1 Processi stocastici e campi random
|
|
- Rosalinda Simone
- 6 anni fa
- Visualizzazioni
Transcript
1 Corso di Termodinamica e Meccanica Statistica Anno Accademico 211/212 1 Processi stocastici e campi random Vogliamo estendere le metodologie del calcolo delle probabilità e della statistica, in modo da potere descrivere processi fisici quali ad esempio: 1. L uscita di un generatore di rumore; oppure la posizione di un batterio in una capsula di Petri; oppure la velocità del vento misurata da un anemometro. 2. I valori della velocità del vento a un dato istante, misurati in una certa regione spaziale; oppure i valori di densità dei batteri nella capsula di Petri in questione a un dato istante, ma in diverse posizioni. 3. I valori della velocità del vento a diversi istanti di tempo e posizioni spaziali. Eccetera. Abbiamo a che fare con un insieme di valori casuali associati a diversi istanti di tempo (caso 1); diverse posizioni spaziali (caso 2); diverse posizioni spaziali e istanti di tempo (caso 3). Ciò ci conduce naturalmente alle seguenti definizioni. Chiamiamo processo stocastico una sequenza di variabili aleatorie indicizzate con il tempo. Si ha un processo discreto se l indicizzazione è discreta; per esempio, ψ(t n ), t n = n t. Si ottiene un processo continuo, evidentemente, come limite t di un processo discreto. Si parla di campo random, quando l indicizzazione è fatta nello spazio (o nello spazio tempo). Per esempio: ψ(x n,t m ). Queste definizioni ci costringono a rivedere tutti i concetti di spazio dei campioni, risultato di misura e probabilità, che abbiamo utilizzato sin ora nel caso delle variabili aleatorie. Per fissare le idee ci concentriamo sul caso di un processo stocastico, essendo la generalizzazione al caso di un campo random abbastanza naturale. Osserviamo in primo luogo che mentre il risultato di una misura, nel caso di una variabile aleatoria, era un numero reale, nel caso di un processo stocastico, è da intendersi come risultato l intera sequenza di valori {ψ(t n ),n = 1,2,...} assunti da ψ agli istanti t n. Per dire, nel caso di un generatore di rumore, l esperimento è da intendersi l accensione dello strumento e la registrazione dei dati in un intervallo di tempo, e non la misura di un singolo dato ψ a un dato istante t. Chiamiamo realizzazione del processo stocastico, la sequenza {ψ(t n ),n = 1,2,...} risultante da un dato esperimento. 1
2 Vediamo che, mentre nel caso di una variabile aleatoria, Ω era un intervallo dei reali, nel caso di un processo stocastico, Ω è uno spazio di funzioni (di variabile discreta se il processo discreto, di variabile reale se il processo è continuo). Abbiamo inoltre che, mentre una variabile aleatoria x era caratterizzata da una PDF ρ(x) che è una funzione di variabile reale, nel caso di un processo stocastico discreto, avremo una PDF nella forma ρ({ψ(t n ),n = 1,2...}), cioè una funzione che generalizza il caso di una PDF di un vettore random al caso in cui il vettore random può avere un numero arbitrario di componenti. Nel caso di un processo stocastico continuo, abbiamo addirittura che la PDF, che in questo caso si indica solitamente utilizzando le parentesi quadre: ρ[ψ] è un funzionale, cioè una funzione che agisce da uno spazio di funzioni di variabile reale [le ψ(t)] al campo reale (i valori di ρ). Un esempio: ( T ) ρ[ψ] = N exp ψ(t) 2 dt. (1) È in generale difficile lavorare con oggetti come la (1). Possiamo provare a ottenere una descrizione ridotta della statistica di ψ, analoga a quella che si ottiene accontentandosi nel dare media e varianza nel caso di una variabile aleatoria. Ecco alcuni esempi di oggetti che potrebbero fornirci una tale descrizione ridotta: cioè le PDF del valore di ψ a istanti dati ρ(ψ(t)), ρ(ψ(t),ψ(t )),... (2) ψ(t), ψ(t)ψ(t ),... (3) che sono dette funzioni di correlazione della ψ a un tempo, a due tempi, eccetera. L utilità delle funzioni di correlazione è che ci permettono di parametrizzare in maniera semplice il modo in cui la dipendenza statistica tra valori di ψ a tempi diversi diminuisce al crescere della separazione temporale. Abbiamo infatti per definizione: ψ(t)ψ(t ) = dψ(t) dψ(t ) ρ(ψ(t),ψ(t ))ψ(t)ψ(t ) enelcasodivariabilistatisticamenteindipendenti,cioèseρ(ψ(t),ψ(t )) = ρ t (ψ(t))ρ t (ψ(t )): ψ(t)ψ(t ) = ψ(t) ψ(t ). Un indicatore del grado di dipendenza statistica è quindi fornito dalla quantità C(t,t ) = ψ(t)ψ(t ) ψ(t) ψ(t ), (4) che sarà massima per t = t, con C(t,t) = σψ(t) 2, mentre ci si aspetta che tenda a zero per t t. Possiamo introdurre un tempo di correlazione che ci dice per quali separazioni 2
