Teoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata ( )
|
|
- Rocco Greco
- 4 anni fa
- Visualizzazioni
Transcript
1 Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B = ( ) P A B P B A = { x} si giunge al concetto di distribuzione condizionata della v.a. : = ( ) F x B P x B Per derivazione si ottiene la densità condizionata di : d d f x B F x B P x B dx dx = = { } 375
2 Il Concetto di Distribuzione Condizionata (segue) Data una v.a., per il Teorema della Probabilità Totale segue che, se B 1,B,...,B N è una partizione di S, allora: ( < + ) = P( x x dx B1) P( B1) P x x dx = < P x < x + dx B P B P x < x + dx B P B N N N = 7 Quindi la densità di probabilità di una v.a. può essere espressa in funzione delle densità condizionate: B 1 B 4 B B 3 = { } + { } + + { } f x f x B P B f x B P B... f x B P B 1 1 N N S B 5 B 6 B 7 376
3 Esempio di Densità Condizionata Se v.a. modella il diametro dei pezzi prodotti da una fabbrica che ha due diverse macchine di produzione M 1 e M, per cui: M produce pezzi con diametro N ( η, σ ) M produce pezzi con diametro N ( η, σ ) definiti gli eventi: B = { Il pezzo è prodotto da M } 1 1 se P( B1 ) B = { Il pezzo è prodotto da M } = p e P( B ) = 1 p, la v.a. ha la seguente d.d.p.: 377
4 Esempio di Densità Condizionata (segue) ( x η ) ( x η ) p 1 1 p = + σ 1 π σ1 σ π σ f x exp exp N(η 1 = 5, σ 1 = 1 mm) N(η = 9, σ = 0.8 mm) Densità condizionata Densità di Probabilità Diametro (mm) p = 0.8, ( η 1 = 5 mm, σ 1 = 1 mm), ( η = 9 mm, σ = 0.8 mm) 378
5 Densità Condizionata: Troncamento di una Distribuzione Dalla definizione di densità condizionata risulta: Se per l'evento condizionante è: { < + } = P x x dx B f x B dx B = { a < b} il campo di variabilità di viene troncato f x a< b dx= Quindi f ( x B) = 0 se { x a} oppure { x b} f x a< b = { < + < } P{ a< b} P x x dx, a b >, altrimenti è: f ( x) F b F a 379
6 Esempio di Troncamento di una Distribuzione diametro dei pezzi prodotti: N ( η, σ) { } B = Si accettano solo pezzi con diametro ( η σ ) < ( η+σ ) Densità di probabilità di condizionata all evento B. f x B = f x η σ< η+σ = ( x η) 1 1 exp η σ< x η+σ = F ( η+σ) F ( η σ) πσ σ 0 altrove 380
7 Esempio di Troncamento di una Distribuzione Gaussiana Densità di probabilità In rosso: f ( x x η σ ) < con η = 0, σ = 1 381
8 Esempio di Troncamento di una Distribuzione Gaussiana.5 Densità di Probabilità In rosso: f x x η < σ con η = 0, σ = 1 38
9 Esempio di Troncamento di una Distribuzione Gaussiana Densità di Probabilità In rosso: f ( x x η σ ) < con η = 0, σ = 1 383
10 Distribuzione Condizionata di Due Variabili Aleatorie La distribuzione di una variabile aleatoria condizionata ad una variabile aleatoria è definita come: Verifica: Ricordando che: P A B = ponendo: ( ) P A B P B F ( y x) 1 F = f x x ( x,y) B B y y A A A B x x + dx x x + dx A = { y }, B = { x < x +Δ x} 384
11 Distribuzione Condizionata di Due Variabili Aleatorie (segue) La P( A B ) è pari alla F ( ) y x e vale: ( ) lim ( ) F y x = F y x < x+δ x = Δx 0 ( +Δ, ) (, ) 1 F x x y F x y = lim f x Δx Δx 0 che coincide con la definizione data F ( y x) 1 F = f x x ( x,y) y y F ( x,y ) x x + dx ( + ) F x dx,y x x + dx 385
