [µ-σ,µ+σ] co ua cofideza del 68,3%. D) Test del χ (o botà di adattameto) D1) I u campioe di 100 pazieti si è misurato il livello di glicemia el sague otteedo la seguete tabella

17 Livello glicemico Pazieti (E k) < >130 6 Verificare l ipotesi che almeo al 5% del livello di sigificatività la distribuzioe del livello glicemico segua ua legge ormale co media pari a µ=100 e deviazioe stadard pari a σ=3. I caso cotrario trovare i valori di µ e σ che miimizzao il χ e verificare che questa distribuzioe ha u livello di sigificatività maggiore del 5%. Si ricorda che se si vuole verificare che ua serie di dati è compatibile co ua data distribuzioe teorica, si calcola la variabile χ defiita come: χ 0 = k=1 (B k E k ) dove B k è il umero di eveti misurato (empirico) ella classe k-esima e E k è ivece il umero di eveti teorici ella stessa classe, metre è il umero di classi. Perché il test abbia seso è ecessario che E k o sia troppo piccole (E k 5) altrimeti occorre raggruppare le classi co i valori di E k più piccoli. Per poter verificare l ipotesi è ecessario costruire le probabilità cumulative ei vari itervalli. Costruiamo ache il umero atteso di pazieti attesi per ogi classe E k =P k dove P k è la probabilità per ogi paziete di trovarsi ella classe k-esima calcolata i questo caso co ua distribuzioe ormale (otare che questo umero o è ecessariamete u umero itero). A questo puto possiamo calcolare il χ 0 otteedo χ 0 =15,18. I pricipio più il valore di χ 0 è piccolo più i dati sperimetali si avviciao a quelli teorici (se B k =E k si avrebbe χ 0 =0). aturalmete ciò o sarà possibile a causa della atura casuale dei dati sperimetali. I geerale se χ 0 si ha u buo accordo tra dati e teoria. Ciò fa pesare che per esempio el caso precedete o si ha u buo accordo (cosa che i realtà si vede già occhio cofrotado i due istogrammi). E k

18 Per poter verificare l ipotesi che i dati empirici e quelli teorici siao compatibili ad u determiato livello di sigificatività è ecessario calcolare la probabilità che a causa di ua fluttuazioe statistica dei dati il valore di χ diveti più grade del valore di χ 0 calcolato. Ad esempio se vogliamo accettare l ipotesi al 5% del livello di sigificatività è ecessario che P(χ >χ 0 ) sia maggiore del 5%. Questa probabilità può essere calcolata tramite la fuzioe TEST.CHI. Il calcolo della P(χ >χ 0 ) ci forisce P(χ >χ 0 )=1,89%, il che ci porta a cocludere che la ostra ipotesi deve essere scartata. Per trovare i valori di µ e σ che meglio approssimao la distribuzioe sperimetale possiamo miimizzare il valore del χ per mezzo dello strumeto risolutore (otteiamo quello che si chiama il best fit dei dati). Il risultato ci porta a cocludere che la migliore approssimazioe si ha per µ=103,46 e σ=16,81. Il calcolo della probabilità P(χ >χ 0 ) ci da P(χ >χ 0 )=96,85% che abbodatemete sopra il valore del 5% richiesto. e cosegue che questa distribuzioe teorica può essere accettata (o sempre capita che al best fit la distribuzioe può essere accettata). Di seguito è riportata ua figura co il cofroto tra la distribuzioe teorica e quella sperimetale i quest ultimo caso.

19 30 5 Pazieti (Ek) atteso (Tk) < >130 L esercizio è svolto el foglio di calcolo test del chi - Glicemia del file Probabilita_e_statistica.xls. D1) Uo studete di iformatica crea u programma per geerare umeri casuali co distribuzioe uiforme tra 0 e 1. Egli vuole verificare la botà di tale geeratore estraedo tramite il suo programma umeri casuali da cui ricava seguete tabella di frequeze Itervallo Frequeza tra 0,0 e 0, tra 0,1 e 0, tra 0, e 0, tra 0,3 e 0,4 985 tra 0,4 e 0, tra 0,5 e 0, tra 0,6 e 0, tra 0,7 e 0, tra 0,8 e 0, tra 0,9 e 1, Tramite il test del χ cotrollare la botà del geeratore di umeri casuali verificado se al 5% del livello di sigificatività il programma geera umeri casuali co distribuzioe uiforme. I questo caso la distribuzioe teorica è quella uiforme, ovvero i ogi classe dovrebbero esserci i teoria coteggi. Vogliamo sapere se le differeze rispetto a i ogi classe soo dovute solo a fluttuazioi casuali o soo sigificative di u errore del programma (che o geera umeri casuali co distribuzioe uiforme. Il test del χ forisce u livello di sigificatività del,86% il che ci fa rigettare l ipotesi di uiformità al 5%.

20 E) Valutazioe e propagazioe di errori, cifre sigificative E1) I ua lete piao-covessa il raggio di curvatura è R=0,68±0,0m e l idice di rifrazioe della lete vale =1,54±0,01. Calcolare la lughezza focale della lete e il suo errore assoluto e relativo. Suppoedo l errore distribuito secodo ua distribuzioe ormale calcolare l itervallo di cofideza di f al 98%. Ricordiamo che la lughezza focale di ua lete è calcolato come f = R 1 = 0,68 0,54 =1,59 m Occorre stabilire l esatto umero di cifre sigificative. Gli errori relativi su R e 1 valgoo δr/r=0,0/0,68=3% e δ/( 1)=0,01/0,54=%. Poiché l errore relativo i ua divisioe è dato dalla somma i quadratura degli errori del dividedo e del divisore avremo δ f f =! # " δr R $ & %! + δ $ # & " 1% = 3% L errore assoluto su f vale duque δf=f (δf/f)=0,04 m, per cui la scrittura co le corrette cifre sigificative è f=1,6±0,04 m. Ricordiamo che l itervallo di cofideza per ua certa probabilità fissata β di ua variabile x avete ua distribuzioe ormale di media µ e deviazioe σ co dimesioe è quel umero X per cui x ha ua probabilità β di trovarsi ell itervallo [µ X,µ+X] (ovvero ha ua probabilità α=1 β di trovarsi fuori da quell itervallo µ + X µ X * g ( y, µ, ) σ ' % dy & = β = 1 α Tale itervallo è implemetato dal foglio di calcolo dalla fuzioe COFIDEZA: X=COFIDEZA(α;σ;). el caso i esame, assumedo che l errore sia distribuito i maiera ormale, il livello di cofideza al 98% vale 0,14 (si veda figura). I questo caso la dimesioe del campioe è uguale a 1. Ciò sigifica che il valore vero di f ha ua probabilità del 98% di trovarsi ell itervallo 1,1 f 1,40 (ovvero ha ua probabilità di trovarsi fuori da tale itervallo del %). Si oti che il risultato deve essere scritto co il corretto umero di cifre sigificative. Ciò sigifica che il risultato forito dal foglio di calcolo deve essere arrotodato opportuamete. Ciò può essere effettuato o semplicemete impostado il corretto umero di cifre decimali ella formattazioe delle celle dove verrà scritto il risultato (scelta scosigliata) o utilizzado la fuzioe ARROTODA(umero; umero_cifre).

