Le frequenze riportate in tabella possono essere considerate il risultato di un esperimento
|
|
- Giuseppina Russo
- 5 anni fa
- Visualizzazioni
Transcript
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 Livello di alcol Frequenza assoluta Frequenza relativa Frequenza cumulativa assoluta Frequenza cumulativa relativa 0-0, 77 0, ,773 0,-0,4 6 0, ,843 0,4-0,6 0, ,89 0,6-0,8 4 0,06 8 0,95 0,8-,0 0, ,96,0-, 4 0,07 4 0,978,-,4 0, ,987,4-,6 3 0,03 9,000 Totale 9 0, 0, 0 0-0, 0,-0,4 0,4-0,6 0,6-0,8 0,8-,0,0-,,-,4,4-,6 Le frequenze riportate in tabella possono essere considerate il risultato di un esperimento
2 DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente distribuzione di probabilità. In caso di variabile discreta la distribuzione di probabilità specifica tutti i possibili risultati della variabile insieme alla probabilità che ciascuno di essi si verifichi. In caso di variabile continua la distribuzione di probabilità consente di determinare la probabilità associata ad intervalli di valori.
3 Si è analizzato il numero dei farmaci consumati dalle donne gravide ricoverate in un ospedale americano: evento A = numero di farmaci P(A) = probabilità di assumere quel numero di farmaci N. farmaci Frequenza Probabilità P(A) Totale 485
4 I risultati di una distribuzione di probabilità possono essere riassunti oltre che in tabella anche in grafico. 0,35 0,3 0,5 0, 0,5 0, 0,
5 Si osservi che la probabilità che una donna assuma per esempio 5 farmaci è data dalla frequenza relativa del verificarsi di quel risultato dopo aver eseguito un grande numero di prove (nell esempio 485). Se X è la variabile casuale che rappresenta tutti i risultati di un possibile esperimento ed x è un valore che la variabile X può assumere la P(X=x) si definisce attraverso la funzione di probabilità f(x). Si osservi che è possibile associare ad ogni valore x della variabile X la P(X=x)=f(x) 0 e che la Σf(x)=.
6 Se X è una variabile casuale con funzione di distribuzione di probabilità f(x) la funzione F(X)=Σf(x) è detta funzione di distribuzione di probabilità cumulata. La funzione di distribuzione di probabilità cumulativa si ottiene sommando in successione le probabilità P(X=x )+P(X=x )+ +P(X=x n ) Se X è una variabile continua esiste una funzione f(x) detta funzione di densità di probabilità tale che: f(x) 0 + f ( x) d( x) = Per ogni x e x tali che - x <x + allora. P(x X x ) = x f ( x) d ( x) x
7 DISTRIBUZIONE BINOMIALE La distribuzione binomiale è derivata da un processo o esperimento che può assumere solo due risultati mutuamente esclusivi, detto prova di Bernoulli. Una sequenza di prove di Bernoulli forma un processo di Bernoulli sotto le seguenti condizioni: ogni prova può assumere uno dei due possibili risultati, mutuamente esclusivi, uno dei quali è definito arbitrariamente successo e l altro fallimento; la probabilità di un successo è denotata con p e rimane costante in ogni prova; la probabilità di fallimento è denotata come q=-p; le prove sono indipendenti, cioè il risultato di una prova non influenza il risultato della successiva.
