INFORMAZIONI. p. 1/23
|
|
|
- Arnaldo Pugliese
- 4 anni fa
- Visualizzazioni
Transcript
1 p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 25/02 14:30 Aula informatica (4 gruppi) Martedi 02/03 14:30 P50 Giovedi 04/03 14:30 Aula informatica (4 gruppi) Martedi 09/03 14:30 P50
2 p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 25/02 14:30 Aula informatica (4 gruppi) Martedi 02/03 14:30 P50 Giovedi 04/03 14:30 Aula informatica (4 gruppi) Martedi 09/03 14:30 P50 Appelli d esame Appello Esame Consegna relazioni entro I Martedi 16/03 Venerdi 12/03 II Venerdi 26/03 Venerdi 19/03
3 p. 2/23 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti).
4 p. 2/23 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi.
5 p. 2/23 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi. Il numero delle misure maggiori della media è all incirca uguale a quello delle misure minori della media. Il numero deli scarti positivi (in eccesso) è all incirca uguale a quello degli scarti negativi (in difetto).
6 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi. Il numero delle misure maggiori della media è all incirca uguale a quello delle misure minori della media. Il numero deli scarti positivi (in eccesso) è all incirca uguale a quello degli scarti negativi (in difetto). Una funzione analitica atta a rappresentare una tale distribuzione deve essere simmetrica, unimodale e campanulare. p. 2/23
7 p. 3/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero
8 p. 3/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero.
9 p. 3/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero. 2. Scarti piccoli più probabili: se s 1 > s 2 P( s 1 ) < P( s 2 ).
10 p. 3/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero. 2. Scarti piccoli più probabili: se s 1 > s 2 P( s 1 ) < P( s 2 ). 3. Condizione di normalizzazione (ipotesi aggiuntiva) + f(s)ds = 1
11 p. 4/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI In base alle 3 ipotesi e dal principio della media aritmetica a Gauss derivò che la distribuzione degli scarti di misure affette da errori accidentali è descritta da: f(s) = h π e h2 s 2 funzione di Gauss o legge normale di distribuzione degli errori
12 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali:
13 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0;
14 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente;
15 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione)
16 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione) La legge normale degli scarti dipende da un solo parametro h, detto modulo di precisione della misura. Tanto maggiore è h tanto minore è la dispersione delle misure rispetto alla media.
17 p. 5/23 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione) La legge normale degli scarti dipende da un solo parametro h, detto modulo di precisione della misura. Tanto maggiore è h tanto minore è la dispersione delle misure rispetto alla media. Per h descrecente la campana si abbassa e si allarga.
18 p. 6/23 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N
19 p. 6/23 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N Valore di aspettazione dello variabile scarto: E(s) = h + π h + π sf(s)ds = se h2 s 2 ds = 0 è identicamente nullo.
20 p. 6/23 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N Valore di aspettazione dello variabile scarto: E(s) = h + π h + π sf(s)ds = se h2 s 2 ds = 0 è identicamente nullo. Ne segue un importantissima conseguenza: E(s) = E (x x ) = E(x) x = 0 E(x) = x
21 p. 7/23 PROPRIETÀ DELLA LEGGE NORMALE E(x) = x
22 p. 7/23 PROPRIETÀ DELLA LEGGE NORMALE E(x) = x Il valore di aspettazione delle misure di una grandezza fisica affette solo da errori casuali esiste, e coincide con il valore vero della grandezza misurata.
23 p. 8/23 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E( s ) θ = 1 h π
24 p. 8/23 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E( s ) θ = 1 h π ERRORE PROBABILE ρ: quel valore di s per cui metà delle misure ha s ρ +ρ ρ f(s)ds = 0.5
25 p. 8/23 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E( s ) θ = 1 h π ERRORE PROBABILE ρ: quel valore di s per cui metà delle misure ha s ρ +ρ ρ f(s)ds = 0.5 ERRORE QUADRATICO MEDIO σ: è la radice quadrata del valore di aspettazione del quadrato degli scarti ( E(s 2 ) = 2h 1 ) σ = 1 2 2h
26 p. 9/23 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2
27 p. 9/23 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2 Il rapporto tra errore probabile ed errore quadratico medio vale ρ σ 0.674
28 p. 9/23 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2 Il rapporto tra errore probabile ed errore quadratico medio vale ρ σ Il rapporto tra errore medio ed errore quadratico medio vale θ σ 0.798
29 RELAZIONI TEORICHE p. 10/23
30 p. 11/23 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π
31 p. 11/23 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π Esprimendo s = x µ otteniamo f(x) = 1 σ 2π e 1 2 ( x µ ) 2 σ
32 p. 11/23 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π Esprimendo s = x µ otteniamo f(x) = 1 σ 2π e 1 2 ( x µ ) 2 σ
33 p. 12/23 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati.
