Frequenza relativa e probabilità
|
|
- Prospero Massaro
- 7 anni fa
- Visualizzazioni
Transcript
1 Frequenza relativa e probabilità La La probabilità e' e' un un numero con con cui cuisi si descrivono i i fenomeni che che possono essere essere pensati come come risultato di di un un esperimento che che cambia cambia al al ripetersi dell esperimento stesso stesso (pur (pur mantenendo le le medesime condizioni operative). Esempio: Esperimento: Lancio Lancio casuale di di un un dado dado Risultato: Numero sulla sulla faccia faccia superiore del del dado dado Insieme dei dei possibili risultati (elementari): S={,,3,4,5,6} Evento: qualsiasi sottoinsieme dell insieme dei dei risultati risultati A={,}; B={,4,6}; ecc. ecc. Se Se si si esegue esegue un un numero N di di prove prove sufficientemente elevato, sia sia l esperienza sia sia la la teoria teoria della della probabilità mostrano che che la la frequenza relativa relativadei dei singoli singoli risultati risultati (k=,,3,4,5,6) (o (o di di un un qualsiasi evento) evento) è prossima alla alla loro loro probabilità: NA f P( A) A = N
2 Frequenza relativa e probabilità f A = N N A P( A) A f P( A) f S = P( S) = f AUB = f + f f P( AU B) = P( A) + P( B) P( AI B) A B AIB f A B = f A + fb f ( ) ( ) ( ) ( ) + AB P A+ B = P A + P B P AB
3 Variabile casuale numero reale associato ad un evento ( ) Funzione di distribuzione a = P( a) F P( a a + da) da d da ( ) ( ) Densità di probabilità p a = F a =
4 Variabile casuale continua Le Le variabili casuali sono continue quando possono assumere un un insieme continuo di di valori (e (e quindi i i possibili risultati sono in in numero infinito). Esempio: v.c. v.c. Uniforme Assume con con la la stessa stessa probabilità un un qualsi qualsi valore valore reale reale valore valore compreso tra tra e ( ) Funzione di distribuzione F a = P( a) = a d da ( ) ( ) Densità di probabilità p a = F a =
5 Variabile casuale discreta Le Le variabili casuali sono discrete quando possono assumere un un insieme discreto di di valori (e (e quindi i i possibili risultati sono in in numero finito). Esempio: v.c. v.c. Legata Legata al al numero sulla sulla faccia faccia superiore del del dado. dado. F p ( a) Funzione di distribuzione = P( a) = u( a ) + u( a ) u( a 6) d da Densità di probabilità 6 ( a) = F ( a) = δ( a ) + δ( a 6) δ( a 6) 6 6
6 Uso della densità di probabilità Dalla Dalla densità densitàdi di probabilità p(a) p(a) è facile facile calcolare la la probabilità che che la la variabile casuale assuma un un valore valore compreso in in un un intervallo a,, a.. Basta Basta sommare! si si ottiene ottiene l area l area sottesa sottesa dalla dalla ddp ddpnell intervallo d interesse. ( < ) = a P a Si noti che a a p ( a) da P ( < < ) = p ( a) da =.. Dunque l area l area sottesa sottesa dalla dalla ddp ddp di di una una qualunque variabile casuale è unitaria a a
7 Variabili casuali continue Il Il concetto di di frequenza relativa relativaviene viene recuperato approssimando l insieme continuo di di valori valori con con un un numero finito finito di di intervallini di di misura misura (discretizzazione). Ad Ad esempio, se se la la v.c. v.c. può può variare variare con con continuità tra tra e gradi, gradi, non non commettiamo un un grosso grosso errore errore approssimando l intervallo continuo con con intervallini contigui larghi larghi La La variabile casuale è diventata discreta (ci (ci sono sono possibili risultati risultati dell esperimento) e possiamo approssimare la la probabilità come come limite limite della della frequenza relativa relativa per per N elevato.