8 Si consideri l esperimento nascita i cui possibili risultati sono Nascita di sesso F; p=p(f) Nascita di sesso M; q=p(m)=-p. Si consideri la variabile casuale X=numero di nati di sesso F su n nascite. Si vuole calcolare la probabilità di osservare 5 nascite F su 8 nascite P(X=5). Si considera pertanto una sequenza generica di nascite: F e F e F e M e M e F e F e M. La probabilità che tale sequenza si verifichi è: P(F F F M M F F M). Essendo eventi indipendenti si può scrivere: P(F)*P(F)*P(F)*P(M)*P(M)*P(F)*P(F)*P(M)= p*p*p*q*q*p*p*q=p 5 q 3 Nascita F (p=0,5) Nascita M (q=0,5) Nascita F (p=0,5) Nascita M (q=0,5) Nascita F (p=0,5) Nascita F (p=0,5) Nascita F (p=0,5) Nascita M (q=0,5)
9 La sequenza che si può osservare è però una delle tante possibili combinazioni di nascite di 5 femmine e 3 maschi: FFFFMMMF FFMFFMFM Per determinare tutte le possibili sequenze si ricorre al calcolo combinatorio: n x = n! x!(n-x)! = 8 5 8! = = 56 5!(8-5)! 8 in classe 5. n!=n*(n-)* * nell esempio 8!=8*7*6*5*4*3** Essendo le sequenze mutuamente esclusive la probabilità di avere la o la sequenza o la. 56 sequenza è data dalla somma delle probabilità delle singole sequenze: 56* p 5 q 3
10 Generalizzando, indicando con n il numero di prove e con x il numero dei successi, si ha: f(x)=p(x=x) f(x) = n x * p x q n-x Per x=0,,,3,.,n f(x) = 0 altrove Si dimostra che la distribuzione binomiale, spesso indicata con il simbolo B(n, p), ha: Media = E(X) = µ = np Varianza = σ = npq = np(-p)
11 DISTRIBUZIONE DI POISSON La distribuzione di Poisson viene utilizzata per variabili discrete per eventi distribuiti casualmente nel tempo e nello spazio E una distribuzione molto usata in campo biologico e medico: conta dei batteri sulle piastre analisi di elementi in campioni di acqua conta dei globuli su un vetrino numero di interventi di urgenza in un mese presso un pronto soccorso
12 Affinché un processo possa essere descritto con una distribuzione di Poisson devono verificarsi le seguenti condizioni: in un determinato intervallo gli eventi accadono in modo indipendente - il verificarsi di un evento in un intervallo di tempo o di spazio non influenza la probabilità di verificarsi di un secondo evento nello stesso intervallo di tempo o spazio; la probabilità di un evento in un intervallo di tempo t infinitamente piccolo è direttamente proporzionale alla lunghezza dell intervallo; in una parte infinitamente piccola dell intervallo la probabilità che più di un evento si verifichi è trascurabile tempo
13 Se X è la variabile casuale che segue una distribuzione di Poisson la sua funzione di distribuzione di probabilità è f ( x) = e λ λ x! x per x=0,,,.., f(x) = 0 altrove e è la costante,783 λ è il parametro della distribuzione di Poisson e corrisponde alla media. Una proprietà importante della distribuzione di Poisson è che media e varianza coincidono: λ = µ = σ
14 E possibile approssimare la distribuzione binomiale alla distribuzione di Poisson quando n, il numero delle prove, è molto grande e p, la probabilità di successo, tende a zero: n p 0 B(n, p) Poisson(λ) n*p = λ = costante
