PROBABILITÀ SCHEDA N. 3 VARIABILI ALEATORIE BINOMIALE E NORMALE. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale
|
|
- Roberta Viviani
- 5 anni fa
- Visualizzazioni
Transcript
1 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 più utili della probabilità e che affronteremo con la prossima scheda: il Teorema Centrale del limite o del Limite Centrale. Il suo enunciato garantirà, sotto buone ipotesi, di poter trarre informazioni su una popolazione a partire dai dati osservati su un campione estratto dalla popolazione stessa. 1. La variabile aleatoria di Bernoulli e la variabile aleatoria binomiale In molte situazioni si è interessati a verificare se una determinata caratteristica si presenta oppure no (l efficacia di un vaccino, il manifestarsi di una malattia, la difettosità di un pezzo, ). Ciò corrisponde ad un esperimento con solo due possibili esiti (detto anche dicotomico), che può essere modellato con una variabile aleatoria Y che assume valore 1 (successo) con probabilità p e valore 0 (insuccesso) con probabilità 1-p, con 0<p<1. 1 con probabilità p Y = 0 con probabilità 1 p Una variabile aleatoria di questo tipo è chiamata di Bernoulli di parametro p. Il valore atteso e la varianza di Y sono E(Y) = 0 x (1-p) + 1 x p = p Var(Y)= E(Y ) (E(Y)) = (0 x (1-p) + 1 x p) - p = p (1-p) È modellabile con una variabile aleatoria di Bernoulli, ad esempio, il lancio di una moneta, non necessariamente equilibrata (p è la probabilità che esca ad esempio T). Ora consideriamo la ripetizione di n esperimenti indipendenti ciascuno dei quali è modellabile con una variabile aleatoria di Bernoulli con probabilità di successo p. Per avere il numero di successi in questi n esperimenti basta sommare i valori delle n variabili aleatorie di Bernoulli, consideriamo quindi la variabile aleatoria X n = Y i con i i = 1 Y v.a. indipendenti Bernoulli di parametro p I possibili valori assunti da X sono 0, 1,..., n. Vogliamo conoscere le probabilità con cui tali valori sono assunti, cioè vogliamo costruire la densità di probabilità di X. Riprendiamo l esempio della moneta; i singoli lanci sono indipendenti fra di loro. Siamo interessati al numero di uscite di testa in 10 lanci; quindi n = 10. Qual è la probabilità di ottenere 6 uscite di testa?
2 Consideriamo prima una prefissata sequenza di teste e croci; ad esempio, qual è la probabilità di ottenere la sequenza T T C T T C C T T C Essendo i lanci indipendenti, la probabilità cercata è data da p p (1-p) p p (1-p) (1-p) p p (1-p) = p 6 (1-p) 4. Si capisce subito che la probabilità di avere 6 teste (e quindi 4 croci) anche in posizioni diverse risulta la stessa. Allora la probabilità di avere una determinata sequenza di k teste e n-k croci in n lanci sarà p k (1-p) n-k. Se ora volessimo calcolare la probabilità di tutte le possibili sequenze di 10 lanci in cui ci siano 6 teste dobbiamo stabilire quante sono le sequenze che presentano 6 teste e 4 croci. Il problema è equivalente a contare tutti i modi in cui è possibile scegliere di mettere le 6 teste nei 10 lanci. Senza entrare nei dettagli del calcolo diciamo che questo 10! numero è che si indica con 10 e si chiama coefficiente binomiale 6!(10 6)! 6 Allora la probabilità di ottenere 6 teste lanciando la moneta 10 volte sarà (1 ) 6 p p n n! In generale, il coefficiente binomiale vale: k =. Un modo più veloce per k!( n k)! calcolarlo è: n nn ( 1) ( n k+ 1 = ) k k! Parliamo di esperimento binomiale quando consideriamo un esperimento casuale in cui 1. interessa esclusivamente il successo (codificato con 1) o l insuccesso (codificato con 0). il successo ha probabilità p 3. si effettuano n prove indipendenti. Se X è la variabile che indica il numero di successi in n prove di un esperimento binomiale, avremo che la probabilità che X assuma il valore k è: n k n k P( X = k) = p (1 p) k per k=0,1,,,n. La variabile casuale X così definita è detta variabile casuale binomiale di parametri n (numero di prove) e p (probabilità di successo in una prova) e si indica con X B( n, p) Di seguito riportiamo alcuni grafici delle funzioni di densità per n = 0 e valori diversi di p.
