Distribuzione Binomiale
|
|
- Antonino Messina
- 5 anni fa
- Visualizzazioni
Transcript
1 Statistica e analisi dei dati Data: 2 Maggio 2016 Distribuzione Binomiale Docente: Prof. Giuseppe Boccignone Scriba: Nicoló Pisaroni 1 Conteggi e tempi di attesa Consideriamo il seguente schema, facendo riferimento ad un generico tempo t che puó essere misurato nel continuo o nel discreto. Nel caso discreto i valori t = 1, 2, 3, possono essere considerati una successione di prove (e.g., lancio ripetuto di una moneta) 1. Esperimento di conteggio: fissiamo l intervallo di tempo T e contiamo il numero X di eventi di interesse: (a) nel caso di tempo discreto (numero di prove) la V.A X segue una distribuzione binomiale; (b) nel caso continuo la V.A X segue una distribuzione di Poisson; 2. Esperimento sui tempi di attesa: non fissiamo T, ma determiniamo quanto tempo X = toccorre aspettare per l occorrenza del primo evento di interesse. (a) nel caso di tempo discreto (numero di prove) la V.A X segue una distribuzione geometrica; (b) nel caso continuo la V.A X segue una distribuzione esponenziale negativa; Fatta eccezione per la distribuzione esponenziale, tutto le altre sono distribuzioni discrete. 2 Distribuzione Binomiale Fissiamo un numero di prove, ad esempio T = n = 3, e vogliamo contare quanti successi X = si verificano su n prove. Consideriamo come esempio il lancio ripetuto di una moneta dove ciascun lancio é Bernoulliano ovvero é campionato dalla distribuzione Bern(p) Schematizziamo l albero di probabilitá dell esperimento come in Figura??. Ne risulta le seguente distribuzione di massa (PMF) per = 0, 1,, n P ( = 0) = 1p 0 q 3 (1) P ( = 1) = 3p 1 q 2 (2) P ( = 2) = 3p 2 q 1 (3) P ( = 3) = 1p 3 q 0 (4) Notiamo che la PMF é sintetizzabile in due componenti 1. Componente di conteggio ( ): cioè quante sequenze per hanno contribuito a determinare la probabilitá di ciascun risultato = 0, 1,, n (cfr, Figura??); 1
2 2 Distribuzione Binomiale Figura 1: Chance tree per il lancio di tre monete con X Bern(p) con q = 1 p 2. Componente probabilistica(p q n ): cioè la probabilit della sequenza con successi su n. Supponiamo ora che il risultato di un esperimento di n = 3 abbia dato = 2 teste e n = 1 croci. Risultati distinguibili: se i risultati sono distinguibili, non ho solo sequenze del tipo T T e CC ma posso distinguere ad esempio un risultato T 1 da una seconda testa T 2. La situazione é riassunta in tabella??. T 1 T 2 C 1 T 1 C 1 T 2 C 1 T 1 T 2 T 2 T 1 C 1 T 2 C 1 T 1 C 1 T 2 T 1 Tabella 1: Schema con risultati distinguibili Nel nostro caso si potrebbero avere 6 possibili risultati, ovvero le permutazioni. = 3! = = 6 (5) Teste non distinguibili: Nel caso in cui T 1 = T 2 = T. La tabella precedente collassa come nella tabella seguente Nell ultima riga abbiamo solo 3 possibili casi, ovvero: T 1 T 2 C 1 T 1 C 1 T 2 C 1 T 1 T 2 T 2 T 1 C 1 T 2 C 1 T 1 C 1 T 2 T 1 TTC 1 TC 1 T C 1 T T Tabella 2: Schema con teste indistinguibili dove! conteggia le possibili permutazioni sulle teste T 1 T 2 e T 2 T 1.! = 6 = 3, (6) 2 Nell esempio avevamo un unico risultato C 1 (n = 1), ma nel caso n = 3, = 1, n = 2 potremmo ripetere lo stesso ragionamento per il risulati croce dividendo per (n )!. Dunque nel caso pi generale di risultati indistinguibili per tempo di accadimento si dividerebbe per!(n )! ottenendo così C(n, ) = (7) (n )!
