mirror of
https://github.com/Steffo99/unisteffo.git
synced 2024-11-22 16:04:21 +00:00
oof
This commit is contained in:
parent
d774855ccc
commit
f53e127180
6 changed files with 116 additions and 33 deletions
File diff suppressed because one or more lines are too long
File diff suppressed because one or more lines are too long
|
|
@ -1 +1 @@
|
|||
{"/":{"style.5336e.css":{"type":"style","weight":1},"bundle.81663.js":{"type":"script","weight":1}}}
|
||||
{"/":{"style.5336e.css":{"type":"style","weight":1},"bundle.7a595.js":{"type":"script","weight":1}}}
|
||||
File diff suppressed because one or more lines are too long
|
|
@ -1 +1 @@
|
|||
"use strict";var precacheConfig=[["/assets/favicon.ico","468bad0a3f47a965985c8a99f3ab0ced"],["/assets/icon.png","2b714cf154cd80b3949545dfe0c5939a"],["/bundle.81663.js","45921fcc741e0b697f548cdc5c00f579"],["/favicon.ico","468bad0a3f47a965985c8a99f3ab0ced"],["/index.html","0070da5d89bf4c95776253b2fd3445d2"],["/manifest.json","451674ae8f01fd50402a3afd4ebeeffa"],["/style.5336e.css","bf9341495a45d7236460e2af436a3b33"]],cacheName="sw-precache-v3-sw-precache-webpack-plugin-"+(self.registration?self.registration.scope:""),ignoreUrlParametersMatching=[/^utm_/],addDirectoryIndex=function(e,t){var n=new URL(e);return"/"===n.pathname.slice(-1)&&(n.pathname+=t),n.toString()},cleanResponse=function(e){return e.redirected?("body"in e?Promise.resolve(e.body):e.blob()).then(function(t){return new Response(t,{headers:e.headers,status:e.status,statusText:e.statusText})}):Promise.resolve(e)},createCacheKey=function(e,t,n,r){var a=new URL(e);return r&&a.pathname.match(r)||(a.search+=(a.search?"&":"")+encodeURIComponent(t)+"="+encodeURIComponent(n)),a.toString()},isPathWhitelisted=function(e,t){if(0===e.length)return!0;var n=new URL(t).pathname;return e.some(function(e){return n.match(e)})},stripIgnoredUrlParameters=function(e,t){var n=new URL(e);return n.hash="",n.search=n.search.slice(1).split("&").map(function(e){return e.split("=")}).filter(function(e){return t.every(function(t){return!t.test(e[0])})}).map(function(e){return e.join("=")}).join("&"),n.toString()},hashParamName="_sw-precache",urlsToCacheKeys=new Map(precacheConfig.map(function(e){var t=e[0],n=e[1],r=new URL(t,self.location),a=createCacheKey(r,hashParamName,n,!1);return[r.toString(),a]}));function setOfCachedUrls(e){return e.keys().then(function(e){return e.map(function(e){return e.url})}).then(function(e){return new Set(e)})}self.addEventListener("install",function(e){e.waitUntil(caches.open(cacheName).then(function(e){return setOfCachedUrls(e).then(function(t){return Promise.all(Array.from(urlsToCacheKeys.values()).map(function(n){if(!t.has(n)){var r=new Request(n,{credentials:"same-origin"});return fetch(r).then(function(t){if(!t.ok)throw new Error("Request for "+n+" returned a response with status "+t.status);return cleanResponse(t).then(function(t){return e.put(n,t)})})}}))})}).then(function(){return self.skipWaiting()}))}),self.addEventListener("activate",function(e){var t=new Set(urlsToCacheKeys.values());e.waitUntil(caches.open(cacheName).then(function(e){return e.keys().then(function(n){return Promise.all(n.map(function(n){if(!t.has(n.url))return e.delete(n)}))})}).then(function(){return self.clients.claim()}))}),self.addEventListener("fetch",function(e){if("GET"===e.request.method){var t,n=stripIgnoredUrlParameters(e.request.url,ignoreUrlParametersMatching);(t=urlsToCacheKeys.has(n))||(n=addDirectoryIndex(n,"index.html"),t=urlsToCacheKeys.has(n));!t&&"navigate"===e.request.mode&&isPathWhitelisted(["^(?!\\/__).*"],e.request.url)&&(n=new URL("index.html",self.location).toString(),t=urlsToCacheKeys.has(n)),t&&e.respondWith(caches.open(cacheName).then(function(e){return e.match(urlsToCacheKeys.get(n)).then(function(e){if(e)return e;throw Error("The cached response that was expected is missing.")})}).catch(function(t){return console.warn('Couldn\'t serve response for "%s" from cache: %O',e.request.url,t),fetch(e.request)}))}});
