Riassunto completo del corso

Informazioni sul documento

Università: Politecnico di Milano
Corso di laurea: Biomedical Engineering
Materia: Fondamenti di Statistica e Segnali Biomedici
Classificazione: Altro materiale
Formato originale: PDF
Testo: Testo ricercabile

Cosa trovi in questo materiale

Materiale universitario di Fondamenti di Statistica e Segnali Biomedici per il corso di Biomedical Engineering presso Politecnico di Milano. Il documento tratta: GUIDA COMPLETA ALL'ESAME Fondamenti di Statistica Concetti, Formule ed Esercizi dalle 5 Esercitazioni Indice dei Contenuti 1. Probabilita' di Base e Calcolo Combinatorio 2. Variabili Aleatorie Discrete 3. Variabili Aleatorie Continue 4. Vettori Aleatori e Teorema Centrale del…

Qualità dell’importazione: il testo è stato estratto direttamente dal documento originale.

Contenuti estratti dal documento

Passaggi rappresentativi riconosciuti nelle diverse parti del materiale. Il testo completo resta presente nella pagina per la ricerca, mentre l’anteprima compatta rende più semplice la lettura.

Pagina 1

GUIDA COMPLETA ALL'ESAME Fondamenti di Statistica Concetti, Formule ed Esercizi dalle 5 Esercitazioni Indice dei Contenuti 1. Probabilita' di Base e Calcolo Combinatorio 2. Variabili Aleatorie Discrete 3. Variabili Aleatorie Continue 4. Vettori Aleatori e Teorema Centrale del Limite 5. Inferenza Statistica: Stima e Test di Ipotesi 6. Tavole di Riferimento Rapido

Pagina 4

2. Variabili Aleatorie Discrete 2.1 Funzione di Massa (Densita') e di Ripartizione La funzione di massa di probabilita' (PMF) p_X(x) soddisfa: • p_X(x) >= 0 per ogni x • SOMMA p_X(xi) = 1 (su tutto il supporto) La funzione di ripartizione (CDF): F_X(x) = P(X <= x) = SOMMA[ p_X(xi) ] per xi <= x Proprieta' della CDF: non decrescente, continua a destra, F(-inf)=0, F(+inf)=1 2.2 Valore Atteso e Varianza E[X] = SOMMA[ x * p_X(x) ] (media / valore atteso) E[g(X)] = SOMMA[ g(x) * p_X(x) ] (legge dell'aspettativa inconscia) Var(X) = E[(X - E[X])^2] = E[X^2] - (E[X])^2 Proprieta' di E[.] e Var(.) • E[aX + b] = a*E[X] + b • Var(aX + b) = a^2 * Var(X) • Se X, Y indipendenti: E[XY] = E[X]*E[Y] • Se X, Y indipendenti: Var(X+Y) = Var(X) + Var(Y) 2.3 Distribuzioni Notevoli Discrete Bernoulli: X ~ Be(p) Parametro Supporto P(X=1) P(X=0) E[X] Var(X) p in (0,1) {0,1} p 1-p p p(1-p) Binomiale: X ~ Bi(n, p) n prove indipendenti di Bernoulli, conta i successi P(X = k) = C(n,k) * p^k * (1-p)^(n-k) k = 0,1,...,n E[X] Var(X) Supporto n*p n*p*(1-p) {0,1,...,n} Poisson: X ~ P(lambda) Modella eventi rari, approssima Bi(n,p) per n grande e p piccolo con lambda=n*p P(X = k) = e^(-lambda) * lambda^k / k! k = 0,1,2,... E[X] Var(X) Riproducibilita' lambda lambda Se X~P(l1), Y~P(l2) indip. => X+Y~P(l1+l2)

