Università di Napoli Parthenope Facoltà di Ingegneria



Documenti analoghi
STATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale

Università degli Studi di Cassino, Anno accademico Corso di Statistica 2, Prof. M. Furno

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

Statistica e calcolo delle Probabilità. Allievi INF

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 13: 24 aprile 2013

LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE

Esercizi di Probabilità e Statistica

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

3) Entropie condizionate, entropie congiunte ed informazione mutua

Dipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014

Esercitazioni del corso: STATISTICA

3. Esercitazioni di Teoria delle code

Esercizi di econometria: serie 1

Variabili casuali. Variabili casuali

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Esercizi di Calcolo delle Probabilità con Elementi di Statistica Matematica

Intorduzione alla teoria delle Catene di Markov

Costruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:

Studio grafico-analitico di una funzioni reale in una variabile reale

INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA

Definizione classica di probabilità

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Ragionamento probabilistico: rappresentazione

Test delle ipotesi Parte 2

Analisi Matematica Lezione 16 3 novembre 2014 Limiti di funzioni

Elasticità nei mezzi continui

Intelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008

POLITECNICO DI BARI - DICATECh Corso di Laurea in Ingegneria Ambientale e del Territorio IDRAULICA AMBIENTALE - A.A. 2015/2016 ESONERO 15/01/2016

Analisi dei Segnali. Sergio Frasca. Dipartimento di Fisica Università di Roma La Sapienza

Il lavoro in termodinamica

Metodi Matematici per l Economia A-K Corso di Laurea in Economia - anno acc. 2012/ febbraio 2013

Introduzione al Machine Learning

Variabili casuali doppie

La retroazione negli amplificatori

Sistemi Intelligenti Introduzione al calcolo delle probabilità - II

I Appello di Calcolo delle Probabilità Cognome: Laurea Triennale in Matematica 2014/15 Nome: 29 gennaio

Esercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca

Modelli Clamfim Equazione delle opzioni Teorema di Radon Nykodym 9 dicembre 2013

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa Esercitazione: 4 aprile 2013

Università di Napoli Parthenope Facoltà di Ingegneria

Il trattamento dei dati a fini descrittivi

Elementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

Teoria della probabilità Assiomi e teoremi

Analisi Matematica Lezione novembre 2013

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Propagazione degli errori

Indici di posizione. Dove si trova la distribuzione? Qual è l ordine di grandezza dei dati?

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Modelli di variabili casuali

Dinamica dei sistemi particellari

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Aritmetica e architetture

Università degli Studi di Urbino Facoltà di Economia

Trigger di Schmitt. e +V t

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Modelli 1 lezione novembre 2011 Media e varianza

Sommario. Statistica. Distribuzioni (cont.) Distribuzioni di frequenza. Distribuzioni Distribuzioni di quantità. Distribuzioni di frequenza

La Funzione Caratteristica di una Variabile Aleatoria

Adattamento di una relazione funzionale ai dati sperimentali

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

Statistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 2

Risoluzione quesiti I esonero 2011

INDICE. Scaricabile su: Derivate TEORIA. Derivata in un punto. Significato geometrico della derivata

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7

Per calcolare le probabilità di Testa e Croce è possibile risolvere il seguente sistema di due equazioni in due incognite:

Probabilità e Statistica Esercitazioni. a.a. 2006/2007

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 22: 30 maggio 2013

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

Appendice B. B Elementi di Teoria dell Informazione 1. p k =P(X = x k ) ovviamente, valgono gli assiomi del calcolo della probabilità: = 1;

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 1: 14 febbraio 2012

,29 7. Distribuzioni di frequenza. x 1 n 1 n 1 n 1 /N n 1 /N*100 x 2 n 2 n 1 +n 2 n 2 /N n 2 /N*100

SU UNA CLASSE DI EQUAZIONI CONSERVATIVE ED IPERBOLICHE COMPLETAMENTE ECCEZIONALI E COMPATIBILI CON UNA LEGGE DI CONSERVAZIONE SUPPLEMENTARE

Probabilità II Variabili casuali discrete

ESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:

Modelli di base per la politica economica

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 2: 21 febbraio 2013

LA COMPATIBILITA tra due misure:

15 febbraio Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...