3 Distribuzione Binomiale 3 ovvero il coefficiente binomiale C(n, ) che conteggia le combinazioni di n elementi di classe, senza ripetizione. Ricomponendo parte combinatoria e parte probabilistica otteniamo la distribuzione di probabilit di successi su n prove ovvero la distribuzione binomiale Bin( n, p) =!(n )! p q n = p q n (8) Il termine binomiale deriva dal teorema binomiale (o anche formula di Newton, binomio di Newton, sviluppo binomiale) che esprime lo sviluppo della potenza n-esima di un binomio qualsiasi con la formula seguente: (a + b) n = a b n (9) Usando la formula di Newton, é immediata la dimostrazione che Bin( n, p) é normalizzata. Infatti, per a = p, b = q e ricordando che q + p = 1 Bin( n, p) = p q n = (p + q) n = 1 n = 1 (10) 2.1 Forma della binomiale Bin(n, p) al variare di p e n Al variare dei parametri p e n varia la forma della distribuzione, come mostrato in Figura??. Se p è piccolo (0.1) la probabilitá di successo é bassa (eventi rari) e nel limite n viene approssimata da una Poissoniana. Se p = 0.5, nel limite n tende alla distribuzione continua Gaussiana (Teorema di De Moivre-Laplace, dimostrato pi avanti nel corso) 3 Calcolo del valore atteso e della varianza Valore medio Per definizione E[] = n Bin( n, p). Pertanto: E[] = p q n = Porto fuori dallla sommatoria, n e p!(n )! p q n = =1 ( 1)!(n!) p q n = (11) =1 Ponendo n = (n 1) ( 1): ( 1)!(n )! p q n = np = np =1 =1 (n 1)! ( 1!)(n )! p 1 q n (12) (n 1)! ( 1)!((n 1) ( 1))! p 1 q ((n 1) ( 1)) (13)
4 4 Distribuzione Binomiale Figura 2: Forma della binomiale Bin(n, p) al variare di p e n ottenuta con l istogramma normalizzato di punti campionati dalla distribuzione. In alto a sinistra: n = 15, p = 0.1. In altro, centrale: n = 15, p = 0.5. In alto a destra: n = 15, p = 0.9. I due grafici in basso mostrano il tendere della Binomiale alla distribuzione di Poisson (sinistra, n = 100, p = 0.04 ) e Normale (destra, n = 100, p = 0.5). In quest ultimo caso si traccia anche l approssimazione Gaussiana (curva continua) nel limite stabilito dal Teorema di De-Moivre Laplace, µ = np, σ = npq. Per la simulazione si veda il codice Matlab demobin.m
5 Distribuzione Binomiale 5 Con le sostituzioni: n 1 = m 1 = j si ha che n = m + 1, e che per = 1 vale j = 0. Quindi, E[] = np m+1 ( ) m pq m j (14) j Ma ( ) m j = 0 se j = m + 1, pertanto usando il teorema binomiale m ( ) m E[] = np pq m j = np(p + q) m = np (15) j Varianza. Applicando la definizione di varianza e il valore atteso E[] = np appena calcolato: σ 2 = var() = E[ 2 ] E[] 2 = E[ 2 ] n 2 p 2 (16) Calcolo il momento secondo ponendo 2 = 2 + = ( 1) + : E[ 2 ] = = n ( 1)!(n )! p q n + n!(n )! p q n = = n ( 1)!(n )! p q n + E[](17) =2 2!(n )! = Sostituisco E[] = np: E[ 2 ] = ( 2)!(n )! p 2 q n + np = n(n 1)p 2 ( 2)!(n )! p 2 q n + np (18) Pongo: e usando il binomio di Newton: =2 2 = j = j + 2 = 2 j = 0 n 2 E[ 2 ] = n(n 1)p 2 (n 2)! j!(n j 2)! pj q n j 2 + np = n(n 1)p 2 = n 2 p 2 np 2 + np (19) dove si é utilizzata la sostituzione m = n 2 e il binomio di Newton con (p + q) m = (1) m Infine: σ 2 = E[ 2 ] E[] 2 = n 2 p 2 np 2 + np n 2 p 2 = np(1 p) = npq (20) da cui la deviazione standard: σ = npq (21)