|
||||
"use strict";var precacheConfig=[["/assets/favicon.ico","468bad0a3f47a965985c8a99f3ab0ced"],["/assets/icon.png","2b714cf154cd80b3949545dfe0c5939a"],["/bundle.7a595.js","0a503f584fd66cb76d86e16f0d7e5b6b"],["/favicon.ico","468bad0a3f47a965985c8a99f3ab0ced"],["/index.html","8bc6b611cb72b302367b0a78edfcaba0"],["/manifest.json","451674ae8f01fd50402a3afd4ebeeffa"],["/style.5336e.css","bf9341495a45d7236460e2af436a3b33"]],cacheName="sw-precache-v3-sw-precache-webpack-plugin-"+(self.registration?self.registration.scope:""),ignoreUrlParametersMatching=[/^utm_/],addDirectoryIndex=function(e,t){var n=new URL(e);return"/"===n.pathname.slice(-1)&&(n.pathname+=t),n.toString()},cleanResponse=function(e){return e.redirected?("body"in e?Promise.resolve(e.body):e.blob()).then(function(t){return new Response(t,{headers:e.headers,status:e.status,statusText:e.statusText})}):Promise.resolve(e)},createCacheKey=function(e,t,n,r){var a=new URL(e);return r&&a.pathname.match(r)||(a.search+=(a.search?"&":"")+encodeURIComponent(t)+"="+encodeURIComponent(n)),a.toString()},isPathWhitelisted=function(e,t){if(0===e.length)return!0;var n=new URL(t).pathname;return e.some(function(e){return n.match(e)})},stripIgnoredUrlParameters=function(e,t){var n=new URL(e);return n.hash="",n.search=n.search.slice(1).split("&").map(function(e){return e.split("=")}).filter(function(e){return t.every(function(t){return!t.test(e[0])})}).map(function(e){return e.join("=")}).join("&"),n.toString()},hashParamName="_sw-precache",urlsToCacheKeys=new Map(precacheConfig.map(function(e){var t=e[0],n=e[1],r=new URL(t,self.location),a=createCacheKey(r,hashParamName,n,!1);return[r.toString(),a]}));function setOfCachedUrls(e){return e.keys().then(function(e){return e.map(function(e){return e.url})}).then(function(e){return new Set(e)})}self.addEventListener("install",function(e){e.waitUntil(caches.open(cacheName).then(function(e){return setOfCachedUrls(e).then(function(t){return Promise.all(Array.from(urlsToCacheKeys.values()).map(function(n){if(!t.has(n)){var r=new Request(n,{credentials:"same-origin"});return fetch(r).then(function(t){if(!t.ok)throw new Error("Request for "+n+" returned a response with status "+t.status);return cleanResponse(t).then(function(t){return e.put(n,t)})})}}))})}).then(function(){return self.skipWaiting()}))}),self.addEventListener("activate",function(e){var t=new Set(urlsToCacheKeys.values());e.waitUntil(caches.open(cacheName).then(function(e){return e.keys().then(function(n){return Promise.all(n.map(function(n){if(!t.has(n.url))return e.delete(n)}))})}).then(function(){return self.clients.claim()}))}),self.addEventListener("fetch",function(e){if("GET"===e.request.method){var t,n=stripIgnoredUrlParameters(e.request.url,ignoreUrlParametersMatching);(t=urlsToCacheKeys.has(n))||(n=addDirectoryIndex(n,"index.html"),t=urlsToCacheKeys.has(n));!t&&"navigate"===e.request.mode&&isPathWhitelisted(["^(?!\\/__).*"],e.request.url)&&(n=new URL("index.html",self.location).toString(),t=urlsToCacheKeys.has(n)),t&&e.respondWith(caches.open(cacheName).then(function(e){return e.match(urlsToCacheKeys.get(n)).then(function(e){if(e)return e;throw Error("The cached response that was expected is missing.")})}).catch(function(t){return console.warn('Couldn\'t serve response for "%s" from cache: %O',e.request.url,t),fetch(e.request)}))}});
|
||||
|
|
@ -703,10 +703,19 @@ export default class Statistica extends Component {
|
|||
<Split title={"Disuguaglianze notevoli"}>
|
||||
<Panel title={"Disuguaglianza di Markov"}>
|
||||
<p>
|
||||
La disuguaglianza di Markov serve a "stabilire un limite superiore al valore della probabilità" quando si è solo a conoscenza del valore atteso.