12 Densità Condizionata di Due Variabili Aleatorie Per derivazione rispetto a y di F ( ) condizionata: 1 f ( y x ) = f ( x ) x y y x si ottiene la densità F ( x,y) sostituendo la definizione di densità congiunta: f ( y x) = f f ( x,y) ( x) f y x. A volte f ( y x ) è scritta come 386
13 Interpretazione della Densità Condizionata Dato un intervallo ΔΔ x y sul piano x, y: 1 1 f y x P y y y x x x P C B Δy Δy ( ) { < +Δ < +Δ } = ( ) f ( y x) 1 Δy ( ) P B C P B 387
14 Interpretazione della Densità Condizionata (segue) ( y x) P( B C) = P{ x< x+δ x,y< y+δ y} P( B) = P{ x< x+δ x} P{ x< x+δ x,y< y+δ y} P{ x< x+δx} f ΔΔ x y Δx che, passando al limite per Δx 0, Δy 0, è l espressione: ( ) f y x = f f ( x, y) ( x) 388
15 Teorema della Probabilità Totale per una Coppia di v.a. Ricordando che: + f ( y) = f ( x,y) dx dall'espressione della densità condizionata f ( y x ) segue: + f ( y ) = f ( y x) f ( x) dx quest ultima espressione è il Teorema della Probabilità Totale per una coppia di variabili aleatorie. 389
16 Formula di Bayes per una Coppia di Variabili Aleatorie Dal Teorema della Probabilità Totale per una coppia di variabili aleatorie segue la formula di Bayes: f = f ( y x) f ( x) ( x y) f ( y) f ( y x) f ( x) + = = f y x f x dx 390
17 Definizione: Valori attesi condizionati Dato un evento A, si definisce valore atteso della v.a. condizionata ad A la quantità: Definizione: + E[ A] = y f ( y A) dy Date due variabili aleatorie e si definisce il valore atteso di condizionato a la quantità: E = y f ( y x) dy che si può estendere a una funzione g( ): + = ( ) + E g g y f y x dy 391
18 Definizione: Curva di Regressione Il valore atteso di condizionato a è una funzione ( x) + [ ] E x =φ x = y f y x dy φ che definisce la curva di regressione di su. y () x x x+dx x 39
19 Significato della Curva di Regressione y =φ x E y x o x 0 Rappresentazione della f x,y con curve di livello 393
20 Significato della Curva di Regressione (segue) La curva di regressione φ ( x) per ogni x, rappresenta il baricentro delle masse di probabilità appartenenti alla striscia ( x,x + dx) del piano( x,y ). Proprietà: verifica: [ ] [ ] E φ = E E = E E φ = f x y f y x dy dx = [ ] = y f x, y dydx = = y f y dy = E 394
21 Definizione: La Bivariata Gaussiana Una coppia ( 1, ) di variabili aleatorie è una bivariata gaussiana se: f ( x,x ) = k exp q ( x,x ) dove q (, ) è una forma quadratica definita positiva. La densità congiunta si può ricavare considerando una coppia di variabili aleatorie gaussiane ed indipendenti (, 1 ) 1 Trasformazione Lineare ( 1, ) 395
22 Siano 1, variabili aleatorie indipendenti Gaussiane Standard 1 1 ( ) f y 1 1, y = exp y1 + y π con a e b costanti positive. 1 = a 1 + b = - a 1 + b. Il coefficiente di correlazione tra 1 e vale: Se a = 1, b = 1 Se 1 ρ a =, r [ ] E b a 1 1 = = σ1 σ b + a r = ρ b = con ρ costante compresa tra -1 e +1. = ρ r 1 396
23 1 f x,x 1 = 1 ρ a =, x x x + x f, 1 a b ab b e sono congiuntamente gaussiane con varianze unitarie e coefficiente di correlazione pari a ρ. = 1 + ρ 1 1 f 1 x 1,x = exp x 1 ρ x1x + x 1 1 ρ π ρ 397