3 temporali le correlazioni possono iniziare a considerarsi trascurabili. Di solito si utilizza la definizione λ ψ (t) = 1 C(t, t) C(t,t+τ)dτ (5) [come dire, area sottesa da C(t,t+τ) uguale base, cioè λ ψ (t), per altezza, cioè C(t,t)]. In termini di singola realizzazione del processo stocastico, il parametro λ ψ (t) ci dice essenzialmente quanto bisogna aspettare prima che ψ(t+τ) differisca molto da ψ(t). In altre parole, il tempo di correlazione ci fornisce la scala di variazione temporale del processo stocastico. Le medie che compaiono nelle equazioni che abbiamo scritto sin ora possono essere stimate attraverso il calcolo di medie campionarie. Dobbiamo ricordarci però che nel nostro caso, queste medie campionarie sono di fatto medie su realizzazioni diverse (e indipendenti) dello stesso processo stocastico. Chiamiamo la media campionaria sulle realizzazioni di un processo stocastico una media su ensemble. Ora, ci sono molte situazioni in cui il processo stocastico, anche se descrive un qualche cosa che fluttua nel tempo, è caratterizzato da una statistica che è invece indipendente dal tempo; parliamo in questo caso di un processo stocastico stazionario. In questo caso abbiamo ovviamente che le medie e le PDF a un tempo sono indipendenti dal tempo: ρ(ψ(t)) = ρ(ψ); ψ(t) = ψ... echetuttelecorrelazioniepdfapiùdiuntempodipendonosolodalledifferenzeditempo. Abbiamo in particolare C(t,t ) = C(t t ). L esempio più semplice di processo stocastico stazionariochecipuòvenireinmenteèquellochesiottienemettendoinsequenzairisultati delle misure di una variabile aleatoria x: ψ(t n ) x (n). Nel caso di un processo stocastico costruito in questo modo, è abbastanza evidente che calcolare medie di ensemble come ψ(t n ) N = (1/N) N k=1 ψ(k) (t n ), [ψ (k) (t n ) è il valore di ψ(t n ) nella n-esima realizzazione di ψ] diventa un operazione inutilmente dispendiosa. Si può infatti stimare x, attraverso media campionaria x N = (1/N) N k=1 x(k), a partire da una sola realizzazione della ψ. Questo ci conduce a introdurre un nuovo tipo di media, la così detta media temporale: ψ T = 1 T T ψ(t)dt, (6) dove l integrale, nel caso di un processo discreto, è sostituito dalla somma n ψ(t n) t. Ovviamente, nel caso in cui il processo stocastico è il risultato di una sequenza di misure indipendenti di una stessa variabile aleatoria, per costruzione, la media temporale e la media di ensemble coincidono. Ci domandiamo nel caso generale, quando una media temporale può essere utilizzata per approssimare la media.. 3
4 Diciamo che un processo per cui la media temporale tende al limite alla media., è un processo che gode della proprietà ergodica. Ci aspettiamo che le condizioni che permettono il soddisfacimento della proprietà ergodica siano: Che i valori di ψ ad istanti di tempo sufficientemente lontani diventino statisticamente indipendenti. Che il processo sia stazionario a scale di tempo sufficientemente lunghe da contenere molti intervalli di tempo tali che i valori di ψ nei diversi intervalli siano indipendenti. Che ovviamente siano soddisfatte le condizioni perché la legge dei grandi numeri sia soddisfatta, e cioè che la quantità di cui si calcola la media temporale abbia varianza e media finite. A questo punto, la media temporale diventa essenzialmente una media campionaria tra i valori di ψ nei diversi intervalli, dove ψ si può considerare approssimativamente costante. Nota: Verifichiamo questo risultato con un calcolo esplicito. Consideriamo il caso semplice in cui l integrale nella Eq. (5) è finito (il risultato che segue può essere generalizzato al caso in cui λ ψ =, ma la correlazione decresce lo stesso all infinito). Supponiamo di approssimare ψ con ψ T, e, in analogia con la legge dei grandi numeri, calcoliamo ψ T e σ 2 ψ T. Scambiando media e integrale nell integrale per ψ T, otteniamo subito. ψ T = ψ T = ψ. Definiamo quindi ψ(t) = ψ(t) ψ lo scarto (o fluttuazione rispetto alla media) e scriviamo: σ ψ 2 T = 1 T T dt dt ψ(t) ψ(t ) = 1 T T dt dt C(t t ). T 2 T 2 Ora, per T λ ψ, possiamo approssimare l integrale in dt, per quasi tutti i valori di t, con un integrale tra ± [a t = e a t = T, se t t λ ψ, C(t t ), è comunque già nullo]: σ ψ 2 T 1 T dt T 2 + dτ C(τ) = 2λ ψ T C() 2λ ψ T σ2 ψ ed ho utilizzato la (5). La varianza della media temporale decresce con λ ψ /T, che gioca quindi il ruolo del fattore 1/N nel caso della media campionaria. 