Studio dell aleatorietà: : proprietà di indipendenza ed uniformità. Daniela Picin
|
|
- Alessandra Bonetti
- 7 anni fa
- Visualizzazioni
Transcript
1 Studio dell aleatorietà: : proprietà di indipendenza ed uniformità Daniela Picin
2 TEST TEORICI: studio della media, della varianza e della correlazione del primo ordine, studio della struttura reticolare. TEST EMPIRICI: esaminano un campione di uscita del generatore per identificare quanto il suo comportamento devia dalla casualità: test di frequenza, test seriale, test del gap e test del poker. Un attento studio dell aleatorietà su sequenze uniformi permette di avere una maggiore affidabilità nella generazione di sequenze con una distribuzione specifica richiesta, ottenute quest ultime mediante un opportuna trasformazione delle prime. 2
3 Test di frequenza Si considera una sequenza finita U 1,..., U n [0, 1] v.a. i.i.d. Per analizzare l uniformità sono disponibili due test diversi: il test statistico χ 2 il test statistico Kolmogorov-Smirnov. 3
4 Test χ 2 Si divide l'intervallo [0, 1] in k sottointervalli uguali o categorie. Si denota con f s il numero delle osservazioni che entrano nel sottointervallo s. La probabilità teorica che un numero uniforme entri nella categoria s è se si considerano n osservazioni allora il valore atteso in ciascuna categoria è Nella pratica si sceglie n tale che np s > 5. _ f p s = = n k 1 k 4
5 Test χ 2 Allora la variabile aleatoria V = k s= 1 risulta essere asintoticamente distribuita come una variabile χ 2 con k-1 gradi di libertà (si indica χ 2 k-1) Lo studio della distribuzione di probabilità della v.a. V viene fatto osservando la funzione densità f (χ 2 k-1 ). f s _ f _ f 2 5
6 Test χ 2 Esempio. se si divide l'intervallo [0, 1] in k = 10 sottointervalli si considera la f (χ 2 9 ) f (V) f χ V La funzione f(χ 2 k-1 ) è tabulata in tavole statistiche dette tavole dei percentili. 6
7 Test χ 2 Quindi se il generatore casuale ha buone caratteristiche di uniformità e indipendenza è improbabile che V assuma valori molto grandi o molto piccoli. Il test è esatto solo asintoticamente (il numero delle osservazioni n ) Un test χ 2 viene fatto almeno 3 volte su distinte sottosequenze e se almeno due dei tre risultati risultano sospetti, i numeri sono considerati non uniformi. 7
8 Test Kolmogorov-Smirnov Può essere applicato con buoni risultati a piccole sequenze. Preso un campione di ampiezza N, viene confrontata la cdf osservata F N (x) con quella teorica F(x), in particolare viene valutata la massima differenza fra le due. D = max F x F x 0 x< 1 La distribuzione di D è nota ed è tabulata in funzione alla scelta di N. Sia x [0, 1) una v.a. u.d. N N ( ) ( ) F(x)=x Primo passo: si ordinano i dati U 1,, U N, dal più piccolo al più grande U i+1 U i per i = 1,..., N-1, 8
9 Test Kolmogorov-Smirnov Secondo passo: si costruisce la distribuzione empirica F N (x) = i/n U i x < U i+1 dove U 0 = 0 e U N+1 = 1, Terzo passo: si calcola Quarto passo: si calcola { i } ( i 1) + DN = max xi e DN = max xi 1 i N N 1 i N ( + ) D = max D, D Dalla tabella si determina il valore critico D α. Se D > D α l ipotesi di uniformità è rigettata, altrimenti la sequenza si considera uniforme. N 9
10 Esempio: Test Kolmogorov-Smirnov Supponiamo di avere generato 5 numeri 0.44, 0.81, 0.14, 0.05, 0.93, e sia α = Al primo passo ordiniamo i numeri ottenendo la nuova sequenza 0.05, 0.14, 0.44, 0.81, Calcoliamo D + = max {(1/5-0.05), (2/5-0.14), (3/5-0.44), (4/5-0.81), (5/5-0.93)} = Calcoliamo D - = max{(0.05 0/5), (0.14 1/5), (0.44-2/5), (0.81 3/5), (0.93 4/5)} = Calcoliamo D = Determiniamo D 0.05 = Il valore calcolato è inferiore al valore critico, l'ipotesi non è rigettata. (Slide su internet: Francesca Mazzia ) 10
11 Test seriale Studia l'uniformità p-dimensionale: il test seriale partiziona una sequenza di numeri in sottosequenze non sovrapposte di lunghezza p e considera ogni sottosequenza come un punto in un cubo p-dimensionale. Ogni dimensione del cubo è divisa in k sottointervalli che partizionano il cubo in k p celle. Il test χ 2 viene applicato al numero dei punti cadenti in ogni cella e i gradi di libertà del test è k p
