#################################################### # ESERCITAZIONE 1 ####################################################
|
|
- Marianna Buono
- 4 anni fa
- Visualizzazioni
Transcript
1 #################################################### # ESERCITAZIONE 1 #################################################### # ESERCIZIO 1 # Calcolo di quantili help(qnorm) qnorm(0.95, mean = 0, sd = 1) qnorm(0.95, 0, 1, lower.tail = TRUE) qnorm(0.95) qnorm(1-0.07,0,1) qnorm(0.07,0,1, lower.tail = FALSE) ## Normale media=5 varianza=9 qnorm(0.95, mean = 5, sd = sqrt(9)) qnorm(0.07,5,sqrt(9),false) ## t di student df=9 help(qt) qt(0.95, df = 9) qt(0.07,9,, lower.tail = FALSE) # ## Chi quadro df=12 help(qchisq) qchisq(0.95, df=12) qchisq(0.07, 12,, lower.tail = FALSE) ## F df1 = 4 df2 = 7 help(qf) qf(0.95, df1 = 4, df2 = 7) qf(0.07, df1 = 4, df2 = 7,, FALSE) # ESERCIZIO 2 # Generazione di numeri casuali
2 rnorm(n = 1, mean = 0, sd = 1) rand_nst <- rnorm(n = 1000, mean = 0, sd = 1) mean(rand_nst) sd(rand_nst) ## Binomiale n.prove=20, p=0.3 help(rbinom) rand_b <- rbinom(n = 1000, size = 20, prob = 0.30) head(rand_b) # ## Normale media=5 varianza=9 rand_n <- rnorm(n = 1000, mean = 5, sd = sqrt(9)) mean(rand_n) sd(rand_n) ## t di student df=9 rand_t <- rt(n = 1000, df = 9) mean(rand_t) ## Chi quadro df=12 rand_chi <- rchisq(n = 1000, df = 12) mean(rand_chi) var(rand_chi) ## F df1=4 df2=7 rand_f <- rf(n = 1000, df1 = 4, df2 = 7) head(rand_f) # ESERCIZIO 3 # Calcolo delle funzioni di densità e # di probabilità cumulate # f(1.64) dnorm(x=1.64, mean=0, sd=1) # P(X<2.3) pnorm(q = 2.3, mean = 0, sd = 1, lower.tail = TRUE) # P(X>1.5) pnorm(q = 1.5, mean = 0, sd = 1, lower.tail = FALSE) # P(-2.4<X<3.2) a <- pnorm(q = 3.2, mean = 0, sd = 1) b <- pnorm(q = -2.4, mean = 0, sd = 1) c <- a-b c ## Binomiale n.prove=20 e p=0.30 # P(X=6) dbinom(x = 6, size = 20, prob = 0.30) # P(X<=5) pbinom(q = 5, size = 20, prob = 0.30, TRUE) # P(X>=13)
3 pbinom(q = 13, size = 20, prob = 0.30, FALSE) # P(X>13) pbinom(q = 14, size = 20, prob = 0.30, FALSE) # # Normale media=0 varianza=1 # P(X>1.5) 1-pnorm(q = 1.5, mean = 0, sd = 1) # P(X<-2.7) pnorm(q = -2.7, mean = 0, sd = 1) # P(X>-1) pnorm(q = -1.0, mean = 0, sd = 1, FALSE) ## Binomiale n.prove=20 e p=0.30 # P(2<=X<=7) d <- pbinom(q = 7, size = 20, prob = 0.30) e <- pbinom(q = 2, size = 20, prob = 0.30) f <- d - e f ## Altre distribuzioni # t di student df=9 dt(x = 2, df = 9) pt(q=2, df=9) # Chi quadro df=12 dchisq(x = 3, df = 12) pchisq(q = 3, df = 12) # F df1 = 4, df2 = 7 df(x = 5, df1 = 4, df2 = 7) pf(q = 5, df1 = 4, df2 = 7) # ESERCIZIO 4 # Rappresentazioni grafiche # funzione di densità di probabilità ynst <- dnorm(x = rand_nst, mean = 0, sd = 1) plot(rand_nst, ynst, type = 'p') plot hist(rand_nst) # funzione di ripartizione ynst_c <- pnorm(q = rand_nst, mean = 0, sd = 1) plot(rand_nst, ynst_c, type = 'p') ## Binomiale n.prove=20, p=0.30 # funzione di probabilità ybin <- dbinom(x = rand_b, size = 20, prob = 0.30) hist(rand_b) plot(rand_b, ybin, type = 'p') # funzione di ripartizione