Probabilità mediante l'analisi combinatoria D n,k = Disposizioni di n oggetti a k a k (o di classe k)
Probabilità mediante l'analisi combinatoria D n,k = Disposizioni di n oggetti a k a k (o di classe k) Nel calcolo del numero di modalità con cui si presenta un evento e' utile talvolta utilizzare le definizioni
Dettagli1! 4! = 5. Quindi la probabilità di ottenere 1 successo su 5 lanci sarà 5 2 = 5! 2! 3! = 10
Note sulla Distribuzione Binomiale La distribuzione binomiale è relativa ad una variabile aleatoria discreta, che descrive i possibili risultati di un esperimento composto da n prove. In particolare, definisce
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliDistribuzione geometrica ed esponenziale negativa
Statistica e analisi dei dati Data: 9 maggio 216 Distribuzione geometrica ed esponenziale negativa Docente: Prof. Giuseppe Boccignone Scriba: Simone Canali 1 Distribuzione geometrica Si consideri un evento
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
DettagliIntroduzione al modello Uniforme
Teoria dei Fenomeni Aleatori 1 AA 01/13 Introduzione al modello Uniforme Esempio: conversione Analogico/Digitale Errore di quantizzazione Ampiezza Continua Discreta x t x q t Tempo Discreto Continuo 0
DettagliLa legge di Gauss degli errori come limite di una binomiale
Esiste una dimostrazione rigorosa dovuta a Laplace che la distribuzione degli scarti delle misure affette da errori casuali e indipendenti è la funzione normale di Gauss La legge di Gauss degli errori
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
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliES.2.2. Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili. Una partizione finita di Ω è una sequenza di K eventi
ES22 1 Variabili aleatorie discrete Consideriamo un esperimento statistico definito da un insieme Ω di risultati possibili Una partizione finita di Ω è una sequenza di K eventi A 1, A 2 A k A K necessari
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
DettagliDistribuzione esponenziale e distribuzione di Poisson
Statistica e analisi dei dati Data: 09 maggio 206 Distribuzione esponenziale e distribuzione di Poisson Docente: Prof. Giuseppe Boccignone Scriba: Alessandra Birlini Distribuzione esponenziale. Esempi
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 =
DettagliPROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI
PROBABILITÀ I. a.a. 2011/2012 DIARIO DELLE LEZIONI Settimana 5-9 marzo. Elementi di analisi combinatoria (vedasi capitolo I del Ross). Integrazioni: triangolo di Tartaglia, dimostrazione diretta della
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Variabili aleatorie - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2013 Variabili aleatorie Un numero aleatorio è un esempio di variabile aleatoria.
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
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/
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 Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliM 3 = ..p x.q n x. σ 3 = npq q p. npq npq = q p. npq.