|
||||
Data una variabile aleatoria non-negativa:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\forall K > 0, P([g(X) \geq K]) \leq \frac{E(g(X))}{K}`}</Latex>
|
||||
<Latex>{r`\forall k > 0, P([X \geq k]) \leq \frac{E(X)}{k}`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
Divide in due parti (<Latex>{r`P(X < k)`}</Latex> e <Latex>{r`P(X \geq k)`}</Latex>) la funzione X, la cui media risulterà uguale a:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`E(X) = \overline{k} \cdot P(X < k) + k \cdot P(X \geq k)`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
<Todo>TODO: Ha senso questa minidimostrazione?</Todo>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Disuguaglianza di Čebyšëv"}>
|
||||
|
|
@ -1148,7 +1157,7 @@ export default class Statistica extends Component {
|
|||
<Split title={"Esponenziale"}>
|
||||
<Panel title={"Distribuzione esponenziale"}>
|
||||
<p>
|
||||
Una variabile aleatoria che conta il tempo di attesa prima del primo arrivo di un processo di Poisson di intensità <Latex>{r`\lambda`}</Latex>.
|
||||
Una variabile aleatoria che conta il tempo diwidehattesa prima del primo arrivo di un processo di Poisson di intensità <Latex>{r`\lambda`}</Latex>.
|
||||
</p>
|
||||
<p>
|
||||
Il suo simbolo è <Latex>{r`Esp(\lambda)`}</Latex>.
|
||||
|
|
@ -1209,7 +1218,7 @@ export default class Statistica extends Component {
|
|||
<Split title={"Legge gamma"}>
|
||||
<Panel title={"Distribuzione gamma"}>
|
||||
<p>
|
||||
Una variabile aleatoria che conta il tempo di attesa prima dell'<Latex>n</Latex>-esimo arrivo di un processo di Poisson di intensità <Latex>{r`\lambda`}</Latex>.
|
||||
Una variabile aleatoria che conta il tempo diwidehattesa prima dell'<Latex>n</Latex>-esimo arrivo di un processo di Poisson di intensità <Latex>{r`\lambda`}</Latex>.
|
||||
</p>
|
||||
<p>
|
||||
Il suo simbolo è <Latex>{r`\Gamma(n, \lambda)`}</Latex>.
|
||||
|
|
@ -1908,7 +1917,7 @@ export default class Statistica extends Component {
|
|||
</Panel>
|
||||
<Panel title={"Consistente in probabilità"}>
|
||||
<p>
|
||||
Uno stimatore è <i>consistente</i> se:
|
||||
Uno stimatore è <i>consistente in probabilità</i> se:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\forall \epsilon > 0, \lim_{n \to +\infty} P( |T_n - \theta| < \epsilon) = 1`}</Latex>
|
||||
|
|
@ -1932,52 +1941,89 @@ export default class Statistica extends Component {
|
|||
Si può usare il <i>metodo dei momenti</i> per ottenere uno stimatore di una popolazione <Latex>X</Latex>.