4 ybin_c <- pbinom(q = rand_b, size = 20, prob = 0.30, TRUE) plot(rand_b, ybin_c, type = 'p') # ychi <- dchisq(x = rand_chi, df = 12) ychi_c <- pchisq(q = rand_chi, df = 12) plot(rand_chi, ychi, type = 'p') hist(rand_chi) plot(rand_chi, ychi_c, type = 'p') # ESERCIZIO 5 # Combinazione lineare di variabili casuali # V.C. Normale(5, 2) rand_x <- rnorm(n = 1000, mean = 5, sd = sqrt(2)) # V.C. Normale(7, 4) rand_y <- rnorm(n = 1000, mean = 7, sd = sqrt(4)) # Z come combinazione lineare di X e Y Z <- 2*rand_X + 3*rand_Y mean(z) var(z) # ESERCIZIO 6 # Calcolo probabilità marginali e condizionate #################################################### # Matrice di frequenze assolute osservate: X = matrix(round(runif(12, min=0, max=100)), nrow = 3, ncol = 4) # Distribuzione delle freq. marginali assolute di colonna rowsums(x) # Distribuzione delle freq. marginali assolute di riga colsums(x) # Matrice delle prob. condizionate di riga prop.table(x,1) rowsums(prop.table(x,1)) # Ok # matrice delle prob. condizionate di colonna prop.table(x,2) colsums(prop.table(x,2)) # Ok # Matrice delle prob. congiunte prop.table(x) # # ESERCIZIO 7 # Normale multivariata #
5 # Istallare il pacchetto mvtnorm install.packages("mvtnorm") require(mvtnorm) # Fissiamo media e varianza mu = c(1,-1) Si = matrix(c(4,1,1,1),2,2) # Calcoliamo funzione di densità in un punto f = dmvnorm(c(0,0),mu,si) # Rappresentiamo grafico densità x = seq(-6,9,0.25); nx = length(x) y = seq(-6,9,0.25); ny = length(y) Z = matrix(0,nx,ny) for(i in 1:nx) for(j in 1:ny) Z[i,j] = dmvnorm(c(x[i],y[j]),mu,si) persp(x,y,z) # phi, theta persp(x,y,z,phi=20) persp(x,y,z,phi=-30) persp(x,y,z,theta=10) persp(x,y,z,phi=20,theta=10) persp(x,y,z,phi=20,theta=40) persp(x,y,z,phi=20,theta=40, col = "lightblue") contour(x,y,z) # # Provare altra varianza Si2 = matrix(c(4,0,0,1),2,2) Z = matrix(0,nx,ny) for(i in 1:nx) for(j in 1:ny) Z[i,j] = dmvnorm(c(x[i],y[j]),mu,si2) contour(x,y,z) # # Estrazione numeri casuali da una normale doppia Si2 = matrix(c(4,0,0,1),2,2) X2 = rmvnorm(1000,mu,si2) colmeans(x2) cov(x2) cor(x2) # # ESERCIZIO 8 # Verosimiglianza # ## Rappresentazione verosimiglianza Bernoulli # Estraiamo 100 osservazioni
6 y = 1*(runif(100)>0.5) p = 0.45 f = dbinom(y,1,p) L = prod(f) # Rappresentiamo likelihood pv = seq(0,1,0.001); np = length(pv) Lv = rep(0,np) for(i in 1:np) Lv[i] = prod(dbinom(y,1,pv[i])) plot(pv,lv,type="l") # Rappresentiamo log-likelihood lv = log(lv) plot(pv,lv,type="l") # massimo vicino a 0.5 phat = sum(y)/100 ## Rappresentazione verosimiglianza Normale # Estraiamo 100 osservazioni y = rnorm(50) mu = -0.5 f = dnorm(y,mu) L = prod(f) # Rappresentiamo likelihood muv = seq(-1,1,0.01); np = length(muv) Lv = rep(0,np) for(i in 1:np) Lv[i] = prod(dnorm(y,muv[i])) plot(muv,lv,type="l") # Rappresentiamo log-likelihood lv = log(lv) plot(muv,lv,type="l") # Massimo vicino a 0 muhat = sum(y)/50 si2hat = sum((y-muhat)^2)/50
INTRODUZIONE A R Lezione 3
INTRODUZIONE A R Lezione 3 Silvia Bacci e Silvia Pandolfi 1 Creare grafici in R R consente di realizzare, con semplicità, grafici di qualità professionale. Questi sono poi esportabili come file in numerosi