12 Test seriale Caso p = 2. Il test viene applicato a coppie disgiunte e continue di numeri (U 2j, U 2j+1 ) per 0 j < N di una sequenza {U N } e dimostra se tali coppie sono uniformemente distribuite nel quadrato [0, 1) 2. Se la sequenza è lunga N=2n si avranno n coppie; si divide il quadrato unitario in k 2 parti ognuna di area 1/ k 2 allora la frequenza attesa di coppie cadenti nell'i-esima parte è n/ k 2. Se si denota con f i la frequenza osservata il test statistico 2 n f 2 i k 2 k V = i= 1 n 2 k si comporta asintoticamente come una v. χ 2 2 k 1 12
13 Test del Poker Considera i gruppi di cifre come una mano di poker. Le mani ottenute sono confrontate con quello che ci aspettiamo usando il test del χ 2. Il test osserva sequenze di interi e considera N gruppi di quintuple e ogni gruppo viene posto in una delle seguenti sette configurazioni del poker: Gli interi sono tutti uguali: a a a a a hanno quattro elementi uguali: a a a a b hanno una tripla e una coppia: a a a b b hanno una tripla e due sono distinti: a a a b c hanno due coppie: a a b b c hanno una coppia: a a b c d sono tutti differenti: a b c d e 13
14 Test del Poker Se la sequenza studiata è uniforme allora le configurazioni osservate si distribuiranno con la stessa probabilità p s delle configurazioni teoriche. Consideriamo ora cinque categorie: s = 1 elemento distinto a a a a a s = 2 elementi distinti a a a b b e a a a a b s = 3 elementi distinti a a b b c e a a a b c s = 4 elementi distinti a a b c d s = 5 elementi distinti a b c d e Sia p s la probabilità che un gruppo contenga esattamente s valori distinti, si noti che ogni quintupla può assumere d 5 valori con uguale probabilità, dove ogni valore appartiene all'intervallo [0, d-1]. 14
15 Test del Poker d=(numero di valori distinti che può assumere ciascun intero R i ) s = (numero dei valori diversi all interno di una configurazione) p s disposizioni senza ripetizione n.ro di partizione di d elementi su s posti di 5 oggetti su s posti = disposizioni con ripetizione di d n.ri su 5 posti (, ) S k s ( 1)( + 1) ( 5, ) d d d s S s ps = 5 d k = s con numero di Stirling di seconda specie. Relazione ricorsiva per il calcolo dei numeri di Stirling di seconda specie è: k k 1 k 1 k k = + s con = = 1 s s 1 s 1 k 15
16 Test del Poker Come nei test precedenti vengono osservati quanti gruppi cadono in ogni categoria e, se si denota con f s la frequenza osservata, il test statistico V = 5 s= 1 ( f Np ) 2 s s n con N = Np 5 s si comporterà asintoticamente come una variabile 2 χ 4 16
17 Test del Poker Per una scelta opportuna di d, dato il n.ro delle quintuple da osservare e k = 5 il n.ro delle configurazioni considerate, il valore di d deve essere assunto compatibilmente con le due condizioni: 1) Np s > 5 s 2) d 5 Dall'equazione di p s si ha per s = 1, 2,..., 5 15( d 1) 25( d 1)( d 2) 1 p1 = 4 ; p2 = ; p3 = ; 4 4 d d d 10( d 1)( d 2)( d 3) ( d 1)( d 2)( d 3)( d 4) p4 = ; p 4 5 = ; 4 d d min { ps} = p1 Poiché la 1) è sempre vera per ogni s se: Np 1 > 5 e quindi s d < 4 N 5 considerando anche la 2) si ha: Esempio: si ha una sequenza di n = n.ri pseud. allora 4 5 d < N = n 5 5 d < 4 N 5 17
18 Test del Gap Questo test viene applicato a sottosequenze U i, U i+1,, U i+r e osserva la lunghezza del gap tra due successivi numeri pseudocasuali compresi in un determinato intervallo [α,β] con α,β R e 0 α< β 1. La sottosequenza U i-1, U i,..., U i+r-1, U i+r, di r+2 numeri, con U i-1 e U i+r [α,β], è chiamata gap di lunghezza r. Per l'applicazione del test χ 2 le categorie vengono scelte sulla base della lunghezza del gap. Dati α,β R il test conta quanti gap sono di lunghezza 0, 1,..., t-1 e quanti di lunghezza maggiore di t-1. Si predetermina un numero N di gap da generare. 18
19 Test del Gap Sotto l'assunzione di casualità, il gap risulta distribuito geometricamente e la probabilità di un gap di lunghezza s sarà: p s = p (1-p) s s = 0, 1,..., t-1 infatti p 0 = Prob {U i [α,β] U i-1 [α,β]} = p p 1 = Prob {U i [α,β] U i+1 [α,β] U i-1 [α,β]} = (1-p) p p 2 = Prob {U i [α,β] U i+1 [α,β] U i+2 [α,β] U i-1 [α,β]} = (1-p) 2 p p s =Prob {U i [α,β]... U i+s [α,β] U i-1 [α,β]} = (1-p) s p 19
