ELEMENTI DI CALCOLO DELLE PROBABILITA
|
|
- Gloria Spano
- 8 anni fa
- Visualizzazioni
Transcript
1 Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p X (x θ) dove θ è l insieme dei parametri che caratterizza la popolazione. In questo contesto, i dati osservati o raccolti rappresentano possibili realizzazioni della variabile casuale avvenute attraverso esperimenti casuali. Data la legge p X (x θ), possiamo calcolare la probabilità/densità di probabilità per ogni realizzazione X = x o insieme di realizzazioni X 1 = x 1,..., X n = x n.
2 Statistica, CLEA p. 2/55 Esperimento casuale L esperimento casuale è un esperimento il cui risultato non si può determinare con certezza. Ad esempio: risultato del lancio di una moneta colore di una pallina estratta da un urna contente palline di vario colore numeri estratti per il gioco del lotto Ciò che si può fare è calcolare la probabilità di ogni relizzazione dell esperimento. Si necessita: spazio di tutti i possibili eventi Ω variabile aleatoria X distribuzione di probabilità p X (x θ)
3 Statistica, CLEA p. 3/55 Spazio degli eventi Ω Definiamo con Ω, l insieme di tutti i possibili eventi elementari ω che si possono realizzare da un esperimento casuale. Consideriamo gli esperimenti k lanci consecutivi di una moneta k estrazioni da un urna contenente palline bianche e nere Spazio degli eventi Ω k = 1 k = 2 k = 3 T T T T T T C T C T T C CT T CT CC CT T T CC CCT CT C CCC Spazio degli eventi Ω k = 1 k = 2 k = 3 B BB BBB N BN BBN NB BNB NN NBB BNN NNB NBN NNN
4 Statistica, CLEA p. 4/55 Insiemi di eventi Consideriamo 3 lanci consecutivi di una moneta. L insieme degli eventi elemenatari ω: Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} Altri eventi almeno una volta testa: A = {T T T, T T C, T CT, CT T, T CC, CCT, CT C} due volte croce: B = {T CC, CCT, CT C} al massimo una volta testa: C = {T CC, CCT, CT C, CCC} tre volte croce, coincide con un evento elementare: ω = CCC
5 Statistica, CLEA p. 5/55 Operazione fra insiemi di eventi Consideriamo 2 eventi in Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC}: A = {T CC, CCT, CT C}, B = {T T T, T CC, CT C, CCC} UNIONE di eventi A B: insieme di eventi in A o in B A B = {T CC, CCT, CT C, T T T, CCC} INTERSEZIONI di eventi A B: insieme di eventi in A e in B A B = {T CC, CT C} NEGAZIONE di eventi A: insieme di eventi che non sono in A Ω \ A = {T T T, T T C, T CT, CT T, CCC}
6 Statistica, CLEA p. 6/55 Alcune proprietà Dato Ω lo spazio di tutti gli eventi e A, B Ω, con A, B A B non è mai un insieme vuoto A B può essere un insieme vuoto, allora A e B sono due eventi incompatibili, non si possono verificare contemporaneamente dati k eventi H 1,..., H k fra loro incompatibili, H i H j =, i, j = 1,..., k, sono anche esaustivi se A =, se e solo se A Ω Ω = H 1 H 2 H k A è un evento impossibile se non può mai verificarsi, quindi A Ω A è un evento certo se si verifica sempre, ad esempio: A Ω dato A, l evento complementare è l evento negato A = Ω \ A
7 Statistica, CLEA p. 7/55 Eventi condizionati Condizionare significa ridurre lo spazio Ω poiché si è verificato l evento B Ω, per cui B diventa un evento certo B = Ω \ B è un evento impossibile Consideriamo nello spazio Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} A = {T T T, T T C, T CT, CT T }: almeno due volte testa C = {T T C, T CT, CT T, T CC, CCT, CT C, CCC}: almeno 1 volta croce D = {CCT, CCC}: i primi due lanci croce Supponiamo di conoscere l esito del primo lancio che è T : evento certo B= testa al primo lancio e evento impossibile B= non testa al primo lancio. Lo spazio degli eventi possibili diventa Ω B = {T T T, T T C, T CT, T CC} da cui gli eventi condiziontati sono relativi non a Ω, ma a Ω B A B = {T T T, T T C, T CT } C B = {T T C, T CT, T CC} D B = è un evento impossibile perché D e B sono incompatibili
