Programma della parte introduttiva: Lezione 5
|
|
- Arrigo Righi
- 4 anni fa
- Visualizzazioni
Transcript
1 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 dati 1
2 Presentazione dei dati: tabelle Tabelle qualitative Le grandezze vengono fornite in modo qualitativo. Per esempio il vento si percepisce sulla pelle o il vento scompiglia i capelli il vento sradica gli alberi Risultano poco funzionali a valutazioni quantitative. Tabelle statistiche Alcune grandezze sono espresse in modo qualitativo, altre in modo quantitativo. Per esempio il numero di volte che si osserva un dato, può essere una testa, una croce, o anche un valore di una misura. Tabelle funzionali Di maggiore interesse scientifico e ingegneristico, si riporta il valore di una grandezza g, che dipenda da altre, si indica g=g(x, y, z). La grandezza g, è detta dipendente, dato che varia al variare delle grandezze x, y e z, che sono dette indipendenti. 2
3 Tabelle statistiche 3
4 Riorganizziamo i dati per valori uguali { Potrebbe essere una lista di occorrenze di palline colorate estratte: giallo, verde, ecc. k: etichetta sequenziale in ordine crescente della classe, individuata dal valore x k (o colore) F k = n k n n k : numero di volte (occorrenze) che si osserva il valore x k F k : frequenza del rispettivo valore x k (colore) osservato 4
5 Proprietà delle frequenze F k F k = n k n n classi Σ F k =1 k=1 NORMALIZZAZIONE La normalizzazione esprime la certezza che ogni valore appartiene a tutto l insieme dei nostri valori osservati. F k = 0 valore non osservato valore impossibile. Se siamo in presenza di valori numerici, x k, osservati n k volte, possiamo esprimere la media anche rispetto alle frequenze F k : x = Σ n n classi xi i=1 n = Σ x k n k k=1 n n classi = Σ k=1 n k n n classi x k = Σ F k x k k=1 Si faccia attenzione in Tab. 6.2 si ha, che n risulta diverso per ogni serie, mentre n k è uguale. 5
6 Istogrammi delle occorrenze, meglio frequenze Scegliamo come larghezza della classe la risoluzione, nella tabella i dati sono tutti pari e si osservano con passo di 2 mm, ogni classe comprende l intervallo x k + ½ u.f.! L unità fondamentale (u.f.) o la risoluzione in questo caso è di 2 mm. Rappresentiamo la classe con il valore centrale, la larghezza è evidente dal grafico stesso. { 8.0 mm valore centrale { 0.2 mm Larghezza di ogni classe Se la grandezza fosse affetta da incertezze casuali la distribuzione tenderebbe ad una curva simmetrica e continua all aumentare del numero di osservazioni. 6
7 Se la variabile è casuale n = 68 n = 155 I dati si distribuiscono in modo simmetrico e tendono ad una curva continua. n 7
8 Dal discreto (dati osservati) al continuo f(x) Partiamo dall istogramma delle frequenze e moltiplichiamo per la larghezza della classe Nel caso generale possiamo anche avere intervalli diversi Δx k per ogni classe k di frequenza F k F k Δx k n Per rendere chiara la formula, scegliamo le classi tutte con la stessa larghezza: per ogni k si ha che Δx k = Δx n classi Σ k=1 F k Δx k = Σ Δx k k=1 1 n classi n classi Σ Fk Δx = Δx = Δx[1] = Δx k=1 Σ Fk k=1 Per normalizzare nuovamente, ovvero per avere la somma di tutti i rettangolini pari ad 1, bisogna dividere ogni classe per prodotto F k Δx k per Δx k n classi ( f k )Δx k =1 Abbiamo introdotto la quantità f k che chiamiamo densità di frequenza 8
9 Dalle densità di frequenza alla densità di probabilità Si comprende il nome densità di frequenza f k, se consideriamo la densità lineare di massa λ, per elementi finiti di lunghezza Δl. Otteniamo la massa Δm dal prodotto λ Δl: Δm = λ Δ l λ = Δm Δl Per passare dal discreto al continuo, dobbiamo considerare variabili continue in un intervallo [a, b ] dei numeri reali, e dividiamo tale intervallo in altri intervallini di ampiezza Δx [ x 1, x 2 ), [ x 2, x 3 ),!, [ x m 1, x m ] Per ognuno di questi intervallini avremo un certo numero di occorrenze n k, ovvero il numero di eventi che hanno valore compreso nell intervallino, per le quali possiamo anche fornire la frequenza: F k = n k n con n= n classi Σ n k e m-1=n classi 9 k=1 9