34 p. 12/23 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri.
35 p. 12/23 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri. Definiamo scarto normalizzato o variabile normale standardizzata t = x µ σ
36 p. 12/23 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri. Definiamo scarto normalizzato o variabile normale standardizzata t = x µ σ La densità di probabilità della variabile t è ϕ(t) = 1 2π e 1 2 t2
37 p. 13/23 STRIBUZIONE NORMALE STANDARDIZZAT Indipendente dall errore quadratico medio, ovvero dalla precisione della misura.
38 p. 13/23 STRIBUZIONE NORMALE STANDARDIZZAT Indipendente dall errore quadratico medio, ovvero dalla precisione della misura. La distribuzione normale standardizzata è una particolare normale con E(x) = 0 e σ = 1. ϕ(t) = 1 2π e 1 2 t2
39 p. 14/23 STRIBUZIONE NORMALE STANDARDIZZAT Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ ) 2
40 p. 14/23 STRIBUZIONE NORMALE STANDARDIZZAT Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ Esistono delle tabelle per il calcolo dell integrale della distribuzione normale standardizzata ) 2
41 p. 14/23 STRIBUZIONE NORMALE STANDARDIZZAT Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ Esistono delle tabelle per il calcolo dell integrale della distribuzione normale standardizzata La distribuzione normale standardizzata presenta le stesse caratteristiche della distribuzione normale NON standardizzata. Ciò che distingue le due distribuzioni è che la normale standardizzata ha µ = 0 e σ = 1. ) 2
42 p. 15/23 STRIBUZIONE NORMALE STANDARDIZZAT L aspetto più importante della standardizzazione è che trasformando una distribuzione normale di parametri (µ, σ) nella distribuzione standardizzata (0, 1), le aree individuate nella prima da due qualsiasi ascisse x 1 e x 2 sono uguali alle aree individuate nella seconda dagli scarti normalizzati t 1 = x 1 µ σ t 2 = x 2 µ σ
43 p. 16/23 IBUZIONE NORMALE STANDARDIZZ La distribuzione normale standardizzata è rappresentata da UNA SOLA CURVA, mentre la distribuzione normale generale è costituita da una famiglia a seconda dei valori di µ e σ.
44 p. 17/23 LO SCARTO NORMALIZZATO ( ) Pr t [ 1, +1] ( ) Pr t [ 2, +2] ( ) Pr t [ 3, +3] +1 1 = 2π = 2π = 2π 3 e t2 2 dt = e t2 2 dt = e t2 2 dt =
45 p. 18/23 LO SCARTO NORMALIZZATO Ricordando che t = s/σ ( ) Pr s [ σ, +σ] ( ) Pr s [ 2σ, +2σ] ( ) Pr s [ 3σ, +3σ] ( ) Pr t [ 1, +1] ( ) Pr t [ 2, +2] ( ) Pr t [ 3, +3]
46 p. 19/23 INTERPRETAZIONE PROBABILISTICA DI σ Duplice lettura:
47 p. 19/23 INTERPRETAZIONE PROBABILISTICA DI σ Duplice lettura: Le misure affette da errori casuali (e quindi normali) hanno una probabilità del 68% di cadere all interno di un intervallo di semiampiezza σ centrato sul valore vero della grandezza misurata. Il 95% e il 99,7% (quasi la totalità) delle misure sono affette da errore in modulo minore o al piu uguale a 2σ e 3σ rispettivemente. µ σ µ µ + σ
48 p. 19/23 INTERPRETAZIONE PROBABILISTICA DI σ Duplice lettura: Le misure affette da errori casuali (e quindi normali) hanno una probabilità del 68% di cadere all interno di un intervallo di semiampiezza σ centrato sul valore vero della grandezza misurata. Il 95% e il 99,7% (quasi la totalità) delle misure sono affette da errore in modulo minore o al piu uguale a 2σ e 3σ rispettivemente. µ σ µ µ + σ L intervallo di semiampiezza σ centrato su di una misura qualsiasi di un campione ha pertanto una probabilità del 68% di contenere il valore vero, sempreché gli errori siano casuali e normali. x σ x x + σ
49 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica
50 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame.
51 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1
52 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica.
53 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ.
