! X (92) X n. P ( X n X ) =0 (94)
|
|
- Basilio Castaldo
- 5 anni fa
- Visualizzazioni
Transcript
1 Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque due numeri positivi, è possibile determinare un intero n,, tale che per ogni n>n, risulti o, in altri termini, se ( X n X ) < (93) 8 >0lim n!1 ( X n X ) =0 (94) Nel caso di vettori aleatori con dimensioni k maggiori di 1 la disuguaglianza X n X vale componente per componente. Significato geometrico per k =1. Dire che X n! X equivale a dire che la probabilità della striscia X n X < qualunque sia l ampiezza (2 ) tende a 1 o equivalentemente che la probabilità della parte di piano X n X tende a 0. G. Sanfilippo - Cd pag. 394
2 Applicazione - Legge dei grandi numeri Sia X 1,X 2,...,X n,... una successione di variabili aleatorie i.i.d, con E(X n )=µ e var(x n )= 2 finite. Consideriamo la successione delle medie aritmetiche X n = nx X i /n. i=1 Si ha E(X n ) = µ e var(x n ) = 2 /n. ertanto la media aritmetica avrà una distribuzione centrata su µ che al tendere di n all infinito avrà una varianza infinitesima var(x n )= 2 /n! 0, ovvero sempre più concentrata su µ. Osserviamo che per trovare la distribuzione di X n bisognerebbe fare n roviamo che X n! µ cioè, la successione X n converge in probabilità al numero aleatorio X = µ. er la disuguaglianza di Cebicev si ha 1 convoluzioni. ( X n µ ) apple var(x n) 2 G. Sanfilippo - Cd pag. 395
3 ma var(x n )= 2 /n! 0 pertanto si ha 8 >0lim n!1 ( X n µ > )=0. Tale risultato prende il nome di Legge (debole) dei grandi numeri. Adesempioèutile per stimare la vera misura di una lunghezza, dopo aver e ettuato diverse misure, si può considerare come vera misura la media aritmetica. In particolare tale risultato prende anche il nome di Teorema di Bernoulli, in quanto nella sua prima forma fu dimostrato da (Jakob) Bernoulli 26. Sia X 1,X 2,...,X n,... una successione di variabili aleatorie bernoulliane i.i.d, con E(X n )=p e var(x n )=p(1 p) finite. Ovvero X i = 1, con (Xn =1)=p 0, con (X n =0)=1 p = q Osserviamo che le X i possono essere viste come indicatori degli eventi E i, con E 1,E 2,...,E n,... indipendenti ed equiprobabili di probabilità p. Se E i = successo alla i-esima prova, allora la successione delle medie aritmetiche X n = n i=1 X i n = n i=1 E i n 26 Ars conjectandi, 1713 G. Sanfilippo - Cd pag. 396
4 diviene la frequenza relativa f n di successo su n prove. er Cebicev si ha (E(f n )=p, V ar(f n )= pq n ) equindiilteoremadiviene 8 >0, ( f n p ) apple pq n 2 (95) 8 >0lim n!1 ( f n p ) =0. Cioè la frequenza relativa di successo converge in probabilità alla probabilità p di successo in ogni prova. Se indichiamo con S n = n i=1 E i la frequenza assoluta di successo, la Legge dei grandi numeri ci dice che per ogni fissato piccolo a piacere si ha ( f n p < )! 1, ovvero, al crescere di n tende a 1 la probabilità dell evento p <f n <p+ (96) oequivalentemente,dell evento np n < S n <np+ n. (97) G. Sanfilippo - Cd pag. 397