20 Test del Gap Per la richiesta di uniformità si avrà: p = Prob (α U k β) = β - α k 1 { } ( ) ( ) p = Pr ob gap t = 1 p 1 p = 1 p t t s t s= 0 Se si denota con f s (s = 0,, t-1) la frequenza osservata dei gap di lunghezza s e f t la frequenza dei gap più lunghi di t-1, allora il test statistico su k = t+1 categorie V = t s= 0 ( f Np ) 2 è distribuito asintoticamente come una variabile s Np s s 2 χ t 20
21 Test del Gap Nell'implementazione di questo test è importante specificare in precedenza N piuttosto che la lunghezza della stringa da determinare, poiché bisogna sempre applicare la condizione Np s > 5. In generale per l'applicazione del test del gap si sceglie l'intervallo (α,β) = (0, ½) oppure (α,β) = (½, 1). Scelto N il numero dei gap presenti nella sequenza da studiare si può dimostrare che il numero massimo di categorie compatibili con la condizione Np > 5 s è t < 1+ log N + log m log 5 s con m = min {p, 1-p} p 1 p 1 p 21
22 Test del Gap Valutazione di N: n = lunghezza della sequenza; per passare da n a N si può calcolare la grandezza: E n = numero medio di elementi U n che occorre generare per produrre ciascun tipo di gap in una sequenza di n num. pseud. Si calcola: E s ={n. degli U n da generare per avere un gap di lunghezza s} = s+1 n 1 E = p E n s s s= 0 N = n E n Si può considerare come il numero medio dei gap che si possono presentare in n generazioni. 22
23 Struttura reticolare Si considera una sequenza di n.ri casuali x n Z m = {0,,m-1} Sia l uscita del generatore (GLC) al passo n u n =x n /m nell int. [0,1) intero t 1 si definisce l insieme { u (,..., ) 0, } T = = u u n x Z t n n n+ t 1 0 m di tutte le t-uple sovrapposte di successivi valori, a partire da tutti i possibili semi iniziali. L insieme T t è uguale all intersezione di un reticolo L t con un cubo unitario [0,1) t. In particolare tutti i punti di T t giacciono su un piccolo numero di iperpiani paralleli equidistanti. 23
24 Esempio: Struttura reticolare ( ) ( ) a) xi+ 1 = 5xi + 3 mod256 xi U i = in 0, 1 b) x 256 i+ 1 = 13xi + 3 mod 256 [ ) Distribuzione di {U i,u i+1 } dei generatori a) e b) in [0, 1) 2 Si cerca il minimo numero n di rette coprenti: si ha in a) n=5 e in b) n=13 In uno spazio multidimensionale: più iperpiani paralleli sono necessari per ricoprire i punti, migliore è la distribuzione dei punti 24
25 Struttura reticolare Dal reticolo si possono costruire diversi parallelogrammi: consideriamo il più piccolo. 1/ ν è la distanza tra le rette adiacenti 25
26 Test sulla struttura reticolare Lattice test: identifica il più piccolo parallelepipedo a k dimensioni e gli associa la lunghezza dei lati l 1, l 2,,l k in ordine crescente. La quantità q= l 1 / l k chiamato quoziente di Beyer dà la misura di quanto il parallelepipedo approssima l ipercubo k dim., quest ultimo rappresenta la migliore distribuzione uniforme possibile per le k-uple. Test spettrale: determina la massima distanza 1/ν k tra il minimo numero di iperpiani paralleli coprenti il reticolo: maggiore è la distanza e minore sono le caratteristiche di uniformità del generatore. Knuth [1981]. Terza misura per il reticolo: è la lunghezza della dimensione più grande l k che, per un generatore uniforme, è teoricamente dell ordine m -1/k. 26
27 Costruire un generatore che superi tutti i test è un sogno impossibile (Pierre L Ecuyer) 27
GENERAZIONE DI NUMERI PSEUDOCASUALI
GENERAZIONE DI NUMERI PSEUDOCASUALI Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) GENERAZIONE
DettagliGenerazione di numeri random. Distribuzioni uniformi
Generazione di numeri random Distribuzioni uniformi I numeri random Per numero random (o numero casuale) si intende una variabile aleatoria distribuita in modo uniforme tra 0 e 1. Le proprietà statistiche
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI
Corso integrato di informatica, statistica e analisi dei dati sperimentali Esercitazione VI Test del χ 2 (il file Excel test_chi.xls mostra possibili sviluppi degli esercizi proposti) Esercizio 1a) un
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
Dettagli2.3.1 Generazione di numeri pseudocasuali con distribuzione uniforme