54 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ. Quadriamo: (ǫ i ) 2 = (s i ) 2 + ǫ 2 + 2s i ǫ
55 p. 20/23 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ. Quadriamo: (ǫ i ) 2 = (s i ) 2 + ǫ 2 + 2s i ǫ Sommiamo da 1 a n n n (ǫ i ) 2 = [(s i ) 2 + ǫ 2 + 2s i ǫ] = i=1 n (ǫ i ) 2 = i=1 i=1 i=1 n (s i ) 2 + nǫ 2 n (s i ) 2 + nǫ 2 + 2ǫ i=1 n i=1 s i
56 p. 21/23 TIMA DELL ERRORE QUADRATICO MEDIO Dividiamo per n n i=1 (ǫ i) 2 n = n i=1 (s i) 2 n + ǫ 2
57 p. 21/23 TIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 (3) σ 2 = n i=1 (s i) 2 n + ǫ 2 espressa in funzione degli scarti e dell errore della media, ancora incognito.
58 p. 21/23 TIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 (5) σ 2 = n i=1 (s i) 2 n + ǫ 2 espressa in funzione degli scarti e dell errore della media, ancora incognito. Quadriamo ( l errore della media: ǫ 2 = 1 n ) 2 ǫ n 2 i = 1 n (ǫ ǫ 2 + ǫ n ) 2 = i=1 1 n 2 (ǫ2 1 + ǫ ǫ 2 n + 2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 + (2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) i=1
59 p. 21/23 TIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 (7) σ 2 = n i=1 (s i) 2 n + ǫ 2 espressa in funzione degli scarti e dell errore della media, ancora incognito. Quadriamo ( l errore della media: ǫ 2 = 1 n ) 2 ǫ n 2 i = 1 n (ǫ ǫ 2 + ǫ n ) 2 = i=1 1 n 2 (ǫ2 1 + ǫ ǫ 2 n + 2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 + (2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) i=1 La somma dei termini misti può essere ragionevolmente posta = 0 per la simmetria della distribuzione di Gauss degli errori.
60 p. 22/23 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1
61 p. 22/23 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n
62 p. 22/23 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n Esplicitiamo [ σ 2 σ ] n i=1 = (s i) 2 n σ 2 i=1 = (s i) 2 n n n 1
63 p. 22/23 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n Esplicitiamo [ σ 2 σ ] n i=1 = (s i) 2 n σ 2 i=1 = (s i) 2 n n n 1 Infine: σ = n i=1 (s i) 2 n 1 che esprime lo scarto quadratico medio in funzione di tutti e soli gli scarti delle misure.
64 p. 23/23 A DELL ERRORE QUADRATICO MEDIO DELLA MED L errore della media o scarto quadratico medio della media deriva dall Eq. (2) σ 2 σ x = n = σ n n i=1 (s i) 2 σ x = n(n 1)
LA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
8.1 Derivazione empirica: la distribuzione degli errori accidentali
Capitolo 8 La legge di Gauss Vogliamo ora investigare sulla distribuzione dei risultati delle misure ripetute di una grandezza fisica, nell ipotesi che esse siano affette da errori esclusivamente casuali.
STIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali.
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica
distribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
Distribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
INFORMAZIONI. 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
f (a)δa = C e (a a*)2 h 2 Δa
Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione
Distribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
POPOLAZIONE 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
LA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
Osservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
Le v.c. si utilizzano come modelli di riferimento per studiare la realtà
Le v.c. si utilizzano come modelli di riferimento per studiare la realtà Ogni carattere nelle sue varie manifestazioni è determinato da cause costanti e da cause accidentali modello di riferimento dallo
La distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
IL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
IL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
Laboratorio 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
Programma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
Analisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
Distribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
FISICA. Marco Laveder OBIETTIVI GENERALI DEL CORSO CONTENUTO DEL CORSO
FISICA Marco Laveder (laveder@pd.infn.it) OBIETTIVI GENERALI DEL CORSO Introdurre alcune leggi fondamentali della Fisica con esempi, problemi ed esperienze di laboratorio. Capire l importanza del METODO
University of Messina, Italy
ERRORI CASUALI ELL AALISI CHIMICA Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
Elaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
Capitolo 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
BIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um
![BIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um](/thumbs/88/116557022.jpg "BIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um")
1 2 Data_31misure_070318 BIN = 15 um Minimum 80 Maximum Sum 120 3176,7 Points Mean Median 31 102,47419 102,9 102.5 um RMS Std Deviation Variance Std Error 102,7225 7,2559846 52,649312 1,3032133 7.3 um
LA DISTRIBUZIONE NORMALE o DI GAUSS
p. / LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue p. / LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili
V.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
Statistica descrittiva
Statistica descrittiva L obiettivo è quello di descrivere efficacemente i dati prima delle elaborazioni vere e proprie: - mediante rappresentazioni grafiche e tabelle - sintetizzandoli con indici opportuni
Laboratorio di Calcolo Paola Gallo
Studio di una funzione Dopo aver calcolato limiti, massimi, minimi e flessi siamo in grado di stabilire noi quali estremi di variabilità e che passo dare alle mie x per poter visualizzare bene nel grafico
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
Appendice - Cenni di Teoria degli Errori
Appendice - Cenni di Teoria degli Errori 8.5 Definizione di errore e scarto quadratico medio Supponiamo di avere effettuato una misura di distanza e di avere ottenuto questa serie di risultati: 1 a misura
Università di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
V.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
University of Messina, Italy
ERRORI CASUALI NELL ANALISI CHIMICA 1 Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
Probabilità 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.
