CdSINFORMATICA
Codice269AA
CFU6
PeriodoPrimo semestre
LinguaItaliano
Moduli | Settore/i | Tipo | Ore | Docente/i | |
CALCOLO DELLE PROBABILITA' E STATISTICA | MAT/06 | LEZIONI | 48 |
|
Conoscenza del linguaggio della probabilità astratta e di alcuni esempi di applicazione in contesti legati alle scienze informatiche.
Knowledge of the language of abstract probability and some examples of application in contexts related to computer sciences.
Learning how to study simple problems with probabilistic language, learning how to solve them analytically or with the help of a computer.
Saper studiare con un linguaggio probabilistico semplici problemi, saperli risolvere analiticamente o con l'aiuto di un calcolatore.
I contenuti degli insegnamenti di Matematica del I anno: Analisi matematica, Matematica Discreta e Algebra Lineare (consigliato) Per le propedeuticità formali, fare riferimento al regolamento del corso di laurea.
Contents of the first year Mathematics courses: Mathematical Analysis, Discrete Mathematics and Linear Algebra (recommended).
- Introduzione alla Probabilità: spazio degli esiti, eventi, assiomi di Kolmogorov.
- Probabilità 'diretta': modello delle estrazioni da un'urna, senza e con rimpiazzo. Indipendenza probabilistica.
- Formula di Bayes e probabilità 'inversa’.
- Variabili aleatorie discrete: densità, funzione di ripartizione, valore atteso, varianza, momenti. Esempi di distribuzione: di Bernoulli, binomiale, uniforme, di Poisson, geometrica, ipergeometrica.
- Catene di Markov (cenni: matrici di transizione, distribuzioni invarianti).
- Variabili aleatorie continue: densità, funzione di ripartizione, valore atteso, varianza, momenti. Esempi di distribuzione: uniforme, esponenziale, normale (Gaussiana), chi-quadro.
- Statistiche campionarie: media campionaria, teorema del limite centrale.
- Probabilità congiunte, marginali e condizionali di variabili aleatorie discrete e continue (con densità regolare).
- Cenni di statistica bayesiana continua. Regressione lineare.
- Introduction to Probability: space of outcomes, events, axioms of Kolmogorov.
- "Direct" Probability: model of the extractions from an urn, without and with replacement.
- Probabilistic independence, Bayes' formula and 'reverse' probability.
- Discrete random variables: density, distribution function, expected value, variance, moments. Examples of distribution: Bernoulli, binomial, uniform, Poisson, geometric, hypergeometric.
- Markov chains (outline: transition matrices, invariant distributions).
- Continuous random variables: density, distribution function, expected value, variance, moments. Examples of distribution: uniform, exponential, normal (Gaussian), chi-square.
- Statistics: sample mean, central limit theorem.
- Joint, marginal and conditional probability of discrete and continuous random variables (with regular density). Overview of continuous Bayesian statistics. Linear regression.
- Michael Baron, Probability and Statistics for Computer Scientists, Chapman & Hall/CRC Press, second edition, 2013
- Rita Giuliano, Argomenti di probabilità e statistica, Springer Milan, 2011.
- Sheldon M. Ross, Probabilità e Statistica per l'ingegneria e le scienze, Apogeo Education, terza edizione, 2015
• Michael Baron, Probability and Statistics for Computer Scientists, Chapman & Hall/CRC Press, second edition, 2013
• Rita Giuliano, Argomenti di probabilità e statistica, Springer Milan, 2011.
• Sheldon M. Ross, Probabilità e Statistica per l'ingegneria e le scienze, Apogeo Education, terza edizione, 2015
Prova scritta ed orale. La prova scritta può essere sostituita dalle prove di verifica intermedia.
https://www.di.unipi.it/it/didattica/inf-l/insegnamenti/lista-dei-corsi?cds=inf31&anno=2017
https://www.di.unipi.it/it/didattica/inf-l/insegnamenti/lista-dei-corsi?cds=inf31&anno=2017
https://people.unipi.it/tommei/didattica/calcolo-delle-probabilita-e-statistica-cps-b-cdl-informatica-20172018/