8 Statistica, CLEA p. 8/55 Probabilità: approccio classico Approccio classico: se tutti i casi sono equiprobabili, la probabilità di ogni evento A è il rapporto P (A) = numero dei casi favorevoli all evento numero di tutti i casi possibili Esempi di esperimenti casuali con risultati equiprobabili: lancio di un dado P (1) = P (2) = P (3) = P (4) = P (5) = P (6) = 1/6 lancio di una moneta non truccata P (T ) = P (C) = 1/2 =.5 estrazione di un numero da 1 a 9 P (1) = P (2) = = P (9) = 1/9
9 Statistica, CLEA p. 9/55 Esempio Consideriamo lo spazio Ω = {T T T, T T C, T CT, CT T, T CC, CCT, CT C, CCC} A = {T T T, T T C, T CT, CT T }: due volte testa P (A) = 4/8 =.5 C = {T T C, T CT, CT T, T CC, CCT, CT C, CCC}: almeno 1 volta croce P (C) = 7/8 =.875 D = {CCT, CCC}: i primi due lanci croce P (D) = 2/8 =.25
10 Statistica, CLEA p. 1/55 Probabilità condizionata Supponiamo di conoscere l esito del primo lancio che è T. Lo spazio degli eventi possibili diventa A B = {T T T, T T C, T CT } Ω B = {T T T, T T C, T CT, T CC} P (A B) = 3/4 =.75 C B = {T T C, T CT, T CC} P (C B) = 3/4 =.75 D B = P (D B) =
11 Statistica, CLEA p. 11/55 Assiomi e proprietà La probabilità è una funzione definita sullo spazio degli eventi Ω che associa ad ogni evento A Ω un numero reale P (A) P (A) 1 la prob. di un evento certo è 1: P (Ω) = 1 la prob. di un evento impossibile è, ma viceversa non è vero P (A B) = P (A) + P (B) P (A B) P (A B) = P (A) + P (B) se A B = P (A) = 1 P (A) P (A B) = P (A B)P (B) = P (B A)P (A), da cui P (A B) = P (A B)/P (B) P (A B) = P (A)P (B) se e solo se A e B sono indipendenti, da cui P (A B) = P (A) e P (B A) = P (B)
12 Statistica, CLEA p. 12/55 Indipendenza Due eventi A e B sono indipendenti, A B se e solo se P (A B) = P (A)P (B) Questo vuol dire che il verificarsi di B non influisce sulla probabilità di A e viceversa P (A B) = P (A B) P (B) = P (A)P (B) P (B) = P (A) P (B A) = P (A B) P (A) = P (A)P (B) P (A) = P (B) N.B. Se due eventi A e B con probabilità positive sono incompatibili, sicuramente non sono indipendenti, poiché se A e B sono incompatibili, A B =, quindi P (A B) = P (A). Analogamente, se due eventi sono indipendenti sono necessariamente compatibili.
13 Statistica, CLEA p. 13/55 Teorema delle probabilità totali Siano E 1,..., E k k eventi esaustivi ed incompatibili Ω = E 1 E k E j E i =, i, j = 1,..., k Dato un qualunque evento B Ω P (B) = P (B E 1 ) + + P (B E k ) P (B) = P (B E 1 )P (E 1 ) + + P (B E k )P (E k ) Esempio. Ci sono k urne E 1,..., E k contenenti palline bianche e nere. La probabilità di estrarre una pallina bianca considerando che la scelta delle urne è equiprobabile P (E i ) = 1 k, P (B E i) = numero palline bianche in E i numero palline in E i P (B) = numero palline bianche in E 1 1 numero palline in E 1 k + + numero palline bianche in E k 1 numero palline in E k k
14 Statistica, CLEA p. 14/55 Teorema di Bayes Consideriamo un modo alternativo di calcolare la probabilità condizionata P (A B) = P (B A) P (B) = P (B A)P (A) P (B A)P (A) + P (B A)P (A) dove il denominatore si può calcolare col teorema delle probabilità totali Interpretazione: supponiamo che l evento B sia l EFFETTO che può essere causato da tanti eventi E 1,..., E k che sono CAUSE esaustive e disgiunte P (CAUSA i EF F ET T O) = P (EF F ET T O CAUSA i)p (CAUSA i ) P (EF F ET T O) P (E i B) = P (B E i)p (E i ) P (B) = P (B E i )P (E i ) P (B E 1 )P (E 1 ) + + P (B E k )P (E k ) P (E i ): probabilità a priori della CAUSA (scegliere l urna E i ) P (E i B): probabilità a posteriori della CAUSA E i dato l EFFETTO B (estratta pallina bianca)
15 Statistica, CLEA p. 15/55 Variabile aleatoria X Una variabile aleatoria X è una funzione definita sullo spazio Ω che associa un numero reale X(ω) = x ad ogni elemento elementare ω Ω. X: numero di volte testa X: numero di palline nere Spazio degli eventi Ω e var. aleatoria X Spazio degli eventi Ω e var. aleatoria X k = 1 X k = 2 X k = 3 X k = 1 X k = 2 X k = 3 X T 1 T T 2 T T T 3 B BB BBB C T C 1 T T C 2 N 1 BN 1 BBN 1 CT 1 T CT 2 NB 1 BNB 1 CC CT T 2 NN 2 NBB 1 T CC 1 BNN 2 CCT 1 NNB 2 CT C 1 NBN 2 CCC NNN 3 N.B. Con X indichiamo una var. aleatoria, con x una possibile realizzazione.