2 Il limite termodinamico Abbiamo già visto che la somma di variabili random indipendenti e identicamente distribuite contiene in sé l idea di un limite termodinamico. Consideriamo per esempio un 4
5 recipiente contenente N molecole di un gas. Supponiamo che le molecole siano totalmente indipendenti e che la molecola i-esima abbia energia cinetica ǫ i distribuita con media ǫ e varianza σ 2 ǫ. Abbiamo visto che l energia interna del gas, per N 1 è data da U N ǫ U ; U U σ U N 1/2 σ ǫ. La fluttuazione relativa è quindi O(N 1/2 ) e diventa trascurabile per N. Quando si verifica una situazione di questo tipo, abbiamo detto che esiste un limite termodinamico. Chiaramente, gli stessi ragionamenti potrebbero essere fatti per altri sistemi formati da un gran numero di parti microscopiche, e il cui stato macroscopico è descritto da una variabile che è una somma di variabili aleatorie associate individualmente alle parti microscopiche. In generale, non è detto che per tutti i sistemi queste parti microscopiche siano indipendenti, né che possano essere prese identiche. Possono inoltre esserci casi in cui non esiste una variabile macroscopica esprimibile in forma semplice come una somma di contributi microscopici (un esempio è l energia potenziale gravitazionale di un sistema di particelle, in cui bisogna sommare sull energia di interazione fra coppie di particelle, e non su quella delle singole particelle). Potrebbero poi esserci delle situazioni in cui le fluttuazioni della variabile aleatoria microscopica siano tali che la varianza o addirittura la media di queste siano infinite. Per avere una qualche intuizione di come l indipendenza statistica o la condizione di distribuzione identica dell energia fra le molecole possano essere violate, proviamo a guardare al problema da un altro punto di vista. Prendiamo di nuovo in esame il nostro gas, e invece di analizzare le molecole che lo compongono individualmente, supponiamo di dividere il volume in parti microscopiche e calcolare l energia contenuta in ciascuna di esse. Da qui definiamo una densità spaziale di energia u(x) che di fatto definisce un campo random. Così come la somma di variabili random indipendenti, attraverso una modificazione della legge dei grandi numeri, ci ha portato all esistenza di un limite termodinamico, lo stesso può essere fatto con la densità di energia, con una appropriata riscrittura della proprietà ergodica; per semplificare le idee, consideriamo un dominio lineare di lunghezza L. Possiamo quindi scrivere: U = L u(x)dx = L u L L u = U ; U U (L/λ u ) 1/2 σ u, dove λ u è la lunghezza di correlazione per u, definita in maniera analoga alla (5). Di fatto λ u definisce la separazione spaziale al di sotto della quale coppie di molecole non possono più considerarsi indipendenti. Così come il soddisfacimento di una proprietà ergodica richiedeva che il tempo di correlazione fosse piccolo in confronto all intervallo di tempo in cui il processo stocastico si può considerare stazionario, vediamo quindi che la condizione di esistenza per un limite termodinamico è che la scala su cui il gas si può considerare uniforme sia molto più grande di λ u. 5
Scheda n.3: densità gaussiana e Beta
Scheda n.3: densità gaussiana e Beta October 10, 2008 1 Definizioni generali Chiamiamo densità di probabilità (pdf ) ogni funzione integrabile f (x) definita per x R tale che i) f (x) 0 per ogni x R ii)
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
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
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,
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
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