5 Considerando l evento contrario, l equazione (95), diviene 8 >0, ( f n p < ) 1 pq n 2. (98) Ad esempio, per p =0.5, sefisso =0.01, dallatabella14 la legge dei grandi numeri pq ci dice che f n con probabilità maggiore o uguale a 1 n 2,pernsu cientemente grande, tende ad assumere valori compresi nell intervallo [0.49, 0.51]. er quanto riguarda S n si osserva sempre dalla stessa Tabella che nulla si può dire sulla sua convergenza. Infatti, per fissato, l ampiezza (2n ) dell intervallo[np n, np + n ] cresce all aumentare di n. pq n 1 n 2 p <f n <p+ np n < S n <np+ n 2n <f 10 < <S 10 < <f 100 < <S 100 < <f 1000 < <S 1000 < <f < <S < <f < <S < <f 10 6 < <S 10 6 < Tabella 14: Legge dei grandi numeri, p =0.5, =0.01 er quanto riguarda S n,ricordandochee(s n )=np, sihaunaltroimportanterisultato dovuto sempre a J. Bernoulli 8k >0lim n!1 ( S n np >k)=1. G. Sanfilippo - Cd pag. 398
6 Cioè il numero di S n np tende in probabilità all infinito. ossiamo pertanto dire che, in riferimento al lancio di una moneta, se si fanno un numero elevati di lanci la frequenze relativa di T esta sarà, con probabilità alta, vicina a 1/2, ma la frequenza assoluta, cioè il numero di volte in cui si presenta T esta, sarà probabilmente lontano da n/2. Se ad ogni lancio si vince 1 se esce T esta e 1 se esce Croce, allora dopo un numero elevato di lanci la vincita (positiva o negativa) sarà lontana da zero. Convergenza in Legge e convergenza in robabilità* 27 Teorema 1 Se X n! X allora Xn L! X. Inoltre se X = a con probabilità 1 vale il viceversa, cioè se X n L! X allora Xn! X Il precedente teorema dimostra che la convergenza in probabilità è più forte della convergenza in legge, tranne per variabili degenere. In generale la convergenza in legge non implica la convergenza in probabilità. Vediamo un controesempio. Esempio 4 Sia X 1,X 2,...,X n,... una successione di variabili aleatorie indipendenti e uniformemente distribuite in (0, 1) e sia X una variabile aleatoria con distr. unif. sempre in (0, 1) Essendo tutte le variabili in gioco con stessa distribuzione tutte 27 Facoltativo G. Sanfilippo - Cd pag. 399
7 avranno come funzione di ripartizione la funzione F n = F definita come F (x) = 8 < : 0, se x apple 0, x, se 0 apple x<1, 1, se x 1. Quindi X n converge in legge a X. roviamo che non c è convergenza in probabilità. Osserviamo che la densità marginale f(x n,x) è f n (x n,x)= 1, se (xn,x) 2 Q 1, 0, altrimenti avendo indicato con Q 1 il quadrato unitario, Q 1 = {(x, y) :0apple x apple 1, 0 apple y apple 1}. Consideriamo l evento X n X > si ha ( X n X > )=(1 ) 2 cioè fissato la quantità ( X n X > ) rimane costante al crescere di n, quindi X n 9 X. Esercizio 1 Sia {X n U(0, 1/n),n 2 N} una successione di variabili aleatorie ( delta di Dirac), provare che X n converge sia in legge che in probabilità a X =0 G. Sanfilippo - Cd pag. 400
8 Convergenza in Media* 28 Dato un numero reale r>0, diciamo che X n tende a X in media r esima, e scriviamo m.r. X n! X. se E( X n X r )! 0. er r =2si parla di convergenza in media quadratica. Inoltre tale convergenza, poichè prende in considerazione i valori medi, richiede che essi siano finiti. Ricordiamo che la disuguaglianza di Cebicev (Markov). er r>0, > 0, si ha pertanto possiamo dimostrare che ( X > ) apple E( X r ) r, Teorema 2 infatti 28 Extra X n m.r.! X ) X n! X, 8, ( X n X > ) apple E( X n X r ) r! 0 G. Sanfilippo - Cd pag. 401
