Distribuzioni di Probabilità
|
|
- Cesare Marra
- 7 anni fa
- Visualizzazioni
Transcript
1 Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale Distribuzione Chi-Quadro Distribuzione normale o Gaussiana Distribuzione di tipo Standard Distribuzione normale o Gaussiana di tipo generico Distribuzione T di student Distribuzione F di Fisher Distribuzione Uniforme Discreta Un variabile aleatoria è di tipo Uniforme Discreto se la funzione densità di probabilità è: y =,,..., N N f ( y) = altrove La Variabile Aleatoria dipende d da un solo parametro: N f (y) 3 N y Media: μ = N + Varianza: = N σ Distribuzioni di Probabilità
2 Distribuzione di Poisson La variabile aleatoria di Poisson è caratterizzata dalla funzione densità di probabilità: f e λ x λ y! ( y) = λ > y =,,,... altrove Dipende dal solo parametro λ Media: μ = λ Varianza: σ = λ Distribuzione di Poisson Alcuni esempi di distribuzioni di Poisson:.5.4. λ=3.. λ=.5.8 f (y). f (y) y y Distribuzioni di Probabilità
3 Distribuzione Uniforme Continua Funzione di distribuzione uniforme se y a b f ( y) = b a se y a, b [, ] [ ] Dipende da due parametri: a e b f (y) pdf F (y) cdf /(b-a) a b y a b y Distribuzione Uniforme Continua È possibile calcolare media e varianza : a+ b μ = yf( y) dy= y dy= b a b a Questo risultato poteva essere intuitivo dato che la funzione è simmetrica rispetto al suo punto medio b ( ) ( ) a+ b μ b ( a b) σ = y f y dy = y dy = b a a Distribuzioni di Probabilità 3
4 Distribuzione Gamma λ Γ f ( y ; r, λ ) = () ( ) r λ y exp ( λ y ) r y altrove Variabile aleatoria a due parametri: r > λ > La funzione Gamma di Eulero Γ(r) è definita come: Γ () r = e x x r dx Distribuzione Gamma Proprietà : Esempi di distribuzioni Gamma: Media: μ r.5 Varianza: σ = = λ r λ.4.3 λ = r = r = La funzione assume valore massimo in corrispondenza di: Max f : y = ( r )λ max f (y)... 5 y 5 Distribuzioni di Probabilità 4
5 Distribuzione Esponenziale Caso particolare della Gamma (r = ) ( ) = λ exp( λ ) ( ) = exp( λ y) f y y F y y Un solo parametro: λ μ = σ = λ λ λ f (y) pdf F (y) cdf y y Distribuzione Chi-Quadro Caso particolare della Gamma (λ = ½,r = ½ k) f ( y; k) k y y exp y k / Un solo parametro k Γ( k / ) = μ = k σ = k altrove ( y, ) = lim f y, y ( ) f, = y y= f (y) y n = n = n = 3 Distribuzioni di Probabilità 5
6 Variabili aleatorie: Teorema limite centrale Esiste un teorema di statistica che afferma: Sia {X i } una successione di variabili aleatorie indipendenti di media μ e varianza σ, indipendenti ed identicamente distribuite, allora la somma S n X i = n i= converge asintoticamente verso una variabile aleatoria normale (o altrimenti detta Gaussiana) Distribuzione normale di tipo standard Una variabile aleatoria normale (detta anche di tipo Gaussiano) di tipo standard è caratterizzata da una curva di distribuzione a forma di campana f Z π ( ) = z exp z p x (x) x Nell esponenziale il termine z cresce all aumentare della distanza dall origine, con la stessa velocità sia a sinistra che a destra. L esponenziale decresce in maniera simmetrica. Il massimo si osserva in corrispondenza di z = Distribuzioni di Probabilità 6
7 Distribuzione normale di tipo standard Nota la distribuzione è possibile calcolare la probabilità di un qualunque evento per Z Esempio: probabilità Z <.5 L area segnata in blu rappresenta la probabilità che si verifichi un qualunque numero Z <.5 ovvero -4-4 x Z=.5 P(Z<.5) 3 Distribuzione normale di tipo standard La curva a campana è simmetrica rispetto all origine Questo è un dettaglio importante perché anche le aree sottese dalla curva sono simmetriche Per esempio La probabilità che si verifichi l evento A = Z < -.5 è pari alla probabilità che si verifichi l evento B = Z > Z < -.5 Z > +.5 x 4 Distribuzioni di Probabilità 7