3 Si può osservare che il grafico è simmetrico quando p=0.5; il grafico è più concentrato a sinistra quando p assume valori bassi (<0.5); i grafici con p=0. e 0.8 sono simmetrici l un l altro rispetto alla retta X=n/; ogni grafico ha solo un massimo che è vicino al valore atteso della variabile aleatoria. La variabile aleatoria di Bernoulli che rappresenta l esito di una sola prova è quindi una binomiale di parametri 1 e p. Come abbiamo già detto, siccome X rappresenta la somma dei successi in n prove, X può essere interpretata come somma di n variabili aleatorie binomiali B(1,p) indipendenti: X n = Y i con i i = 1 Y v.a. indipendenti Bernoulli di parametro p Utilizzando le proprietà del valore atteso e della varianza della somma di variabili aleatorie indipendenti, abbiamo: n n n E ( X ) = E Yi = E ( Yi) = p = np i = 1 i = 1 i = 1 n n n Var ( X ) = Var Yi = Var( Yi) = p ( 1 p) = np( 1 p) i = 1 i = 1 i = 1 Ricordiamo che il valore atteso della somma è sempre uguale alla somma dei valori attesi, mentre la varianza della somma è uguale alla somma delle varianze solo se le variabili sono indipendenti. Più in generale si può dimostrare che la somma di due binomiali indipendenti X 1 e X con densità B(n 1,p) e B(n,p) rispettivamente è ancora una densità binomiale B(n 1 +n,p).
4 ESEMPIO 1: Il rapporto dei sessi nella specie umana alla nascita è di 105 femmine su 100 maschi. Qual è la probabilità che in 6 nascite singole almeno la metà dei neonati siano di sesso femminile? Dai dati si desume che la probabilità della nascita di una femmina è p=105/0. Se indichiamo con X il numero di neonati di sesso femminile nelle 6 nascite prese in esame, la variabile aleatoria X avrà una densità binomiale B(6, 105/05). Vogliamo calcolare P( X 3) = P( X = 3) + P( X = 4) + P( X = 5) + P( X = 6) = 1- P( X = 0)- P( X = 1)- P( X = ) = 1 = Come varierebbe la probabilità se si considerassero 60 nascite singole? Sarebbe uguale alla precedente? (Rispondi intuitivamente senza fare i calcoli. Vedremo la risposta in una scheda successiva). La variabile aleatoria normale (o gaussiana) Una delle più importanti famiglie di distribuzioni continue è quella delle distribuzioni normali, in quanto molti fenomeni naturali sono modellabili con una variabile aleatoria normale (altezze, pesi, misure dei pezzi prodotti da una fabbrica secondo determinate specifiche, errori casuali nelle misurazioni fisiche, ). Una variabile aleatoria normale X assume valori su tutta la retta dei numeri reali. Se ha valore atteso μ e varianza σ la sua densità è e si indica con 1 fx ( x) = e πσ X N μ σ (, ) ( x μ) Quando il valore atteso è uguale a 0 e la varianza 1 si parla di normale standardizzata. I grafici delle densità normali al variare del valore atteso e della varianza hanno la classica forma a campana e sono riportati di seguito σ
5 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0,1 0,0 Variable N(0,1) N(0,4) N(0,0.5) N(,1) Si può osservare che: il grafico è simmetrico rispetto al valore atteso; densità con uguale varianza, ma media diversa, hanno la stessa forma ma sono traslate la varianza fa cambiare la forma del grafico: più la varianza cresce più il grafico si appiattisce; viceversa s la varianza è piccola, il grafico è appuntito. -5,0 -,5 0,0,5 5,0 7,5 10,0 La famiglia delle variabili aleatorie normali gode di buone proprietà matematiche, molto utili nelle applicazioni 1. Una variabile aleatoria Y ottenuta con una trasformazione lineare di una v.a. X con distribuzione N ( μ, σ ): Y = ax + b è ancora una normale, con valore atteso e varianza opportunamente trasformate: Y N( aμ + b, a σ ) In particolare se X N(0,1) allora Y N( b, a σ ). La somma di variabili aleatorie con distribuzione normale è una variabile aleatoria con distribuzione normale (senza ipotesi di indipendenza); 3. Se due variabili normali sono non correlate, allora sono indipendenti. La prima proprietà è fondamentale per il calcolo delle probabilità. Infatti, come abbiamo già visto, le probabilità di intervalli si calcolano come: b b ( x μ) 1 σ P ( a < X < b) = fx dx = e dx a a πσ ( x μ) 1 σ Poiché non esiste una primitiva della funzione di densità fx ( x) = e, NON si πσ possono calcolare esplicitamente gli integrali di f X su un generico intervallo (a,b). Per ovviare a questo problema, esistono tavole (riportate in fondo a questa scheda) che forniscono la funzione di distribuzione cumulata per la normale standardizzata N (0,1) e da queste si ricavano le informazioni per tutte le altre variabili aleatorie normali. Infatti se X è una variabile aleatoria normale con media μ e varianza σ, la variabile Z definita da μ Z = X σ è ancora una variabile aleatoria normale (essendo una trasformazione lineare di X) con Z N 0,1. Infatti Z è una trasformazione lineare di X, quindi: media 0 e varianza 1: ( )