9 Esempio 5 Nell inferenza statistica classica (oltre alla correttezza) si dice che uno stimatore Y n è consistente se tende in probabilità alla grandezza da stimare. Se E(Y n )=, cioè lo stimatore è corretto, si ha quindi se la var(y n )! 0 segue che E((Y n ) 2 )=E((Y n E(Y n )) 2 )=var(y n ) Y n m.q.!. e per il Teorema 2 si ha cioè lo stimatore è consistente. Y n! ertanto la media campionaria X n (per variabili con momenti di ordine 2 finiti) è uno stimatore corretto e consistente della media. Convergenza Quasi certa* 29 Una successione di variabili aleatorie {X n (!)} rappresenta una successione di funzioni misurabili da (, F) in (R, B 1 ). er tale successione un usuale convergenza matematica è quella puntuale, cioè X n (!)! X, 8! 2 29 Extra G. Sanfilippo - Cd pag. 402
10 ovvero (se come distanza consideriamo quella euclidea) 8 >0, 9m : X n (!) X(!) < per n>m. Una convergenza del genere però è troppo forte per le variabili aleatorie, visto che siamo interessati allo studio delle probabilità. ertanto la convergenza sarà su ciente anche se non si realizza in alcuni punti, purchè questi formino un insieme di misura trascurabile. Definizione 3 (Convergenza quasi certa.) Data una successione di v.a. {X n } euna v.a. X, diremochex n converge quasi certamente a X se l evento X n (!)! X(!) è quasi certo, ovvero se (X n! X) = ({! 2 :X n (!)! X(!)}) =1 In tal caso si scrive X n q.c.! X, oppure che X n tende a X con probabilità 1. La convergenza q.c. di X n ad una v.a. X significa prendere in considerazione in una prova (ipotetica) i valori assunti dalle infinite v.a. X n e vedere se questi convergono al valore assunto dalla v.a. X: tale evento deve avere probabilità 1. Caratterizzazione della convergenza quasi certa, G. Sanfilippo - Cd pag. 403
11 Teorema 3 X n q.c.! X se e solo se 8 >0, lim n!1 ( 1\ r=n X r X < )=1 ertanto una definizione alternativa di convergenza quasi certa potrebbe essere la seguente. Definizione 4 Data una successione di v.a. {X n } e una v.a. X, diremo che X n converge quasi certamente a X se, fissati due numeri positivi,, è possibile determinare un intero n,, tale che per ogni n>n, risulti +1 [ X r X <. r=n Fissati, in altri termini, arbitrariamente e debbono risultare minori di, pern>n,, non solo le probabilità, X n X, che ciascuno singolarmente degli scarti sia non inferiore a (come richiesto dalla convergenza in probabilità), ma anche le probabilità che anche uno solo su tutti gli scarti X n X da n, in poi sia non inferiore a. Si dimostra il seguente Teorema 4 Se X n q.c.! X allora X n! X. G. Sanfilippo - Cd pag. 404
12 Il viceversa non vale. Si possono costruire alcuni controesempi. In definitiva la relazione che sussiste, solo in un verso, tra le verie convergenze, è la seguente.. X n q.c.! X ) X n! X ) Xn L! X G. Sanfilippo - Cd pag. 405
P ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliLimiti della Distribuzione Binomiale
Limiti della Distribuzione Binomiale Giuseppe Sanfilippo 11 maggio 2012 1 Teorema di Bernoulli Sia X 1, X 2,..., X n... una successione di variabili aleatorie bernoulliane stocasticamente indipendenti
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliPrimo appello prova scritta di Calcolo delle probabilità Laurea Triennale in Matematica 01/02/2016