8 Distribuzione normale di tipo standard Il calcolo dell area (probabilità) per il caso in esame richiede la valutazione dell integrale: P dz π.5 ( Z.5) = f ( ) Z z dz =. 5 < exp z Purtroppo non esiste soluzione analitica per l integrale. Per la sua valutazione si ricorre alle tabelle 5 Distribuzione normale di tipo standard I valori dell integrale (ovvero l area) della distribuzione di tipo standard sono riportati in forma di tabella in (quasi) tutti i testi di statistica. P(Z<.5)= Distribuzioni di Probabilità 8
9 Distribuzione normale di tipo standard Altro esempio: P(Z>.5) Si può osservare che per gli assiomi di Kolmogoroff si ha P(Z>.5)+P(Z<.5)= Pertanto la probabilità può ancora essere ricavata facilmente dalla tabella P(Z>.5) =-P(Z<.5)=-.853= Distribuzione normale di tipo standard Altro esempio: Calcolare la probabilità che Z sia compresa nell intervallo [,] P(<Z<) P(Z<) = -4-4 x - P(Z<) x x 8 Distribuzioni di Probabilità 9
10 Distribuzione normale di tipo standard Consultando le tabelle: P(Z <.)=.843 P(Z <.)=.977 P(. < Z <.) = = Distribuzione normale di tipo standard Con l aiuto delle tabelle, calcolare. P(Z >.64). P(Z < -.64) 3. P(. < Z <.5) 4. P(- < Z < ) 5. P(- < Z < ) Distribuzioni di Probabilità
11 Distribuzione normale generica Una variabile aleatoria (continua) si dice normale o Gaussiana se la densità di probabilità è: ( ) ( y μ ) f y = exp πσ σ La funzione è definita lungo tutto l asse reale (ovvero un qualunque numero reale può essere un esito di una VA di tipo normale) Il grafico di tale funzione è una curva a campana simmetrica rispetto a y=μ La distribuzione dipende da due parametri, μ e σ. Viene indicata in genere con la seguente simbologia: ( μ, σ ) ~ N Carl Friedrich Gauss Gaussiana Distribuzioni di Probabilità
12 Distribuzione normale (o di tipo Gaussiano) La gaussiana è simmetrica rispetto al valore μ pertanto la media coincide con il valore μ Si può verificare matematicamente che il parametro σ definito nell espressione coincide con la varianza della funzione di distribuzione. Importante: la distribuzione normale di tipo standard è un caso particolare della formula generica con μ = e σ = 3 Distribuzione normale (o di tipo Gaussiano) In figura sono riportate tre gaussiane con egual media e varianza.5,.5,.5 Varianza σ = Varianza σ = Al diminuire della varianza, la campana si restringe sempre di più intorno al suo valore medio 4 Distribuzioni di Probabilità
13 Distribuzione normale (o di tipo Gaussiano) N.B. Questo è vero per ogni valore di μ e σ nel caso della Gaussiana! μ 3σ μ σ μ σ μ μ+σ μ+σ μ+3σ 68.6% 95.46% 99.73% Aree sottese dalla distribuzione normale La probabilità di osservare valori esterni all intervallo [μ σ, μ+σ] è molto bassa (5% circa) È praticamente nulla all esterno dell intervallo [μ 3σ, μ+3σ] (meno del 3 ) 5 Distribuzione normale (o di tipo Gaussiano) Al diminuire di σ, i risultati dell esperienza aleatoria assumono valori in intervalli sempre più piccoli L incertezza diventa sempre più piccola Non esistono delle tabelle per calcolare le probabilità per i generici valori di μ e σ. Vedremo nel seguito come è possibile ricondurre il calcolo della probabilità sempre alla VA di tipo standard 6 Distribuzioni di Probabilità 3
14 Funzioni di VA Gaussiane Trasformazioni lineari Nel caso di una trasformazione lineare di variabili aleatorie: Z = a + b Si è visto come media e varianza di Z siano legate alla media e varianza di secondo la relazione μ = a + bμ Z σ Z = b σ Si può inoltre verificare facilmente che, se è una Gaussiana, lo è anche la trasformata Z 7 Funzioni di VA Gaussiane Trasformazioni lineari Data una variabile aleatoria (di tipo gaussiano) di media μ e varianza σ Si consideri la seguente trasformazione lineare: μ Z = σ Di che tipo è la nuova variabile aleatoria? Quale è la media e la varianza della nuova variabile? È facile verificare che: μ = σ Z = Z Gaussiana di tipo standard 8 Distribuzioni di Probabilità 4