10 Se aumentiamo all infinito il numero di classi n classi (m ) avremo equivalentemente che la larghezza di ogni intervallino di ogni classe tenderà a zero, passando da una larghezza finita Δx ad una infinitesima dx, mentre la somma dei rettangoli F k Δx k sarà data dall area sottesa dalla curva f(x), Questo limite in analisi matematica è l integrale definito della funzione nell intervallo [a, b] lim n classi n classi b f k Δx k = k=1 a f (x)dx; estesa a a e b dato che dove la funzione è nulla l integrale da contributo nullo. All aumentare del numero di misure e della risoluzione, si ha che la f k sembra tendere ad una curva continua f (x), detta f k densità di frequenza, chiameremo f (x) densità di probabilità. Tale terminologia sarà giustificata da quanto affronteremo in seguito nella teoria della probabilità, dove osserveremo che all aumentare del numero di prove (misure) la frequenza tende alla probabilità (legge empirica del caso). Si osservi la corrispondenza tra discreto e continuo: Discreto Continuo Σ sommatoria integrale f k densità di frequenza Δx k larghezza della classe f(x) densità di probabilità dx differenziale Stime ( p.e. x e σ x ) Valori di aspettazione (X e σ ) 10 10
11 Rappresentazione grafica dei dati Di seguito i dati rilevati in classe: la tabella risulta poco fruibile per comprendere come sono distribuiti. i mis \ j stud ,43 2,45 2,00 2,22 2,47 2,28 2,58 2,16 2,53 2,37 2,37 2 2,45 2,63 2,13 2,47 2,49 2,41 2,53 2,50 2,49 2,35 2,47 3 2,49 2,58 2,38 2,25 2,50 2,56 2,57 2,53 2,48 2,35 2,44 4 2,46 2,48 2,34 2,68 2,57 2,16 2,48 2,44 2,54 2,37 2,50 5 2,47 2,32 2,25 2,50 2,45 2,47 2,49 2,44 2,42 2,31 2,47 6 2,57 2,68 2,47 2,15 2,48 2,41 2,54 2,16 2,47 2,44 2,43 7 2,51 2,63 2,30 2,63 2,44 2,53 2,50 2,37 2,45 2,50 2,44 8 2,49 2,71 2,33 2,37 2,45 2,59 2,43 2,47 2,52 2,61 2,52 9 2,39 2,73 2,42 2,63 2,45 2,50 2,38 2,44 2,44 2,45 2, ,45 2,68 2,51 2,50 2,47 2,47 2,34 2,25 2,46 2,47 2,35 Meglio organizzare i dati contando il numero di occorrenze per ora per ogni valore letto, dove ogni valore letto è in realtà un intervallo di possibili valori nell intervallo, [x k - ½ u.f., x k + ½ u.f.]. In questo caso scegliamo l intervallo di ogni classe Δx= u.f.= 0.01 s 11 11
12 Organizziamo i valori e il numero di occorrenze k x k n k k x k n k k x k n k k x k n k k x k n k k x k n k k x k n k k x k n k [s] [s] [s] [s] [s] [s] [s] [s] 1 2, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,69 0 E costruiamo l istogramma La larghezza della classe Δx, non avendo 12 altre necessità, è stata presa pari all unità 10 fondamentale, quindi ogni classe descrive 8 6 l intervallo [x k - ½ u.f., x k + ½ u.f.]. 4 Stiamo riportando quindi i dati con 2 il valore centrale e l intervallo x centr + Δx/2. 0 Ogni classe è individuata dall intervallo in cui potrebbe trovarsi in realtà il valore Periodo di oscillazione del pendolo misurato. 12 occorrenze n k 14 Istogramma delle occorrenze 2,00 2,04 2,08 2,12 2,16 2,20 2,24 2,28 2,32 2,36 2,40 2,44 2,48 2,52 2,56 2,60 2,64 2,68 2,72 T [s] occorrenze
13 f(x) per misure affette da incertezze casuali gaussiana G X,s (x) Curva ideale dedotta dalla teoria della Probabilità Distribuzione dei dati reali 1 G X,σ (x) = σ 2π e ( x X) 2 2σ Dati rilevati in classe nel X centralità valore più probabile σ unico punto individuabile sulla curva, cambio di concavità, preso per questo come distanza (deviazione) standard z = x X z σ : G(z) = 1 2 σ 2π e 2 0 1,89 1,92 1,95 1,98 2,01 2,04 2,07 2,1 2,13 2,16 2,19 2,22 2,25 2,28 2,31 2,34 2,37 2,4 2,43 2,46 2,49 x è una stima di X. σ x è una stima di σ. Ma quanto sono buone queste stime? E quanto la curva di Gauss è appropriata per i dai osservati. 13