16 Statistica, CLEA p. 16/55 Variabile aleatoria discreta Una variabile aleatoria X descrive il comportamento di un fenomeno a prescindere della realizzazione del singolo esperimento casuale dopo la realizzazione dell esperimento casuale, la variabile aleatoria assume un valore certo X = x la variabile aleatoria è DISCRETA se X assume un infinità numerabile di valori numero di volte testa in 3 lanci de una moneta numero di palline bianche estratte da un urna numero di prodotti difettosi al giorno numero di auto al casello ogni giorno etc...
17 Statistica, CLEA p. 17/55 Distribuzione di probabilità p X (x) Data una var. aleatoria X discreta, la distribuzione di probabilità p X (x) è una funzione che associa ad ogni x la probabilità di verificarsi p(x) = P (X = x) p(x) i p(x i) = probabilità numero di figli N.figli X tot p(x)
18 Statistica, CLEA p. 18/55 Funzione di ripartizione F (x) = P (X x) = p(x i ) x i x è non decrescente, continua a destra, lim x F (x) =,lim x F (x) = 1 1 Funzione di ripartizione.9.8 frequenze rel. cumulate numero di figli N.figli X p(x) F (x)
19 Statistica, CLEA p. 19/55 Valore atteso e varianza Il valore atteso di una variabile casuale X discreta è E(X) = µ X = i x i p(x i ) E(X) = µ X = = 1.21 La varianza di una variabile casuale X discreta è V(X) = E(X µ X ) 2 = i (x i µ X ) 2 p(x i ) V(X) = = 1.4 N.figli X p(x) (x i µ X )
20 Statistica, CLEA p. 2/55 Varianza e deviazione standard La varianza si può calcolare anche V(X) = E(X 2 ) µ 2 x = i x 2 i p(x i) µ 2 X V(X) = = 1.4 la deviazione standard è SD(X) = V(X) = 1.4 = 1.1 N.figli X p(x) x 2 i
21 Statistica, CLEA p. 21/55 Indipendenza fra var. casuali Date 2 variabili casuali X e Y rispettivamente con legge di probabilità p X (x) e p Y (x), la distribuzione della variabile congiunta (X, Y ) è p XY (x, y) = p X (x) p Y (y) X Y Esempio. Consideriamo il lancio di una moneta per cui P (1) =.2 e P () =.8 dove 1 indica il successo T e l insuccesso C. Consideriamo le variabili X= risultato del primo lancio Y = risultato del secondo lancio Dato che i due lanci sono indipendenti, possiamo calcolare p XY (x, y) p XY (X = 1, Y = ) = p X (1) p Y () =.2.8 p XY (X =, Y = 1) = p X () p Y (1) =.8.2 p XY (X = 1, Y = 1) = p X (1) p Y () =.2.2 p XY (X =, Y = ) = p X (1) p Y () =.8.8
22 Statistica, CLEA p. 22/55 Combinazioni lineari di var. casuali Date n variabili casuali X i ognuna distribuita con una legge di probabilità p Xi (x i ) con un certo valore atteso E(X i ) e una certa varianza V(X i ), consideriamo la variabile casuale Y ottenuta come combinazione lineare Y = n a i X i + b i, dove a i, b i sono costanti i=1 Se le X i sono tutte indipendenti fra loro E(Y ) = n a i E(X i ) + b i, V(Y ) = i=1 n a 2 i V(X i) i=1 Esempio. Siano due variabili casuali indipendenti X e Z con E(X) = 8, V(X) =.5 e con E(Z) =.4, V(Z) =.1. Consideriamo Y = 3X 4Z + 5 E(Y ) = , V(Y ) =
23 Statistica, CLEA p. 23/55 Alcune variabiabili casuali discrete X U(a, b) Uniforme, a x b X Be(π) Bernoulli, x =, 1 X Bin(n, π), Binomiale, x n X P o(λ), Poisson, x N.B. I valori a, b, n, π e λ sono i parametri che caratterizzano la distribuzione di probabilità che descrive il comportamento della variabile casuale X nella popolazione.