GENERAZIONE DI OSSERVAZIONI CASUALI 145 2.3 GENERAZIONE DI OSSERVAZIONI CASUALI Una volta determinate le distribuzioni di input, la simulazione dovrà generare durante ogni esecuzione osservazioni casuali
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Ines Campa Probabilità e Statistica - Esercitazioni
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
DettagliLaboratorio di Calcolo B 67
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliProbabilità e Statistica
Probabilità e Statistica Intervalli di confidenza Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2018/2019 Marco Pietro Longhi Prob. e Stat. 1
DettagliDistribuzioni campionarie
Le distribuzioni campionarie sono quelle che derivano dalla presenza di campioni i.i.d. a distribuzione normale. Definizione. Se X è una v.a. avente distribuzione N(0, ), allora Y = X ha distribuzione
DettagliESERCITAZIONE N. 7 corso di statistica
ESERCITAZIONE N. 7corso di statistica p. 1/15 ESERCITAZIONE N. 7 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 7corso di statistica p. 2/15 Introduzione Variabili aleatorie continue
DettagliStatistica parametrica e non parametrica. Gli intervalli di confidenza
Statistica parametrica e non parametrica Per un campione univariato Gli intervalli di confidenza MEDIA CAMPIONARIA MEDIA VERA 1 Gli intervalli di confidenza 3 Gli intervalli di confidenza 4 Una introduzione
DettagliGeneratori di sequenze pseudocasuali. Manuela Aprile Maria Chiara Fumi
Generatori di sequenze pseudocasuali Manuela Aprile Maria Chiara Fumi Indice Concetti base e terminologia Random bit generator Pseudorandom bit generator Cenni di statistica Test Statistici Concetti base
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliStatistica. Capitolo 13. Test sulla Bontà di Adattamento e Tabelle di Contingenza. Cap. 16-1
Statistica Capitolo 13 Test sulla Bontà di Adattamento e Tabelle di Contingenza Cap. 16-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Usare il test sulla bontà di adattamento
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliCorso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 2007
Corso di Laurea in Informatica Applicata Esame di Calcolo delle Probabilità e Statistica Prova scritta dell 11 gennaio 007 Primo esercizio Per una certa stampante S 1, la probabilità che un generico foglio
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliIntervalli di confidenza
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
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2017/2018 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Marco Pietro Longhi Probabilità e Statistica
DettagliNumeri Random. D.E.I.S. Università di Bologna DEISNet
Numeri Random D.E.I.S. Università di Bologna DEISNet http://deisnet.deis.unibo.it/ Introduzione Può sembrare assurdo usare un computer per generare numeri casuali: Il computer è una macchina deterministica
DettagliDr. Marco Vicentini Anno Accademico Rev 20/04/2011
Università degli Studi di Padova Facoltà di Psicologia, L4, Psicometria, Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 20/04/2011 La distribuzione χ 2 Tabelle di contingenza
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
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
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
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
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
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
DettagliProblema 1. Cognome, Nome: Facoltà di Economia Statistica Esame 1-20/01/2010: A. Matricola: Corso:
Facoltà di Economia Statistica Esame 1-20/01/2010: A Cognome, Nome: Matricola: Corso: Problema 1. Su 10 imprese è stato rilevato l utile netto dell ultimo triennio espresso in milioni di euro. Il risultato
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
DettagliEsercizi su variabili aleatorie discrete
Esercizi su variabili aleatorie discrete Esercizio 1. Data la variabile aleatoria discreta X, caratterizzata dalla seguente rappresentazione nello spazio degli stati: 1 0,25 X = { 0 0,50 1 0,25 calcolare
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
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.