21 E1) U aemometro forisce i 10 secodi per =8 ua misura della velocità del veto otteedo i segueti risultati (espressi i m/s): 0,7-1,5 -,1-0,9-19,9-0,1-0,0-0,9-1,9-1,0-0,5-19,8-19,7-1,5-19,7-1,0-19,9-1,7 -,0 -,1-1,1-1,9-0,7-0,3-1,6-0,4-19,8-19,3 Suppoedo che le fluttuazioi di velocità siao fluttuazioi casuali dello strumeto di misura itoro ad u valore medio, calcolare la velocità media del veto, l icertezza e l itervallo di cofideza al 99,9%. Il valore medio dei dati è V=1,5m/s. L errore può essere stimato a partire dalla deviazioe stadard σ (V ) = i=1 ( v i V ) 1 per mezzo della fuzioe DEV.ST. el ostro caso la deviazioe stadard σ=,480. A causa del teorema del limite cetrale l icertezza sulla velocità vale δ V = σ / = 0,469 0,5 m/s, quidi la misura può essere espressa come V=1,5±0,5 m/s. L itervallo di cofideza al 99% può essere quidi calcolato idifferetemete sia come oppure come COFIDEZA(0,01;,48;8) COFIDEZA(0,01;0,5;1) e il risultato i etrambi i casi vale 1,m/s, per cui al 99,9% la velocità vera del veto è compresa ell itervallo 0,3 V,7 m/s.

22 F) Correlazioe e regressioe lieare F1) Data la tabella qui di seguito che forisce la cocetrazioe di particolato atmosferico e di auto trasitate ei vari giori della settimaa ei pressi di ua cetralia di misura, dire se le due serie di dati soo i correlazioe tra di loro. Fare il grafico della liea di tedeza Cocetr. di pm10 umero di auto Luedì Martedì Mercoledì Giovedì Veerdì Sabato Domeica L idice di correlazioe tra due serie di dati {x i } i=1 e {y i } i=1 è defiito come R = i=1 i=1 ( x i X) y i Y ( x i X) ( ) i=1 ( y i Y ) ; 1 R 1 L idice di correlazioe è per costruzioe, u umero sempre compreso tra -1 e 1 e stima quato due serie di dati siao i relazioe lieare tra loro Tato più l idice di correlazioe è vicio all uità, tato più vi è correlazioe tra i dati (i particolare se R=±1 si ha che i dati soo i relazioe lieare tra di loro). Se R è vicio ad 1 si dice che le due serie di dati soo i correlazioe diretta (ovvero vi è ua buoa probabilità che all aumetare dell uo aumeta ache l altro), se è vicio a -1 si dice che soo i correlazioe iversa (o i aticorrelazioe). Se ivece R è zero o molto vicio a zero si dice che i due set di dati soo scorrelati tra di loro. Il calcolo del coefficiete di correlazioe può essere effettuato per mezzo della fuzioe CORRELAZIOE come i figura. I questo caso poiché R=0,98 possiamo cocludere che c è ua stretta correlazioe tra la cocetrazioe di CO e il umero di auto e quidi la causa

23 della preseza di CO è molto probabilmete legata al passaggio delle auto (e o per esempio al riscaldameto domestico i zoa). La liea di tedeza (o retta di regressioe o fit lieare ) è quella retta che meglio approssima i dati. Questa può essere trovata col metodo dei miimi quadrati. I pratica se dispoiamo di due serie di dati {x i } i=1 e {y i } i=1 è possibile supporre che esista ua relazioe lieare tra i dati X e i dati Y del tipo Y=a+b X. I coefficieti a e b possoo essere trovati miimizzado la somma degli scarti tra i valori sperimetali y i e quelli teorici a+b x i (metodo dei miimi quadrati) ovvero trovado il miimo della fuzioe F(a, b) = i=1 ( y i a b x i ) Questo metodo può essere applicato ache per altri tipi di dipedeza di X da Y. Il calcolo può essere effettuato aaliticamete e forisce b = R σ (Y ) σ (X) a = Y b X dove R è il coefficiete di correlazioe calcolato precedetemete. el foglio di calcolo i coefficieti di regressioe possoo essere calcolati attraverso le formule precedeti oppure per mezzo della fuzioe REGR.LI. Tuttavia il modo più semplice per mostrare la liea di tedeza è quello di fare u grafico a dispersioe dei dati e di selezioare l opzioe iserisci liea adameto :

24 Il risultato è quello mostrato i figura. E possibile ache iserire successivamete l equazioe della retta sul grafico stesso tramite l opzioe iserisci equazioe della liea di tedeza. el ostro caso ovviamete x rappreseta la cocetrazioe di CO e y=f(x) il umero di auto.

25 Formule più importati utilizzate el corso ome Formula Fuzioe foglio di calcolo Media (aritmetica) di ua serie {x i } i=1 di dati µ(x) = X = Deviazioe stadard ( corretta ) di ua serie {x i } i=1 di dati σ (X) = Deviazioe stadard ( di popolazioe ) di ua serie {x i } i=1 di dati σ P (X) = i=1 i=1 i=1 x i ( x i X) 1 ( x i X) Deviazioe stadard della media σ *(X) = σ (X) / Covariaza tra due serie di dati {x i } i=1 e {y i } i=1 cov(x,y ) = Correlazioe tra due serie di dati {x i } i=1 e {y i } i=1 Coefficieti di regressioe lieare tra due serie di dati {x i } i=1 e {y i } i=1 Y=a+bX Errore di ua combiazioe lieare di dati R(X,Y ) = i=1 i=1 i=1 ( x i X) y i Y ( ) ( x i X) y i Y ( x i X) = cov(x,y ) σ P (X)σ P (Y ) ( ) i=1 b = cov(x,y ) σ P (X) = R σ (Y ) σ (X) a = Y bx Y = α 1 X 1 +α X δy = ( α 1 δx 1 ) + ( α δx ) ( y i Y ) MEDIA(dati_X) DEV.ST(dati_X) DEV.ST.POP(dati_X) COVARIAZA(dati_X;dati_Y) CORRELAZIOE(dati_X;dati_Y) REGR.LI(dati_X; dati_y; tipo_retta; parametri) oppure liea di tedeza sul grafico Errore di u prodotto di poteze di dati Cofideza δx al percetile β=1 α Y = X 1 p 1 X p δy Y =! # p 1 " δx 1 X 1 $! δx & + p $ # & % " % X defiito da: P X # $ X δx, X +δx% & ( ) =1 α COFIDEZA(alpha;dev.st.X; umero_dati)