DettagliQuesta viene trasmessa sul canale (wireless o wired). In questo corso, modellizzeremo il canale di trasmissione come un canale Gaussiano bianco
Canale di trasmissione Dati una costellazione M un labeling binario e è possibile associare alle sequenze binarie di informazione u da trasmettere una forma d onda s(t). Questa viene trasmessa sul canale
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
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
DettagliProcessi di Markov. Processi di Markov
Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Processi Stocastici Processi Stocastici Catene o Catene o Catene di M Processi Stocastici Un
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
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
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
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliNote sulle Catene di Markov
Note sulle Catene di Markov ELAUT Prof. Giuseppe C. Calafiore Sommario Queste note contengono un estratto schematico ridotto di parte del materiale relativo alle Catene di Markov a tempo continuo e a tempo
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
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
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
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
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliEQUILIBRIO TERMODINAMICO LOCALE. Contents. 1 Variabili termodinamiche locali 2. 2 Quantità di moto 3
Contents EQUILIBRIO TERMODINAMICO LOCALE 1 Variabili termodinamiche locali 2 2 Quantità di moto 3 3 Variabile intensiva coniugata alla quantità di moto 4 4 Densità delle variabili estensive 6 5 Equilibrio
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
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.
Dettagli8. Energia e lavoro. 2 Teorema dell energia per un moto uniformemente
1 Definizione di lavoro 8. Energia e lavoro Consideriamo una forza applicata ad un corpo di massa m. Per semplicità ci limitiamo, inizialmente ad una forza costante, come ad esempio la gravità alla superficie
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
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
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
DettagliI POSTULATI DELLA MECCANICA QUANTISTICA
68 I POSTULATI DELLA MECCANICA QUANTISTICA Si intende per postulato una assunzione da accettarsi a priori e non contraddetta dall esperienza. I postulati trovano la loro unica giustificazione nella loro
DettagliPROCESSI 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
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
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
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
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
DettagliPulse Amplitude Modulation (PAM) 2 Scelta delle risposte impulsive dei filtri in trasmissione e ricezione
Pulse Amplitude Modulation (PAM 1 Definizione La trasmissione di una sequenza di numeri {a k } mediante un onda PAM consiste nel generare, a partire dalla sequenza {a k } il segnale a tempo continuo u(t
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
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.
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
Dettagli3 Variabile intensiva coniugata alla quantità di moto 1
EQUILIBRIO ERMODINAMICO LOCALE Contents 1 Variabili termodinamiche locali 1 2 Quantità di moto 1 3 Variabile intensiva coniugata alla quantità di moto 1 4 Densità delle variabili estensive 2 5 Equilibrio
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (M-Z) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 16/06/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Cinque lettere
DettagliIntroduzione all inferenza statistica, II lezione
T (X) è sufficiente? (2) Introduzione all inferenza statistica, II lezione Carla Rampichini Dipartimento di Statistica Giuseppe Parenti - Firenze - Italia carla@ds.unifi.it - www.ds.unifi.it/rampi/ TEOREMA
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Laurea Magistrale in Scienze della Nutrizione Umana Corso di Statistica Medica, anno 2015-16 P.Baldi Lista di esercizi 4, 11 febbraio 2016. Esercizio 1 Una v.a.