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
Dettagli4. Stime & Test. Corso di Simulazione. Anno accademico 2008/09
Anno accademico 2008/09 Media campionaria X 1, X 2,..., X n v.c. indipendenti con distribuzione F, e: E[X i ] = µ Var[X i ] = σ 2, i = 1,..., n Media campionaria: X n è uno stimatore di µ. È uno stimatore
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
PROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE (da un idea di M. Impedovo Variabili aleatorie continue e simulazione Progetto Alice n. 15, ) 1. La simulazione Nelle schede precedenti
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
DettagliEsame di Statistica del 1 settembre 2004 (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola
Esame di Statistica del 1 settembre 004 (Corso di Laurea in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. Es. Es. 4 Somma Voto finale Attenzione: si consegnano SOLO
DettagliProbabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliCalcolo delle Probabilità e Statistica Matematica Fisciano, 10/1/2012
Fisciano, 10/1/2012 Esercizio 1 Un esperimento consiste nel generare a caso un vettore di interi (x 1, x 2, x 3, x 4 ), dove x i {1, 2, 3, 4, 5, 6} i. (i) Si individui lo spazio campionario, determinandone
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
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
DettagliDispense Associazione PRELIMINARY DRAFT
Dispense Associazione PRELIMINARY DRAFT Cristina Mollica & Jan Martin Rossi January 3, 2019 1 Esercizio 3 - Prova scritta 12-01-2018 Esercizio 3. Si consideri la distribuzione doppia di un campione di
DettagliPROBABILITÀ - SCHEDA N. 3 VARIABILI ALEATORIE CONTINUE E SIMULAZIONE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliDefinizione della variabile c 2 Distribuzione della variabile c 2
Definizione della variabile c Distribuzione della variabile c In queste definizioni ho N variabili indipendenti, nessun vincolo e quindi N coincide con i gradi di libertà In un sistema fisico dove il numero
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliTEST DI AUTOVALUTAZIONE TEST CHI-QUADRO. 1 Parte A In un test χ 2 di adattamento viene verificato
TEST DI AUTOVALUTAZIONE TEST CHI-QUADRO I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia 1 Parte A 1.1 In un test χ 2
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliCOMUNE DI CONSIGLIO DI RUMO
COMUNE DI CONSIGLIO DI RUMO Provincia di Como Aggiornamento della componente geologica, idrogeologica e sismica di supporto al Piano di Governo del Territorio - L.R. 1/05 e successive modifiche. ANALISI
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
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:
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
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliSTATISTICA 1 ESERCITAZIONE 6
STATISTICA 1 ESERCITAZIONE 6 Dott. Giuseppe Pandolfo 5 Novembre 013 CONCENTRAZIONE Osservando l ammontare di un carattere quantitativo trasferibile su un collettivo statistico può essere interessante sapere
Dettagli! X (92) X n. P ( X n X ) =0 (94)
Convergenza in robabilità Definizione 2 Data una successione X 1,X 2,...,X n,... di numeri aleatori e un numero aleatorio X diremo che X n tende in probabilità a X escriveremo X n! X (92) se fissati comunque
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Insiemi e Combinatoria - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, 23 - Ottobre 2012 Il concetto di insieme Non tratterò la teoria assiomatica degli
DettagliProva d'esame di Statistica I - Corso Prof.ssa S. Terzi
Prova d'esame di Statistica I - Corso Prof.ssa S. Terzi Esercizio 1 Data la variabile casuale X con funzione di densità f(x) = 2x, per 0 x 1; f(x) = 0 per x [0, 1], determinare: a) P( - 0,5 < X< 0,7) b)
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
DettagliEsame di Istituzioni di Matematica II del 18 gennaio 2001 (Corso di Laurea in Biotecnologie, Universitá degli Studi di Padova). Cognome Nome Matricola