15 DISTRIBUZIONE NORMALE (GAUSS) Quando si esegue un esperimento e si descrivono i risultati si costruisce spesso un grafico (istogramma) per mostrare l andamento del fenomeno in esame. In un istogramma: sull asse delle ascisse (x) poniamo i valori della variabile sull asse delle ordinate (y) poniamo le frequenze con le quali un determinato valore, un intervallo di valori in caso di variabili continue, si presenta. L area delle colonnine di un istogramma rappresenta la frequenza con cui i valori x e x che delimitano la base della colonnina si presentano nel nostro esperimento
16 Unendo i punti medi delle classi con una spezzata si costruisce un poligono di frequenza. Se scegliamo l intervallo tra i valori sempre più piccolo e con una quantità di prove molto grandi la forma del poligono di frequenza si avvicinerà sempre più ad una linea continua. Questa è la rappresentazione grafica della distribuzione di una variabile continua e la funzione che ne è l espressione matematica è la funzione densità di probabilità
17 Supponiamo di valutare la distribuzione dei soggetti di una popolazione per età Classe di età Frequenza assoluta Frequenza relativa Frequenza cumulativa Frequenza cumulativa relativa ,08% 33 8,08% ,38% ,46% ,09% ,55% ,35% ,90% ,05% ,95% ,05% ,00% ,00%
18 0,4 0,35 0,3 0,5 0, 0,5 0, 0,05 0 0,5 0, 0,5 0, Possiamo riprodurre la distribuzione di frequenza utilizzando un istogramma. Possiamo inoltre unire i punti medi di ciascuna classe con una linea spezzata per rappresentare il fenomeno con un poligono di frequenza. Se rendiamo l intervallo di classe progressivamente più piccolo.. 0,
19 l ampiezza può ridursi al punto che il poligono di frequenza possa essere approssimato ad una curva continua 0,05 0,045 0,04 0,035 Media=43,99 Deviazione standard=9,7 0,03 Probabilià 0,05 0,0 0,05 0,0 0, Età Fre oss Prob Gauss
20 La curva di distribuzione di probabilità di una variabile continua che presenta un andamento a campana prende il nome di curva normale o gaussiana. La sua espressione matematica è f ( x) = exp σ π x µ σ - x + con exp = funzione esponenziale π = 3,4 e i due parametri della distribuzione: µ = media σ = deviazione standard
21 la distribuzione di Gauss è completamente definita dai valori di µ e σ: differenti valori di µ spostano la posizione della curva lungo l asse delle ascisse differenti valori di σ modificano l altezza della curva. 0,09 0,09 0,08 0,08 0,07 0,07 0,06 0,06 0,05 0,05 0,04 0,04 0,03 0,03 0,0 0,0 0,0 0,
22 La distribuzione di Gauss ha alcune caratteristiche tipiche: è simmetrica intorno alla sua media la media, la mediana e la moda coincidono l area sotto la curva è uguale ad (00%) l area sotto la curva compresa nell intervallo µ-σ ed µ+ σ è pari al 68% dell area totale µ- σ e µ+ σ è pari al 95% del totale µ-3 σ ed µ+3 σ è pari al 99,7% del totale
23 Esistono degli indici per misurare la normalità della curva di Gauss: asimmetria: asimmetria = 0 curva normale asimmetria < 0 coda sinistra pi lunga asimmetria >0 coda destra più lunga curtosi: curtosi = 3 curva normale curtosi < 3 code leggere, distribuzione appuntita (ipernormale o leptocurtica) curtosi > 3 code pesanti, distribuzione piatta (iponormale o platicurtica).
24 INDICE DI ASIMMETRIA Asimm = ( x x) 3 ( ( x x) ) 3 i i = 0 Distribuzione simmetrica >0 Maggiori osservazioni maggiori del valore medio Coda destra più lunga <0 Maggiori osservazioni minori del valore medio Coda sinistra più lunga
25 INDICE DI CURTOSI Kurtosi = ( ) 4 xi x ( ( x x) ) i = 3 Distribuzione gaussiana <3 Code leggere distribuzione leptocurtica appuntita - ipernormale >3 Code pesanti distribuzione platicurtica piatta - iponormale