6 X μ 1 1 μ E( Z) = E = E ( X μ) = E ( X ) = 0 σ σ σ σ X μ 1 1 Var( Z) = Var = Var ( X μ) = Var ( X ) = 1 σ σ σ P x X x La trasformazione di X in Z permette di calcolare ( < < ) usando P ( z Z z ) quindi di utilizzare le tavole. Ad esempio se X N ( 30.1, 5.76) corrispondenti valori z di una variabile aleatoria Z, con Z N ( 0,1) - se x = 7.9, allora z = ( ) / 5.76 = se x = 34.4, allora z = ( ) / 5.76 = < < e 1, per i valori di X uguali a 7.9 e 34.4, calcoliamo i : Quindi: X P ( 7.9 < X < 34.4) = P < < = P ( 0.9 < Z < 1.79) Z N 0,1, per i valori z di Z uguali a e 0.73, calcoliamo i Viceversa se ( ) corrispondenti valori x di una variabile aleatoria X, con X N ( 30.1, 5.76) La trasformazione è: X = σz + μ : - se z = , allora x = x = se z = 0.73, allora x = 0.73 x = 31.9 Quindi:. ( 1.04 < < 1.73) = ( < < ) P Z P Z ( ) = P < X < Uso delle tavole di una variabile aleatoria con distribuzione normale standardizzata Le tavole riportate in Appendice relative alla funzione di distribuzione cumulata di una variabile casuale con distribuzione N(0,1) si leggono nel seguente modo: i numeri posti nella tabella sulla sinistra (prima colonna) e in alto (prima riga) corrispondono ai valori z di Z (i numeri della prima colonna hanno una cifra decimale, il secondo decimale è indicato nella riga in alto); gli altri numeri della tabella sono i valori della funzione di distribuzione cumulata calcolata nel punto che ha come cifra intera e prima decimale quello posto sulla corrispondente riga e come seconda cifra decimale quello posto nella corrispondente colonna. Esempi. a) Se vogliamo calcolare il valore della funzione di distribuzione cumulata del valore z = 1.6, cioè P ( Z 1.6), ovvero l'area della curva della densità a sinistra del valore 1.6, bisogna cercare nella prima colonna della tabella il valore 1.6 e poi nella prima riga il valore : nel punto di incrocio di questa riga e questa colonna troviamo ; quindi: P ( Z 1.6) = Per la simmetria della funzione di densità avremo che: P Z 1.6 = P Z > 1.6 = 1 P Z 1.6 = = ( ) ( ) ( )
7 b) Per calcolare P ( Z > 0.43) possiamo cercare P(Z < 0,43)=0,6664 e calcolare P(Z > P ( Z 0.43). 0,43)= = oppure cercare sulle tavole c) Se vogliamo calcolare P (0.43 < Z 1.6) dovremo calcolare, come già osservato, ( 1.6) ) P Z - P ( Z 0.43 cioè = N.B. Le disuguaglianze si possono porre indifferentemente larghe (, ) o strette (<, >). Calcoliamo ora alcune probabilità legate ai valori di μ e σ per una variabile aleatoria X, con X N( μ, σ ) a) P ( μ σ < X < μ + σ ); questa è uguale a μ σ μ X μ μ + σ μ Z 1 = % σ σ σ P μ σ < X < μ + σ ; questa è uguale, procedendo come sopra, a P < Z < = P < < = P ( 1< < ) b) ( ) % P μ 3σ X μ 3 c) ( < < + σ ) ; questa è uguale a P ( 3< Z < 3) = % ( ) Viceversa calcoliamo (in modo approssimato) alcuni dei quantili di Z ; in particolare cerchiamo quei valori di Z che comprendono il 50%, il 95% e il 99% dei dati centrali: a) il valore z di Z per cui 0.50 è circa z = 0.68 P ( z < Z < z) = (corrisponde al valore z di Z per cui P ( Z z) P ( z < Z < z) = (corrisponde al valore z di Z per cui P ( Z z) P ( z < Z < z) = (corrisponde al valore z di Z per cui P ( Z z) < = 0.5) b) il valore z di Z per cui 0.95 è circa z = 1.96 < = 0.05) c) il valore z di Z per cui 0.99 è circa z =.58 < = 0.005) Utilizziamo le tavole per calcolare probabilità e quantili per una variabile aletaria X, con X N ( 30.1, 5.76). P (7.9 < X < 34.4) P ( 7.9 < X < 34.4) = P ( 0.9 < Z < 1.79) P ( Z 1.79) P ( Z 0.9) a) Vogliamo calcolare utilizzando i calcoli precedenti e le tavole: = < < = = b) Vogliamo calcolare i valori di X che individuano il 