Primo appello prova scritta di Calcolo delle probabilità Laurea Triennale in Matematica 0/0/06 COGNOME e NOME... N. MATRICOLA... Esercizio. (9 punti) Sia {S n } n N una passeggiata aleatoria standard (cioè
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliCP410: Esame 2, 3 febbraio 2015
Dipartimento di Matematica, Roma Tre Pietro Caputo 2014-15, I semestre 3 febbraio, 2015 CP410: Esame 2, 3 febbraio 2015 Cognome Nome Matricola Firma 1. Sia (Ω, F, P) lo spazio di probabilità definito da
DettagliProbabilità 1, laurea triennale in Matematica II prova di valutazione in itinere a.a. 2008/09
robabilità, laurea triennale in Matematica II prova di valutazione in itinere a.a. 008/09. Francesco lancia ripetutamente due dadi non truccati: sia T il numero di lanci necessario ad ottenere per la prima
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
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 =
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
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
DettagliCalcolo delle Probabilità 2017/18 Foglio di esercizi 8
Calcolo delle Probabilità 07/8 Foglio di esercizi 8 Catene di Markov e convergenze Si consiglia di svolgere gli esercizi n 9,,,, 5 Catene di Markov Esercizio (Baldi, Esempio 5) Si consideri il grafo costituito
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 9-10-11 Es1: Aspettazioni iterate Siano X, Y, e Z v.a. discrete. Dimostrare le seguenti generalizzazioni della legge delle aspettazioni iterate a) b) c) Es2: Bacchetta Abbiamo
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliCP110 Probabilità: Esame 30 gennaio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2010-11, II semestre 30 gennaio, 2012 CP110 Probabilità: Esame 30 gennaio 2012 Testo e soluzione 1. (5 pts) Un gioco consiste in n prove ripetute, tali
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
CORSO DI CALCOLO DELLE PROBABILITÀ o modulo - PROVA d esame del 9/02/200 - Laurea Quadriennale in Matematica - Prof. Nappo Scrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate
DettagliEsercitazione del 21/10/2011 Calcolo delle probabilità
Esercitazione del /0/0 Calcolo delle probabilità Funzione di ripartizione Sia F X una funzione da R in R. consideriamo le seguenti condizioni: F X è non decrescente ( ) x F X (x) x F X (x) 0 F X è continua
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
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
Dettagli= = 4 5.
n.a. discreti Esempio 54 Dieci carte vengono suddivise in due scatole U 1 e U 2 di 5 carte ciascuna. Nella scatola U 1 vi sono solo carte vincenti mentre nella scatola U 2 vi sono 3 carte vincenti e 2
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
DettagliAlcuni complementi di teoria dell integrazione.
Alcuni complementi di teoria dell integrazione. In ciò che segue si suppone di avere uno spazio di misura (,, µ) 1 Sia f una funzione misurabile su un insieme di misura positiva tale che f 0. Se fdµ =
DettagliIndice. 1 Nozioni di base 2. 2 I tre principi di Littlewood 5. 3 Il ``quarto'' principio di Littlewood 7
Indice 1 Nozioni di base 2 2 I tre principi di Littlewood 5 3 Il ``quarto'' principio di Littlewood 7 4 I principi di Littlewood in spazi di misura generici 10 1 Capitolo 1 Nozioni di base Denizione 1.