26 Formule più importati utilizzate el corso ome Formula Fuzioe foglio di calcolo Fattoriale di Permutazioi di elemeti i k volte Combiazioi di elemeti i k volte Distribuzioe biomiale (probabilità che u eveto co probabilità p accada k volte su prove) (*) Distribuzioe biomiale cumulativa (probabilità che u eveto co probabilità p accada al più k volte su prove) Media e deviazioe stadard di ua distribuzioe discreta Media e deviazioe stadard di ua distribuzioe biomiale Distribuzioe di Poisso (probabilità che u eveto raro i u campioe molto esteso b! = ( 1) 1 0! =1! P(, k) = ( k)! " %! C(, k) $ ' = # k & k!( k)! ( % & # ' k $ FATTORIALE() PERMUTAZIOE(;k) COMBIAZIOE(;k) k k ( k,, p) = p (1 p) DISTRIB.BIOM(k;;p;FALSO). B(k,, p) = b(i,, p) k DISTRIB.BIOM(k;;p;VERO). i=1 µ = k p k k k=1 σ = k k µ = p σ = p(1 p) p(k,µ) = µ k co media µ accada k volte) ** Distribuzioe di Poisso cumulativa (probabilità che u eveto raro i u campioe molto esteso co media µ accada al più k volte) Devizioe stadard di ua distribuzioe di Poisso Distribuzioe ormale (gaussiaa) di media µ e variaza σ Distribuzioe ormale Cumulativa di media µ e variaza σ Iversa della distribuzioe ormale cumulativa χ0 per il cofroto due serie sperimetale {B k } k=1 e teorica {E k } k=1 di dati k k! e µ POISSO(k;µ;FALSO) P(k,µ) = p(i,µ) POISSO(k;µ;VERO) i=1 σ = µ 1 ( x µ ) σ g ( x, µ, σ ) = e DISTR.ORM(x;µ;σ;FALSO). G(x,µ,σ) = x πσ g(y,µ,σ)dy DISTR.ORM(x;µ;σ;VERO). x = I(α,µ,σ ) (tale che G(x,µ,σ ) = α) χ 0 = i=1 ( B k E k ) E k IV.ORM(α;µ;σ) Test del χ P(χ χ 0 ) TEST.CHI(dati_B;dati_E) ** per >30 si ha che etrambe le distribuzioi possoo essere be approssimate da g(k,µ,σ). L ipotesi è accettata al livello β=1 α se P(χ χ 0 ) α.

27 Esercizi proposti 1) Provare per diversi valori di e k che valgoo le segueti relazioi o C(, k) = C(, k) o C(, k) + C(, k 1) = C(+1, k) o C(, k) = k = 0 ) Calcolare la probabilità di fare tero o quatera al gioco del lotto. 3) Come ell esercizio B, calcolare sia el caso che le pallie o vegao reiserite ell ura che el caso che vegao reiserite la probabilità che a) tutte e tre le pallie siao verdi; b)tutte e tre rosse; c) 1 verde e due rosse. 4) Si suppoga di avere u mazzo di carte da poker esclusi i Jolly (composto quidi da 5 carte). Si calcoli la probabilità che estraedo 5 carte a caso, sia el caso i cui per ogi estrazioe la carta o vega reiserita el mazzo oppure vega reiserita e si rimescoli: a. Due carte siao figure b. Tutte e cique le carte siao di cuori c. Tutte e cique le carte siao dello stesso seme d. Si abbia u tris (tre carte uguali) e. Si abbia almeo u tris (almeo tre carte uguali) f. Si abbia u poker (4 carte uguali) 5) U isieme di persoe è composto da 6 doe e 4 uomii. Calcolare la probabilità che estraedo a caso 6 persoe 1) 3 siao uomii; ) almeo 1 sia doa; 3) siao tutte doe 6) E oto che i u campioe di persoe estratto a caso, mediamete il 35% di essi preseti u grado di miopia maggiore di 4 diottrie. Calcolare la probabilità che prededo 10 persoe a caso esse abbiao tutte u grado di miopia maggiore a 4. Oppure che le persoe siao tutte ormovedeti. Oppure che ci sia almeo u miope. Oppure che ci sia u solo miope. 7) I u bosco, il 0% degli alberi è stato attaccato da u parassita. Assumedo che l attacco è avveuto i maiera completamete casuale (cioè o ha coivolto alberi vicii), calcolare la probabilità che preso u gruppo di 1 alberi: a. Siao tutti sai b. Siao tutti malati c. Che la metà di essi sia sao d. Che il umero di alberi malati o superi le due uità. e. Che il umero di alberi malati sia compreso tra 4 e 8 f. Che il umero di alberi malati sia maggiore di 3 8) Si verifichi tramite ua prova diretta che per ua distribuzioe biomiale si ha

28 µ = b(k,, p) k = p k= 0 σ = b(k,, p) k µ = p (1 p) k= 0 per diversi valori di e p a scelta dello studete. 9) U sito web riceve mediamete 10 cotatti ogi ora. Calcolare la probabilità che i 1 miuto: a. o ci siao cotatti b. Ci siao due cotatti c. Ci siao più di tre cotatti d. Ci siao meo di cique cotatti (sugg.: si utilizzi ua statistica poissoiaa) 10) E oto che vi è ua probabilità su quidici milioi che i u batterio vi sia ua determiata mutazioe. I ua coltura coteete circa quarata milioi di batteri calcolare a. o vi siao batteri mutati b. Vi sia u batterio mutato c. Vi sia almeo u batterio mutato 11) el caso dell esercizio precedete, suppoedo di aver preparato dieci colture tutte idetiche, calcolare la probabilità che i 5 di esse ci sia almeo u batterio mutato. (sugg: si usi ua statistica biomiale) 1) Ua compagia di assicurazioe stima che per ogi assicurato la probabilità di avere u icidete i u ao è 1/00. Su di u campioe di 1000 assicurati Calcolare la probabilità che i u ao a. essu assicurato abbia u icidete b. U assicurato abbia u icidete c. Più di cique assicurati abbiao u icidete d. Meo di dieci assicurati abbiao u icidete 13) (difficile) Si simuli il lacio di 10 dadi per 1000 volte e si faccia u istogramma della somme dei risultati. Si cofroti co ua distribuzioe ormale co media 35 e deviazioe stadard 5,4. 14) Ua moeta viee laciata 100 volte. Calcolare le probabilità che Testa esca più di 60 volte. (Sugg.: si ricordi che per grade la distribuzioe biomiale può essere approssimata co ua distribuzioe ormale). 15) La dimesioe dei leucociti i u paziete segue ua distribuzioe ormale co media 5micro e variaza 0,8micro. I u campioe di sague coteete leucociti calcolare:

29 a. Quati leucociti hao ua dimesioe superiore ai 6 micro b. Quati leucociti hao ua dimesioe compresa tra 4 e 6 micro 16) el caso dell esercizio precedete, si suppoga di aver fatto passare il campioe di sague attraverso u filtro a micropori. Si osserva che leucociti o siao riusciti ad attraversare il filtro. Si deduca da questo la dimesioe dei micropori.(sugg.: si usi la fuzioe IV.ORM) 17) (difficile) Si applichi il test del χ all esercizio B1 e si verifichi co quale probabilità la distribuzioe empirica è compatibile co quella teorica. 18) I u esperimeto si vuole determiare il tasso di decadimeto di ua sostaza radioattiva. Tramite u cotatore geiger si misura il umero di decadimeti i itervalli di 1 miuto. Si ottiee la tabella seguete: di decadimeti di itervalli < >8 5 Suppoedo che il decadimeto radioattivo segua ua statistica di Poisso tramite il test del χ al 5% del livello di sigificatività. si verifichi l ipotesi che il tasso di decadimeto della sostaza sia di µ=6 decadimeti al miuto. I caso l ipotesi vega rigettata si calcoli il valore di µ che meglio approssima i dati e verificare i questo caso se la distribuzioe sperimetale è compatibile co quella attesa. 19) Si è misurata la dimesioe dei batteri i ua coloia e si è otteuta la seguete tabella: Dimesioe (micro) umero di batteri < > Si verifichi l ipotesi che la dimesioe dei batteri segua ua distribuzioe ormale co media 60 micro e deviazioe stadard 10 micro.