15 Funzioni di VA Gaussiane Trasformazioni lineari Nota la funzione di distribuzione standard è possibile ricavare le proprietà di una qualsiasi distribuzione gaussiana In particolare, è possibile calcolare la probabilità che si verifichi un dato evento per un generico processo, con media e varianza note. Questo è possibile sapendo solo i valori della distribuzione di tipo standard. 9 Calcolo probabilità per una Gaussiana generica z = (y μ) σ μ = 5; σ = μ = ; σ = Normale standard Distribuzioni di Probabilità 5
16 Calcolo probabilità per una Gaussiana generica Esempio: calcolare quale è la probabilità che si verifichi un evento appartenente all intervallo [,5] per la variabile aleatoria di media 3 e deviazione standard : Si deve calcolare quale è la probabilità che la variabile aleatoria di tipo standard assuma un valore nell intervallo corrispondente. 3 Calcolo probabilità per una Gaussiana generica Dobbiamo calcolare la probabilità: P ( < X < 5 ) Gli estremi dell intervallo corrispondente per la distribuzione di tipo standard possono essere facilmente calcolati z z x μ X 3 = = σ X x μx 5 3 = = = σ X P P ( < X < 5 ) = (.5 Z ) < < = = 77.4% 3 Distribuzioni di Probabilità 6
17 Calcolo probabilità per una Gaussiana generica Esercizi Sia una variabile aleatoria di tipo normale, di media μ = 6 e varianza σ = 5 Calcolare:. P( > ). P( < < 5) 3. P( < ) 4. P( < < 4) 33 Distribuzioni Gaussiane di tipo Vettoriale È possibile estendere la formulazione della Gaussiana al caso vettoriale: =,..., In cui ciascuna delle componenti è di natura Gaussiana. L attenzione si focalizzerà principalmente sul caso bidimensionale: =,, Per cui è possibile osservare le marginali rispetto a e : N Distribuzioni di Probabilità 7
18 Distribuzioni Gaussiane di tipo Vettoriale Per le distribuzioni marginali si ha: ~ N f = ep exp πσ σ f = ( μ, σ ) ~ N( μ, σ ) exp πσ ( y μ ) Se le due VA sono indipendenti allora la funzione densità di probabilità per la congiunta è data da: f ( y) f ( y ) f ( y ) ( y μ ) σ NB: la congiunta contiene 4 parametri ( y μ ) ( y μ ) = = exp ( π ) σ σ σ σ 35 Distribuzioni Gaussiane vettoriali Caso coppia di VA Gaussiane Una coppia di variabili aleatorie = (, ) si dicono congiuntamente gaussiane (o normali) e si denotano con ~N(μ,V) se lo loro pdf congiunta assume la seguente espressione: ssi f ( y) T ( y μ) V ( y ) μ = exp π det V I parametri di tale pdf sono raccolti nel vettore μ e nella matrice V Il vettore μ è il vettore delle medie La matrice V, simmetrica, definita positiva, è la matrice di covarianza σ σ V = σ σ x T V x > x 36 Distribuzioni di Probabilità 8
19 Variabili aleatorie vettoriali Coefficiente di correlazione Dalla matrice di covarianza è possibile determinare la correlazione tra due variabili aleatorie. Siano date due variabili aleatorie e. Il coefficiente di correlazione è definito come: (, ) σ ( ) V ( ) σσ cov ρ = = V Per come è definito: ρ 37 Distribuzioni Gaussiane vettoriali Caso Gaussiano VA Indipendenti V = μ = 38 Distribuzioni di Probabilità 9
20 Distribuzioni Gaussiane vettoriali Caso Gaussiano VA Indipendenti Rappresentazione distribuzioni marginali e probabilità condizionate f μ= σ = y ( ) f y y.5 μ =, σ = y 3 f μ= σ = y ( ) f y y.5 μ =, σ = La probabilità dell evento y non cambia con il valore di y 39 Distribuzioni Gaussiane Vettoriali Caso VA non indipendenti α V = μ = α 4 Distribuzioni di Probabilità