24 Statistica, CLEA p. 24/55 Distribuione discreta Uniforme La variabile casuale discreta X assume un numero finito di valori x 1,..., x K ed assume probabilità costante per ogni x i p(x i ) = 1 K, F (x) = num. di x i x K, i = 1..., K Esempio: X = lancio di un dado {1, 2, 3, 4, 5, 6} ha una distribuzione uniforme discreta 1.5 Distribuzione uniforme discreta 1 Distribuzione uniforme discreta probabilità.5 Funz. ripartizione X X
25 Statistica, CLEA p. 25/55 Distribuzione di Bernoulli (1) La variabile casuale discreta X Be(x π), dove π è la probabilità di successo, assume due valori x = 1: successo x = : insuccesso x = 1, p(x) = π, prob. successo p(x) = π x (1 π) 1 x, π 1 x =, p(x) = 1 π, prob. insuccesso E(X) = µ x = 1 π + (1 π) = π V(X) = E(X 2 ) µ 2 X = 1 π + (1 π) π2 = π(1 π) Esempio: consideriamo una moneta truccata per cui la probabilità di successo (T ) è π =.7 P (X = 1) = =.7 P (X = ) = =.3
26 Statistica, CLEA p. 26/55 Distribuione di Bernoulli (2) (nei grafici p si legga π) 1 Distribuzione di Bernoulli 1 Distribuzione di Bernoulli 1 Distribuzione di Bernoulli.8 p =.8.8 p = p =.5.7 probabilità.6.4 probabilità.6.4 probabilità Funz. ripartizione X p =.8 Distribuzione di Bernoulli X Funz. ripartizione X p =.3 Distribuzione di Bernoulli X Funz. ripartizione X p =.5 Distribuzione di Bernoulli X
27 Statistica, CLEA p. 27/55 Distribuzione Binomiale (1) La variabile casuale discreta X Bin(x n, π), dove π è la probabilità di successo e n è la dimensione del campione assume valori x n p(x) = ( n x) π x (1 π) n x, π 1 dove x indica il numero di successi in n prove indipendenti. E(X) = µ x = nπ, V(X) = nπ(1 π) Esempio: consideriamo un urna contenente 1 palline bianche e 15 palline nere. Il successo è l estrazione di pallina bianca (B) la cui probabilità è π = 1/25 =.4. La probabilità di ottenere x = 3 successi in n = 5 prove è P (X = 3) = ( 5 3) = 5! 3!2! =.23 P (X = ) = ( 5 ) =.8, P (X = 5) = ( 5 5) =.1
28 Statistica, CLEA p. 28/55 Distribuione Binomiale (2) (nei grafici p si legga π).45 Distribuzione binomiale.4 Distribuzione binomiale.35 Distribuzione binomiale.4 p = p =.5 probabilità probabilità p =.7 probabilità X X X Prob. di più di 3 successi: P (X > 3) = P (X = 4) + P (X = 5) Prob, di al massimo 2 successi: P (X 2) = P (X = ) + P (X = 1) + P (X = 2) Prob. di almeno 1 successo: P (X 1) = P (X = 1) + P (X = 2) + P (X = 3) + P (X = 4) + P (X = 5) = 1 P (X = )
29 Statistica, CLEA p. 29/55 Binomiale come somma di Bernoulli (1) La variabile casuale X Binomiale può essere vista come somma di n variabili Y Bernoulli indipendenti e identicamente distribuite (con lo stesso parametro p) X = n i=1 Y i Per l indipendenza E(X) = n E(Y i ) = i=1 n π = nπ, V(X) = i=1 n V(Y i ) = i=1 n π(1 π) = nπ(1 π) i=1 Per ogni var. Y i Bernoulli si può calcolare la prob. di successo P (Y i = T ) in un singolo lancio di una moneta secondo una prob. di successo π. La var. X binomiale calcola la prob. di x volte testa (successi) in n lanci indipendenti ognuno dei quali ha la stessa prob. di successo π.
30 Statistica, CLEA p. 3/55 Binomiale come somma di Bernoulli (2) Esempio. Dati n = 3 lanci indipendenti di una moneta in cui la probabilità di successo (T ) è π =.3, calcolare la probabilità di una volta testa, P (X = 1), X Bin(x n, π). Ad esempio calcoliamo la prob. di questo risultato, che, data l indipendenza delle prove, P (T C C) = P (T ) P (C) P (C) = = Quanti sono i possibili risultati per cui si ha un solo successo? ( n x) = ( 3 1) = 3 : (T CC), (CT C), (CCT ). Da cui, se X è Binomaile con n = 3 e π =.3, P (X = 1) = ( 3 1)
31 Statistica, CLEA p. 31/55 Variabile aleatoria continua Una variabile aleatoria X è CONTINUA se X assume un infinità non numerabile di valori altezza peso distanza tempo di percorrenza etc... Alcuni aspetti delle variabili continue: Se ogni possibile realizzaione della X è equiprobabile, allora P (X = x) =, per ogni x R. La funzione di probabilità non si può usare, come nel caso discreto per descrivere il comportamento di una var. casuale continua. Con la funzione di ripartizione possiamo calcolare la prob. di un intervallo F (x) = P (X x) Per descrivere la X si utilizza la funzione di densità f X (x) = d dx F (x)