Esame di Istituzioni di Matematica II del 8 gennaio 00 (Corso di Laurea in Biotecnologie, Universitá degli Studi di Padova). Cognome Nome Matricola Es. Es. Es. 3 Es. 4 Somma Voto finale Attenzione: si
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Simulazione al Calcolatore La simulazione al calcolatore (computer simulation), (nel caso qui considerato simulazione stocastica) si basa sulla generazione, mediante calcolatore, di sequenze di numeri
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
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
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliVariabili aleatorie continue: la normale. Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia
Variabili aleatorie continue: la normale Giovanni M. Marchetti Statistica Capitolo 6 Corso di Laurea in Economia 2015-16 1 / 40 Distinzione Le variabili aleatorie possono essere 1 discrete 2 continue 2
DettagliConcetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliSTATISTICA DESCRITTIVA (canale B)
STATISTICA DESCRITTIVA (canale B) compito n. 1 del 28 marzo 2008 nome e cognome: corso di laurea: Astronomia matricola: Parte teorica Si ricorda che la corretta risposta ai quesiti della parte teorica
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 descrittiva in due variabili
Statistica descrittiva in due variabili Dott Nicola Pintus AA 2018-2019 Indichiamo con U la popolazione statistica e con u i le unità statistiche Ad ogni unità statistica associamo i caratteri osservati
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due 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
DettagliModelli di variabili casuali
Modelli di variabili casuali Un modello di v.c. è una funzione f(x) che associa ad ogni valore x di una v.c. X la corrispondente probabilità. Obiettivo: calcolo della probabilità per tutti i valori che
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliGenerazione di numeri casuali
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliCorso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 2015
Corso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 215 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliMattia Zanella. Ferrara, April
Department of Mathematical Sciences Politecnico di Torino, Italy http://www.mattiazanella.eu Ferrara, April 5 217 Programma della lezione Seminario I Introduzione a Matlab U(, 1): metodo di inversione
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
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
DettagliGeneratori di numeri casuali
Statistica computazionale Generatori di numeri casuali Alberto Lusoli www.cash-cow.it Distribuito sotto licenza Creative Common Share Alike Attribution La generazione dei numeri casuali è troppo importante
DettagliE n 1 n. n i. n 2. n 2 ( n
Lezione n. 7 7.1 Ancora sulle proprietà degli stimatori Esempio 7.1 [continua dall Esempio 6.1] Studiare varianza e MSE dei due stimatori e verificare se T n raggiunge il limite di Cramer- Rao. Soluzione.
Dettaglimisura. Adesso, ad un arbitrario punto P dello spazio associamo una terna di numeri reali x
4. Geometria di R 3. Questo paragrafo è molto simile al paragrafo : tratta infatti delle proprietà geometriche elementari dello spazio R 3. Per assegnare delle coordinate nello spazio, fissiamo innanzitutto
Dettaglimisura. Adesso, ad un arbitrario punto P dello spazio associamo una terna di numeri reali x
4. Geometria di R 3. Questo paragrafo è molto simile al paragrafo : tratta infatti delle proprietà geometriche elementari dello spazio R 3. Per assegnare delle coordinate nello spazio, fissiamo innanzitutto
DettagliSoluzioni prova scritta di Complementi di Probabilità e Statistica (29/06)
Soluzioni prova scritta di Complementi di Probabilità e Statistica (29/6). (a) Per costruire il box plot, vengono determinati minimo=,, massimo=,97, mediana=,455, I quartile=,3375 e III quartile=,745 dei
Dettagli