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda
DettagliLaboratorio di ST1 - Lezione 2. Antonietta di Salvatore. Dipartimento di Matematica Universitá degli Studi Roma Tre
Laboratorio di ST1 - Lezione 2 Antonietta di Salvatore Dipartimento di Matematica Universitá degli Studi Roma Tre Outline variabili discrete Binomiale Poisson variabili continue Normale Esponenziale Gamma
DettagliTenendo conto che la funzione di probabilità per una v.c. binomiale X è definita dalla seguente notazione
APPENDICE I. TAVOLE STATISTICHE Si ribadisce al lettore che in questa Appendice si riportano le procedure di Excel e di R.2.12.1 che gli permettono di trovare qualsiasi valore di probabilità cercato e
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8:
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 8: 10-05-2004 Andrea Tancredi Università di Roma La Sapienza, Rome, Italy andrea.tancredi@uniroma1.it http://3w.eco.uniroma1.it/utenti/tancredi
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 6:
esercitazione 6 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 6: 06-05-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliAd esempio, consideriamo la distribuzione normale standardizzata. Esistono 4 funzioni ad essa relative:
Laboratorio 5 Distribuzioni R consente di gestire automaticamente molte distribuzioni (per calcolare probabilità, quantili,... ). Questo permette di effettuare verifiche di ipotesi, calcolare intervalli
Dettagli##################################################### # Normale Multivariata ##################################################
# Normale Multivariata ################################################## # Pacchetto MASS installato di default library(mass) help(mvrnorm) # Normale trivariata mu = c(-1, 3, 0) # Definisco il vettore
Dettaglidistribuzioni teoriche di probabilità
distribuzioni teoriche di probabilità cosa sono distribuzione teorica di probabilità un modello del processo che genera i dati specifica la densità di probabilità associata ad ogni possibile valore assunto
DettagliLaboratorio di Statistica e Analisi Dati: Lezione 7
Laboratorio di Statistica e Analisi Dati: Lezione 7 Tommaso C. & Marco G. 14 17 Dicembre 2016 file:///c:/users/tommasor/documents/uni%20 %20PhD/Tutoring/2016 17%20 %20Laboratorio%20di%20Statistica%20e%20Analisi%20dei%20Dati/repo/materialelezioni/statistica/lez7.html#(1)
DettagliCoppie di variabili aleatorie
Coppie di variabili aleatorie 1 Coppie di variabili aleatorie Definizione: Si definisce vettore aleatorio la coppia (,) dove,, sono definite sullo stesso spazio campione : S R, : S R (, ) : S R Esempio:
DettagliIntroduzione a R. 0.1 Iniziare e chiudere una sessione di R. 0.2 Semplice aritmetica. 0.3 Assegnazioni di valori > 3/2 + 1 [1] 2.5
Sommario INTRODUZIONE AL LINGUAGGIO R Materiale integrativo relativo al corso di Statistica 0.1 Iniziare e chiudere una sessione di R......................... 3 0.2 Semplice aritmetica...................................