DettagliCP410: Esame 2, 30 gennaio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 23-4, I semestre 3 gennaio, 24 CP4: Esame 2, 3 gennaio 24 Testo e soluzione Cognome Nome Matricola Firma . Per ogni n N, sia X n la variabile aleatoria
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliV Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 7 gennaio
V Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 24/5 Nome: 7 gennaio 26 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile usare
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2014/2015 www.mat.uniroma2.it/~caramell/did 1415/ps.htm 02/03/2015 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
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
Dettaglif(x) := lim f n (x) Se introduciamo la norma uniforme di una funzione f (sull insieme A) mediante := sup f(x)
Capitolo 2 Successioni e serie di funzioni 2. Convergenza puntuale e orme Supponiamo che sia un sottoinsieme di R N e supponiamo che per ogni intero n sia data una funzione f n : R M. Diremo in questo
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2012/2013 www.mat.uniroma2.it/~caramell/did 1213/ps.htm 05/03/2013 - Lezioni 1, 2, 3 Breve introduzione al corso. Fenomeni deterministici
DettagliAnalisi di Fourier e alcune equazioni della fisica matematica 1. TERZA LEZIONE Serie di funzioni Serie di potenze
Analisi di Fourier e alcune equazioni della fisica matematica 1 TERZA LEZIONE Serie di funzioni Serie di potenze 1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email:
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
DettagliCP110 Probabilità: Esame 4 luglio Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 4 luglio, 2012 CP110 Probabilità: Esame 4 luglio 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline numerate da 1
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
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
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliTeoremi limite. Enrico Ferrero. 27 febbraio 2007
Teoremi limite Enrico Ferrero 27 febbraio 2007 LA DISEGUAGLIANZA DI CHEBYCHEV Sia X una variabile aleatoria avente valore medio µ e varianza σ 2. Sia poi K un arbitrario numero positivo. È possibile dimostrare
DettagliIstituzioni di Probabilità - A.A
Istituzioni di Probabilità - A.A. 25-26 Prima prova di verifica intermedia - 29 aprile 25 Esercizio. Sia (X n ) n una successione di v.a. i.i.d. centrate con < X P-q.c., sia λ R ed F una v.a. integrabile
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
Dettagli1 PRELIMINARI 1.1 NOTAZIONI. denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A.
1 PRELIMINARI 1.1 NOTAZIONI denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A. B A si legge B è un sottoinsieme di A e significa che ogni elemento di B è anche elemento di
DettagliIII Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 14 luglio
III Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 14/15 Nome: 14 luglio 15 Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliI Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
I Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 3 gennaio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliSTATISTICA APPLICATA Prof.ssa Julia Mortera. INTRODUZIONE al STATISTICA
STATISTICA APPLICATA Prof.ssa Julia Mortera INTRODUZIONE al CAMPIONAMENTO e all INFERENZA STATISTICA Inferenza Statistica Nell inferenza statistica si usano le statistiche campionarie per fare previsioni
DettagliSuccessioni numeriche
Successioni numeriche Hynek Kovarik Università di Brescia Analisi A Hynek Kovarik (Università di Brescia) Successioni Analisi A 1 / 35 Definizione Una successione a valori reali è una funzione f : N R
DettagliElementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
DettagliEstrazioni senza restituzione da un urna di composizione incognita. P(E i)=
Estrazioni senza restituzione da un urna di composizione incognita. Consideriamo n estrazioni senza restituzione da un urna contenente N palline, di cui r sono bianche, con r incognito. Introdotta la partizione
DettagliMisure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a )
Misure e loro proprietà (appunti per il corso di Complementi di Analisi Matematica per Fisici, a.a. 2006-07 Sia Ω un insieme non vuoto e sia A una σ-algebra in Ω. Definizione 1. (Misura. Si chiama misura
DettagliEsame di Calcolo delle Probabilità del 12 dicembre 2005 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Calcolo delle Probabilità del 2 dicembre 2005 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. Es. 2 Es. 3 Es. 4 Somma Voto parziale Prima
DettagliScrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate sui fogli protocollo e riportate nel foglio RISPOSTE.