Lezione 20 Maggio 29

2 Modello IS-LM. 2.1 Gli e etti della politica monetaria

Una semplice applicazione del metodo delle caratteristiche: la propagazione di un onda di marea all interno di un canale a sezione rettangolare.

Calcolo delle probabilità (riassunto veloce) Laboratorio di Bioinformatica Corso A aa

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Esame di Statistica Corso di Laurea in Economia

Valore attuale di una rendita. Valore attuale in Excel: funzione VA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Lezione n. 10. Legge di Raoult Legge di Henry Soluzioni ideali Deviazioni dall idealit. idealità Convenzioni per le soluzioni reali

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

1 Probabilità condizionata

Matematica Generale a.a. 2018/19 Teoremi dimostrati nel corso. 1 Funzioni ad una variabile

EQUAZIONI DIFFERENZIALI Esercizi svolti. y = xy. y(2) = 1.

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 15: 24 aprile 2012

1atm = 760 torr (o anche mmhg) = Pa = bar

Problemi variazionali invarianti 1

Transcript:

Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003

Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della probabltà totale per CD, pd, pm Dstrbuzon condzonate dato {x} e {y} Trasormazon d coppe d varabl aleatore 2

Dstrbuzon condzonate Rcordamo la denzone d probabltà condzonata. Dat due event A e B, la probabltà condzonata d A dato B è: P ( A B) ( A B) P( B) P, P B ( ) 0 Ponendo A{ x}, s densce CD condzonata d dato l evento B: ( x B) P( { x} B) ({ x} B) P( B) P, P B ( ) 0 Essendo (x B) una CD, gode d tutte le propretà delle CD. 3

Dstrbuzon condzonate In partcolare la (x B) una CD è postva, assume valor tra 0 e, è contnua da destra e noltre: ) 2) 3) P ( B) ( B) P P( { } B) 0 P( B) ({ } B) P( B) P( B) P( B) ( x < x B) ( x B) ( x B) 2 2 P ({ x < x2} B) P( B) Esempo: CD relatva alla v.a. assocata all espermento probablstco lanco d un dado, con evento condzonante B{ dspar}. 4

Dstrbuzon condzonate S densce pd condzonata d dato l evento B: d dx ( x B) ( x B) (x B) gode d tutte le propretà d cu gode una qualsas pd. In partcolare è postva, e gode delle propretà d normalzzazone: ( x B) dx Esempo: pd relatva alla v.a. assocata all espermento probablstco lanco d un dado, con evento condzonante B{ dspar}. 5

Dstrbuzon condzonate Nel caso d v.a. dscrete, come ad esempo nell espermento lanco d un dado, è pù convenente denre una pm condzonata d dato l evento B: p ( x B) P( { x} B) ({ x} B) P( B) P, P B ( ) 0 p (x B) gode d tutte le propretà d cu gode una qualsas pd. In partcolare è postva, assume valor tra 0 e, e gode delle propretà d normalzzazone: x p ( x B) Esempo: pm relatva alla v.a. assocata all espermento probablstco lanco d un dado, con evento condzonante B{ dspar}. 6

Dstrbuzon condzonate Alcun autor usanouna notazone alternatva per le CD, pd, pm condzonata d dato l evento B: p B B B ( x B) ( x B) ( x B) 7

Teorema della Probabltà Totale per CD, pd, pm Possamo estendere probabltà totale, Bayes alle dstrbuzon condzonate. Rcordamo l teorema della probabltà totale: P N ( A) P( A B ) P( B ) Ponendo A{ x}, s ottene:, B N U B j B 0, S j N N ( x) P( { x} ) P { x} ( B ) ( ) P B ( x B ) P( B ) che rappresenta l teorema della probabltà totale per la CD. 8

Probabltà Totale per CD, pd, pm Dervando rspetto a x s ottene l teorema della probabltà totale per le pd: ( x) ( x B ) P( B ) Se noltre è una v.a. dscreta, da: N N ( A) P( A B ) P( ) P B ponendo A{x} s ottene drettamente l teorema della probabltà totale per le pm: P ( B ) P( B ) ({ x} ) P { x} p N N ( x) p ( x B ) P( B ) 9