14 organizzazione dei 110 dati rilevati in classe x [s] n k F k z 110 z 1102 /2 G X,σ [x -1 ] 2,00 1 9,09E-03 0,91-3,46 5,99E+00 0, ,01 0 0,00E+00 0,00-3,38 5,73E+00 0, ,02 0 0,00E+00 0,00-3,31 5,47E+00 0, ,03 0 0,00E+00 0,00-3,23 5,22E+00 0, ,71 1 9,09E-03 0,91 2,00 2,00E+00 0, ,72 0 0,00E+00 0,00 2,08 2,16E+00 0, ,73 1 9,09E-03 0,91 2,15 2,32E+00 0, Σ = 110 1,00 100,00 98,
15 organizzazione dei 110 dati rilevati in classe x [s] n k F k f k [x -1 ] z 110 z 1102 /2 G X,σ [x -1 ] 2,00 1 9,09E-03 0,91-3,46 5,99E+00 0, ,01 0 0,00E+00 0,00-3,38 5,73E+00 0, ,02 0 0,00E+00 0,00-3,31 5,47E+00 0, ,03 0 0,00E+00 0,00-3,23 5,22E+00 0, ,71 1 9,09E-03 0,91 2,00 2,00E+00 0, ,72 0 0,00E+00 0,00 2,08 2,16E+00 0, ,73 1 9,09E-03 0,91 2,15 2,32E+00 0, Σ = 110 1,00 100,00 98,
16 Anticipiamo quanto si dovrà organizzare graficamente, e cosa permette di dire la statistica Un teorema fondamentale della statistica, permette di ottenere come risultato, quanto segue. Se una variabile risulta Gaussiana, la migliore stima dei valori medi è la media dei dati osservati, la migliore stima dell incertezza della distribuzione dei valori medi risulta la deviazione standard della media. Sebbene i dati i ogni studente (10) non sarebbero sufficienti a verificare, se la distribuzione dei dati sia gaussiana, spieghiamo il risultato e le conseguenze, come stimolo per poi affrontare lo studio della parte teorica, che ci permetterà di formalizzare tale risultato. E lo utilizziamo anche per chiarire i valori di aspettazione rispetto ai dati che abbiamo in mano. Ogni studente può fornire la stima della deviazione standard della media, dalla migliore stima di σ x del campione diviso (n) 1/2 con n il numero dei suoi dati. Ma ogni studente, ha una stima migliore di σ x, visto che 10 dati non sono sufficienti, ovvero σ x ottenuta dal campione di 110 dati, visto che i propri 10 dati sono un sottocampione dei 110 dati, e da tutto il campione si stima meglio la deviazione standard aspettata per la popolazione. 16
17 Distribuzione dei valori medi * * Abbiamo una migliore stima della σ x da tutti i 110 dati Ogni studente può stimare la dev. st. della media σ x = σ x (110 dati)/ n mj 10 17
18 Anticipiamo quanto si dovrà organizzare graficamente, e cosa permette di dire la statistica 18
Programma della parte introdu0va: Lezione 5
Programma della parte introdu0va: 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 dati
DettagliAggiorniamo pag. 24 della presentazione
Aggiorniamo pag. 24 della presentazione Il pendolo è un sistema che utilizzo per introdurre la teoria. Posso prevedere qual è il periodo di oscillazione del pendolo? T = 2π l g Prendo la legge e la verifico,
Dettagli17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS
17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS 17.1 LA DISTRIBUZIONE DEI DATI Nel trattare gli errori casuali abbiamo utilizzato il concetto di media aritmetica ed il concetto di deviazione standard
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
Dettaglif (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
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliLezione 6. Tabelle funzionali. Utilizziamo il nostro sistema a portata di mano e ben controllabile
Tabelle funzionali Riguardano dati in cui si vuole verificare una relazione tra più grandezze. Si organizzano le tabelle delle migliori stime delle coppie di grandezze e delle rispettive incertezze totali.
DettagliAnalisi 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
DettagliDistribuzione 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
DettagliDistribuzione 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
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliDistribuzione 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
DettagliLA 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,
DettagliDistribuzione 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
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliUniversità 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
DettagliUniversità 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
