formulario esame
Di cosa parla
Riassunto AI · si legge in un minuto
Leggi il riassunto completo
- Probabilità Totale: \( P(A) = P(A|B)P(B) + P(A|B^c)P(B^c) \)
- Regola di Bayes: \( P(B|A) = \frac{P(A|B)P(B)}{P(A|B)P(B) + P(A|B^c)P(B^c)} \)
- Distribuzione Marginali Posteriori: \( Ù|y \sim t_{\nu_n}(\bar{x}_n, s_n^2/\nu_n) \)
- Modello Binomiale: \( p(Y=y|\theta) = \binom{n}{y} \theta^y (1-\theta)^{n-y} \)
- Distribuzione Beta: \( p(x;a,b) = \frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)} x^{a-1}(1-x)^{b-1} \)
- Modello Beta-Binomiale: Posteriore Beta: \( P(\theta|y) = \text{Beta}(a+y, b+n-y) \)
Riassunto generato con l'intelligenza artificiale a partire dagli appunti. Come lo facciamo
Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.
Studia questi appunti con l'AI
Riassunto e domande d'esame sono gratis: chiedili e ti mandiamo un'email quando sono pronti.
In preparazione: di solito è pronto in giornata.
Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.
Simula l'esame con domande costruite su questi appunti.
Di cosa parla l'insegnamento
STATISTICA BAYESIANA · 1° anno · 2° semestre · 6 CFU · STAT-01/A
CONOSCENZA E COMPRENSIONE: L'insegnamento si propone di fornire agli studenti una conoscenza approfondita delle nozioni di base dell'Inferenza Bayesiana. Scopo dell'insegnamento è quello di introdurre i modelli parametrici con parametri trattati come variabili aleatorie e la comprensione delle problematiche connesse…