Distribuzioni teoriche A. DISTRIBUZIONI DISCRETE - Distribuzione binomiale - Distribuzione multinomiale - Distribuzione di Poisson - Distribuzione ipergeometrica - Distribuzione uniforme B. DISTRIBUZIONI
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
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
DettagliApprofondimento 3.3. Approssimazione della distribuzione binomiale alla normale
Approfondimento 3.3 Approssimazione della distribuzione binomiale alla normale Come aveva notato de Moivre, se il numero di prove è sufficientemente ampio e la probabilità del successo π sufficientemente
DettagliPROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale
PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE In questa scheda vedremo due famiglie di variabili aleatorie (una discreta e una continua), che ci serviranno per descrivere uno dei risultati
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
DettagliCP110 Probabilità: Esame 13 settembre Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 2011-12, II semestre 13 settembre, 2012 CP110 Probabilità: Esame 13 settembre 2012 Testo e soluzione 1. (6 pts) Una scatola contiene 10 palline, 8 bianche
DettagliDistribuzione Gaussiana o Normale. 1 Distribuzione Normale come limite della Binomiale
Statistica e analisi dei dati Data: 6 Maggio 26 Distribuzione Gaussiana o Normale Docente: Prof. Giuseppe Boccignone Scriba: Matteo Gandossi Distribuzione Normale come limite della Binomiale Data una distribuzione
DettagliIndirizzo Giuridico Economico Aziendale
LE VARIABILI CASUALI In molti fenomeni aleatori il risultato di un esperimento è una grandezza che assume valori in modo casuale. Pensa ad esempio al numero di auto che si presentano ad un casello autostradale
DettagliVariabili aleatorie parte 2. 1 Definizione di funzione di ripartizione o funzione cumulativa (CDF)
Statistica e analisi dei dati Data: 11 aprile 2016 Variabili aleatorie parte 2 Docente: Prof. Giuseppe Boccignone Scriba: Alessandra Birlini 1 Definizione di funzione di ripartizione o funzione cumulativa
DettagliLezione 1. 1 Probabilità e statistica. 2 Definizioni di probabilità. Statistica e analisi dei dati Data: 22 Febbraio 2016
Statistica e analisi dei dati Data: 22 Febbraio 2016 Lezione 1 Docente: Prof. Giuseppe Boccignone Scriba: Nicolò Pisaroni 1 Probabilità e statistica Probabilità: Un modello probabilistico é una descrizione
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
DettagliLa distribuzione binomiale o di Bernoulli
La distribuzione binomiale o di Bernoulli La distribuzione di probabilità binomiale, de/a così perché richiama la potenza n-esima di un binomio, riguarda lo schema successo-insuccesso Ha diverse applicazioni
DettagliStatistica e analisi dei dati Data: 7 Marzo Lezione 4
Statistica e analisi dei dati Data: 7 Marzo 2016 Lezione 4 Docente: Prof. Giuseppe Boccignone Scriba: Matteo Gandossi 1 Indipendenza Stocastica Definizione 1 (Indipendenza Stocastica). Dati due eventi
DettagliLimiti della Distribuzione Binomiale
Limiti della Distribuzione Binomiale Giuseppe Sanfilippo 11 maggio 2012 1 Teorema di Bernoulli Sia X 1, X 2,..., X n... una successione di variabili aleatorie bernoulliane stocasticamente indipendenti
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
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
DettagliNozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3
Indice Nozioni preliminari... 1 Notazioni... 1 Alcunirichiamidianalisimatematica... 3 Sommeinfinite... 3 1 Spazi di probabilità discreti: teoria... 7 1.1 Modelli probabilistici discreti..... 7 1.1.1 Considerazioni
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
DettagliMatematica Canale A-D- Farmacia a.a.2017/2018. x a x b = x a+b x a y a = (x y) a x a x b = xa b = 1. y a = y. (x a ) b = x a b = (x b ) a.