Corso di Laurea Triennale in Matematica Corso di Calcolo delle Probabilità (docenti G. Nappo, F. Spizzichino prova scritta giugno 5 (tempo a disposizione: ore La prova scritta consiste nello svolgimento
DettagliANALISI 1 1 SEDICESIMA - DICIASETTESIMA LEZIONE Serie
ANALISI 1 1 SEDICESIMA - DICIASETTESIMA LEZIONE Serie 1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email: saccon@mail.dm.unipi.it web: http://www2.ing.unipi.it/ d6081/index.html
DettagliParte I Identificazione di modelli dinamici. 6: Teoria della stima e caratteristiche degli stimatori. Parte I 6, 1
Parte I 6, 1 Parte I Identificazione di modelli dinamici 6: Teoria della stima e caratteristiche degli stimatori Generalita` Parte I 6, 2 In generale abbiamo: dove sono i dati osservati e` la quantita`
DettagliESERCIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2
ESECIZI DATI A LEZIONE TPA - anno 2006 CAPITOLO 2 1. Una σ algebra è chiusa rispetto a intersezioni finite e numerabili, e rispetto a differenze e differenze simmetriche. 2. Una σ algebra è anche un algebra,
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
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
DettagliAnalisi Matematica 1 Trentaquattresma lezione. Serie
Analisi Matematica 1 Trentaquattresma lezione Serie prof. Claudio Saccon Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email: saccon@mail.dm.unipi.it web: http://saccon.blog.dma.unipi.it
DettagliMATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI)
Matematica Finanziaria, a.a. 2011/2012 p. 1/315 UNIVERSITA DEGLI STUDI DI PARMA FACOLTA DI ECONOMIA MATEMATICA FINANZIARIA RISCHI: RAPPRESENTAZIONE E GESTIONE (CENNI) ANNAMARIA OLIVIERI a.a. 2011/2012
DettagliTutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
DettagliProbabilità 1, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09. Due roulette regolari vengono azionate più volte; sia T il numero di volte che occorre azionare la prima roulette
DettagliCP110 Probabilità: Esame 2 settembre 2013 Testo e soluzione
Diartimento di Matematica, Roma Tre Pietro Cauto 212-13, II semestre 2 settembre, 213 CP11 Probabilità: Esame 2 settembre 213 Testo e soluzione 1. (6 ts) Abbiamo due mazzi di carte francesi, il mazzo A
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
DettagliIl modello di Bernoulli
Il modello di in funzione DEFINIZIONE DI V.A. B(p) Una v.a. di arametro p è una v.a. che può assumere solo i valori 0 e 1, e per cui la probabilità di assumere il valore 1 è pari a p, e quella di assumere
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliANALISI 1 - Teoremi e dimostrazioni vari
ANALISI 1 - Teoremi e dimostrazioni vari Sommario Proprietà dell estremo superiore per R... 2 Definitivamente... 2 Successioni convergenti... 2 Successioni monotone... 2 Teorema di esistenza del limite
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2008/09
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 28/9 Prova scritta del 4//29 Una ditta produce bottoni, con una (bassa) frequenza p di pezzi difettosi. Una merceria, cliente abituale, acquista regolarmente
DettagliESERCIZI E COMPLEMENTI DI ANALISI MATEMATICA: quinto foglio. A. Figà Talamanca
ESERCIZI E COMPLEMENTI DI ANALISI MATEMATICA: quinto foglio A. Figà Talamanca 14 ottobre 2010 2 0.1 Ancora limiti di funzioni di variabile reale Esercizio 1 Sia f(x) = [sin x] definita nell insieme [0,
DettagliCognome Nome Matricola. Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale
Esame di Calcolo delle Probabilità mod. B del 9 settembre 2003 (Corso di Laurea in Matematica, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione:
DettagliIl valore atteso di una v.a. (discreta)
di una v.a. (discreta) Introduciamo un nuovo concetto. DEFINIZIONE DI VALORE ATTESO DI UNA V.A. DISCRETA Sia X : Ω R una v.a. discreta avente come immagine in R l insieme V. di X è il numero reale E(X)
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
DettagliLaurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Serie numeriche
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Serie numeriche Docente: Anna Valeria Germinario Università di Bari A.V.Germinario (Università di Bari) Analisi
DettagliPrima prova in itenere di Istituzioni di Probabilità
Prima prova in itenere di Istituzioni di Probabilità 14 novembre 2012 Esercizio 1. Un processo di Ornstein-Uhlenbec modificato (OUM) è un processo reale, con R come insieme dei tempi, con traiettorie continue,
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
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
Dettagli