21 Distribuzioni Gaussiane Vettoriali Caso VA non indipendenti Rappresentazione distribuzioni marginali e probabilità condizionate f μ= σ = f y y.5 μ =., σ = y 3 ( ) f μ= σ = ( ) f y y μ σ.5 =., =.36 4 Distribuzioni Gaussiane Vettoriali Caso VA non indipendenti Nel caso di correlazione ρ = la distribuzione degenera in una retta Domanda: in questo caso come si comportano le marginali e le 4 probabilità condizionate? Distribuzioni di Probabilità
22 Variabili Aleatorie di tipo Normale Vettoriali Caso Generico Nel caso generico di n componenti la variabile aleatoria vettoriale assume la forma: f ( y) = ( π ) n / exp det V T ( y μ) V ( y μ) ) I parametri di tale pdf sono raccolti nel vettore μ e nella matrice V: μ = (μ, μ,..., μ n ); V, matrice (n n) definita positiva, è la matrice di covarianza. Ancora, se le VA componenti sono indipendenti, la matrice V è diagonale perché tutte le covarianze sono nulle. 43 Distribuzione T di student Utilizzata nei test statistici f ν ν + K y = +, Γ ν y + K = ν ν πν Γ ( y) R Essendo K una costante di normalizzazione. Proprietà: Dipende da un solo parametro il numero intero ν (detto anche grado di libertà della T di student) Media: ν μ = Varianza: σ = ( ν > ) ν Distribuzioni di Probabilità
23 Distribuzione T di student In figura sono mostrate le funzioni densità per,3,6 gradi di libertà. f (y).4.3. n = n = 4 Distribuzione Standard n W. Gossett creatore della T- student y La T è simmetrica rispetto a : μ=, σ =r/(r-) r 3 Per r la T di student tende ad una gaussiana di tipo standard. 45 f Distribuzione F di Fisher m + n m n Γ / n y m+ n y m n m Γ Γ m + y n = m, n altrove ( y; m, n) N Media: μ n =, n n ( > ) Varianza: σ ( m + n ) n ( 4)( n ) = m n Distribuzioni di Probabilità 3
24 La distribuzione F di Fisher Grafici della F di Fisher al variare dei gradi di libertà f (y) (, 4) g.d.l. (, ) g.d.l (, 5) g.d.l. (, Infinity) g.d.l y Sir Ronald Aymer Fisher Distribuzioni di Probabilità 4
Statistica - metodologie per le scienze economiche e sociali /2e S. Borra, A. Di Ciaccio - McGraw Hill
Statistica - metodologie per le scienze economiche e sociali /e S. Borra A. Di Ciaccio - McGraw Hill s. 9. Soluzione degli esercizi del capitolo 9 In base agli arrotondamenti effettuati nei calcoli si
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
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
DettagliTeorema del limite centrale TCL
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
DettagliPROBLEMI DI PROBABILITÀ 2
PROBLEMI DI PROBABILITÀ 2. Si sceglie a caso un numero X nell intervallo (0, ). (a) Qual è la probabilità che la usa prima cifra decimale sia? (b) Qual è la probabilità che la seconda cifra decimale sia
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,
DettagliTeoria 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
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
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
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,
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
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliBrevi richiami su variabili aleatorie e processi stocastici
Appendice Parte 9, 1 Brevi richiami su variabili aleatorie e processi stocastici Richiami di teoria della probabilita` Appendice Parte 9, 2 Esperimento casuale: analisi degli elementi caratteristici dei
DettagliFacoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA
Facoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA Attività didattica CALCOLO DELLE PROBABILITA' [60/64/186] Periodo di svolgimento: Primo Semestre Docente titolare del
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
DettagliTeoria 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.