8 =rand(,); hist(,) Istogramma dei risultati di una V.C. uniforme
9 =rand(,); hist(,) All'aumentare del numero di prove, l'istogramma tende alla frequenza relativa moltiplicata per il numero di prove
10 =rand(,); [X,N]=hist(,); bar(n,x/*) All'aumentare del numero di prove e del numero di intervalli, l'istogramma diviso per il numero di prove e per la dimensione degli intervalli tende alla densita' di probabilita'
11 =randn(,); hist(,) All'aumentare del numero di prove, l'istogramma tende alla frequenza relativa moltiplicata per il numero di prove. 4 4 V.C. gaussiana
12 =randn(,); [X,N]=hist(,); d=(n()-n()); bar(n,x//d) All'aumentare del numero di prove e del numero di intervalli, l'istogramma diviso per il numero di prove e per la dimensione degli intervalli tende alla densita' di probabilita' V.C. gaussiana
13 Valor medio di una variabile casuale Il Il valor valor medio mediom,, detto detto anche anche valore valore atteso attesoe [] [] o momento (statistico) di di ordine ordine uno, uno, di di una una variabile casuale è definito definito come come segue. segue. m [ ] = = E a p (a) da Il valor medio di una variabile casuale è l ascissa del baricentro dell area sottesa dalla densità di probabilità. p(a) p(a) m X a m X a Il valor medio della somma di variabili casuali è la somma dei valori medi
14 Valore quadratico medio e varianza Il Il valor valor quadratico medio medioe [ [ X [ ( ], ], detto detto anche potenza statistica o momento (statistico) di di ordine ordine σ, =, Edi di Xuna una mvariabile X ) ] = ( acasuale m ) f X ( è a ): : da = = E X [ ] m E[ X ] + m = E[ X ] m m + m = E[ X ] m X X E [ ] X X = a p (a) da X X La La varianza σ (detta (detta anche anche momento centrale di di ordine ordine ) ) di di una una variabile casuale è il il valore valore quadratico medio medio della della differenza tra tra e il il suo suo valor valor medio medio m σ = E [ ] [ ] m ) = E m ( La La radice radice quadrata della della varianza è detta detta deviazione standard (o (o scarto scarto quadratico medio) medio) della della variabile casuale σ = σ
15 =rand(,); z=rand(,); b=/*+/*z; [B,N]=hist(a,); bar(n,b/*) La d.d.p. della somma di v.c. indipendenti è data dalla convoluzione delle d.d.p
16 Introduzione ai processi casuali Il rumore termico Un classico e importante esempio utile a introdurre il concetto di processo casuale e rappresentato dalla debole tensione elettrica v (t) esistente ai capi di un resistore. Questa tensione, variabile nel tempo, e causata dal movimento caotico degli elettroni dovuto ad una temperatura del materiale superiore allo zero assoluto. Se si misura la tensione v (t) si ottiene, secondo quanto detto in precedenza, un segnale deterministico. v (t) t
17 Introduzione ai processi casuali () Se si prende un secondo resistore identico al primo e posto alla stessa temperatura e si esegue la misura della tensione elettrica ai suoi capi, si otterra di nuovo un segnale deterministico v (t), con caratteristiche simili ma diverso dal precedente dato che gli elettroni si muovono in modo diverso. v (t) v (t) t t
18 Introduzione ai processi casuali (3) Se il nostro scopo e determinare l effetto del rumore termico del resistore su un apparecchiatura elettronica, non e di nessuna utilità conoscere deterministicamente il comportamento della tensione v (t) ai capi del primo resistore se poi il resistore effettivamente montato nell apparecchiatura e il secondo. E utile invece riuscire a descrivere quelle che sono le caratteristiche della tensione di rumore comuni a tutti i resistori dello stesso tipo e a quella temperatura. In questo modo, qualsiasi sia il resistore (di quel valore e a quella temperatura) montata nell apparecchiatura, potremo dire, per esempio, con quale probabilità si presenteranno certi valori di tensione o quale sarà il valore atteso della potenza di rumore. Si abbandona dunque il concetto di certezza (proprio dei segnali deterministici) per passare a quello dell incertezza, descritto dalla teoria della probabilità, proprio dei processi casuali.