|
||||
</p>
|
||||
<p>
|
||||
Lo stimatore di <Latex>{r`\theta`}</Latex> così ottenuto sarà indicato aggiungendo un cappellino e una <Latex>M</Latex> a <Latex>\theta</Latex>: <Latex>{r`\hat{\theta}_M`}</Latex>
|
||||
Lo stimatore di <Latex>{r`\theta`}</Latex> così ottenuto sarà indicato aggiungendo un cappellino e una <Latex>M</Latex> a <Latex>\theta</Latex>: <Latex>{r`\widehat{\theta}_M`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
Visto che:
|
||||
</p>
|
||||
<ul>
|
||||
<li><Latex>{r`\theta = g(E(X))`}</Latex></li>
|
||||
<li><Latex>{r`\hat{E(X)} = \overline{X}_n`}</Latex></li>
|
||||
<li><Latex>{r`\widehat{E(X)} = \overline{X}_n`}</Latex></li>
|
||||
</ul>
|
||||
<p>
|
||||
Allora:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\hat{\theta}_M = g( \overline{X}_n )`}</Latex>
|
||||
<Latex>{r`\widehat{\theta}_M = g( \overline{X}_n )`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
Se <Latex>{r`\theta`}</Latex> non è esprimibile in termini di <Latex>{r`E(X)`}</Latex>, si possono usare i momenti successivi <Latex>{r`M_n^2`}</Latex>, <Latex>{r`M_n^3`}</Latex>, <Latex>{r`M_n^3`}</Latex>...
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una bernoulliana"}>
|
||||
<p>
|
||||
<Latex>{r`\hat{p}_M = \overline{X}_n`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una poissoniana"}>
|
||||
<p>
|
||||
<Latex>{r`\hat{\mu}_M = \overline{X}_n`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una esponenziale"}>
|
||||
<p>
|
||||
<Latex>{r`\hat{\lambda}_M = \frac{1}{\overline{X}_n}`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Metodo della verosomiglianza"}>
|
||||
<Split title={"Metodo della massima verosomiglianza"}>
|
||||
<Panel title={"Metodo della massima verosomiglianza"}>
|
||||
<p>
|
||||
Si può usare il <i>metodo della massima verosomiglianza</i> per ottenere uno stimatore di una popolazione <Latex>X</Latex>.
|
||||
</p>
|
||||
<p>
|
||||
Lo stimatore di <Latex>{r`\theta`}</Latex> così ottenuto sarà indicato aggiungendo un cappellino e una <Latex>L</Latex> a <Latex>\theta</Latex>: <Latex>{r`\hat{\theta}_L`}</Latex>
|
||||
Lo stimatore di <Latex>{r`\theta`}</Latex> così ottenuto sarà indicato aggiungendo un cappellino e una <Latex>L</Latex> a <Latex>\theta</Latex>: <Latex>{r`\widehat{\theta}_L`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
<Todo>TODO: oops, l'ho skippato</Todo>
|
||||
Consiste nel trovare il massimo assoluto <Latex>{r`\widehat{\theta}_L`}</Latex> della la funzione di verosomiglianza <Latex>{r`L`}</Latex>:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`L(x_1, ..., x_n; \theta) = \prod_{i=1}^n f_X(x_i; \theta)`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
Gli stimatori di massima verosomiglianza sono <b>asintoticamente corretti</b>, <b>consistenti in probabilità</b> e <b>asintoticamente normali</b>.