DettagliΣ x P(x)=1 (**) dove per Σ x si intende sommatoria su tutti i valori x, che può acquisire la variabile X.
Lezione 10 Variab. discrete: funzione di P o distribuzione di P Una funzione casuale può essere, p.e., la probabilità, che associ ad ogni valore della variabile casuale o aleatoria X la probabilità P f(x)=
DettagliSignificato 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
DettagliSperimentazioni 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
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
DettagliLaboratorio 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
DettagliVariabile casuale o aleatoria. Abbiamo visto che la probabilità è un applicazione che associa ad un evento un valore numerico nell intervallo [0,1]
Variabile casuale o aleatoria. Abbiamo visto che la probabilità è un applicazione che associa ad un evento un valore numerico nell intervallo [0,1] Ad ogni evento dello spazio campionario si associa un
DettagliINFORMAZIONI. p. 1/23
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 p.
DettagliElaborazione 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,
DettagliRICHIAMI 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
DettagliModulo III. Definizione ed elementi di calcolo delle probabilità Le variabili casuali La distribuzione normale e la normale standardizzata
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea triennale Tecniche della Prevenzione PERCORSO SRTAORDINARIO 2007/08 Insegnamento di STATISTICA MEDICA Docente:Dott.ssa Egle
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliDistribuzione 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
DettagliDistribuzione 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
DettagliModelli 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
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliLe 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
DettagliLA MEDIA CAMPIONARIA 14-1
LA MEDIA CAMPIONARIA Prendiamo un urna e inseriamo 10 palline numerate da 0 a 9 (questa è la nostra popolazione ). La media dei 10 valori è 4.5 (questa è la media vera µ). La varianza dei 10 valori è 8.25
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliScappatoie. Indicherò le scappatoie per le scuole superiori, con l intestazione scappatoie in sfondo celestino. Consideriamo la regressione lineare
Scappatoie Indicherò le scappatoie per le scuole superiori, con l intestazione scappatoie in sfondo celestino. e rigore. Segnalerò con e rigore a sfondo rosso la trattazione corretta. E indicherò le parti
DettagliStatistica 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
DettagliIl 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/
DettagliOsservazioni 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
DettagliDISTRIBUZIONE 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
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliLa funzione di distribuzione Gaussiana normale
La funzione di distribuzione Gaussiana normale Nicola Morganti 25 aprile 2004 Indice Proprietà fondamentali 2 Standard Normal Density Function 3 3 Esempio applicativo 5 Proprietà fondamentali L utilizzo
DettagliVariabili 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
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliL 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
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica.3 - La distribuzione normale Tempi di reazione Registrati i tempi di reazione (in millisecondi) a uno stimolo (n = 30). Classe Freq Freq relative Densità
DettagliLA 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
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliDistribuzione Gaussiana
Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
DettagliStatistica descrittiva in una variabile
Statistica descrittiva in una variabile Dott. Nicola Pintus A.a. 2018-2019 Cosa è la statistica? La statistica è la scienza che studia con metodi matematici fenomeni collettivi. La statistica descrittiva