30 0) L eergia di u fotoe è data dalla formula E=h f dove h è la costate di Plack e vale h=(4, ±0, ) evs (ev=eletttro Volt, uità di misura di eergia) e f=frequeza del fotoe i Hz=s -1. Se la misura della frequeza di emissioe di ua trasizioe atomica vale f=(1, ±0, ) Hz calcolare l eergia di trasizioe co le corrette cifre sigificative e l itervallo di cofideza al 99,9%. 1) Uo strumeto misura per 0 volte il umero di globuli rossi i u cm 3 di sague. Simulare il risultato geerado per 0 volte u umero pari a più u umero casuale itero compreso tra e Calcolare media e deviazioe stadard della media co le corrette cifre sigificative e l itervallo di cofideza al 99,9%. ) La misura del ph di ua stessa soluzioe è stata ripetuta per 10 volte foredo come risultato 7,91-7,57-7,74-7,98-7,80-7,7-7,44-7,47-8,01-7,99. Calcolare media e deviazioe stadard della media. Calcolare qual è la probabilità che il ph vero della soluzioe è maggiore di 8. 3) Sia data la fuzioe y=3x++δ per x compreso tra 0 e 0 co passo 1 e dove Δ è u umero casuale o itero (diverso per ogi valore di x) compreso tra -1 e 1. Disegare per puti il grafico della fuzioe e sovrapporre la retta di regressioe. Calcolare ioltre il coefficiete di correlazioe tra la tabella delle x e quella delle y. 4) Si vuole misurare il valore di ua resisteza elettrica applicado ua tesioe V ai suoi capi e misurado la correte I che circola ella resisteza stessa: la misura ha forito i segueti risultati: I(mA) V(volt) 1,1 0,1, 0,1 3,1 0,8 3,8 0,39 5,3 0,5 6,1 0,61 7, 0,67 8,0 0,8 9,1 0,93 10,0 0,98 Fare u grafico a dispersioe della tabella precedete e, teedo i coto della relazioe V=R I+V 0, dove V 0 è il bias dello strumeto (ovvero la tesioe misurata i asseza di circolazioe di correte) si forisca ua stima della resisteza R. (Sugg.: si utilizzi ua retta di regressioe).

CONCETTI BASE DI STATISTICA

CONCETTI BASE DI STATISTICA CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto

Dettagli

Università degli Studi di Bergamo - Corsi di laurea in Ingegneria Edile e Tessile Indici di posizione e variabilità Esercitazione 2

Università degli Studi di Bergamo - Corsi di laurea in Ingegneria Edile e Tessile Indici di posizione e variabilità Esercitazione 2 Uiversità degli Studi di Bergamo - Corsi di laurea i Igegeria Edile e Tessile Idici di posizioe e variabilità Esercitazioe 2 1. Nella seguete tabella si riporta la distribuzioe di frequeza del cosumo i

Dettagli

LA VERIFICA DELLE IPOTESI SUI PARAMETRI

LA VERIFICA DELLE IPOTESI SUI PARAMETRI LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività

Dettagli

Successioni. Grafico di una successione

Successioni. Grafico di una successione Successioi Ua successioe di umeri reali è semplicemete ua sequeza di ifiiti umeri reali:, 2, 3,...,,... dove co idichiamo il termie geerale della successioe. Ad esempio, discutedo il sigificato fiaziario

Dettagli

Strumenti di indagine per la valutazione psicologica

Strumenti di indagine per la valutazione psicologica Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe

Dettagli

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame

Statistica (Prof. Capitanio) Alcuni esercizi tratti da prove scritte d esame Statistica (Prof. Capitaio) Alcui esercizi tratti da prove scritte d esame Esercizio 1 Il tempo (i miuti) che Paolo impiega, i auto, per arrivare i ufficio, può essere modellato co ua variabile casuale

Dettagli

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02%

52. Se in una città ci fosse un medico ogni 500 abitanti, quale sarebbe la percentuale di medici? A) 5 % B) 2 % C) 0,2 % D) 0,5% E) 0,02% RISPOSTE MOTIVATE QUIZ D AMMISSIONE 2000-2001 MATEMATICA 51. L espressioe log( 2 ) equivale a : A) 2log B) log2 C) 2log D) log E) log 2 Dati 2 umeri positivi a e b (co a 1), si defiisce logaritmo i base

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docete: dott. F. Zucca Esercitazioe # 4 1 Distribuzioe Espoeziale Esercizio 1 Suppoiamo che la durata della vita di ogi membro di

Dettagli

Calcolo Combinatorio (vers. 1/10/2014)

Calcolo Combinatorio (vers. 1/10/2014) Calcolo Combiatorio (vers. 1/10/2014 Daiela De Caditiis modulo CdP di teoria dei segali Igegeria dell Iformazioe - sede di Latia, CALCOLO COMBINATORIO Pricipio Fodametale del Calcolo Combiatorio: Si realizzio

Dettagli

Le carte di controllo

Le carte di controllo Le carte di cotrollo Dott.ssa Bruella Caroleo 07 dicembre 007 Variabilità ei processi produttivi Le caratteristiche di qualsiasi processo produttivo soo caratterizzate da variabilità Le cause di variabilità

Dettagli

Metodi statistici per l analisi dei dati

Metodi statistici per l analisi dei dati Metodi statistici per l aalisi dei dati due ttameti Motivazioi ttameti Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ttameti) per cui soo stati codotti gli esperimeti. due ttameti Esempio itroduttivo

Dettagli

EQUAZIONI ALLE RICORRENZE

EQUAZIONI ALLE RICORRENZE Esercizi di Fodameti di Iformatica 1 EQUAZIONI ALLE RICORRENZE 1.1. Metodo di ufoldig 1.1.1. Richiami di teoria Il metodo detto di ufoldig utilizza lo sviluppo dell equazioe alle ricorreze fio ad u certo

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE Ua fuzioe reale di ua variabile reale f di domiio A è ua legge che ad ogi x A associa u umero reale che deotiamo co f(x). Se A = N, la f è detta successioe di umeri reali. Se co si

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1

ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO. Angela Donatiello 1 ESERCIZI DI STATISTICA DESCRITTIVA ALCUNI TRATTI DA PROVE D ESAME DA REALIZZARE ANCHE CON L AUSILIO DI UN FOGLIO DI CALCOLO Agela Doatiello 1 Esercizio. E stato tabulato il peso di ua certa popolazioe

Dettagli

Metodi statistici per l'analisi dei dati

Metodi statistici per l'analisi dei dati Metodi statistici per l aalisi dei dati due Motivazioi Obbiettivo: Cofrotare due diverse codizioi (ache defiiti ) per cui soo stati codotti gli esperimeti. Metodi tatistici per l Aalisi dei Dati due Esempio

Dettagli

SUCCESSIONI E SERIE NUMERICHE

SUCCESSIONI E SERIE NUMERICHE SUCCESSIONI E SERIE NUMERICHE. Successioi umeriche a. Defiizioi: successioi aritmetiche e geometriche Cosideriamo ua sequeza di umeri quale ad esempio:,5,8,,4,7,... Tale sequeza è costituita mediate ua

Dettagli

IL CALCOLO COMBINATORIO

IL CALCOLO COMBINATORIO IL CALCOLO COMBINATORIO Calcolo combiatorio è il termie che deota tradizioalmete la braca della matematica che studia i modi per raggruppare e/o ordiare secodo date regole gli elemeti di u isieme fiito