19 Introduzione ai processi casuali (4) Un processo casuale e : l insieme di tutti i segnali deterministici (detti le realizzazioni del processo) generati da altrettante sorgenti uguali, ma indipendenti tra loro. ESEMPIO Dimensione d'insieme Dimendsione Temporale
20 Introduzione ai processi casuali (5) Per ogni tempo t si ottiene una variabile casuale che viene descritta attraverso la sua ddp Dimensione d'insieme Dimendsione Temporale t
21 Introduzione ai processi casuali (6) Per ogni coppia di tempi t e t si ottiengono variabili casuali che viengono descritte attraverso la loro ddp congiunta Dimensione d'insieme Dimendsione Temporale t t
22 ESEMPIO ( t) = cos(π.t + ϑ) ϑ V.C. Unif. - π Dimensione Temporale Dimensione d'insieme
23 ESEMPIO (t ) = cos(π.t + ϑ ) ϑ V.C. Unif. - π
24 ESEMPIO ( t) = cos(π.t + ϑ) ϑ V.C. Unif. - π N=; fi=rand(,n)**pi; =cos(fi); hist(,)
25 ESEMPIO ( t) = cos(π.t + ϑ) ϑ V.C. Unif. - π N=; fi=rand(,n)**pi; =cos(fi); [X,M]=hist(,); bar(m,x/n*5) p ( a) = π a
26 =randn(,);
27 =randn(,); y=randn(,); plot(,y,'.') ais('square') Lo "scatterplot" di v.c. è una visualizzazione indicativa della densita' di probabilità congiunta 4 V.C. gaussiane indipendenti 3 y
28 L'istogramma dei risultati di V.C. Gaussiane indipendenti con valor medio nullo e e varianza unitaria =randn(,); y=randn(,); Fy=hist3([' y'],{-5:.:5-5:.:5}); imagesc((-5:.:5),(-5:.:5),fy) colorbar
29 All'aumentare del numero di prove, l'istogramma tende alla frequenza relativa moltiplicata per il numero di prove. =randn(,e7); y=randn(,e7); Fy=hist3([' y'],{-5:.:5-5:.:5}); imagesc((-5:.:5),(-5:.:5),fy) colorbar
30 All'aumentare del numero di prove e del numero di intervalli, l'istogramma diviso per il numero di prove e per la dimensione degli intervalli tende alla densita' di probabilita' congiunta. =randn(,e7); y=randn(,e7); Fy=hist3([' y'],{-5:.:5-5:.:5}); Py=Fy/e7/(.*.); imagesc((-5:.:5),(-5:.:5),py) colorbar
31 La densità condizionata si ottiene leggendo la congiunta in un particolare valore di (es: =.5) e dividendo il risultato per la somma dei valori letti moltiplicata per la dimensione dell'intervallo (. nel nostro esempio): =.5; n=(+5)/.; Py=Py(:,n)/sum(Py(:,n)*.); plot((-5:.:5),py)
32 X(n+)=.955*(n)+.3*randn(,);
33 =randn(,); y=randn(,); a=; b=.955*+.3*y; plot(a,b,'.') ais('square') 3 V.C. gaussiane correlate b a
34 L'istogramma dei risultati di V.C. Gaussiane correlate =randn(,); y=randn(,); a=; b=.955*+.3*y; Fab=hist3([a' b'],{-5:.:5-5:.:5}); imagesc((-5:.:5),(-5:.:5),fab) colorbar
35 All'aumentare del numero di prove, l'istogramma tende alla frequenza relativa moltiplicata per il numero di prove. =randn(,e7); y=randn(,e7); a=; b=.955*+.3*y; Fab=hist3([a' b'],{-5:.:5-5:.:5}); imagesc((-5:.:5),(-5:.:5),fab) colorbar
36 All'aumentare del numero di prove e del numero di intervalli, l'istogramma diviso per il numero di prove e per la dimensione degli intervalli tende alla densita' di probabilita' congiunta. =randn(,e7); y=randn(,e7); a=; b=.955*+.3*y; Fab=hist3([a' b'],{-5:.:5-5:.:5}); Pab=Fab/e7/(.*.); imagesc((-5:.:5),(-5:.:5),pab) colorbar
37 La densità condizionata si ottiene leggendo la congiunta in un particolare valore di (es: =) e dividendo il risultato per la somma dei valori letti moltiplicata per la dimensione dell'intervallo (. nel nostro esempio): =; n=(+5)/.; Pb=Pab(:,n)/sum(Pab(:,n)*.); plot((-5:.:5),pb)
38 X(n+)= -.955*(n)+.3*randn(,);
39 =randn(,); y=randn(,); a=; b=-.955*+.3*y; plot(a,b,'.') ais('square') V.C. gaussiane correlate b a
40 Predizione MMSE (Minimum Mean Square Error) La predizione del futuro dato il presente che minimizza l'errore quadratico medio è data dal valor medio del futuro condizionato al presente, cioè dal valo medio della densità di probabilità condizionata: ˆ t ( ) ( ) t = E ( t ) = a La predizione MMSE coincide con la più semplice predizione lineare nel caso di processi casuali gaussiani : ( t ) = ρ ( t t ) ( t ) ˆ Tuttavia la predizione MMSE coincide con la predizione lineare in molti altri processi casuali.