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliScheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
DettagliElaborazione 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:
DettagliUNIVERSITA 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
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliSTIME 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
Dettagli3 - Esercizi: strumenti di misura, propagazione degli errori, media, deviazione standard, intervalli
3 - Esercizi: strumenti di misura, propagazione degli errori, media, deviazione standard, intervalli Esercizio 1: Si intende misurare la densità di un fluido tramite misure di massa e di volume. Lo si
DettagliDistribuzioni 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
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliMatematica con elementi di Informatica
Statistica descrittiva ed inferenziale Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
DettagliUtilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi
La variabile standardizzata Utilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi X'= X Media(X ) DS(X ) Visto l ampio uso in statistica di questa procedura, la
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliDISTRIBUZIONI IN FREQUENZA E ISTOGRAMMI
DISTRIBUZIONI IN FREQUENZA E ISTOGRAMMI Quando si hanno molti dati da trattare bisogna rappresentare i dati nella forma più efficace e utile. Infatti nel caso ci interessi conoscere il valore di una certa
DettagliISTOGRAMMI 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
DettagliElaborazione dei dati sperimentali. Problemi di Fisica
Problemi di Fisica Elaborazione dei dati sperimentali Nella seguente tabella riportiamo alcune regole per esprimere ualunue numero mediante una potenza di 0: 00000000 = 0 9 456789 = 45,6789 0 4 3, = 0,3
DettagliRappresentazione grafica di coppie di variabili (x i,y i ) correlate e non. E indicato il valore del coefficiente di correlazione lineare r
1 Rappresentazione grafica di coppie di variabili (x i,y i ) correlate e non. E indicato il valore del coefficiente di correlazione lineare r Ovviamente tra le coppie (x i,y i ) può sussistere una correlazione
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
DettagliUniversity 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
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di Gauss) CdL Area Tecnica -
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
DettagliRichiami di statistica
Appendice A Richiami di statistica Per comprendere appieno il significato di termini come incertezza e valore più significativo del misurando è necessario dotarsi di strumenti propri della teoria della
DettagliUniversità 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
DettagliIL 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.
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
Dettaglip. 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
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliUNIVERSITA 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
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliEsercizi. Esercizio 1. Date le funzioni f(x) = x 2 3x + 2 e g(x) = 2x 1,
Esercizi Esercizio 1. Date le funzioni f(x) = x 2 3x + 2 e g(x) = 2x 1, (a) dire quanto vale f g e qual è il suo insieme di definizione; (b) dire quanto vale g f e qual è il suo insieme di definizione;
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliFENOMENI 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
DettagliStatistica 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
DettagliCorso C Geomatica. Teoria degli errori. Massimiliano Cannata
Corso C111.01 - Geomatica Teoria degli errori Rappresentazione di una misura di precisione ( x ± σ x ) u x = misura σ x = incertezza della misura u = unità di misura Il problema degli errori in topografia
Dettagli