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliR - seconda lezione. 1 Simulazione e rappresentazioni grafiche in R
R - seconda lezione 1 Simulazione e rappresentazioni grafiche in R R contiene funzioni interne che fanno riferimento a distribuzioni note. Relativamente a una fissata distribuzione, possiamo valutarne
DettagliData Mining and Machine Learning Lab. Lezione 2 Master in Data Science for Economics, Business and Finance 2018
Data Mining and Machine Learning Lab. Lezione 2 Master in Data Science for Economics, Business and Finance 2018 06.04.18 Marco Frasca Università degli Studi di Milano Principali variabili casuali in R
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliIntroduzione alle funzioni dnorm, pnorm, qnorm e rnorm in R
Una domanda che viene posta di frequente dagli studenti che affrontano il corso di statistica usando R e la seguente: qual e l equivalente in R delle tabelle di probabilita e dei corrispondenti z-score
DettagliAnalisi dei dati con R
Analisi dei dati con R Riccardo Massari riccardo.massari@uniroma1.it Corso di STATISTICA Facoltà di Ingegneria Sapienza Università di Roma (Corso di statistica) Analisi dei dati - R. Massari 1 / 96 ANALISI
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione3:
esercitazione 3 p. 1/16 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione3: 18-03-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 7 VARIABILI CASUALI CONTINUE LA VARIABILE NORMALE densità (z) 0.0 0.1 0.2 0.3 0.4-4 -2 0 2 4 z LA VARIABILE
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 6 VARIABILI ALEATORIE CONTINUE z LA VARIABILE NORMALE Esempio
DettagliLaboratorio di Probabilità e Statistica
Laboratorio di Probabilità e Statistica lezione 4 Massimo Guerriero Ettore Benedetti Indice Lezione Prerequisiti dalla lezione scorsa Permutazioni e coefficiente binomiale Variabili casuali discrete Esperimento
DettagliPROGRAMMA DI STATISTICA BITETTO-BOGLI aa. 2018/2019 CON DETTAGLIO ARGOMENTI DA STUDIARE E LEGGERE * SUI LIBRI ADOTTATI
1 PROGRAMMA DI STATISTICA BITETTO-BOGLI aa. 2018/2019 CON DETTAGLIO ARGOMENTI DA STUDIARE E LEGGERE * SUI LIBRI ADOTTATI In merito al programma del corso B di statistica già pubblicato con i relativi riferimenti
DettagliINFERENZA STATISTICA I (CANALE B)
INFERENZA STATISTICA I (CANALE B) FORMULE E TAVOLE a.a. 2005/06 Indice A. Formule 2 B. Quantili di una distribuzione normale standard 4 C. Quantili di una distribuzione t di Student 5 D. Quantili di una
DettagliFunzioni di probabilità con Matlab
Funzioni densità di probabilità e distribuzioni cumulative - Introduzione: Riepilogo Concetti Teoria - Distribuzioni densità di probabilità con - Distribuzioni cumulative - Inverse distribuzioni cumulative
DettagliProbabilità e Statistica
Probabilità e Statistica Variabili Casuali multidimensionali Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2/29 Marco Pietro Longhi Prob. e Stat.
DettagliEsercizi con R. Corso Statistica corso avanzato A. A. 2013/2014
Esercizi co R Corso Statistica corso avazato A. A. 203/204 Esercizio Due compagie di assicurazioe soo i cocorreza per stipulare polizze co = 000 clieti. Si suppoga che ogi cliete scelga tra le due società
DettagliIndice. L Editore ringrazia. Ringraziamenti. Autori. Prefazione. Obiettivi formativi XIII XVII
Indice XI XI XIII XV XVII L Editore ringrazia Ringraziamenti Autori Prefazione Obiettivi formativi XIX Istruzioni per gli studenti XIX Un po di storia XX Cosa è la Statistica XXI Come usare questo libro
DettagliVariabili casuali multidimensionali
Variabili casuali multidimensionali Variabili casuali multidimensionali: k-ple ordinate di variabili casuali unidimensionali definite sullo stesso spazio di probabilità X = (X 1,..., X k ) Funzione di
DettagliSTATISTICA (modulo II - Inferenza Statistica) Soluzione Esercitazione I
Soluzione Esercitazione I Esercizio A. Si indichi con A i l evento la banca i decide di aprire uno sportello per il quale Pr(A i = 0.5 (e dunque Pr(A i = 0.5 per i =, 2, 3. Lo spazio degli eventi dato
DettagliCorrelazione e regressione per problemi di Luciano Corso
Correlazione e regressione per problemi di Luciano Corso Presidente della sezione di Verona della Mathesis Direttore della Rivista MatematicaMente Email: lcorso@iol.it CASTELLAMMARE DI STABIA 20180717
DettagliLaboratorio di R - 1 a lezione Prof. Mauro Gasparini
Laboratorio di R - 1 a lezione Prof. Mauro Gasparini 0. Preliminari # in R il simbolo "#" indica l'inizio di una linea di commento Uscire da R q() Chiedere aiuto ad R help() help(mean)?mean help.start()
DettagliI I L I. e e. '/ene11c. cleup editore. v: IVO
'/ene11c I I ------L---------- 1 I I I I A e e cleup editore v: IVO \ o Adelchi Azzalini -Romano Vedaldi Introduzione all'inferenza statistica parametrica CENTRO < G. ASTENGO " cleup editore INVENTARIO?