Dettagli

IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazione di Gras

IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazione di Gras IMPLICAZIONE TRA VARIABILI BINARIE: L Implicazioe di Gras Date due variabili biarie a e b, i quale misura posso assicurare che i ua popolazioe da ogi osservazioe di a segue ecessariamete quella di b? E

Dettagli

1 Limiti di successioni

1 Limiti di successioni Esercitazioi di matematica Corso di Istituzioi di Matematica B Facoltà di Architettura Ao Accademico 005/006 Aa Scaramuzza 4 Novembre 005 Limiti di successioi Esercizio.. Servedosi della defiizioe di ite

Dettagli

Il test parametrico si costruisce in tre passi:

Il test parametrico si costruisce in tre passi: R. Lombardo I. Cammiatiello Dipartimeto di Ecoomia Secoda Uiversità degli studi Napoli Facoltà di Ecoomia Ifereza Statistica La Verifica delle Ipotesi Obiettivo Verifica (test) di u ipotesi statistica

Dettagli

Sintassi dello studio di funzione

Sintassi dello studio di funzione Sitassi dello studio di fuzioe Lavoriamo a perfezioare quato sapete siora. D ora iazi pretederò che i risultati che otteete li SCRIVIATE i forma corretta dal puto di vista grammaticale. N( x) Data la fuzioe:

Dettagli

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE

DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA

Dettagli

Probabilità e Statistica I

Probabilità e Statistica I Probabilità e Statistica I Elvira Di Nardo (Dipartimeto di Matematica) Uiversità degli Studi della Basilicata e-mail:diardo@uibas.it http://www.uibas.it/uteti/diardo/home.html Tel:097/05890 Prerequisiti:

Dettagli

STATISTICA DESCRITTIVA

STATISTICA DESCRITTIVA STATISTICA DESCRITTIVA La statistica descrittiva serve per elaborare e sitetizzare dati. Tipicamete i dati si rappresetao i tabelle. Esempio. Suppoiamo di codurre u idagie per cooscere gli iscritti al

Dettagli

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15

Corso di Laurea Magistrale in Ingegneria Informatica A.A. 2014/15. Complementi di Probabilità e Statistica. Prova scritta del del 23-02-15 Corso di Laurea Magistrale i Igegeria Iformatica A.A. 014/15 Complemeti di Probabilità e Statistica Prova scritta del del 3-0-15 Puteggi: 1. 3+3+4;. +3 ; 3. 1.5 5 ; 4. 1 + 1 + 1 + 1 + 3.5. Totale = 30.

Dettagli

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA

STATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA Matematica e statistica: dai dati ai modelli alle scelte www.dima.uige/pls_statistica Resposabili scietifici M.P. Rogati e E. Sasso (Dipartimeto di Matematica Uiversità di Geova) STATISTICA INFERENZIALE

Dettagli

Anno 5 Successioni numeriche

Anno 5 Successioni numeriche Ao 5 Successioi umeriche Itroduzioe I questa lezioe impareremo a descrivere e calcolare il limite di ua successioe. Ma cos è ua successioe? Come si calcola il suo limite? Al termie di questa lezioe sarai

Dettagli

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone

Numerazione binaria Pagina 2 di 9 easy matematica di Adolfo Scimone Numerazioe biaria Pagia di 9 easy matematica di Adolfo Scimoe SISTEMI DI NUMERAZIONE Sistemi di umerazioe a base fissa Facciamo ormalmete riferimeto a sistemi di umerazioe a base fissa, ad esempio el sistema

Dettagli

Le onde elettromagnetiche. Origine e natura, spettro delle onde e.m., la polarizzazione

Le onde elettromagnetiche. Origine e natura, spettro delle onde e.m., la polarizzazione Le ode elettromagetiche Origie e atura, spettro delle ode e.m., la polarizzazioe Origie e atura delle ode elettromagetiche: Ua carica elettrica che oscilla geera u campo elettrico E che oscilla e a questo

Dettagli

Disposizioni semplici. Disposizioni semplici esercizi

Disposizioni semplici. Disposizioni semplici esercizi Disposizioi semplici Ua disposizioe (semplice) di oggetti i k posti (duque 1 < k < ) è ogi raggruppameto di k oggetti, seza ripetizioi, scelti fra gli oggetti dati, cioè ciascuo dei raggruppameti ordiati

Dettagli

Analisi statistica dell Output

Analisi statistica dell Output Aalisi statistica dell Output IL Simulatore è u adeguata rappresetazioe della Realtà! E adesso? Come va iterpretato l Output? Quado le Osservazioi soo sigificative? Quati Ru del Simulatore è corretto effettuare?

Dettagli

V Tutorato 6 Novembre 2014

V Tutorato 6 Novembre 2014 1. Data la successioe V Tutorato 6 Novembre 01 determiare il lim b. Data la successioe b = a = + 1 + 1 8 6 + 1 80 + 18 se 0 se < 0 scrivere i termii a 0, a 1, a, a 0 e determiare lim a. Data la successioe

Dettagli

Campionamento stratificato. Esempio

Campionamento stratificato. Esempio ez. 3 8/0/05 Metodi Statiici per il Marketig - F. Bartolucci Uiversità di Urbio Campioameto ratificato Ua tecica molto diffusa per sfruttare l iformazioe coteuta i ua variabile ausiliaria (o evetualmete

Dettagli

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi.

SERIE NUMERICHE Con l introduzione delle serie vogliamo estendere l operazione algebrica di somma ad un numero infinito di addendi. Serie SERIE NUMERICHE Co l itroduzioe delle serie vogliamo estedere l operazioe algebrica di somma ad u umero ifiito di addedi. Def. Data la successioe {a }, defiiamo la successioe {s } poedo s = a k.

Dettagli

LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT

LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT LA GESTIONE DELLA QUALITA : IL TOTAL QUALITY MANAGEMENT La gestioe, il cotrollo ed il migliorameto della qualità di u prodotto/servizio soo temi di grade iteresse per l azieda. Il problema della qualità

Dettagli

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x.

ANALISI MATEMATICA 1 Area dell Ingegneria dell Informazione. Appello del 5.02.2013 TEMA 1. f(x) = arcsin 1 2 log 2 x. ANALISI MATEMATICA Area dell Igegeria dell Iformazioe Appello del 5.0.0 TEMA Esercizio Si cosideri la fuzioe f(x = arcsi log x. Determiare il domiio di f e discutere il sego. Discutere brevemete la cotiuità

Dettagli

Il confronto tra DUE campioni indipendenti

Il confronto tra DUE campioni indipendenti Il cofroto tra DUE camioi idiedeti Il cofroto tra DUE camioi idiedeti Cofroto tra due medie I questi casi siamo iteressati a cofrotare il valore medio di due camioi i cui i le osservazioi i u camioe soo

Dettagli

Statistica 1 A.A. 2015/2016

Statistica 1 A.A. 2015/2016 Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 19 Iterdipedeza lieare fra variabili quatitative

Dettagli

8. Quale pesa di più?

8. Quale pesa di più? 8. Quale pesa di più? Negli ultimi ai hao suscitato particolare iteresse alcui problemi sulla pesatura di moete o di pallie. Il primo problema di questo tipo sembra proposto da Tartaglia el 1556. Da allora