32 Statistica, CLEA p. 32/55 La funzione di densità f X (x) Data una variabile aleatoria continua X, la funzione di densità f(x) = d dx F (x) è una curva per ogni valore x attribuisce la densità di probabilità probabilità. La probabilità è l area al di sotto della curva P (a X b) = b a f X (x)dx = F (b) F (a) Proprietà: f(x), per ogni x R, ma non necessariamente f(x) 1 + f X(x)dx = 1
33 Statistica, CLEA p. 33/55 Funzione di ripartizione F (x) = P (X x) = x f(x)dx è non decrescente, continua, lim x F (x) =,lim x F (x) = 1 1 Funzione di ripartizione 4 Funzione di densità media = 1.6 varianza = media = 1.6 varianza = F(x).5 f(x) altezza altezza
34 Statistica, CLEA p. 34/55 Valore atteso e varianza Il valore atteso di una variabile casuale X continua è E(X) = µ X = + xf(x)dx La varianza di una variabile casuale X continua è V(X) = E(X µ X ) 2 = + (x µ X ) 2 f(x)dx oppure + V(X) = E(X 2 ) µ 2 x = x 2 f(x)dx µ 2 X la deviazione standard è SD(X) = V(X)
35 Statistica, CLEA p. 35/55 Variabili standardizzate Una variabile Z è standardizzata quando E(X) = V(X) = 1 Una variabile X con valore atteso E(X) e varianza V(X) si può standardizzare Z = X E(X) V(X), E(Z) = E(X) E(X) V(X) =, V(Z) = V(X) V(X) = Media = 1.6 Varianza =.1.5 Variabile standardizzata Media = 1.6 Varianza = densità densità altezza altezza standardizzata
36 Statistica, CLEA p. 36/55 Indipendenza e combinazioni lineari Date 2 variabili casuali X e Y rispettivamente con funzione di densità f X (x) e f Y (x), la distribuzione della variabile congiunta (X, Y ) è f XY (x, y) = f X (x) f Y (y) X Y Date n variabili casuali X i ognuna con funzione di densità f Xi (x i ) con un certo valore atteso E(X i ) e una certa varianza V(X i ), consideriamo la variabile casuale Y ottenuta come combinazione lineare Y = n a i X i + b i, dove a i, b i sono costanti i=1 Se le X i sono tutte indipendenti fra loro E(Y ) = n a i E(X i ) + b i, V(Y ) = i=1 n a 2 i V(X i) i=1
37 Statistica, CLEA p. 37/55 Alcune variabili aleatorie continue X N(µ, σ 2 ) Normale, < x < + X t(r) t-student, < x < + X χ 2 (r) chi-quadrato, x X F (r 1, r 2 ) Fisher x N.B. I valori µ, σ 2, r, r 1 e r 2 sono i parametri che caratterizzano la distribuzione di probabilità che descrive il comportamento della variabile casuale X nella popolazione.
38 Statistica, CLEA p. 38/55 Distribuzione Normale La variabile casuale X Normale o Gaussiana ha una forma campanulare ed è simmetrica. E caratterizzata da due parametri E(X) = µ la media V(X) = σ 2 la varianza f X (x µ, σ 2 ) = 1 2πσ 2 exp[ (x µ)2 2σ 2 ], x + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x µ, σ 2 )dx = F (b) F (a) P (X a) = a f X (x µ, σ 2 )dx = F (a), P (X a) = + a f X (x µ, σ 2 )dx = 1 F (a) N.B. Si dimostra che f X (x µ, σ 2 )dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole).
39 Statistica, CLEA p. 39/55 Distribuzione Normale (2) 1.9 P(a < X < b) = F(b) F(a) = =.8.4 =.4 Funzione di ripartizione P(a < X < b) =.4 media = 1.6 varianza = F(b) media = 1.6 varianza = F(a) a b altezza 1.5 a b altezza
40 Statistica, CLEA p. 4/55 La media: parametro di posizione Media = 1.6 Varianza = media = 1.4 varianza = densità densità altezza altezza media = 1.6 varianza = media = 1.4 varianza =.2 Funz. ripartizione Funz. ripartizione altezza altezza
41 Statistica, CLEA p. 41/55 La varianza: parametro di dispersione Media = 1.6 Varianza = Media = 1.6 Varianza = densità 1.5 densità altezza altezza media = 1.6 varianza = media = 1.6 varianza = Funz. ripartizione Funz. ripartizione altezza altezza
42 Statistica, CLEA p. 42/55 Combinazioni lineari di Normali Se X 1,..., X n sono var. casuali N(µ i, σi 2 ) indipendenti, la combinazione lineare Y = n a i X i i=1 Y N( i a i µ i, i a 2 i σ2 i ) Se X 1,..., X n sono i.i.d. N(µ, σ 2 ), Y N(nµ, nσ 2 )
43 Z: la Normale standard La variabile casuale Z normale standardizzata ha la caratteristica di avere µ = σ 2 = 1 f Z (z, 1) = 1 2π exp[ z2 2 ] media = varianza = media = varianza = 1 densità Funz. ripartizione Z Z Statistica, CLEA p. 43/55