Dettaglidistribuzioni campionarie
distribuzioni campionarie cosa sono sampling distribution la distribuzione teorica di una statistica campionaria, supponendo di estrarre ripetuti campioni p.e., la distribuzione di tutte le medie di campioni
DettagliStatistica Corso di laurea in Biotecnologie I esonero - 23 aprile 2009
Statistica Corso di laurea in Biotecnologie I esonero - aprile 00 Esercizio Con riferimento a due fenomeni X e Y sono state annotate le seguenti osservazioni: X 5 Y 7 8 a) determinare il grado di correlazione
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliINFERENZA STATISTICA I (CANALE B)
INFERENZA STATISTICA I (CANALE B) FORMULE E TAVOLE PER L ESAME a.a. 2003/04 Indice A. Formule 2 B. Quantili di una distribuzione normale standard 4 C. Quantili di una distribuzione t di Student 5 D. Quantili
DettagliREGISTRO DELLE LEZIONI*
UNIVERSITÀ DEGLI STUDI DI GENOVA Dipartimento di Matematica Corso di laurea in Statistica matematica e trattamento informatico dei dati REGISTRO DELLE LEZIONI* dell' INSEGNAMENTO o MODULO UFFICIALE Nome:
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
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
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
DettagliProbabilità Esercitazione n. 6 del 24/05/2016
Corso di Laurea in Matematica Applicata Probabilità Esercitazione n. 6 del 24/05/2016 Docente: Bruno Gobbi V.C. NORMALE, ESPONENZIALE NEGATIVA E UNIFORME CONTINUA 1) La pressione del sangue segue una distribuzione
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 8 ESERCIZI SULLE V.C. CONTINUE LA VARIABILE NORMALE In R si definiscono quattro funzioni per la variabile normale:
DettagliLaboratorio 1 Strumenti quantitativi per la gestione
Laboratorio 1 Strumenti quantitativi per la gestione Emanuele taufer Lab: Introduzione a R Comandi di base Lab: Introduzione a R Comandi di base R utilizza funzioni per eseguire le operazioni. Per eseguire
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello
Metodi Quantitativi per Economia, Finanza e Management Lezione n 8 Regressione lineare multipla: le ipotesi del modello, la stima del modello 1. Introduzione ai modelli di regressione 2. Obiettivi 3. Le
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
DettagliFacoltà di AGRARIA anno accademico 2009/10
Facoltà di AGRARIA anno accademico 2009/10 Attività didattica MATEMATICA E STATISTICA [AG0233], MATEMATICA E STATISTICA [AG0233] Periodo di svolgimento: Primo Semestre Docente titolare del corso: FREDDI
DettagliStatistica. Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza e correlazione
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2010/2011 Statistica Esercitazione 4 17 febbraio 2011 Medie condizionate. Covarianza
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliCorso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010.
Corso di Laurea in Scienze dell Organizzazione Facoltà di Sociologia, Università degli Studi di Milano-Bicocca a.a. 2009/2010 Statistica Esercitazione 4 12 maggio 2010 Dipendenza in media. Covarianza e
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base (Serale) Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Variabili casuali Esercizio 1. Determinare la distribuzione di probabilità e la funzione di ripartizione della variabile
DettagliREGISTRO DELLE LEZIONI
UNIVERSITÀ DEGLI STUDI DI GENOVA Dipartimento di Matematica Corso di laurea in Statistica matematica e trattamento informatico dei dati REGISTRO DELLE LEZIONI dell INSEGNAMENTO o MODULO UFFICIALE Nome:
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
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
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
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 5 Analisi Bivariata I Parte
Metodi Quantitativi per Economia, Finanza e Management Lezione n 5 Analisi Bivariata I Parte Statistica descrittiva bivariata Indaga la relazione tra due variabili misurate. Si distingue rispetto alla
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 3-05-2004 Andrea Tancredi Università di Roma La Sapienza, Rome, Italy andrea.tancredi@uniroma1.it http://3w.eco.uniroma1.it/utenti/tancredi
DettagliX \Y Liceo Classico Liceo Scientifico Altro le distribuzioni di frequenza marginali relative, f i. e f.