41 ESEMPIO ( t) = cos(π.t + ϑ) ϑ V.C. Unif. - π p ( a) m = = π a σ =
42 ESEMPIO ( t) = cos(π.t + ϑ) ϑ V.C. Unif. - π R ( τ ) = cos( π. τ ) ( τ ) C ρ ( τ ) = = cos σ ( π. τ ) ρ ( τ ) = quando τ = 5 + k 5
43 ( t) = cos(π.t + ϑ) ( t ) cos( π. t +φ) = φ = ± acos ( ( t )) π. t ( t ).8.6 A B t
44 [.( t t ) ( ( ))] A ( t) = cos π + acos t B [.( t t ) ( ( ))] ( t) = cos π acos t ( t ).8.6 A B t
45 ( t ) = cos[ π.( t t ) ( ( t ))] A + B acos ( t ) = cos[ π.( t t ) ( ( t ))] acos ( t ).8.6 A B t t
46 ( t ) = cos[ π.( t t ) ( ( t ))] A + B acos ( t ) = cos[ π.( t t ) ( ( t ))] acos p ( ) ( t ) a ( ) t ( t ) ( ) A B t a
47 t ( t ) 4. t = = ( t ) cos ( ( t )) A B [ ] [ ( )] t A = π + acos B t = cos π acos ( ) ( ) t t
48 [ ] [ ( )] t ( t ) cos ( ( t )) A = π + acos B t = cos π acos ( ) ( ) p ( ) ( t ) a ( ) t ( t ) ( ) A B t a
49 ( t ) = cos[ π.( t t ) ( ( t ))] A + B acos ( t ) = cos[ π.( t t ) ( ( t ))] acos ˆ ( ) ( t ) ( ) ( ) ( ) A t + B t t = E = = cos = ρ [ π.( t t )] cos[ acos( ( t ))] ( t t ) ( t ) t = = p ( ) ( t ) a ( ) t ( t ) ( ) A B t a
PROCESSI CASUALI 1 Fondamenti di segnf a o lin d e a t m ra e s n mtii s T si L o C ne
PROCESSI CASUALI Fondamenti di segnali Fondamenti e trasmissione TLC Segnali deterministici Un segnale (t) si dice deterministico se è una funzione nota di t, cioè se ad un qualsiasi istante di tempo t
DettagliFrequenza relativa e probabilità
Frequenz reltiv e probbilità L probbilità e' un numero che indic con qule frequenz si presentno eventi ssociti d un insieme di possibili risultti di un esperimento. Esempio: Esperimento: Lncio csule di
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliProbabilità e Processi casuali Laboratorio 5 Segnali per le
Probabilità e Processi casuali Laboratorio 5 Segnali per le Telecomunicazioni Prof. Prati Claudio Maria Autore: Federico Borra Politecnico di Milano, DEIB Email: federico.borra@polimi.it Aprile 17, Ultima
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 Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2006-07 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
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
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
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
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
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
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
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
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,
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
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:
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
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
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
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
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
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
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
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
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
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
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
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
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
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
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
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
Dettaglio Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata.