Pagina 7

Standardizzazione: Z = (X - mu) / sigma ~ N(0,1) P(X <= x) = Phi((x - mu)/sigma) P(a <= X <= b) = Phi((b-mu)/sigma) - Phi((a-mu)/sigma) Proprieta' della Normale • Se X~N(mu,s^2), allora aX+b ~ N(a*mu+b, a^2*s^2) • Se X~N(m1,s1^2), Y~N(m2,s2^2) indip., allora X+Y ~ N(m1+m2, s1^2+s2^2) • Phi(-z) = 1 - Phi(z) (simmetria della normale standard) • Quantili: z_0.90=1.282, z_0.95=1.645, z_0.975=1.960, z_0.99=2.326, z_0.995=2.576 Weibull Spesso appare in forma implicita. La strategia e' trovare la CDF tramite quella di X, poi derivare. 3.5 Trasformazioni di Variabili Per trovare la densita' di Y = g(X), usare il metodo della CDF: 4. Calcolare F_Y(y) = P(Y <= y) = P(g(X) <= y) esprimendo in termini di X 5. Derivare f_Y(y) = F_Y'(y) Se g e' monotona e derivabile: f_Y(y) = f_X(g^(-1)(y)) * |d/dy g^(-1)(y)|

Pagina 10

5. Inferenza Statistica 5.1 Stimatori e Proprieta' Dato un campione X1,...,Xn i.i.d. da una popolazione con parametro theta, uno stimatore T=T(X1,...,Xn) e': Proprieta' Definizione Formula Non distorto E[T] = theta Distorsione = E[T] - theta = 0 Errore quadratico MSE(T) MSE = Var(T) + (Bias)^2 medio Consistente T converge a theta MSE(T) -> 0 per n->inf Efficienza relativa Confronto tra due stimatori eff(T1,T2) = MSE(T2)/MSE(T1) Stimatori Fondamentali Media campionaria: X_n = (1/n) * SOMMA Xi => E[X_n]=mu, Var(X_n)=sigma^2/n Varianza campionaria: S^2 = (1/(n-1)) * SOMMA (Xi - X_n)^2 => E[S^2]=sigma^2 (non distorto) Varianza con mu nota: S0^2 = (1/n) * SOMMA (Xi - mu)^2 => E[S0^2]=sigma^2 (non distorto) 5.2 Intervalli di Confidenza Un intervallo di confidenza IC_(1-alpha)(theta) contiene theta con probabilita' 1-alpha. Per la Media mu (sigma^2 NOTA) IC bilatero: X_n +/- z_(1-alpha/2) * sigma/sqrt(n) IC coda destra: mu >= X_n - z_(1-alpha) * sigma/sqrt(n) IC coda sinistra: mu <= X_n + z_(1-alpha) * sigma/sqrt(n) Per la Media mu (sigma^2 INCOGNITA, campione normale) IC bilatero: X_n +/- t_(1-alpha/2)(n-1) * S/sqrt(n) IC coda destra: mu >= X_n - t_(1-alpha)(n-1) * S/sqrt(n) IC coda sinistra: mu <= X_n + t_(1-alpha)(n-1) * S/sqrt(n) dove t_(1-alpha)(n-1) e' il quantile della distribuzione t di Student con n-1 gradi di liberta'. Per la Media mu (caso asintotico, sigma incognita) Per n grande, si sostituisce S a sigma e z a t: IC bilatero: X_n +/- z_(1-alpha/2) * S/sqrt(n) Per la Varianza sigma^2 (mu incognita, campione normale) IC bilatero: [ (n-1)*S^2 / chi2_(1-alpha/2)(n-1) , (n-1)*S^2 / chi2_(alpha/2)(n-1) ]

Pagina 14

14. Identificare il tipo di distribuzione (discreta/continua, notevole?) 15. Per trasformazioni: usare il metodo della CDF 16. E[X^2] = Var(X) + (E[X])^2 - utile per calcoli 17. Per TCL: n grande? Identificare mu e sigma^2 della singola v.a. Test di Ipotesi - Procedura Completa 18. Definire H0 e H1 chiaramente 19. Scegliere la statistica test appropriata (vedi tabella 6.2) 20. Calcolare il valore osservato u* 21. Determinare la regione critica (in base a H1: bilatero/coda) 22. Confrontare u* con il quantile e prendere la decisione 23. Calcolare il p-value se richiesto Buono studio e buona fortuna all'esame!

Anteprima

Prima pagina del documento.