Esercizio 1 La seguente tabella riporta la distribuzione di un collettivo di 70 studenti per numero di anni impiegati per conseguire la laurea (Y) e titolo di studio (X) X \Y 3 4 5 Liceo Classico 15 10
DettagliR - Esercitazione 2. Andrea Fasulo 20 Ottobre Università Roma Tre
R - Esercitazione 2 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre 20 Ottobre 2017 det(), solve() : calcolano determinante e inverso di una matrice quadrata. t() genera la matrice trasposta.
DettagliREGISTRO DELLE LEZIONI
UNIVERSITÀ DEGLI STUDI DI GENOVA Dipartimento di Matematica Corso di laurea in Statistica matematica e trattamento informatico dei dati REGISTRO DELLE LEZIONI dell INSEGNAMENTO o MODULO UFFICIALE Nome:
DettagliCalcolo delle Probabilità
Esercitazione 6 maggio 04 Calcolo delle Probabilità Davide Petturiti e-mail: davide.petturiti@sbai.uniroma.it web: https://sites.google.com/site/davidepetturiti Esercizio. Siano X e Y due variabili aleatorie
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
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
DettagliProva scritta di Affidabilità dei sistemi e Controllo statistico di qualità. 11 Giugno 2014
Prova scritta di Affidabilità dei sistemi e Controllo statistico di qualità 11 Giugno 2014 1. Supponiamo che un sistema sia formato da 3 blocchi connessi in parallelo. Il tempo di vita del sistema A è
DettagliRisultati X P(X) TTT 0 1/8 TTC 1 1/8 TCT 1 1/8 CTT 1 1/8 TCC 2 1/8 CTC 2 1/8 CCT 2 1/8 CCC 3 1/8 X P(X) F(X) 0 1/8 1/8 1 3/8 4/8 2 3/8 7/8 3 1/8 1
Esercizio 1 Determinare la distribuzione di probabilità e la funzione di ripartizione della v.c. discreta X = numero di croci in 3 lanci di una moneta. Calcolare F(-1), F(1.5), F(300). Risultati X P(X)
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliBayes, PDF, CDF. Renato Mainetti
Bayes, PDF, CDF Renato Mainetti Importiamo i dati di un esperimento Censimento volatili isola di Nim: 100 volatili vivono su quest isola 30 piccioni marroni (classe 1) 20 piccioni bianchi (classe 2) 10
DettagliStatistica Corso di laurea in Biotecnologie I esonero - 19 aprile 2010
Statistica Corso di laurea in Biotecnologie I esonero - 9 aprile 00 Esercizio Determinare, a P X ; b PX < /; c il terzo quartile della distribuzione, nei casi ix N, ; iix variabile aleatoria continua con
DettagliLaboratorio di R - 1 a lezione Prof. Mauro Gasparini
Laboratorio di R - 1 a lezione Prof. Mauro Gasparini Lunedì 02 ottobre 2006 Brunella Caroleo 0. Preliminari # in R il simbolo "#" indica l'inizio di una linea di commento Uscire da R q() Chiedere aiuto
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
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5:
esercitazione 5 p. 1/14 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 5: 22-04-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliV. c. multidimensionali e distribuzioni di funzioni di v.c.