44 Statistica, CLEA p. 44/55 Z: esempio (1) Attraverso le tavole della Normale standard si può calcolare la probabilità P (Z ) =.5, P (Z ) = P(Z <.31) =.62 Normale standard P(Z >.31) = 1 P(Z <.31) = 1.62 = P (Z.31) =.62 >.5, P (Z.31) =.38 <.5
45 Statistica, CLEA p. 45/55 Z: esempio (2) Normale standard P(Z <.45) = P(Z >.45) = 1 P(Z <.45) = = 1.67 =.33 P(Z >.45) = P(Z <.45) = P (Z.45) = 1 P (Z.45) = 1.67 =.33 P (Z.45) = P (Z.45) = 1 P (Z.45) = 1.67 =.33
46 Statistica, CLEA p. 46/55 Distribuzione t-student La variabile casuale X t (r) ha una forma campanulare ed è simmetrica rispetto allo. Rispetto alla Normale standard ha le code più pesanti. E caratterizzata dal parametro r: gradi di libertà f X (x r) = Γ[(r + 1)/2] πrγ(r/2), x +, r N + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x r)dx = F (b) F (a) N.B. Si dimostra che f X (x r)dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole). E(X) =, V(X) = r r 2
47 Statistica, CLEA p. 47/55 I gradi di libertà.4 t Student 1 t Student.35.3 r = 3 r = 5 r = r = 3 r = 5 r = 1 densità X Funz. ripartizione X Quando aumentano i gradi di libertà diminuisce la varianza e quindi la dispersione
48 Statistica, CLEA p. 48/55 t-student: esempio Attraverso le tavole si può calcolare la probabilità P (X ) =.5, P (X ) = r = 1 r = 5 r = 3 P(X > 3.8) =.1 P(X > 1.48) =.1 P(X > 1.31) =
49 Statistica, CLEA p. 49/55 t-student Normale standard Quando i gradi di libertà aumentano, la t-student tende ad una Normale standard Normale Standard r = 3 r = 5 r = 1 densità X
50 Statistica, CLEA p. 5/55 Distribuzione chi-quadrato La variabile casuale X χ 2 (r) parametro r: gradi di libertà mostra un asimmetria positiva. E caratterizzata dal f X (x r) = 1 2 r/2 Γ(r/2) xr/2 1 e x/2, x, r N + La probabilità si calcola attraverso l integrale P (a X b) = b a f X (x r)dx = F (b) F (a) N.B. Si dimostra che f X (x r)dx = 1, ma questi integrali non si possono calcolare in forma analitica, ma numerica (uso delle tavole). E(X) = r, V(X) = 2r
51 Statistica, CLEA p. 51/55 I gradi di libertà.25 1 r = r = 1 r = r = 15 r = 1 densità.15.1 Funz. ripartizione r = X X Quando aumentano i gradi di libertà diminuisce l asimmetria
52 Statistica, CLEA p. 52/55 χ 2 (r) : esempio Attraverso le tavole si può calcolare la probabilità r = 3 r = 1 r = 15 P(X > 6.25) =.1 P(X > 15.99) =.1 P(X > 22.31) =.1 densità
53 Statistica, CLEA p. 53/55 Teorema del limite centrale Se X 1,..., X n sono i.i.d. E(X i ) = µ, V(X i ) = σ 2 allora la loro somma Y = n i=1 X i, Y N(nµ, nσ 2 ) L approssimazione è tanto migliore quanto maggiore è n. Inoltre, la bontà dell approssimazione dipende molto dalla forma della distribuzione di partenza. Esempio. Consideriamo n variabili χ 2 (1) : X 1,..., X n, con E(X i ) = 1 e V(X i ) = 2 Y = n i=1 X i Per le proprietà della distribuzione χ 2, Y χ 2. Per il teorema del limite centrale, (n) quando n è molto grande Y N(n, 2n)
54 Statistica, CLEA p. 54/55 TLC: esempio (1).16 Chi quadro 5 d.f. e N(5, 1).1 Chi quadro 1 d.f. e N(1, 2) chi quadro (5) N(5,1) chi quadro (1) N(1,2).1.6 densità.8 densità
55 Statistica, CLEA p. 55/55 TLC: esempio (2).8 Chi quadro 15 d.f. e N(15, 3).6 Chi quadro 3 d.f. e N(3, 6).7 chi quadro (15) N(15,3).5 chi quadro (3) N(3,6) densità.4 densità
Lezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliProbabilità II Variabili casuali discrete
Probabilità II Variabili casuali discrete Definizioni principali. Valore atteso e Varianza. Teorema di Bienaymé - Čebičev. V.C. Notevoli: Bernoulli e Binomiale. Concetto di variabile casuale Cos'è una
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliViene lanciata una moneta. Se esce testa vinco 100 euro, se esce croce non vinco niente. Quale è il valore della mia vincita?
Viene lanciata una moneta. Se esce testa vinco 00 euro, se esce croce non vinco niente. Quale è il valore della mia vincita? Osserviamo che il valore della vincita dipende dal risultato dell esperimento
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliSTATISTICA INFERENZIALE
STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana
DettagliCosa dobbiamo già conoscere?
Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliEsercizi. Rappresentando le estrazioni con un grafo ad albero, calcolare la probabilità che:
Esercizi Esercizio 4. Un urna contiene inizialmente 2 palline bianche e 4 palline rosse. Si effettuano due estrazioni con la seguente modalità: se alla prima estrazione esce una pallina bianca, la si rimette
DettagliTutorato di Probabilità e Statistica
Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliE NECESSARIO RICORRERE ALLE VARIABILI CASUALI
IL CONCETTO DI VARIABILE CASUALE Associare una misura di probabilità al verificarsi di un certo evento (come esito di un esperimento) non sempre è sufficiente a risolvere gran parte dei problemi reali
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
DettagliVARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che
VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile
Dettagli1 Probabilità condizionata
1 Probabilità condizionata Accade spesso di voler calcolare delle probabilità quando si è in possesso di informazioni parziali sull esito di un esperimento, o di voler calcolare la probabilità di un evento
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE AREA TECNICO ASSISTENZIALI
DettagliTeoria della probabilità Assiomi e teoremi
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Assiomi e teoremi A.A. 2008-09 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
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
Dettagli1. la probabilità che siano tutte state uccise con pistole; 2. la probabilità che nessuna sia stata uccisa con pistole;
Esercizi di Statistica della 5 a settimana (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Esercizio 1. L FBI ha dichiarato in un rapporto che il 44% delle vittime di un omicidio
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE NORMALE o CURVA DI GAUSS 1. E la più importante distribuzione statistica continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del
DettagliVARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliGli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità
Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)
DettagliCP110 Probabilità: Esame del 3 giugno 2010. Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2009-2010, II semestre 8 luglio, 2010 CP110 Probabilità: Esame del 3 giugno 2010 Testo e soluzione 1. (6 pts 12 monete da 1 euro vengono distribuite tra
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo
DettagliPROBABILITA CONDIZIONALE
Riferendoci al lancio di un dado, indichiamo con A l evento esce un punteggio inferiore a 4 A ={1, 2, 3} B l evento esce un punteggio dispari B = {1, 3, 5} Non avendo motivo per ritenere il dado truccato,
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliInferenza statistica. Inferenza statistica
Spesso l informazione a disposizione deriva da un osservazione parziale del fenomeno studiato. In questo caso lo studio di un fenomeno mira solitamente a trarre, sulla base di ciò che si è osservato, considerazioni
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004
Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Distribuzione di probabilità, funzione di ripartizione di una v.c. discreta Il tasso di cambio
DettagliEsercizio 1. Svolgimento
Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento
DettagliAnalisi statistica degli errori
Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale
DettagliEsercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica
Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica Lucio Demeio Dipartimento di Scienze Matematiche Università Politecnica delle Marche 1. Esercizio. Siano X ed Y due variabili
Dettagli(concetto classico di probabilità)
Probabilità matematica (concetto classico di probabilità) Teoria ed esempi Introduzione Il calcolo delle probabilità è la parte della matematica che si occupa di prevedere, sulla base di regole e leggi
DettagliLe variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛
Università di Macerata Facoltà di Scienze Politiche - Anno accademico 009- Una variabile casuale è una variabile che assume determinati valori con determinate probabilità; Ad una variabile casuale è associata
DettagliDISTRIBUZIONI DI VARIABILI CASUALI DISCRETE
DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliAlgoritmi (9 CFU) (A.A. 2009-10)
Algoritmi (9 CFU) (A.A. 2009-10) Probabilità e Algoritmi randomizzati Prof. V. Cutello Algoritmi 1 Overview Definiamo concetti di base di probabilità Variabili casuali e valore medio Algoritmi randomizzati
DettagliESERCIZI. x + 3 x 2 1. a) y = 4x2 + 3x 2x + 2 ; b) y = 6x2 x 1. (x + 2) 2 c) y =
ESERCIZI Testi (1) Un urna contiene 20 palline di cui 8 rosse 3 bianche e 9 nere; calcolare la probabilità che: (a) tutte e tre siano rosse; (b) tutte e tre bianche; (c) 2 rosse e una nera; (d) almeno
DettagliORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile.
ORDINALI E NOMINALI LA PROBABILITÀ Statistica5 23/10/13 Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. Se si afferma che un vitello di razza chianina pesa 780 kg a 18
Dettaglimatematica probabilmente
IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
DettagliCorso di Statistica. Corso di Laurea in Ingegneria Edile. Ingegneria Tessile. Docente: Orietta Nicolis
Corso di Statistica Corso di Laurea in Ingegneria Edile ed Ingegneria Tessile Docente: Orietta Nicolis Orario del corso: Martedì: dalle 16.00 alle 18.00 Giovedì: dalle 9.30 alle 11.30 Ricevimento: Mercoledì:
DettagliAncora sull indipendenza. Se A e B sono indipendenti allora lo sono anche
Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)
DettagliCorso di Matematica. Corso di Laurea in Farmacia, Facoltà di Farmacia. Università degli Studi di Pisa. Maria Luisa Chiofalo.