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
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
DettagliTeoria dei Segnali Un esempio di processo stocastico: il rumore termico
Teoria dei Segnali Un esempio di processo stocastico: il rumore termico Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Il rumore
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
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
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
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
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
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
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliProgramma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
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,
DettagliIDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 01 - Variabili aleatorie. Calcolo di densità di probabilità. Operatore di media
IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 01 - Variabili aleatorie Motivazioni Densità di probabilità Operatore di media Densità di probabilità congiunta Densità di probabilità condizionata
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
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
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/
DettagliModulazioni di ampiezza
Modulazioni di ampiezza 1) Si consideri un segnale z(t) modulato in ampiezza con soppressione di portante dal segnale di informazione x(t): z(t) = Ax(t)cos(2πf 0 t) Il canale di comunicazione aggiunge
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
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
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base (Serale) Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Variabili casuali Esercizio 1. Determinare la distribuzione di probabilità e la funzione di ripartizione della variabile
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
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
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
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
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
DettagliTeoria dei Segnali (19 dicembre 2002)
Teoria dei Segnali (9 dicembre ) II Provetta Esercizio N. (per gli studenti della laurea quinquennale) All ingresso del modulatore in figura c è il segnale m() t cos( Ωt) l inviluppo complesso del segnale
DettagliLA DISTRIBUZIONE NORMALE. La distribuzione Gaussiana. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE NORMALE http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo o un cane o un altro essere qualunque
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
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
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
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.
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
DettagliStatistica. Esercizi: 8. Statistica Descrittiva Bivariata 3 Probabilità 1
Corsi di Laurea: a.a. 2017-1 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Statistica
DettagliTeoria dei Segnali Introduzione ai processi stocastici
Teoria dei Segnali Introduzione ai processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it Teoria dei Segnali Introduzione ai processi
DettagliPrime nozioni sui segnali
Prime nozioni sui segnali Ø Conce'o di segnale Ø ed esempi di segnali elementari sia determinis4ci che casuali (media, deviazione standard, densità di probabilità) Ø Operazioni sui segnali Ø Energia, potenza,
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
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
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
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
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
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
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
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliTeoria dei segnali terza edizione
Capitolo 9 Segnali aleatori a tempo continuo e a tempo discreto SOLUZIONI DEGLI ESERCIZI Soluzione dell esercizio 9.3 Si osservi innanzitutto che, essendo il processo () t Gaussiano, anche il processo
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliProbabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k)
Probabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k) Nel calcolo del numero di modalita' con cui si presenta un evento e' utile talvolta utilizzare le definizioni
DettagliProva di AUTOVALUTAZIONE (novembre 2009). nota: l esame ha validità solo se incluso nel piano degli studi per l anno accademico corrente.
UNIVERSITA DEGLI STUDI ROMA TRE CdS in Ingegneria Informatica corso di FONDAMENTI DI TELECOMUNICAZIONI Prova di AUTOVALUTAZIONE (novembre 2009). COMPITO A nota: l esame ha validità solo se incluso nel
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
DettagliScopo del Corso: Lezione 1. La Probabilità. Organizzazione del Corso e argomenti trattati: Prerequisiti:
Lezione 1 La Probabilità Scopo del Corso: Introduzione alla probabilità e alle procedure di inferenza statistica Introduzione ad alcune importanti tecniche di analisi multivariata dei dati Organizzazione
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
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
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
DettagliMetodi di Monte Carlo: un'applicazione
Metodi di Monte Carlo: un'applicazione Metodi di Monte Carlo: definizione Brevi richiami sui concetti base utilizzati Variabile casuale Valore di aspettazione Varianza Densità di probabilità Funzione cumulativa
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
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
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
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
Dettagli