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prima prova in itinere
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica 69AA) A.A. 06/7 - Prima prova in itinere 07-0-03 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
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
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
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
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## (##
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
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
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di Statistica, anno 2010-11 P.Baldi Lista di esercizi 3. Corso di Laurea in Biotecnologie Esercizio 1 Una v.a. X segue una legge N(2, ). Calcolare a1) P(X 1) a2) P(2
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliCapitolo 5. Variabili casuali discrete
Capitolo 5 Variabili casuali discrete Come già anticipato nel paragrafo 3, nella teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable) può essere
DettagliTeoria dei Segnali Trasmissione binaria casuale; somma di processi stocastici
eoria dei Segnali rasmissione binaria casuale; somma di processi stocastici Valentino Liberali Dipartimento di Fisica Università degli Studi di Milano valentino.liberali@unimi.it eoria dei Segnali rasmissione
DettagliTipi di Processi Stocastici
Processi Stocastici Definizione intuitiva: un processo stocastico è un insieme ordinato di variabili casuali, indicizzate dal parametro t, spesso detto tempo. Definizione rigorosa: dati uno spazio di probabilità
Dettagli1 Indipendenza lineare e scrittura unica
Geometria Lingotto. LeLing7: Indipendenza lineare, basi e dimensione. Ārgomenti svolti: Indipendenza lineare e scrittura unica. Basi e dimensione. Coordinate. Ēsercizi consigliati: Geoling. Indipendenza
DettagliEttore Vitali. Dinamica Molecolare. Nozioni di base e tecniche avanzate
Ettore Vitali Dinamica Molecolare Nozioni di base e tecniche avanzate Sommario NVE-ensemble : dinamica di un sistema isolato. Tecniche di base, campo di applicabilità, affidabilità dei risultati NVT-ensemble
DettagliCAPITOLO QUINTO DISTRIBUZIONE NORMALE
CAPITOLO QUINTO DISTRIBUZIONE NORMALE 1. Probabilità nel continuo Fino ad ora abbiamo considerato casi in cui l insieme degli eventi elementari è finito. Vediamo, mediante due semplici esempi, come si
DettagliStatistica 2. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo
Statistica 2 Esercitazioni Dott. L 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it
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
DettagliEsercitazioni di Meccanica Quantistica I
Esercitazioni di Meccanica Quantistica I Sistema a due stati Consideriamo come esempio di sistema a due stati l ammoniaca. La struttura del composto è tetraedrico : alla sommità di una piramide con base
DettagliSIMULAZIONE DI SISTEMI CASUALI 2 parte. Processi stocastici e teoria delle code. Processi stocastici
SIMULAZIONE DI SISTEMI CASUALI 2 parte Processi stocastici e teoria delle code Processi stocastici Generalità La distribuzione di Poisson (degli eventi rari) è caratterizzata dall avere una funzione di
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliRipasso segnali e processi casuali. Trasmissione dell Informazione
Ripasso segnali e processi casuali 1 Breve ripasso di segnali e trasformate Dato un segnale s(t), la sua densità spettrale si calcola come dove S(f) è la trasformata di Fourier. L energia di un segnale
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
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
DettagliTeoria cinetica di un sistema di particelle
Teoria cinetica di un sistema di particelle La meccanica dei fluidi modellati come sistemi continui, sviluppata dal XII e XIII secolo e in grado di descrivere fenomeni dinamici macroscopici con buona approssimazione
DettagliReti di Telecomunicazioni 1
Reti di Telecomunicazioni 1 AA2011/12 Sistemi a coda Blocco E2 Ing. Francesco Zampognaro e-mail: zampognaro@ing.uniroma2.it Lucidi Prof. Stefano Salsano 1 Definizione di traffico e utilizzazione di un
DettagliIntegrazione di Funzioni Razionali. R(x) = P 0 (x) + P 1(x) Q(x)
Integrazione di Funzioni Razionali Un polinomio di grado n N è una funzione della forma P () = a 0 + a +... + a n n dove a 0, a,..., a n sono costanti reali e a n 0. Una funzione della forma R() = P ()