Dettagli

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5

19 31 43 55 67 79 91 103 870,5 882,5 894,5 906,5 918,5 930,5 942,5 954,5 Il 16 dicembre 015 ero a Napoli. Ad u agolo di Piazza Date mi soo imbattuto el "matematico di strada", come egli si defiisce, Giuseppe Poloe immerso el suo armametario di tabelle di umeri. Il geiale persoaggio

Dettagli

LA DERIVATA DI UNA FUNZIONE

LA DERIVATA DI UNA FUNZIONE LA DERIVATA DI UNA FUNZIONE OBIETTIVO: Defiire lo strumeto matematico ce cosete di studiare la cresceza e la decresceza di ua fuzioe Si comicia col defiire cosa vuol dire ce ua fuzioe è crescete. Defiizioe:

Dettagli

Terzo appello del. primo modulo. di ANALISI 18.07.2006

Terzo appello del. primo modulo. di ANALISI 18.07.2006 Terzo appello del primo modulo di ANALISI 18.7.26 1. Si voglioo ifilare su u filo delle perle distiguibili tra loro solo i base alla dimesioe: si hao a disposizioe perle gradi di diametro di 2 cetimetri

Dettagli

Teorema 13. Se una sere converge assolutamente, allora converge:

Teorema 13. Se una sere converge assolutamente, allora converge: Apputi sul corso di Aalisi Matematica complemeti (a) - prof. B.Bacchelli Apputi 03: Riferimeti: R.Adams, Calcolo Differeziale.- Si cosiglia vivamete di fare gli esercizi del testo. Covergeza assoluta e

Dettagli

Soluzione La media aritmetica dei due numeri positivi a e b è data da M

Soluzione La media aritmetica dei due numeri positivi a e b è data da M Matematica per la uova maturità scietifica A. Berardo M. Pedoe 6 Questioario Quesito Se a e b soo umeri positivi assegati quale è la loro media aritmetica? Quale la media geometrica? Quale delle due è

Dettagli

PARTE QUARTA Teoria algebrica dei numeri

PARTE QUARTA Teoria algebrica dei numeri Prerequisiti: Aelli Spazi vettoriali Sia A u aello commutativo uitario PARTE QUARTA Teoria algebrica dei umeri Lezioe 7 Cei sui moduli Defiizioe 7 Si dice modulo (siistro) su A (o semplicemete, A-modulo)

Dettagli

Sistemi e Tecnologie della Comunicazione

Sistemi e Tecnologie della Comunicazione Sistemi e ecologie della Comuicazioe Lezioe 4: strato fisico: caratterizzazioe del segale i frequeza Lo strato fisico Le pricipali fuzioi dello strato fisico soo defiizioe delle iterfacce meccaiche (specifiche

Dettagli

Tecnica delle misurazioni applicate Esame del 4 dicembre 2007

Tecnica delle misurazioni applicate Esame del 4 dicembre 2007 Tecica delle misurazioi applicate Esame del 4 dicembre 7 Problema 1. Il propulsore Mod. WEC viee prodotto da ACME Ic. mediate u processo automatizzato: dati storici cofermao che la lavorazioe di ogi elemeto

Dettagli

Interesse e formule relative.

Interesse e formule relative. Elisa Battistoi, Adrea Frozetti Collado Iteresse e formule relative Esercizio Determiare quale somma sarà dispoibile fra 7 ai ivestedo oggi 0000 ad u tasso auale semplice del 5% Soluzioe Il diagramma del

Dettagli

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1

Prova scritta di Statistica per Biotecnologie. 29 Aprile Programma Cristallo 1 Prova scritta di Statistica per Biotecologie 9 Aprile Programma Cristallo. Uo dei processi di purificazioe impiegati i ua certa sostaza chimica prevede di metterla i soluzioe e di filtrarla co ua resia

Dettagli

Un problema! La letteratura riporta che i pazienti affetti da cancro. = mesi

Un problema! La letteratura riporta che i pazienti affetti da cancro. = mesi CONFRONTO TRA DUE MEDIE U problema! La letteratura riporta che i pazieti affetti da cacro hao ua sopravviveza media di 38.3 mesi e deviazioe stadard di 43.3 mesi: µ 38.3mesi σ 43.3mesi (la distribuzioe

Dettagli

Statistica di base. Luca Mari, versione 31.12.13

Statistica di base. Luca Mari, versione 31.12.13 Statistica di base Luca Mari, versioe 31.12.13 Coteuti Moda...1 Distribuzioi cumulate...2 Mediaa, quartili, percetili...3 Sigificatività empirica degli idici ordiali...3 Media...4 Acora sulla media...4

Dettagli

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale

Calcolo della risposta di un sistema lineare viscoso a più gradi di libertà con il metodo dell Analisi Modale Calcolo della risposta di u sistema lieare viscoso a più gradi di libertà co il metodo dell Aalisi Modale Lezioe 2/2 Prof. Adolfo Satii - Diamica delle Strutture 1 La risposta a carichi variabili co la

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S = S0 X k, co X k = k= co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia) Massimo A. De Fracesco Uiversità di Siea December 18, 2013 1 ichiami su utilità attesa e avversioe al rischio Prima di cosiderare il

Dettagli

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere

Risposte. f v = φ dove φ(x,y) = e x2. f(x) = e x2 /2. +const. Soluzione. (i) Scriviamo v = (u,w). Se f(x) è la funzione richiesta, si deve avere Eserciio 1 7 puti. Dato il campo vettoriale v, + 1,, i si determii ua fuioe f > i modo tale che il campo vettoriale f v sia irrotaioale, cioè abbia le derivate icrociate uguali; ii si spieghi se i risultati

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioi di Statistica Il modello di Regressioe Prof. Livia De Giovai statistica@dis.uiroma.it Esercizio Solitamete è accertato che aumetado il umero di uità prodotte, u idustria possa ridurre i costi

Dettagli

Rendita perpetua con rate crescenti in progressione aritmetica

Rendita perpetua con rate crescenti in progressione aritmetica edita perpetua co rate cresceti i progressioe aritmetica iprediamo l'esempio visto ella scorsa lezioe di redita perpetua co rate cresceti i progressioe arimetica: Questa redita può ache essere vista come

Dettagli

Foglio di esercizi N. 1 - Soluzioni

Foglio di esercizi N. 1 - Soluzioni Foglio di esercizi N. - Soluzioi. Determiare il domiio della fuzioe f) = log 3 + log 3 3)). Deve essere + log 3 3) > 0, ovvero log 3 3) >, ovvero prededo l espoeziale i base 3 di etrambi i membri) 3 >

Dettagli

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni

Statistica I, Laurea triennale in Ing. Gestionale, a.a. 2011/12 Registro delle lezioni Statistica I, Laurea trieale i Ig. Gestioale, a.a. 2011/12 Registro delle lezioi Lezioe 1 (28/9, ore 11:30). Vedere la registrazioe di Barsati, dispoibile alla pagia http://users.dma.uipi.it/barsati/statistica_2011/idex.html.