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Proprietà degli stimatori di massima verosomiglianza"}>
|
||||
<p>
|
||||
Gli stimatori di massima verosomiglianza godono delle seguenti proprietà:
|
||||
</p>
|
||||
<ul>
|
||||
<li>Sono <b>asintoticamente corretti</b>.</li>
|
||||
<li>Sono <b>consistenti in probabilità</b>.</li>
|
||||
<li>Sono <b>asintoticamente normali</b>.</li>
|
||||
<li>Sono <b>invarianti</b>: <Latex>{r`\widehat{g(\theta)}_L = g(\widehat{\theta}_L)`}</Latex></li>
|
||||
</ul>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Nuove stime notevoli"}>
|
||||
<Panel title={"Stima di una bernoulliana"}>
|
||||
<p>
|
||||
Per il metodo dei momenti oppure per il metodo della massima verosomiglianza:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\widehat{p}_M = \widehat{p}_L = \overline{X}_n`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una poissoniana"}>
|
||||
<p>
|
||||
Per il metodo dei momenti oppure per il metodo della massima verosomiglianza:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\widehat{\mu}_M = \widehat{\mu}_L = \overline{X}_n`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una esponenziale"}>
|
||||
<p>
|
||||
Per il metodo dei momenti oppure per il metodo della massima verosomiglianza:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`\widehat{\lambda}_M = \widehat{\lambda}_L = \frac{1}{\overline{X}_n}`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
<Panel title={"Stima di una normale"}>
|
||||
<p>
|
||||
Per il metodo della massima verosomiglianza:
|
||||
</p>
|
||||
<ul>
|
||||
<li><Latex>{r`\widehat{\mu}_L = \overline{X}_n`}</Latex></li><br/>
|
||||
<li><Latex>{r`\widehat{\sigma^2}_L = \frac{\sum (X_i - \overline{X}_n)^2 }{n}`}</Latex></li>
|
||||
</ul>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Intervalli di confidenza"}>
|
||||
|
|
@ -1989,16 +2035,53 @@ export default class Statistica extends Component {
|
|||
L'intervallo di valori di <Latex>\theta</Latex> all'interno del quale siamo "più o meno sicuri" si trovi il valore effettivo:
|
||||
</p>
|
||||
<p>
|
||||
L'intervallo di confidenza a N della stima <Latex>{r`\hat{Z}`}</Latex> è l'intervallo <Latex>]a, b[</Latex> tale che:
|
||||
L'intervallo di confidenza a N della stima <Latex>{r`\widehat{W}`}</Latex> è l'intervallo <Latex>]a, b[</Latex> tale che:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`P( a < Z < b ) = N`}</Latex>
|
||||
<Latex>{r`P( a < W < b ) = N`}</Latex>
|
||||
</p>
|
||||
<p>
|
||||
Può anche essere <b>unilatero</b> nel caso limiti la stima in una sola direzione, positiva o negativa.
|
||||
</p>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Confidenza nella media di una normale"}>
|
||||
<Panel title={"Varianza nota"}>
|
||||
<p>
|
||||
Se conosciamo la varianza di una normale, allora possiamo ricavare velocemente gli intervalli di confidenza all'<Latex>\alpha</Latex>% con queste formule:
|
||||
</p>
|
||||
<ul>
|
||||
<li>Intervalli bilateri: <Latex>{r`\mu \in \left[ \overline{x}_n - z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\sigma^2}{n}}, \overline{x}_n + z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\sigma^2}{n}} \right]`}</Latex></li>
|
||||
<li>Intervallo unilatero da sinistra: <Latex>{r`\mu \in \left( -\infty, \overline{x}_n + z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\sigma^2}{n}} \right]`}</Latex></li>
|
||||
<li>Intervallo unilatero da destra: <Latex>{r`\mu \in \left[ \overline{x}_n - z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\sigma^2}{n}}, +\infty \right)`}</Latex></li>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Varianza incognita"}>
|
||||
<p>
|
||||
<Todo>TODO: Cos'è la distribuzione di Student?</Todo>
|
||||
</p>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Confidenza per la proporzione di una bernoulliana"}>
|
||||
<Panel title={"Terzo metodo corretto"}>
|
||||
<p>
|
||||
L'intervallo di confidenza per la proprorzione di una bernoulliana qualsiasi si ottiene da questa formula:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`p \in \left[ \overline{p} - z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\overline{p} \cdot (1 - \overline{p})}{n+4}}, \overline{p} + z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{\overline{p} \cdot (1 - \overline{p})}{n+4}} \right]`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
</Split>
|
||||
<Split title={"Confidenza per la media di qualsiasi popolazione"}>
|
||||
<Panel title={"Approssimando con la normale"}>
|
||||
<p>
|
||||
L'intervallo di confidenza per la media di una qualsiasi popolazione si ottiene da questa formula:
|
||||
</p>
|
||||
<p>
|
||||
<Latex>{r`m \in \left[ \overline{x}_n - z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{s^2_n}{n}}, \overline{x}_n + z_{1 - \frac{\alpha}{2}} \cdot \sqrt{\frac{s^2_n}{n}} \right]`}</Latex>
|
||||
</p>
|
||||
</Panel>
|
||||
</Split>
|
||||
</div>
|
||||
)
|
||||
}
|
||||
|
|
|
|||
Loading…
Reference in a new issue