2. 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
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
UNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
tabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
TOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
deve utilizzarsi la variabile t ν,α/2 , dove n è il numero di gradi di libertà pari al numero delle misure diminuito di 1 (ν=n-1).
Indice 1. Frequenza e Probabilità. Parametri Statistici 3. Curva di Gauss 4. isure poco numerose: t di student nel caso non sia possibile effettuare un numero di misure adeguato (n
Elaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. La distribuzione Normale (o di Gauss)
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in medicina e chirurgia - Corso di Statistica
Distribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
CORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
L istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un
Gli istogrammi L istogramma è una rappresentazione grafica di una distribuzione di frequenza di una certa grandezza, ossia di quante volte in un insieme di dati si ripete lo stesso valore. Esistono diversi
UNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
Propagazione 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
Significato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
La SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
ISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
Analisi statistica delle incertezze casuali. Dott. Claudio Verona
Analisi statistica delle incertezze casuali Dott. Claudio Verona Errori casuali Errori casuali e sistematici Un errore si dice casuale se viene commesso per semplice casualità (esso può essere trattato
( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
Calcolo 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
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
Distribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
RICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
Teoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
Distribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
Variabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
LA DISTRIBUZIONE DEGLI ERRORI DI MISURA. La distribuzione normale. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE DEGLI ERRORI DI MISURA La distribuzione normale http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo
Università del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
Università 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
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
Modelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
LA DISTRIBUZIONE NORMALE. La distribuzione Gaussiana. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE NORMALE http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo o un cane o un altro essere qualunque
SCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
Distribuzione degli Errori di Misura. La distribuzione normale
Distribuzione degli Errori di Misura La distribuzione normale Errori casuali e sistematici Gli errori vengono generalmente suddivisi in due categorie: errori casuali ed errori sistematici. Gli errori casuali
VARIABILI 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
Corso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Distribuzione Normale Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
Le variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
Distribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
Distribuzioni 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
Il Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
Distribuzione 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
Valutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
SOMMARIO DELLE MISURE DIRETTE
p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche degli strumenti usati, evidenziare possibili errori sistematici, correggerli. p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche
FENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
Variabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
Note sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
LEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
Università 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,
Statistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
assuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
STATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
I 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:
La Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE DI GAUSS o DISTRIBUZIONE NORMALE 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809)
Dispensa 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
Statistica4-29/09/2015
Statistica4-29/09/2015 Raccogliere i dati con il maggior numero di cifre significative ed arrotondare eventualmente solo al momento dei calcoli (min. 3); nella grande maggioranza delle ricerche biologiche
Intervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
Analisi Statistica dei Dati Sperimentali. M. Trimarchi e P. La Rocca
Analisi Statistica dei Dati Sperimentali M. Trimarchi e P. La Rocca Misura delle Grandezze Fisiche Misure dirette Confronto con un campione dell unità di misura Lunghezze Metro Misure indirette Operazioni
Distribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
Capitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
Esercizio 1. La variabile casuale G, somma di due V.C. normali, si distribuisce anch essa come una normale.
Esercizio 1. La V.C. Y segue una distribuzione normale con media 45 e varianza 9. La V.C. X segue una legge normale con media 12 e varianza 4. Calcolare come si distribuisce e quali sono i parametri della
Problema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T?
Problema tipico delle applicazioni idrologiche: qual'è la portata con tempo di ritorno T? Il problema dell'inferenza: dato un campione, individuare la distribuzione di probabilità da cui ha avuto origine.
DISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
Capitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università