24 La Bivariata Gaussiana (segue) La densità congiunta di ( 1, ) si può scrivere nella forma: 1 1 f 1 x 1,x = exp q πσ σ 1 ρ 1 con: 1 q= ρ + 1 ρ σ σ σ σ ( x ) 1 1 x1 1 x x 1 1 Saturando rispetto ad si ha la marginale: con = E[ ] e Var [ ] x1 1 f ( x ) 1 1 = exp σ 1 π σ1 σ =
25 La Bivariata Gaussiana (segue) La densità condizionata di dato 1: con: f x,x f x x = = exp q f x 1 1 σ 1 ρ π ( x ) 1 1 x1 1 x x x1 1 ( ) 1 q = ρ + 1 ρ ovvero: 1 ρ σ1 σ1σ σ σ1 q 1 x x = ρ + 1 ρ σ1 σ
26 La Bivariata Gaussiana (segue) La densità condizionata risulta quindi: σ x + ρ x f x x1 exp σ = σ 1 ρ π σ 1 ρ Ovvero una densità gaussiana con: Valor atteso (curva di regressione φ ( x 1 )): σ E x x [ ] =φ = +ρ ( ) σ1 (retta di regressione) Varianza: [ ] ( ) 1 = σ ρ Var 1 400
27 La Bivariata Gaussiana (segue) Commenti sulla Bivariata Gaussiana: Se ρ= 0 si ha una coppia di v.a. gaussiane indipendenti; Se ρ = 1 la v.a. è completamente determinata da è la bivariata è a lama di coltello. x Retta di regressione σ pendenza =ρ σ x1 Curve di livello per una Bivariata gaussiana con ρ =
28 Bivariata Gaussiana: η =η = 0, σ =σ =, r = 0 1 x y f ( x,y) = exp + π σ σ σ σ 40
29 Bivariata Gaussiana: η =η = 0, σ =σ =, r = 0 Curve di livello 403
30 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = x xy y f ( x, y) = exp ( ) r + π σ 1 r σ 1 r σ σ σ σ 404
31 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0 Curve di livello 405
32 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = x xy y f ( x, y) = exp ( ) r + π σ 1 r σ 1 r σ σ σ σ 406
33 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = 0.7 y σ ( η ) η = r x σ Curve di livello e retta di regressione: y = 0.7x 407
34 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = x xy y f ( x, y) = exp ( ) r + π σ 1 r σ 1 r σ σ σ σ 408
35 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0.7 Curve di livello e retta di regressione: y = 0.175x 409
36 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = x xy y f ( x, y) = exp ( ) r + π σ 1 r σ 1 r σ σ σ σ 410
37 Bivariata Gaussiana: η =η = 0, σ =, σ =, r = 0.99 Curve di livello e retta di regressione: y = 0.99x 411
38 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = x xy y f ( x, y) = exp ( ) r + π σ 1 r σ 1 r σ σ σ σ 41
39 Bivariata Gaussiana: η =η = 0, σ = 4, σ = 1, r = 0.99 Curve di livello 413
40 Esempio: (importante nella teoria dell affidabilità) La variabile aleatoria è Esponenziale negativa con valore atteso 1 λ. Trovare la densità di condizionata all evento: { t} Soluzione Se x > t f x > t dx = P x < x + dx > t = { } { } >. P x< x+ dx > t P x< x+ dx f x dx = = = P > t P > t P > t f x > t = f ( x) ( > t) P altrimenti la densità condizionata è nulla. x > t 414
41 Esempio: (segue) Sostituendo: f xu x t dx λexp λxu x t dx f ( x > t) dx= = P > t exp λt λ ( x t) f x > t =λ e U x t = f x t cioè la densità condizionata è uguale alla marginale calcolata in ( x t), cioè non si ha memoria del passato. λ f ( x ) ( > ) f x t 0 t x 415
Teoria dei Fenomeni Aleatori AA 2012/13. Il Concetto di Distribuzione Condizionata
Il Concetto di Distribuzione Condizionata Se B è un evento, la probabilità di un evento A condizionata a B vale: ponendo: P A B P A B P B A x si giunge al concetto di distribuzione condizionata della v.a.