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliTest delle ipotesi statistiche
indice di posizione indici di variabilità principali var statistiche verifica di ipotesi introduzione (come si costruisce un test) test parametrici e non parametrici regressione? Test delle ipotesi statistiche
DettagliSTATISTICA LAB. Analisi dei dati con R - Ex 2. Marta Nai Ruscone. LIUC - Università Carlo Cattaneo, Castellanza STATISTICA LAB
Analisi dei dati con R - Ex 2 Marta Nai Ruscone LIUC - Università Carlo Cattaneo, Castellanza Funzioni Una funzione è un insieme di comandi elementari. In R sono disponibili un gran numero di funzioni
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
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
DettagliMetodi Quantitativi per Economia, Finanza e Management. Lezione n 4 Analisi Bivariata I Parte
Metodi Quantitativi per Economia, Finanza e Management Lezione n 4 Analisi Bivariata I Parte Statistica descrittiva bivariata Indaga la relazione tra due variabili misurate. Si distingue rispetto alla
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliCompiti tematici capp. 5,6
Compiti tematici capp. 5,6 a cura di Giovanni M. Marchetti 2016 ver. 0.6 Indice Esercizi dai compiti a casa (HW..................................... 8 1. Se X e Y sono due variabili casuali independenti,
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
DettagliStatistica. Capitolo 5. Variabili Aleatorie Discrete e Distribuzioni di Probabilità. Chap 5-1
Statistica Capitolo 5 Variabili Aleatorie Discrete e Distribuzioni di Probabilità Statistics for Business and Economics, 6e 007 Pearson Education, Inc. Chap 5-1 Obiettivi del Capitolo Dopo aver completato
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Dettagli9.1 Rappresentazioni grafiche di verosimiglianze bivariate
Lezione n. 9 9.1 Rappresentazioni grafiche di verosimiglianze bivariate Prima di procedere alla determinazione numerica del punto di massimo della funzione di (log) verosimiglianza, possiamo fornirne una
DettagliUso elementare di R in Statistica G. Marchetti
Uso elementare di R in Statistica G. Marchetti Lezione 1 Introduzione R è un ambiente statistico di pubblico dominio. Il software è libero e può essere scaricato dal sito https: //cran.r-project.org/.
DettagliTutorato 2 (21/12/2012) - Soluzioni
Tutorato (1/1/1) - Soluzioni Esercizio 1 Un mazzo di fiori è composto da 5 fiori: 13 rose, 13 margherite, 13 viole e 13 girasoli. Vengono estratti 5 fiori con reinserimento. Si è interessati alla variabile
DettagliIntroduzione all Analisi Esplorativa dei Dati mediante R 1
Introduzione all Analisi Esplorativa dei Dati mediante R 1 Giovanna Menardi Giovanna.Menardi@econ.units.it A.A. 2008/2009 1 Materiale liberamente tratto da appunti a cura di M. Trevisani. Menardi Lezione
DettagliPsicometria 1 (023-PS)
Psicometria 1 (023-PS) Michele Grassi mgrassi@units.it Università di Trieste Lezione 10 11 Michele Grassi (UNITS) Psicometria 1 (023-PS) Lezione 10 11 1 / 101 Piano della presentazione 1 Curve di densità
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
Dettagli1 Richiami di algebra lineare
1 Richiami di algebra lineare Definizione 11 (matrici e vettori) Una matrice A e un insieme di numeri A hk, h = 1,, m, k = 1,, n, ordinati in base alla coppia di indici h e k nel modo seguente A 1 A n
DettagliMateriale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI
Materiale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI Claudia Furlan Anno Accademico 006-007 Ringrazio Carlo Gaetan, Nicola Sartori e Aldo Solari per il materiale, aggiunte e
DettagliProva scritta di Statistica
Prova scritta di Statistica 5 Febbraio 2016 1. Da un indagine riguardante l utilizzo del telefono cellulare si sono ottenuti i seguenti risultati: Età No.telefonini Chiamate Spesa sett. Bluetooth 20 2
DettagliRegistro dell'insegnamento
Registro dell'insegnamento Anno accademico 2014/2015 Prof. MARCO SPADINI Settore inquadramento MAT/05 - ANALISI MATEMATICA Scuola Ingegneria Dipartimento Matematica e Informatica 'Ulisse Dini' Insegnamento
DettagliCorso di Laurea in Amministrazione Aziendale Complex Learning. Statistica per l azienda (T) SECS-S/01 a. a. 2017/2018
Corso di Laurea in Amministrazione Aziendale Complex Learning Statistica l azienda (T) SECS-S/01 a. a. 2017/2018 DOCENTI TITOLARI : Prof. Nicoletta Melis ORE DI LEZIONE ON LINE : 18 ore : 6 3 TIPOLOGIE
DettagliInformazione, devianza e verosimiglianza con il linguaggio R
Informazione, devianza e verosimiglianza con il linguaggio R Partiamo dal dataset studenti: www = "https://goo.gl/rdrnff" Carichiamolo in R: studenti = read.table( www, header = TRUE ) attach(studenti)
Dettagli