50% dei dati centrali; abbiamo visto che il valore z di Z per cui P z < Z < z = 0.50 ; è circa z = 0.68; quindi bisogna ( ) trasformare i due valori e 0.68; se z =-0.68, allora x=-0.68 x = 8.5 e se z = 0.68, allora x = 0.68 x = 31.7; per cui P 8.5 < X < 31.7 =0.50. ( ) ESEMPIO : Un tipo di conserve è inscatolato in lattine di peso medio 400 grammi. Il confezionamento viene effettuato da una macchina che è tarata a 405 grammi (altrimenti metà delle confezioni avrebbero peso inferiore a quello dichiarato) ; supponiamo che il peso delle conserve sia modellabile con una normale di deviazione standard fissa 3 grammi. In un lotto di lattine quante si prevede che siano di peso inferiore a 400 grammi?
8 Indichiamo con X il peso delle conserve in una lattina: X è una variabile normale N (405, 9). Dobbiamo calcolare P(X < 400) utilizzando le tavole della normale standardizzata. Abbiamo che X P( X < 400) = P < = P( Z < 1.67) = Se indichiamo con Y il numero di lattine con peso inferiore a 400 grammi in un lotto di lattine, Y è una variabile binomiale B(10000, ). Allora il numero medio di quelle con peso inferiore a quello dichiarato è 475 (=10000x0.0475) Supponiamo ora di voler cambiare la taratura della macchina in modo tale che la probabilità che una lattina abbia peso inferiore a 400 grammi sia minore del 1% (mantenendo lo stesso scarto). In questo caso X è una normale N(m,9). Come prima abbiamo che X μ 400 μ 400 μ P(X < 400)= P < = P Z < Se imponiamo che questa quantità sia minore di 0.01, abbiamo (sempre leggendo dalle tavole) che 400 μ <.33, da cui si ricava che μ > Quindi la macchina deve 3 essere tarata a 407 grammi.
9 Tavole della funzione di distribuzione Z N 0,1 cumulata di Z, con ( ) z x σ 1 P ( Z < z) = e dx π z
PROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
Matematica e statistica: dai dati ai modelli alle scelte wwwdimaunige/pls_statistica Responsabili scientifici MP Rogantin e E Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliPROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
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
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 =
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
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
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
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
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
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliFunzioni di probabilità per variabili casuali discrete e continue
Funzioni di probabilità per variabili casuali discrete e continue Prof.ssa Antonella Bitetto Facoltà di Economia Aziendale, Dipartimento di Management Università degli Studi di Torino PER USO DIDATTICO
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
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
DettagliLezione 13 Corso di Statistica. Domenico Cucina
Lezione 13 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 20 obiettivi della lezione comprendere il concetto di variabile aleatoria continua familiarizzare
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
DettagliV.a. continue. Statistica e biometria. D. Bertacchi. Le v.a. continue. Uniforme. Normale. Indipendenza di v.a. continue
gge una v.a. V.a. continue Ricoramo: DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è una funzione che ha come dominio Ω e come codominio R. In formule: X : Ω R. DEFINIZIONE
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
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
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
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
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
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
DettagliEquidistribuzione su un insieme finito
su un insieme finito È la distribuzione che abbiamo già visto per il lancio del dado. Se {x 1, x 2,..., x n } sono gli n diversi valori che una variabile aleatoria X può assumere e tali valori sono equiprobabili,
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
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
DettagliLa media campionaria. MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a.