26 Distribuzione di Gauss cumulativa teorica e distribuzione cumulativa osservata, Probabilità 0,8 0,6 0,4 0, Età Freq cum oss Prob cum Gauss
27 L ultima caratteristica enunciata ci dice che esiste una famiglia di distribuzioni di gaussiane ed ogni membro è distinto in base ai valori di µ e σ. Tra le varie curve di Gauss la più importante è la distribuzione di Gauss standard che ha media = 0 deviazione standard = L espressione matematica della distribuzione di Gauss Standard è: f ( z) z = exp π
28 Distribuzione di gauss standard: media=0 e deviazione standard= 0,45 0,4 0,35 0,3 Probabilità 0,5 0, 0,5 0, 0, µ z
29 E importante sottolineare che ogni variabile X può essere standardizzata mediante la trasformazione z = x µ σ la nuova variabile, z, è uguale alla variabile originaria meno la media, diviso la deviazione standard
30 Distribuzione di gauss standard: media=0 e deviazione standard= 0,45 0,4 0,35 0,3 P(Z>,96) =α Probabilità 0,5 0, 0,5 0, 0, µ,96 α z
31 z α z α z α z α z α z α z α z α z α z α 0,000 0,5000 0,30 0,3745 0,660 0,546,000 0,587,340 0,090,680 0,0465,00 0,0,350 0,0094,690 0,0036 3,030 0,00 0,00 0,4960 0,330 0,3707 0,670 0,54,00 0,56,350 0,0885,680 0,0465,00 0,07,360 0,009,700 0,0035 3,040 0,00 0,00 0,490 0,340 0,3669 0,680 0,483,00 0,539,360 0,0869,690 0,0455,030 0,0,370 0,0089,70 0,0034 3,050 0,00 0,030 0,4880 0,350 0,363 0,690 0,45,030 0,55,370 0,0853,700 0,0446,040 0,007,380 0,0087,70 0,0033 3,060 0,00 0,040 0,4840 0,360 0,3594 0,700 0,40,040 0,49,380 0,0838,70 0,0436,050 0,00,390 0,0084,730 0,003 3,070 0,00 0,050 0,480 0,370 0,3557 0,70 0,389,050 0,469,390 0,083,70 0,047,060 0,097,400 0,008,740 0,003 3,080 0,000 0,060 0,476 0,380 0,350 0,70 0,358,060 0,446,400 0,0808,730 0,048,070 0,09,40 0,0080,750 0,0030 3,090 0,000 0,070 0,47 0,390 0,3483 0,730 0,37,070 0,43,40 0,0793,740 0,0409,080 0,088,40 0,0078,760 0,009 3,00 0,000 0,080 0,468 0,400 0,3446 0,740 0,96,080 0,40,40 0,0778,750 0,040,090 0,083,430 0,0075,770 0,008 3,0 0,0009 0,090 0,464 0,40 0,3409 0,750 0,66,090 0,379,430 0,0764,760 0,039,00 0,079,440 0,0073,780 0,007 3,0 0,0009 0,00 0,460 0,40 0,337 0,760 0,36,00 0,357,440 0,0749,770 0,0384,0 0,074,450 0,007,790 0,006 3,30 0,0009 0,0 0,456 0,430 0,3336 0,770 0,06,0 0,335,450 0,0735,780 0,0375,0 0,070,460 0,0069,800 0,006 3,40 0,0008 0,0 0,45 0,440 0,3300 0,780 0,77,0 0,34,460 0,07,790 0,0367,30 0,066,470 0,0068,80 0,005 3,50 0,0008 0,30 0,4483 0,450 0,364 0,790 0,48,30 0,9,470 0,0708,800 0,0359,40 0,06,480 0,0066,80 0,004 3,60 0,0008 0,40 0,4443 0,460 0,38 0,800 0,9,40 0,7,480 0,0694,80 0,035,50 0,058,490 0,0064,830 0,003 3,70 0,0008 0,50 0,4404 0,470 0,39 0,80 0,090,50 0,5,490 0,068,80 0,0344,60 0,054,500 0,006,840 0,003 3,80 0,0007 0,60 0,4364 0,480 0,356 0,80 0,06,60 0,30,500 0,0668,830 0,0336,70 0,050,50 0,0060,850 0,00 3,90 0,0007 0,70 0,435 0,490 0,3 0,830 0,033,70 0,0,50 0,0655,840 0,039,80 0,046,50 0,0059,860 0,00 3,00 0,0007 0,80 0,486 0,500 0,3085 0,840 0,005,80 0,90,50 0,0643,850 0,03,90 0,043,530 0,0057,870 0,00 3,0 0,0007 0,90 0,447 0,50 0,3050 0,850 0,977,90 0,70,530 0,0630,860 0,034,00 0,039,540 0,0055,880 0,000 3,0 0,0006 0,00 0,407 0,50 0,305 0,860 0,949,00 0,5,540 0,068,870 0,0307,0 0,036,550 0,0054,890 0,009 3,30 0,0006 0,0 0,468 0,530 0,98 0,870 0,9,0 0,3,550 0,0606,880 0,030,0 0,03,560 