1 Matematica Canale A-D- Farmacia a.a.2017/2018 Proprietà delle potenze. naturali; si ha Siano: x, y, sono numeri reali positivi; a, b numeri reali; m e n numeri x a x b x a+b x a y a (x y) a x a x b xa
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
DettagliCalcolo applicato alla Statistica Maximum Likelihood
Calcolo applicato alla Statistica Maximum Likelihood Problema fisico 1/2 Consideriamo un esperimento consistente nella misura, per un tempo T fissato, delle trasmutazioni nucleari (spontanee o indotte)
DettagliSOMMARIO DELLE MISURE DIRETTE
p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche degli strumenti usati, evidenziare possibili errori sistematici, correggerli. p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche
Dettagli3.33pt. Michele Grassi (UNITS) Psicometria 1 (023-PS) Lezione / 67
3.33pt Michele Grassi (UNITS) Psicometria 1 (023-PS) Lezione 8 9 1 / 67 Psicometria 1 (023-PS) Michele Grassi mgrassi@units.it Università di Trieste Lezione 8 9 Michele Grassi (UNITS) Psicometria 1 (023-PS)
DettagliVariabili aleatorie: parte 1. 1 Definizione di variabile aleatoria e misurabilitá
Statistica e analisi dei dati Data: 11 Aprile 2016 Variabili aleatorie: parte 1 Docente: Prof. Giuseppe Boccignone Scriba: Noemi Tentori 1 Definizione di variabile aleatoria e misurabilitá Informalmente,
DettagliEsercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliCorso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017
Corso di Statistica - Prof. Fabio Zucca Appello 4-2 febbraio 2017 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
DettagliFacoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA
Facoltà di SCIENZE Anno Accademico 2016/17 Registro lezioni del docente MUSIO MONICA Attività didattica CALCOLO DELLE PROBABILITA' [60/64/186] Periodo di svolgimento: Primo Semestre Docente titolare del
DettagliIntroduzione al Teorema di Bayes - Regola delle probabilitá totali
Statistica e analisi dei dati Data: 14 Marzo 2016 Introduzione al Teorema di ayes - Regola delle probabilitá totali Docente: Prof. Giuseppe occignone Scriba: Diedolo Luca 1 Teorema di ayes Il teorema o
Dettagli= = 4 5.
n.a. discreti Esempio 54 Dieci carte vengono suddivise in due scatole U 1 e U 2 di 5 carte ciascuna. Nella scatola U 1 vi sono solo carte vincenti mentre nella scatola U 2 vi sono 3 carte vincenti e 2
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliSalto in alto oltre le formule
Corso PON Competenze per lo sviluppo Liceo Scientifico "Bonaventura Rescigno Ing. Ivano Coccorullo Prof.ssa Laura Falcone Teoria della Probabilità Legge empirica del caso: in un grande numero di prove,
DettagliDue variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha. P {X = a, Y = b} = P {X = a}p {Y = b}
Due variabili aleatorie X ed Y si dicono indipendenti se comunque dati due numeri reali a e b si ha P {X = a, Y = b} = P {X = a}p {Y = b} Una variabile aleatoria χ che assume i soli valori 1, 2,..., n
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
DettagliMatematica Applicata L-A Definizioni e teoremi
Definizioni e teoremi Settembre - Dicembre 2008 Definizioni e teoremi di statistica tratte dalle lezioni del corso di Matematica Applicata L- A alla facoltà di Ingegneria Elettronica e delle Telecomunicazioni
Dettagli1. Quali sono i possibili campioni di numerosità 2 senza reimmissione? X 1 e X 2 sono indipendenti?
Esercizio 1 Consideriamo una popolazione X, dove X = {3,5,7}. 1. Quali sono i possibili campioni di numerosità 2 senza reimmissione? X 1 e X 2 sono indipendenti? 2. Quali sono i possibili campioni di numerosità
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
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliAA Prof. V. Palladino. Undicesima lezione, seconda del secondo modulo
AA 2016-17 Prof. V. Palladino http://people.na.infn.it/palladin/lezioni2016-17/161205lezione11.pdf Undicesima lezione, seconda del secondo modulo Possiamo predire le distribuzioni di probabilita' delle
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
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) (discrete) variabile casuale
DettagliEsempi di distribuzioni teoriche
Capitolo 7 Esempi di distribuzioni teoriche In questo capitolo presentiamo alcune funzioni teoriche che rappresentano densità di probabilità di variabili casuali unidimensionali (continue e discrete) che
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.
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
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
DettagliDistribuzione di Poisson Una v. casuale di Poissonè una v. casuale discreta che può assumere qualsiasi valore intero non-negativo
Distribuzione di Poisson Una v. casuale di Poissonè una v. casuale discreta che può assumere qualsiasi valore intero non-negativo E' un modello probabilistico adoperato per rappresentare situazioni di
DettagliV.C. UNIFORME. 1 n. con funzione di probabilità associata: MODA(X): la distribuzione Uniforme è zeromodale.