Dettagli

Selezione avversa e razionamento del credito

Selezione avversa e razionamento del credito Selezioe avversa e razioameto del credito Massimo A. De Fracesco Dipartimeto di Ecoomia politica e statistica, Uiversità di Siea May 3, 013 1 Itroduzioe I questa lezioe presetiamo u semplice modello del

Dettagli

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI

LE MISURE DI VARIABILITÀ DI CARATTERI QUANTITATIVI Apputi di Statistica Sociale Uiversità ore di Ea LE MISURE DI VARIABILITÀ DI CARATTERI QUATITATIVI La variabilità di u isieme di osservazioi attiee all attitudie delle variabili studiate ad assumere modalità

Dettagli

5 ln n + ln. 4 ln n + ln. 6 ln n + ln

5 ln n + ln. 4 ln n + ln. 6 ln n + ln DOMINIO FUNZIONE Determiare il domiio della fuzioe f = l e e + e + e Deve essere e e + e + e >, posto e = t si ha t e + t + e = per t = e e per t = / Il campo di esisteza è:, l, + Determiare il domiio

Dettagli

Principi base di Ingegneria della Sicurezza

Principi base di Ingegneria della Sicurezza Pricipi base di Igegeria della Sicurezza L aalisi delle codizioi di Affidabilità del sistema si articola i: (i) idetificazioe degli sceari icidetali di riferimeto (Eveti critici Iiziatori - EI) per il

Dettagli

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1)

APPUNTI DI MATEMATICA ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) ALGEBRA \ ARITMETICA \ NUMERI NATURALI (1) I umeri aturali hao u ordie; ogi umero aturale ha u successivo (otteuto aggiugedo 1), e ogi umero aturale diverso da zero ha u precedete (otteuto sottraedo 1).

Dettagli

Formula per la determinazione della Successione generalizzata di Fibonacci.

Formula per la determinazione della Successione generalizzata di Fibonacci. Formula per la determiazioe della uccessioe geeralizzata di Fiboacci. A cura di Eugeio Amitrao Coteuto dell articolo:. Itroduzioe......... uccessioe di Fiboacci....... 3. Formula di Biet per la successioe

Dettagli

CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE. Di seguito verranno utilizzati i seguenti simboli:

CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE. Di seguito verranno utilizzati i seguenti simboli: PROPOSTA DI UN PROTOCOLLO DI PROVE PER IL CONTROLLO DELLE CARATTERISTICHE MECCANICHE DI PIETRE NATURALI PER FACCIATE VENTILATE FINALITÀ Nel campo edile l utilizzo di rivestimeti esteri da riportare sulle

Dettagli

Limiti di successioni

Limiti di successioni Argometo 3s Limiti di successioi Ua successioe {a : N} è ua fuzioe defiita sull isieme N deiumeriaturaliavalori reali: essa verrà el seguito idicata più brevemeteco{a } a èdettotermie geerale della successioe

Dettagli

Esercizi riguardanti limiti di successioni

Esercizi riguardanti limiti di successioni Esercizi riguardati iti di successioi Davide Boscaii Queste soo le ote da cui ho tratto le esercitazioi del gioro 27 Ottobre 20. Come tali soo be lugi dall essere eseti da errori, ivito quidi chi e trovasse

Dettagli

Campi vettoriali conservativi e solenoidali

Campi vettoriali conservativi e solenoidali Campi vettoriali coservativi e soleoidali Sia (x,y,z) u campo vettoriale defiito i ua regioe di spazio Ω, e sia u cammio, di estremi A e B, defiito i Ω. Sia r (u) ua parametrizzazioe di, fuzioe della variabile

Dettagli

DISTRIBUZIONI DOPPIE

DISTRIBUZIONI DOPPIE DISTRIBUZIONI DOPPIE Fio ad ora abbiamo visto teciche di aalisi dei dati per il solo caso i cui ci si occupi di u solo carattere rilevato su u collettivo (distribuzioi semplici). I termii formali fio ad

Dettagli

I appello - 29 Giugno 2007

I appello - 29 Giugno 2007 Facoltà di Igegeria - Corso di Laurea i Ig. Iformatica e delle Telecom. A.A.6/7 I appello - 9 Giugo 7 ) Studiare la covergeza putuale e uiforme della seguete successioe di fuzioi: [ ( )] f (x) = cos (

Dettagli

ESERCIZI SULLE SERIE

ESERCIZI SULLE SERIE ESERCIZI SULLE SERIE Studiare la atura delle segueti serie. ) cos 4 + ; ) + si ; ) + ()! 4) ( ) 5) ( ) + + 6) ( ) + + + 7) ( log ) 8) ( ) + 9) log! 0)! Studiare al variare di x i R la atura delle segueti

Dettagli

ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO

ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO ESERCIZI DI INFERENZA STATISTICA SVOLTI IN AULA DAL DOTT. CLAUDIO CONVERSANO ARGOMENTI TRATTATI: VARIABILI CASUALI DISCRETE VARIABILI CASUALI CONTINUE DISEGUAGLIANZA DI TCHEBYCHEFF TEOREMA DEL LIMITE CENTRALE

Dettagli

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1

SUCCESSIONI e LIMITI DI SUCCESSIONI. c Paola Gervasio - Analisi Matematica 1 - A.A. 15/16 Successioni cap3b.pdf 1 SUCCESSIONI e LIMITI DI SUCCESSIONI c Paola Gervasio - Aalisi Matematica 1 - A.A. 15/16 Successioi cap3b.pdf 1 Successioi Def. Ua successioe è ua fuzioe reale (Y = R) a variabile aturale, ovvero X = N:

Dettagli

Capitolo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE

Capitolo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE Capitoo 3 CARATTERIZZAZIONE MECCANICA DELLE FIBRE 3.1 LA TEORIA DI WEIBULL I comportameto meccaico dee fibre di giestra e di juta è stato caratterizzato mediate o studio dea resisteza a trazioe dee fibre

Dettagli

Elementi di matematica finanziaria

Elementi di matematica finanziaria Elemeti di matematica fiaziaria 18.X.2005 La matematica fiaziaria e l estimo Nell ambito di umerosi procedimeti di stima si rede ecessario operare co valori che presetao scadeze temporali differeziate

Dettagli

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE

STATISTICA 1 parte 2/2 STATISTICA INFERENZIALE STATISTICA parte / U test statistico è ua regola di decisioe Effettuare u test statistico sigifica verificare IPOTESI sui parametri. STATISTICA INFERENZIALE STIMA PUNTUALE STIMA PER INTERVALLI TEST PARAMETRICI

Dettagli

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3.

Corsi di Laurea in Ingegneria Edile e Architettura Prova scritta di Analisi Matematica 1 del 6/02/2010. sin( x) log((1 + x 2 ) 1/2 ) = 1 3. Corsi di Laurea i Igegeria Edile e Architettura Prova scritta di Aalisi Matematica del 6// ) Mostrare che + si( ) cos () si( ) log(( + ) / ) = 3. Possibile soluzioe: Cosiderado dapprima il deomiatore otiamo

Dettagli

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014)

Introduzione all assicurazione. (Dispensa per il corso di Microeconomia per manager. Prima versione, marzo 2013; versione aggiornata, marzo 2014) Itroduzioe all assicurazioe. (Dispesa per il corso di Microecoomia per maager. Prima versioe, marzo 2013; versioe aggiorata, marzo 2014) Massimo A. De Fracesco Uiversità di Siea March 14, 2014 1 Prezzo

Dettagli

Random walk classico. Simulazione di un random walk

Random walk classico. Simulazione di un random walk Radom walk classico Il radom walk classico) è il processo stocastico defiito da co prob. S S0 X k, co X k k co prob. e le X soo tra di loro idipedeti. k Si tratta di u processo a icremeti idipedeti e ideticamete