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
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
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
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
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:
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
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
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
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE NORMALE o DISTRIBUZIONE DI GAUSS 1. E la più importante distribuzione continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito
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.
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
DettagliLA LUNGHEZZA DEI GENI UMANI (Es4.1)
STATISTICA INFERENZIALE: le caratteristiche della popolazione complessiva sono indotte da quelle osservate su un campione estratto dalla popolazione stessa(esempio exit poll) PROBLEMA: dato un campione
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
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 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
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
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
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
DettagliUNIVERSITA` di ROMA TOR VERGATA
UNIVERSITA` di ROMA TOR VERGATA Corso di PS2-Probabilità 2 PBaldi appello, 23 giugno 29 Corso di Laurea in Matematica Esercizio Per α 2 consideriamo la catena di Markov su {, 2, 3} associata alla matrice
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
PROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE 1. Distribuzione congiunta Ci sono situazioni in cui un esperimento casuale non si può modellare con una sola variabile casuale,
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
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
DettagliDispensa sulla funzione gaussiana
Sapienza Università di Roma Dipartimento di Scienze di Base e Applicate per l Ingegneria Sezione di Matematica Dispensa sulla funzione gaussiana Paola Loreti e Cristina Pocci A. A. 011-01 1 Introduzione:
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
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
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
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
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
DettagliANNO ACCADEMICO Statistica per l Analisi dei Dati
FACOLTÀ Economia ANNO ACCADEMICO 2011-2012 CORSO DI LAUREA Statistica per l Analisi dei Dati INSEGNAMENTO Calcolo delle Probabilità TIPO DI ATTIVITÀ Formativa di base AMBITO DISCIPLINARE Statistico-probabilistico
DettagliComputazione per l interazione naturale: fondamenti probabilistici
Computazione per l interazione naturale: fondamenti probabilistici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
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
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
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
DettagliVariabile aleatoria vettoriale
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabile aleatoria vettoriale Sommario della lezione 4 Esperimenti combinati VA vettoriali La Gaussiana multidimensionale Medie e
DettagliDISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
DettagliEsercizi di Probabilità
Esercizi di Probabilità Annalisa Cerquetti - Sandra Fortini Vai all indice Istituto di Metodi Quantitativi, Viale Isonzo, 25, 2033 Milano, Italy. E-mail: annalisa.cerquetti@unibocconi.it,sandra.fortini@unibocconi.it
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
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,
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
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
DettagliX = X 1 + X 2 +... + X n. dove. 1 se alla i-esima prova si ha un successo 0 se alla i-esima prova si ha un insuccesso. X i =
PIU DI UNA VARIABILE CASUALE Supponiamo di avere n variabili casuali, X 1, X 2,..., X n. Le n variabili casuali si dicono indipendenti se e solo se P(X 1 x 1 X 2 x 2... X n x n ) = = P(X 1 x 1 ) P(X 2
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.