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza di Variabili Aleatorie Sistema di Variabili
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
DettagliIntroduzione al modello Uniforme
Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x () t x ( t ) q Tempo Discreto Continuo Segnale Analogico ( ) x t k t t Segnale
DettagliE (X 2 ) = E (G) + E (E 2 ) = 1, V ar (X 2 ) = V ar (G) + V ar (E 2 ) = 5, Cov(X 1, X 2 ) = Cov(G + E 1, G + E 2 ) = V ar (G) = 4,
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 04/05 Prova di Esonero Maggio 05 degli esercizi proposti Siano G, E, E tre variabili aleatorie gaussiane indipendenti, rispettivamente
DettagliTeoria dei Fenomeni Aleatori AA 2012/13. Il Modello Lognormale La funzione di densità di probabilità lognormale è data:
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ( ln x a) 1 f ( x ) = exp x > 0 X b x b π in cui a e b sono due costanti, con b> 0. Se X è una v.a. lognormale allora Y lnx
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
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,
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
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:
DettagliCalcolo delle probabilità (3/7/2001) (Ing. Elettronica, Informatica, Telecomunicazioni - Latina)
Calcolo delle probabilità (3/7/00). La distribuzione di probabilità di un numero aleatorio X non negativo soddisfa la condizione P (X > x + y X > y) = P (X > x), x > 0, y > 0. Inoltre la previsione di
DettagliFacoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica
Facoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica Prima prova scritta A.A. 8-9 Durata della prova h Punteggi: ) + + ; ) + + + ; ) +. Totale. Esercizio Sia
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 6: Combinazioni di variabili aleatorie
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini ezione 6: Combinazioni di variabili aleatorie Combinazioni di più variabili aleatorie continue Distribuzione
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
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.
DettagliDistribuzione normale multidimensionale
Capitolo 2 Distribuzione normale multidimensionale La funzione di densità normale undimensionale ha la forma seguente Anderson, 1984 fx ce 1 2 Ax b2 ce 1 2 x bax b La costante di normalizzazione c è data
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliLa funzione di ripartizione caratterizza la v.a. Ad ogni funzione di ripartizione corrisponde una ed una sola distribuzione.
Funzione di ripartizione X v.a. a valori in IR F X (x) = P (X x), x IR Indice X omesso quando chiaro Proprietà funzione di ripartizione F (i) F X (x) ; x (ii) è non decrescente Sia a < b P (a < X b) =
DettagliLa Funzione Caratteristica di una Variabile Aleatoria
La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica densità di probabilità è f di una v.a., la cui x, è definita come: jx f x e dx Ee j 1 La Funzione Caratteristica di una
DettagliDistribuzioni di due variabili aleatorie
Statistica e analisi dei dati Data: 6 Maggio 206 Distribuzioni di due variabili aleatorie Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori Distribuzioni congiunte e marginali Consideriamo due variabili
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliProbabilità e Statistica per l Informatica Esercitazione 4
Probabilità e Statistica per l Informatica Esercitazione 4 Esercizio : [Ispirato all Esercizio, compito del 7/9/ del IV appello di Statistica e Calcolo delle probabilità, professori Barchielli, Ladelli,
DettagliEsercitazione N. 1 (11 ottobre 2016)
Esercitazione N. 1 (11 ottobre 2016) Un'urna contiene elementi. Vengono estratti di seguito elementi, ogni elemento una volta estratto è riposto nell'urna. Calcolare la probabilità dell evento: Problema
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
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
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliVariabili casuali multidimensionali
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
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliAnalisi Statistica Multivariata Modulo Modelli Statistici
Analisi Statistica Multivariata Modulo Modelli Statistici Gianna Monti 8 novembre 013 1 Approfondimenti 1 1.1 Esercizi Esercizio 1 Galton e il suo allievo Karl Pearson condussero alcuni studi in merito
DettagliCorso di Fondamenti di Telecomunicazioni
Corso di Fondamenti di Telecomunicazioni Prof. Mario Barbera [parte ] Variabili aleatorie Esempio: sia dato l esperimento: Scegliere un qualunque giorno non festivo della settimana, per verificare casualmente
DettagliLezione 13 Corso di Statistica. Domenico Cucina
Lezione 13 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 20 obiettivi della lezione comprendere il concetto di variabile aleatoria continua familiarizzare
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
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
Dettagliln x a 2 f x exp x 0
Il Modello Lognormale La funzione di densità di probabilità lognormale è data: ln x a 1 f x exp x 0 X b xb in cui a e b sono due costanti, con b 0. Se X è una v.a. lognormale allora Y lnx è distribuita
DettagliSessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie.