Dettagli

Distribuzioni di probabilità Unità 79

Distribuzioni di probabilità Unità 79 Prerequisiti: - Primi elemeti di probabilità e statistica. - Nozioi di calcolo combiatorio. - Rappresetazioe di puti e rette i u piao cartesiao. Questa uità iteressa tutte le scuole ad eccezioe del Liceo

Dettagli

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA

Corso di Laurea in Ing. Edile Politecnico di Bari A.A. 2008-2009 Prof. ssa Letizia Brunetti DISPENSE DEL CORSO DI GEOMETRIA Corso di Laurea i Ig Edile Politecico di Bari AA 2008-2009 Prof ssa Letizia Bruetti DISPENSE DEL CORSO DI GEOMETRIA 2 Idice Spazi vettoriali Cei sulle strutture algebriche 4 2 Defiizioe di spazio vettoriale

Dettagli

Alcuni parametri statistici di base

Alcuni parametri statistici di base Alcui parametri statistici di base Misure di tedeza cetrale: media mediaa moda Misure di dispersioe: itervallo di variazioe scarto medio variaza deviazioe stadard coefficiete di variazioe Popolazioe di

Dettagli

Successioni ricorsive di numeri

Successioni ricorsive di numeri Successioi ricorsive di umeri Getile Alessadro Laboratorio di matematica discreta A.A. 6/7 I queste pagie si voglioo predere i esame alcue tra le più famose successioi ricorsive, presetadoe alcue caratteristiche..

Dettagli

3.1 Il principio di inclusione-esclusione

3.1 Il principio di inclusione-esclusione Capitolo 3 Calcolo combiatorio 3.1 Il pricipio di iclusioe-esclusioe Il calcolo combiatorio prede i cosiderazioe degli isiemi fiiti particolari e e cota il umero di elemeti. Questo può dar luogo ad iteressati

Dettagli

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n

SERIE NUMERICHE Esercizi risolti. 2 b) n=1. n n 2 +n SERIE NUMERICHE Esercizi risolti. Applicado la defiizioe di covergeza di ua serie stabilire il carattere delle segueti serie, e, i caso di covergeza, trovare la somma: = + b) = + +. Verificare utilizzado

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagia Giovaa Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secodaria di secodo grado UNITÀ CAMPIONE Edizioi del Quadrifoglio à t i U 2 Radicali I questa Uità affrotiamo

Dettagli

5. Le serie numeriche

5. Le serie numeriche 5. Le serie umeriche Ricordiamo che ua successioe reale è ua fuzioe defiita da N, evetualmete privato di u umero fiito di elemeti, a R. Solitamete si idica ua successioe co la lista dei suoi valori: (a

Dettagli

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE

CAPITOLO UNDICESIMO VARIABILI CASUALI 1. INTRODUZIONE CAPITOLO UNDICESIMO VARIABILI CASUALI SOMMARIO:. Itroduzioe. -. Variabili casuali discrete. - 3. La variabile casuale di Beroulli. - 4. La variabile casuale biomiale. -. La variabile casuale di Poisso.

Dettagli

Appunti sulla MATEMATICA FINANZIARIA

Appunti sulla MATEMATICA FINANZIARIA INTRODUZIONE Apputi sulla ATEATIA FINANZIARIA La matematica fiaziaria si occupa delle operazioi fiaziarie. Per operazioe fiaziaria si itede quella operazioe ella quale avviee uo scambio di capitali, itesi

Dettagli

STIME E LORO AFFIDABILITA

STIME E LORO AFFIDABILITA TIME E LORO AFFIDABILITA L idea chiave su cui si basa l aalisi statistica è che si ossoo eseguire osservaioi su u camioe di soggetti e che da questo si ossoo comiere iferee sulla oolaioe raresetata da

Dettagli

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE

CAPITOLO SETTIMO GLI INDICI DI FORMA 1. INTRODUZIONE CAPITOLO SETTIMO GLI INDICI DI FORMA SOMMARIO: 1. Itroduzioe. - 2. Asimmetria. - 3. Grafico a scatola (box plot). - 4. Curtosi. - Questioario. 1. INTRODUZIONE Dopo aver aalizzato gli idici di posizioe

Dettagli

ESEMPIO 1. Immaginiamo come si distribuirebbero le stime campionarie se l operazione di campionamento venisse ripetuta più volte.

ESEMPIO 1. Immaginiamo come si distribuirebbero le stime campionarie se l operazione di campionamento venisse ripetuta più volte. ESEMPIO Prima dell esplosioe di ua cetrale ucleare, i terrei di ua certa regioe avevao ua produzioe media di grao pari a 00 quitali co uo scarto di 5. Dopo la catastrofe si selezioao 00 uità di superficie

Dettagli

SUCCESSIONI NUMERICHE

SUCCESSIONI NUMERICHE SUCCESSIONI NUMERICHE LORENZO BRASCO. Teoremi di Cesaro Teorema di Stolz-Cesaro. Siao {a } N e {b } N due successioi umeriche, co {b } N strettamete positiva, strettamete crescete e ilitata. Se esiste

Dettagli

La matematica finanziaria

La matematica finanziaria La matematica fiaziaria La matematica fiaziaria forisce gli strumeti ecessari per cofrotare fatti fiaziari che avvegoo i mometi diversi Esempio: Come posso cofrotare i ricavi e i costi legati all acquisto

Dettagli

Corso di Elementi di Impianti e macchine elettriche Anno Accademico 2014-2015

Corso di Elementi di Impianti e macchine elettriche Anno Accademico 2014-2015 Corso di Elemeti di Impiati e mahie elettriche Ao Aademico 014-015 Esercizio.1 U trasformatore moofase ha i segueti dati di targa: Poteza omiale A =10 kva Tesioe omiale V 1 :V =480:10 V Frequeza omiale

Dettagli

Una funzione è una relazione che ad ogni elemento del dominio associa uno e un solo elemento del codominio

Una funzione è una relazione che ad ogni elemento del dominio associa uno e un solo elemento del codominio Radicali Per itrodurre il cocetto di radicali che già avete icotrato alle medie quado avete imparato a calcolare la radice quadrata e cubica dei umeri iteri, abbiamo bisogo di rivedere il cocetto di uzioe

Dettagli

Serie numeriche: esercizi svolti

Serie numeriche: esercizi svolti Serie umeriche: esercizi svolti Gli esercizi cotrassegati co il simbolo * presetao u grado di difficoltà maggiore. Esercizio. Dopo aver verificato la covergeza, calcolare la somma delle segueti serie:

Dettagli

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c.

che sono una l inversa dell altra; l insieme dei messaggi cifrati C i cui elementi sono indicati con la lettera c. I LEZIONE Il ostro iteto è aalizzare i dettaglio i metodi di cifratura che si soo susseguiti el corso della storia prestado particolare attezioe all impiato matematico che e cosete la realizzazioe Iiziamo

Dettagli

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale.

Corso di laurea in Matematica Corso di Analisi Matematica 1-2 Dott.ssa Sandra Lucente 1 Funzioni potenza ed esponenziale. Corso di laurea i Matematica Corso di Aalisi Matematica -2 Dott.ssa Sadra Lucete Fuzioi poteza ed espoeziale. Teorema. Teorema di esisteza della radice -esima. Sia N. Per ogi a R + esiste uo ed u solo

Dettagli