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 Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino)
Corso di Laurea Triennale in Matematica Calcolo delle Probabilità I (docenti G. Nappo, F. Spizzichino Prova di Mercoledì giugno 4 (tempo a disposizione: ore. Scrivere su ogni foglio NOME e COGNOME. Le
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
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
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
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2015/2016 www.mat.uniroma2.it/~caramell/did 1516/ps.htm 01/03/2016 - Lezioni 1, 2 [Caramellino] Breve introduzione al corso. Fenomeni
DettagliCorso di Laurea: Diritto per le Imprese e le istituzioni a.a Statistica. Probabilità. Lezioni : 11, 12. Docente: Alessandra Durio
Corso di Laurea: Diritto per le Imprese e le istituzioni a.a. 2016-17 Statistica Probabilità Lezioni : 11, 12 Docente: Alessandra Durio 1 Contenuti 1. Variabili casuali notevoli DISCRETE (uniforme, di
DettagliTeoremi limite. Enrico Ferrero. 27 febbraio 2007
Teoremi limite Enrico Ferrero 27 febbraio 2007 LA DISEGUAGLIANZA DI CHEBYCHEV Sia X una variabile aleatoria avente valore medio µ e varianza σ 2. Sia poi K un arbitrario numero positivo. È possibile dimostrare
DettagliComputazione per l interazione naturale: fondamenti probabilistici
Computazione per l interazione naturale: fondamenti probabilistici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
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
DettagliProbabilità 1, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea triennale in Matematica I prova scritta sessione estiva a.a. 2008/09. Due roulette regolari vengono azionate più volte; sia T il numero di volte che occorre azionare la prima roulette
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
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliDOTTORATO DI RICERCA in MODELLI E METODI MATEMATICI PER LA TECNOLOGIA E LA SOCIETA Prova scritta di ammissione - XVI ciclo. Analisi Matematica
DOTTORATO DI RICERCA in MODELLI E METODI MATEMATICI PER LA TECNOLOGIA E LA SOCIETA Prova scritta di ammissione - XVI ciclo Analisi Matematica Tema: Illustrare le linee generali della teoria delle equazioni
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
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
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
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
DettagliARGOMENTI TRATTATI NEL CORSO DI ANALISI II
ARGOMENTI TRATTATI NEL CORSO DI ANALISI II ANALISI Limiti Curve Convergenza di una successione di punti Definizione di limite Condizione necessaria e condizione sufficiente all esistenza del limite in
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,
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
DettagliStatistica Matematica 3
Statistica Matematica 3 1 Regole bayesiane formali nella stima puntuale di un parametro reale Θ D R con D intervallo (limitato o no) P probabilità su T E P(Z) = Θ θ P(dθ) finito. Allora, per l internalità,
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
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.
DettagliSCOPO DELL ANALISI DI CORRELAZIONE
CORRELAZIONE 1 SCOPO DELL ANALISI DI CORRELAZIONE STUDIARE LA RELAZIONE TRA DUE VARIABILI X E Y 2 diagrammi di dispersione un diagramma di dispersione (o grafico di dispersione) èuna rappresentazione grafica
DettagliLezione 2: Descrizione dei Da0. h2p://
Lezione 2: Descrizione dei Da0 h2p://www.mi.infn.it/~palombo/dida=ca/analisista0s0ca/lezioni/lezione2.pdf Funzione Densità di Probabilità q La variabile casuale assume valori diversi con diverse probabilità.
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA A.A. 2010/2011 - Distribuzione binomiale - Distribuzione Normale Sezione di Epidemiologia & Statistica Medica Università degli Studi di Verona DISTRIBUZIONI TEORICHE DI PROBABILITA
DettagliLICEO SCIENTIFICO Galileo Galilei VERONA Anno Scolastico 2006-2007 PROGRAMMA PREVISTO
PROGRAMMA PREVISTO Testo di riferimento: ForMat SPE Volume 1 e Volume 2 (Maraschini - Palma) I moduli a fondo grigio sono opzionali e saranno svolti solo se possibile. Gli argomenti riportati in corsivo
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
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
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
Dettagli