Sessione Live 4 V.a. n-dimensionali. Funzioni di variabili aleatorie. 9 e 11 Dicembre 2008 Richiami di teoria Come si calcolano le densità marginali Esercizi Una v.a. n-dimensionale (o vettore aleatorio
DettagliTeoria dei segnali terza edizione
Capitolo 8 Richiami di teoria della probabilità SOLUZIONI DEGLI ESERCIZI Soluione dell eserciio 8. Si definiscano i seguenti eventi { M } { la persona scelta è malata} { S } { la persona scelta è sana}
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
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
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
Dettagli21 IL RAPPORTO INCREMENTALE - DERIVATE
21 IL RAPPORTO INCREMENTALE - DERIVATE Definizione Sia f una funzione reale di variabile reale. Allora, dati x, y domf con x y, si definisce il rapporto incrementale di f tra x e y come P f (x, y = f(x
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
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 01 - Variabili aleatorie. Calcolo di densità di probabilità. Operatore di media
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 01 - Variabili aleatorie Motivazioni Densità di probabilità Operatore di media Densità di probabilità congiunta Densità di probabilità condizionata
DettagliVariabili aleatorie n-dim
Sessione Live #6 Settimana dal 6 maggio al giugno 003 Variabili aleatorie n-dim Funzioni di ripartizione e di densità (F.D.R. e f.d.d.) congiunte e marginali, valori medi e momenti misti, funzione generatrice
DettagliSCHEDA 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
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliL analisi media-varianza
L analisi media-varianza Pierpaolo Montana Università di Roma I Consideriamo un agente con preferenze di tipo VNM e funzione di utilità quadratica u(x) = x b x. La corrispondente espressione dell utilità
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 3/luglio/2003 - Laurea Quadriennale in Matematica - (Prof. Nappo) Scrivere su ogni foglio NOME e COGNOME. Le risposte devono essere giustificate
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
DettagliRichiami di Teoria della probabilità (I)
Richiami di Teoria della probabilità (I) ESPERIMENTO: ogni operazione il cui risultato non può essere predetto con certezza EVENTO: è il risultato di un esperimento Eventi semplici e composti Eventi disgiunti
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
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliVariabili Aleatorie Multiple
Variabili Aleatorie Multiple v.a. multiple - Esercizio 1 Consideriamo l estrazione con reimmissione di palline colorate da un urna contenente 5 palline bianche, 15 verdi, e 10 rosse. 1) Calcolare la probabilità
DettagliINTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE
INTRODUZIONE ALLE COPPIE DI VARIABILI ALEATORIE Esperimento: lancio di due dadi Frequenze Assolute osservate delle coppie di valori su 100000 Prove Dad1/Dado 2 1 2 3 4 5 6 1 2813 2760 2725 2814 2859 2829
DettagliRichiami di TEORIA DELLE PROBABILITÀ
corso di Teoria dei Sistemi di Trasporto Sostenibili 6 CFU A.A. 015-016 Richiami di TEORIA DELLE PROBABILITÀ Prof. Ing. Umberto Crisalli Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma.it
DettagliStatistica. Congiunte. Capitolo 5. Distribuzioni di Probabilità. Chap 5-1. Statistics for Business and Economics, 6e 2007 Pearson Education, Inc.
Statistica Capitolo 5 Distribuzioni di Probabilità Congiunte Statistics for Business and Economics, 6e 2007 Pearson Education, Inc. Chap 5-1 Distribuzione di Probabilità Congiunta Una variabile casuale
Dettagli{ } { } { } {( ) ( ) ( ) { } { } ( ) ( { } ( ) Valor medio statistico (o valore atteso): Se g(x) è una funzione di V.A., si ha:
Variabili Aleatorie Valor medio statistico (o valore atteso: μ + { } ( = E = x f ( x dx Se g( è una funzione di V.A., si ha: + { ( } = ( ( E g g x f x dx Esempi di valore atteso di funzione di variabile
Dettaglidistribuzione qualsiasi;
Numeri pseudocasuali Il periodo deve essere il più lungo possibile; la distribuzione deve essere uniforme in [0, 1] p(x)=costante in [0, 1]; le correlazioni devono essere trascurabili xn+1 x n xn+1 xn
DettagliFoglio di esercizi 4-12 Aprile 2019 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella
Esercizio. Foglio di esercizi 4 - Aprile 9 Probabilità e statistica Ingegneria Meccanica Alessandro Ciallella Un punto viene scelto a caso uniformemente nel cerchio di raggio 3 centrato nell origine. Dette
DettagliCP110 Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 22-3, II semestre 23 maggio, 23 CP Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota:. L unica cosa che si puo usare durante l esame è una penna