V.C. UNIFORME La v.c. discreta UNIFORME descrive il modello probabilistico dell equiprobabilità. I valori della v.c.u. sono dati dai primi n numeri naturali: x = 1, 2,, (n-1), n con funzione di probabilità
DettagliEsercitazione del 03/06/2014 Probabilità e Statistica
Esercitazione del 03/06/2014 Probabilità e Statistica David Barbato Esercizio 1. Sia (X i ) i N una successione di variabili aleatorie i.i.d. con distribuzione geometrica di parametro p = 1 2. Sia Y i
DettagliPRINCIPALI DISTRIBUZIONI DI PROBABILITA. Psicometria 1 - Lezione 9 Lucidi presentati a lezione AA 2000/2001 dott. Corrado Caudek
PRINCIPALI DISTRIBUZIONI DI PROBABILITA Psicometria 1 - Lezione 9 Lucidi presentati a lezione AA 000/001 dott. Corrado Caudek 1 DISTRIBUZIONE BINOMIALE Possiamo definire un processo bernoulliano come una
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
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliSTATISTICA ESERCITAZIONE 9
STATISTICA ESERCITAZIONE 9 Dott. Giuseppe Pandolfo 19 Gennaio 2015 REGOLE DI CONTEGGIO Sequenze ordinate Sequenze non ordinate Estrazioni con ripetizione Estrazioni senza ripetizione Estrazioni con ripetizione
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
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
DettagliP (0 semafori rossi) = 0,05 P (1 semaforo rosso) = 0,20 P (2 semafori rossi) = 0,25 P (3 semafori rossi) = 0,35 P (4 semafori rossi) = 0,15
ESERCITAZIONE : ROBABILITA, VARIABILI CASUALI, BINOMIALE ESERCIZIO N. Una donna che si reca al lavoro in macchina ha osservato che il seguente modello è un approssimato modello probabilistico per il numero
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 4: Variabili aleatorie continue
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 4: Variabili aleatorie continue Definizione di variabile aleatorie continua Se il risultato di un esperimento
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
DettagliLezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi
Lezioni da Matematica I Calcolo differenziale, Algebra lineare, Probabilità e statistica G. Aletti & G. Naldi & L. Pareschi http://www.ateneonline.it/naldi matematica McGraw-Hill Capitolo 12, Modelli Probabilistici
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
DettagliEsercitazione del 16/04/2019 Istituzioni di Calcolo delle Probabilità
Esercitazione del 6/04/09 Istituzioni di Calcolo delle Probabilità David Barbato Nozioni di riepilogo con esercizi Distribuzione di una funzione di una variabile aleatoria discreta. Sia X una variabile
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
DettagliProbabilità e Statistica
Diario delle lezioni e del tutorato di Probabilità e Statistica a.a. 2013/2014 www.mat.uniroma2.it/~caramell/did 1314/ps.htm 04/03/2014 - Lezioni 1, 2 Breve introduzione al corso. Fenomeni deterministici
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
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliPROBABILITA E STATISTICA Docente: Bruno Gobbi
UNIVERSITA DEGLI STUDI DI VERONA PROBABILITA E STATISTICA Docente: Bruno Gobbi LE VARIABILI CASUALI DISCRETE VARIABILE CASUALE - DEFINIZIONE Si definisce Variabile Casuale una grandezza che, associata
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
DettagliCorso di Istituzioni di Matematiche con Elementi di Statistica. anno accademico 2015/2016 corso A-L (G. Gaeta & N. Bressan)
Corso di Istituzioni di Matematiche con Elementi di Statistica anno accademico 215/216 corso A-L (G. Gaeta & N. Bressan) Esercizi Foglio 9 (Funzioni aleatorie; distribuzioni di probabilita ) Esercizio
Dettagli