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
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
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) MEDIA aritmetica semplice
DettagliMATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI. Anna TORRE
MATEMATICA PER LO STUDIO DELLE INTERAZIONI STRATEGICHE: TEORIA DEI GIOCHI Anna TORRE Dipartimento di Matematica, Università di Pavia, Via Ferrata 1, 27100, Pavia, Italy. E-mail: anna.torre@unipv.it 1 SOLUZIONI:
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
Dettagli1. Funzioni implicite
1. Funzioni implicite 1.1 Il caso scalare Sia X R 2 e sia f : X R. Una funzione y : (a, b) R si dice definita implicitamente dall equazione f(x, y) = 0 in (a, b) quando: 1. (x, y(x)) X x (a, b); 2. f(x,
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
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
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
DettagliEsercitazioni di Statistica Matematica A Lezione 2. Variabili con distribuzione gaussiana
Esercitazioni di Statistica Matematica A Lezione 2 Variabili con distribuzione gaussiana.) Una bilancia difettosa ha un errore sistematico di 0.g ed un errore casuale che si suppone avere la distribuzione
DettagliBilancio di energia: il Primo Principio della Termodinamica. Termodinamica dell Ingegneria Chimica
Bilancio di energia: il Primo Principio della Termodinamica Termodinamica dell Ingegneria Chimica 1 I Sistemi termodinamici Un sistema è definito da una superficie di controllo, reale o immaginaria, che
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
Dettagli' $ Teoria del traffico & % 1
Teoria del traffico Andamento della distribuzione di Poisson P(k) = (λt)k k! e λt 1 k=0 k=1 k=2 k=3 0.8 0.6 P(k) 0.4 0.2 0 0 1 2 3 4 5 λt Proprietá La sovrapposizione di h processi di Poisson aventi frequenze
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
DettagliLa turbolenza e il suo ruolo nello Strato Limite Atmosferico
Copertina Corso di Fisica dello Strato Limite Atmosferico La turbolenza e il suo ruolo nello Strato Limite Atmosferico Giaiotti Dario & Stel Fulvio 1 Sommario della lezione Che cos'è la turbolenza nei
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
DettagliElementi di Teoria dei Sistemi. Definizione di sistema dinamico. Cosa significa Dinamico? Sistema dinamico a tempo continuo
Parte 2, 1 Parte 2, 2 Elementi di Teoria dei Sistemi Definizione di sistema dinamico Parte 2, 3 Sistema dinamico a tempo continuo Cosa significa Dinamico? Parte 2, 4? e` univocamente determinata? Ingresso
DettagliProject Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo.
1. Introduzione Project Scheduling: PERT Il PERT è una tecnica introdotta per la pianificazione ed il controllo di progetti in cui le durate t ij delle singole attività sono delle variabili aleatorie.
Dettagli01CXGBN Trasmissione numerica. parte 6: calcolo delle probabilità I
01CXGBN Trasmissione numerica parte 6: calcolo delle probabilità I 1 Probabilità di errore BER e SER Per rappresentare la bontà di un sistema di trasmissione numerica in termini di probabilità di errore
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
DettagliIn altri termini, il logaritmo in base a di b è quel numero c tale per cui a elevato a c è uguale a b. In simboli
LOGARITMO Il logaritmo è un operatore matematico indicato generalmente con loga(b); detta a la base e b l'argomento, il logaritmo in base a di b è definito come l'esponente a cui elevare la base per ottenere
DettagliElettronica II Segnali periodici; serie di Fourier; trasformata di Fourier p. 2
Elettronica II Segnali periodici; serie di Fourier; trasformata di Fourier Valentino Liberali Dipartimento di Tecnologie dell Informazione Università di Milano, 26013 Crema e-mail: liberali@dti.unimi.it
DettagliCorso di Analisi Matematica. Polinomi e serie di Taylor
a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul
DettagliMetodi quantitativi per i mercati finanziari
Metodi quantitativi per i mercati finanziari Esercizi di probabilità Spazi di probabilità Ex. 1 Sia Ω = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}. Siano A e B sottoinsiemi di Ω tali che A = {numeri pari},
Dettagli