Dettagli7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità
7.6 Distribuzione Esponenziale. 111 7.6. Distribuzione Esponenziale. Un n.a. continuo X con densità di probabilità { λe λx se x, (76) f(x) = se x
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2013/2014 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 13/14 Calcolo delle Probabilità e Statistica Matematica Nome... N. Matricola... Ancona, 13 gennaio 14 1. In una data università, le studentesse
DettagliSTATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE
STATISTICA esercizi svolti su: INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 2 1 INTERPOLAZIONE PONDERATA, REGRESSIONE E CORRELAZIONE 1.1
DettagliUniversità di Pisa Geometria e Algebra Lineare per Ingegneria Aerospaziale, Ingegneria Meccanica, Ingegneria della Sicurezza
Scritto n.1 del 2010 Esercizio 1. Discutere il seguente sistema reale h x + y + h z = h 2 x + (1 h) z = 3 h 2 h x + y + h z = h h 2 Esercizio 2. Risolvere exp 2 z + ( 1 + i 3) expz + z ( exp 2 z + ( 1
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
DettagliEsercizi su distribuzioni doppie, dipendenza, correlazione e regressione (Statistica I, IV Canale)
Esercizi su distribuzioni doppie, dipendenza, correlazione e regressione (Statistica I, IV Canale) Esercizio 1: Un indagine su 10.000 famiglie ha dato luogo, fra le altre, alle osservazioni riportate nella
DettagliCorsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre Gennaio 2001
Corsi di Laurea in Ingegneria Civile e Edile Analisi Matematica II e Probabilita Lezioni A.A. 2000/01, prof. G. Stefani 9 Ottobre 2000-28 Gennaio 2001 1 Nona settimana 76. Lun. 4 Dic. Generalita. Spazi
DettagliSOLUZIONI DEL TEST DI PREPARAZIONE ALLA 2 a PROVA INTERMEDIA
SOLUZIONI DEL TEST DI PREPARAZIONE ALLA a PROVA INTERMEDIA Esercizio. Le v.c. X e Y possono assumere solo i valori e (ad es. ingresso ed uscita di un canale di comunicazione binario). Sapendo che X è una
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
DettagliCP110 Probabilità: Esame del 6 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 21-11, II semestre 6 giugno, 211 CP11 Probabilità: Esame del 6 giugno 211 Testo e soluzione 1. (6 pts) Ci sono 6 palline, di cui nere e rosse. Ciascuna,
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
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
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
DettagliCP110 Probabilità: Esonero 2. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 29 maggio, 2012 CP110 Probabilità: Esonero 2 Testo e soluzione 1. (8 punti) La freccia lanciata da un arco è distribuita uniformemente
DettagliVariabili aleatorie multiple. X = (X 1,..., X n ) vettore aleatorio
Variabili aleatorie multiple X = (X 1,..., X n ) vettore aleatorio F X (x 1,..., x n ) = P(X 1 x 1,..., X n x n ) caso particolare n = 2 (variabile doppia) F X,Y (x, y) = P(X x, Y y) V.a. discreta: (X,
Dettagli(e it + e 5 2 it + e 3it )
CALCOLO DELLE PROBABILITÀ - 13 gennaio 1999 1. Siano A, B, C eventi, con P (A) = 0.3, P (B) = 0.5, P (C) = 0.7, e per i quali è noto che i relativi costituenti sono C 1 = A c B c C c, C 2 = AB c C c, C
DettagliTeoria dei segnali terza edizione
Capitolo 9 Segnali aleatori a tempo continuo e a tempo discreto SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 9.3 Si osservi innanzitutto che, essendo il processo () t Gaussiano, anche il processo
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
DettagliCP210 Introduzione alla Probabilità: Esonero 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 218-19, II semestre 4 giugno, 219 CP21 Introduzione alla Probabilità: Esonero 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
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
DettagliFunzioni di 2 variabili
Funzioni di 2 variabili 1 eterminare l insieme di definizione di ciascuna delle seguenti funzioni precisando se tali insiemi sono aperti, chiusi, itati. F (x, y) = 1 sin x cos y F (x, y) = arctan sin xy
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
DettagliStatistica 28/10/09 Gruppo H-Z Programma ed esercizi svolti
) Statistica 8/1/9 Gruppo H-Z Programma ed esercizi svolti Coppie ( X, Y di variabili aleatorie (v.a.) X e Y considerate congiuntamente pag. 1 Rappresentazioni grafiche di una coppia ( X, Y ) di v.a. pag.
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,
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 6/02/2017 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gioco del
Dettagli