Corso di Matematica Corso di Laurea in Farmacia, Facoltà di Farmacia Università degli Studi di Pisa Maria Luisa Chiofalo Scheda 18 Esercizi svolti sul calcolo delle probabilità I testi degli esercizi sono
DettagliSTATISTICA E PROBABILITá
STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
Dettagli19txtI_BORRA_2013 18/11/13 10:52 Pagina 449 TAVOLE STATISTICHE
19txtI_BORRA_2013 18/11/13 10:52 Pagina 449 TAVOLE STATISTICHE Nell inferenza è spesso richiesto il calcolo di alcuni valori critici o di alcune probabilità per le variabili casuali che sono state introdotte
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliCOEFFICIENTI BINOMIALI
COEFFICIENTI BINOMIALI Michele Impedovo micheleimpedovo@uni-bocconiit Una definizione insiemistica Se n è un numero naturale e è un numero naturale compreso tra e n, si indica con il simbolo il coefficiente
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCorso di Automazione Industriale 1. Capitolo 4
Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione
DettagliProbabilità e statistica
Indice generale.probabilità ed eventi aleatori....come si può definire una probabilità....eventi equiprobabili....eventi indipendenti, eventi dipendenti....eventi incompatibili....eventi compatibili....probabilità
DettagliProbabilità. Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità
Probabilità Concetti fondamentali Definizione di probabilità Teoremi sulla probabilità Probabilità: indicazioni quantitative sul verificarsi di certi eventi (linguaggio comune), ad es. P di superare o
DettagliLezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria
Lezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata Prof. Massimo Aria aria@unina.it Standardizzazione di una variabile Standardizzare una variabile statistica
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
DettagliTabella 7. Dado truccato
0 ALBERTO SARACCO 4. Compiti a casa 7novembre 200 4.. Ordini di grandezza e calcolo approssimato. Esercizio 4.. Una valigia misura 5cm di larghezza, 70cm di lunghezza e 45cm di altezza. Quante palline
DettagliAppunti: elementi di Probabilità
Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
Dettagli2 CERTAMEN NAZIONALE DI PROBABILITA E STATISTICA FELICE FUSATO Fase di Istituto 15 febbraio 2011
2 CERTAMEN NAZIONALE DI PROBABILITA E STATISTICA FELICE FUSATO Fase di Istituto 15 febbraio 2011 1) Non sfogliare questo fascicolo finché l insegnante non ti dice di farlo. 2) E ammesso l utilizzo di calcolatrici
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
DettagliMatematica Applicata. Probabilità e statistica
Matematica Applicata Probabilità e statistica Fenomeni casuali Fenomeni che si verificano in modi non prevedibili a priori 1. Lancio di una moneta: non sono in grado di prevedere con certezza se il risultato
DettagliSi considerino gli eventi A = nessuno studente ha superato l esame e B = nessuno studente maschio ha superato l esame. Allora A c B è uguale a:
TEST DI AUTOVALUTAZIONE - SETTIMANA 2 I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia 1 Parte A 1.1 Si considerino gli
DettagliPARTE PRIMA PROBABILITA
i PARTE PRIMA PROBABILITA CAPITOLO I - Gli assiomi della probabilità 1.1 Introduzione........................................................... pag. 1 1.2 Definizione assiomatica di probabilità.......................................
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliEsercitazioni 2013/14
Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta
DettagliSTATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua
STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo febbraio 2015 Modelli continui di probabilità: la v.c. uniforme continua Esercizio 1 Anna ha una gift card da 50 euro. Non si sa se sia mai stata utilizzata
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliESERCIZI DI RIEPILOGO 2. 7 jj(addi
ESERCIZI DI RIEPILOGO 2 ESERCIZIO 1 Da un comune mazzo di 52 carte francesi (13 carte per ognuno dei quattro semi: picche, cuori, fiori e quadri) viene estratta casualmente una carta. Definiti gli eventi:
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliCalcolo delle probabilità
Calcolo delle probabilità Il calcolo delle probabilità ha avuto origine nel Seicento in riferimento a questioni legate al gioco d azzardo e alle scommesse. Oggi trova tante applicazioni in ambiti anche
DettagliPROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)
L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello
DettagliEsercizi sul calcolo delle probabilità
Esercizi sul calcolo delle probabilità Svolti e da svolgere (per MAR 13 marzo) Dati due eventi A e B dello spazio campionario Ω. Si sappia che P(A c )=0,3 P(B)=0,4 e P(A B c )=0,5 si determinino le probabilità
DettagliPROVE D'ESAME DI CPS A.A. 2009/2010. 0 altrimenti.
PROVE D'ESAME DI CPS A.A. 009/00 0/06/00 () (4pt) Olimpiadi, nale dei 00m maschili, 8 nalisti. Si sa che i 4 atleti nelle corsie centrali hanno probabilità di correre in meno di 0 secondi. I 4 atleti delle
DettagliTecniche di analisi multivariata
Tecniche di analisi multivariata Metodi che fanno riferimento ad un modello distributivo assunto per le osservazioni e alla base degli sviluppi inferenziali - tecniche collegate allo studio della dipendenza
DettagliCAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI
CAPITOLO 16 SUCCESSIONI E SERIE DI FUNZIONI Abbiamo studiato successioni e serie numeriche, ora vogliamo studiare successioni e serie di funzioni. Dato un insieme A R, chiamiamo successione di funzioni
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,
Dettagli