Dstrbuzon condzonate dato {x} e {y} Consderamo l caso n cu nella ( x B) P( { x} B) ({ x} B) P( B) P, P B ( ) 0 sa B{y}: ({ x} { y} ) P( { y} ) P ( x P( { x}{ y} ) Nel caso n cu sa una v.a. contnua s ha che P(x)0. La relazone precedente va allora scrtta n questo modo: ( x lm P( { x}{ y < y + y} ) y 0 0

Dstrbuzon condzonate dato {x} e {y} ( x lm P( { x}{ y < y + y} ) y 0 lm y 0 lm y 0 lm y 0 P ({ x} { y < y + y} ) P( { y < y + y} ) y + ( y + ( y + y ( y + ( ( y e s ottene la CD d x dato {y}. Relazone analoga scambando l ruolo d e d : ( y x) x x ( ) y

Dstrbuzon condzonate dato {x} e {y} Dervando rspetto a x la precedente relazone ottenuta per le CD s ottene la pd d x dato {y}: x ( x ( x ( x y ( x ( ( Relazone analoga scambando l ruolo d e d : ( y x) ( x) 2

Dstrbuzon condzonate dato {x} e {y} Spesso s usa una notazone pù sntetca per denre le pd condzonate precedent. ( x ( y x) ( ( x) che rappresentano una legge smle a quella della probabltà condzonata. ( x ( ( y x) ( x) che rappresentano una legge smle a quella della probabltà composta. 3

Dstrbuzon condzonate dato {x} e {y} Le unzon ( x (, ( y x) ( x) sono pd monodmensonal, la prma unzone d x e la seconda unzone d y, per le qual vale: ( x dx dx ( ( dx ( ( ( y x) dy dy ( x) ( x) dy ( x) ( x) 4

Dstrbuzon condzonate dato {x} e {y} A relazon analoghe s pervene aclmente per le pm d x dato {y}: p ( x p p (, p ( y x) p p ( x) Le precedent sono pm monodmensonal, la prma unzone d x e la seconda unzone d y, per le qual vale: x p ( x, p ( y x) y 5

Dstrbuzon condzonate dato {x} e {y} Nel caso n cu le v.a. e sano statstcamente ndpendent, la attorzzazone delle pd congunta mplca che ( x) ( ( x ( ( x ( x) Analogamente s ottene: ( x) ( ( y x) ( x) ( y x) ( Nel caso n cu le v.a. e statstcamente ndpendent sano dscrete s ottene pù convenentemente che: p ( x p ( x), p ( y x) p ( 6

Dstrbuzon condzonate dato {x} e {y} A partre dalla pd congunta ottenuta n unzone delle condzonate ( x ( ( y x) ( x) s ottene, ntegrando rspettvamente rspetto a y e a x : ( x) dy ( x ( ( ( ) x, y dx ( y x) ( x) Che sono le verson applcate alle pd del teorema della probabltà totale. Analoghe relazon valgono per le pm. dy dx 7

Mede condzonate La meda condzonata d dato {y} è denta E [ y] x ( x dx Nel caso partcolare che e sano entrambe v. a. dscrete E [ y] x p ( x tutt x 8

Trasormazon d una coppa d v.a. Sano e due varabl aleatore. Consderamo una loro trasormazone g(,). La trasormazone dà orgne ad una nuova v.a. S ξ ( ) ξ ( ) ξ ( ) Z g, y ( x g, Z ( ) ξ x z 9

Pd congunta d una coppa d v.a. S pone l problema d caratterzzare Z, coè d assegnare Z ( z) oppure ( z) Z Ad esempo: ( z) P( { Z z} ) P( { g(, ) z} ) P( {(, ) }) Z D z dove { : g z} D z qund Z ( z) ( x, D z dxdy 20

Consderamo, ad esempo la trasormazone data dalla somma d due varabl aleatore Z + Tutto s rduce a trovare l domno D z, n questo caso dato da D z { : x + y z} per poter po calcolare: y ( z) ( x, Z D z dxdy Pd congunta d una coppa d v.a. y z qund: + z x ( ) ( ) z z x, y dy dx x z D z x 2

ne 20a lezone