La media MEDIA CAMPIONARIA Date n v.a. X 1,..., X n indipendenti e identicamente distribuite (in breve i.i.d.), la v.a. X n = 1 n è detta media. n X i, i=1 In altre parole, se le X 1,...,X n sono il risultato
DettagliLEZIONE 2.6. corso di statistica. Francesco Lagona Università Roma Tre. LEZIONE 2.6 p. 1/15
LEZIONE 2.6 p. 1/15 LEZIONE 2.6 corso di statistica Francesco Lagona Università Roma Tre LEZIONE 2.6 p. 2/15 variabili aleatorie continue consideriamo la distribuzione del fatturato mensile in una popolazione
DettagliIl modello di Bernoulli
Il modello di in funzione DEFINIZIONE DI V.A. B(p) Una v.a. di arametro p è una v.a. che può assumere solo i valori 0 e 1, e per cui la probabilità di assumere il valore 1 è pari a p, e quella di assumere
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
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliES.2.3. è pari ad 1. Una variabile aleatoria X che assume valori su tutta la retta si dice distribuita
ES.2.3 1 Distribuzione normale La funzione N(x; µ, σ 2 = 1 e 1 2( x µ σ 2 2πσ 2 si chiama densità di probabilità normale (o semplicemente curva normale con parametri µ e σ 2. La funzione è simmetrica rispetto
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
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
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/
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
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
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
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
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
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
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base (Serale) Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Variabili casuali Esercizio 1. Determinare la distribuzione di probabilità e la funzione di ripartizione della variabile
DettagliMatematica con elementi di Informatica
Variabili aleatorie Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche Anno Accademico
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
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.
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
DettagliEsercizi. 2. [Conteggio diretto] Due dadi vengono lanciati in successione. a) Qual è la probabilità che la somma dei due risultati faccia 7?
1 E. Vitali Matematica (Scienze Naturali) Esercizi 1. [Conteggio diretto] Quattro ragazzi, A, B, C e D, dispongono di due biglietti per il teatro e decidono di tirare a sorte chi ne usufruirà. a) Qual
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 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
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliCorso di probabilità e statistica
Università degli Studi di Verona Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Corso di probabilità e statistica (Prof. L.Morato) Esercizi Parte III: variabili aleatorie dipendenti e indipendenti,
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 Variabili Casuali multidimensionali Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2/29 Marco Pietro Longhi Prob. e Stat.
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
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 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
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
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 /
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
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
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
DettagliTutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 26 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
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
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
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,
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
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
DettagliSOLUZIONI DEL 2 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA Esercizio 0.1 Una moneta non truccata viene lanciata 10 volte. Calcolare la probabilità che non esca mai testa. Quale risulta la probabilità
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
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
DettagliVariabili Casuali Continue
Distribuzione Normale Concentrazione di cloro nel sudore Variabili Casuali Continue 9 8 7 6 5 4 3 media = 98.8 meq/l mediana =. meq/l moda =. meq/l < 3 6 5 me/l La distribuzione empirica (diagramma a barre)
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
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
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
DettagliEsercizio 1. La variabile casuale G, somma di due V.C. normali, si distribuisce anch essa come una normale.
Esercizio 1. La V.C. Y segue una distribuzione normale con media 45 e varianza 9. La V.C. X segue una legge normale con media 12 e varianza 4. Calcolare come si distribuisce e quali sono i parametri della
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,
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.
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
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
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
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
DettagliLa funzione di distribuzione Gaussiana normale
La funzione di distribuzione Gaussiana normale Nicola Morganti 25 aprile 2004 Indice Proprietà fondamentali 2 Standard Normal Density Function 3 3 Esempio applicativo 5 Proprietà fondamentali L utilizzo
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
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliEs.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci
Es.: una moneta viene lanciata 3 volte. X = n. di T nei primi 2 lanci Y = n. di T negli ultimi 2 lanci X\Y 0 1 2 0 1/8 1/8 0 1/4 1 1/8 1/4 1/8 1/2 2 0 1/8 1/8 1/4 1/4 1/2 1/4 1 X e Y non sono indip. Se
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
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
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
DettagliCP210 Introduzione alla Probabilità: Esame 2
Dipartimento di Matematica, Roma Tre Pietro Caputo 2018-19, II semestre 9 luglio, 2019 CP210 Introduzione alla Probabilità: Esame 2 Cognome Nome Matricola Firma Nota: 1. L unica cosa che si può usare durante
DettagliCompiti tematici capp. 5,6
Compiti tematici capp. 5,6 a cura di Giovanni M. Marchetti 2016 ver. 0.6 Indice Esercizi dai compiti a casa (HW..................................... 8 1. Se X e Y sono due variabili casuali independenti,
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
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
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
Dettagli