0,005,900 0,009 3,40 0,0006 0,0 0,49 0,540 0,946 0,880 0,894,0 0,,560 0,0594,890 0,094,30 0,09,570 0,005,90 0,008 3,50 0,0006 0,30 0,4090 0,550 0,9 0,890 0,867,30 0,093,570 0,058,900 0,087,40 0,05,580 0,0049,90 0,008 3,60 0,0006 0,40 0,405 0,560 0,877 0,900 0,84,40 0,075,580 0,057,90 0,08,50 0,0,590 0,0048,930 0,007 3,70 0,0005 0,50 0,403 0,570 0,843 0,90 0,84,50 0,056,590 0,0559,90 0,074,60 0,09,600 0,0047,940 0,006 3,80 0,0005 0,60 0,3974 0,580 0,80 0,90 0,788,60 0,038,600 0,0548,930 0,068,70 0,06,60 0,0045,950 0,006 3,90 0,0005 0,70 0,3936 0,590 0,776 0,930 0,76,70 0,00,60 0,0537,940 0,06,80 0,03,60 0,0044,960 0,005 3,300 0,0005 0,80 0,3897 0,600 0,743 0,940 0,736,80 0,003,60 0,056,950 0,056,90 0,00,630 0,0043,970 0,005 3,30 0,0005 0,90 0,3859 0,60 0,709 0,950 0,7,90 0,0985,630 0,056,960 0,050,300 0,007,640 0,004,980 0,004 3,30 0,0005 0,300 0,38 0,60 0,676 0,960 0,685,300 0,0968,640 0,0505,970 0,044,30 0,004,650 0,0040,990 0,004 3,330 0,0004 0,30 0,3783 0,630 0,643 0,970 0,660,30 0,095,650 0,0495,980 0,039,30 0,00,660 0,0039 3,000 0,003 3,340 0,0004 0,30 0,3745 0,640 0,6 0,980 0,635,30 0,0934,660 0,0485,990 0,033,330 0,0099,670 0,0038 3,00 0,003 3,350 0,0004 0,330 0,3707 0,650 0,578 0,990 0,6,330 0,098,670 0,0475,000 0,08,340 0,0096,680 0,0037 3,00 0,003 3,360 0,0004
32 Distribuzione di gauss standard: media=0 e deviazione standard= 0,45 0,4 0,35 0,3 P(Z>,96) =0,05 Probabilità 0,5 0, 0,5 0, 0, µ,96 α z
33 0,45 0,4 0,35 0,3 0,5 0, 0,5 0, 0, Area in rosso = 68%
34 0,45 0,4 0,35 0,3 0,5 0, 0,5 0, 0, Area in rosso = 95%
35 Supponiamo che la media della capacità cranica in una certa popolazione sia di 400 cc e che la deviazione standard 5 cc. Determinare la probabilità che un individuo a caso nella popolazione abbia una capacità cranica: maggiore di 450 cc minore di 350 cc 3 compresa tra 300 cc e 450 cc
36 0,45 0,4 0,35 0,3 Probabilità 0,5 0, Probabilità 0,5 0, 0, , z z = x - µ σ = = 0,4 P(X>450) P(Z>0,4) = 0,34
37 z α z α z α z α z α z α z α z α z α z α 0,000 0,5000 0,30 0,3745 0,660 0,546,000 0,587,340 0,090,680 0,0465,00 0,0,350 0,0094,690 0,0036 3,030 0,00 0,00 0,4960 0,330 0,3707 0,670 0,54,00 0,56,350 0,0885,680 0,0465,00 0,07,360 0,009,700 0,0035 3,040 0,00 0,00 0,490 0,340 0,3669 0,680 0,483,00 0,539,360 0,0869,690 0,0455,030 0,0,370 0,0089,70 0,0034 3,050 0,00 0,030 0,4880 0,350 0,363 0,690 0,45,030 0,55,370 0,0853,700 0,0446,040 0,007,380 0,0087,70 0,0033 3,060 0,00 0,040 0,4840 0,360 0,3594 0,700 0,40,040 0,49,380 0,0838,70 0,0436,050 0,00,390 0,0084,730 0,003 3,070 0,00 0,050 0,480 0,370 0,3557 0,70 0,389,050 0,469,390 0,083,70 0,047,060 0,097,400 0,008,740 0,003 3,080 0,000 0,060 0,476 0,380 0,350 0,70 0,358,060 0,446,400 0,0808,730 0,048,070 0,09,40 0,0080,750 0,0030 3,090 0,000 0,070 0,47 0,390 0,3483 0,730 0,37,070 0,43,40 0,0793,740 0,0409,080 0,088,40 0,0078,760 0,009 3,00 0,000 0,080 0,468 0,400 0,3446 0,740 0,96,080 0,40,40 0,0778,750 0,040,090 0,083,430 0,0075,770 0,008 3,0 0,0009 0,090 0,464 0,40 0,3409 0,750 0,66,090 0,379,430 0,0764,760 0,039,00 0,079,440 0,0073,780 0,007 3,0 0,0009 0,00 0,460 0,40 0,337 0,760 0,36,00 0,357,440 0,0749,770 0,0384,0 0,074,450 0,007,790 0,006 3,30 0,0009 0,0 0,456 0,430 0,3336 0,770 0,06,0 0,335,450 0,0735,780 0,0375,0 0,070,460 0,0069,800 0,006 3,40 0,0008 0,0 0,45 0,440 0,3300 0,780 0,77,0 0,34,460 0,07,790 0,0367,30 0,066,470 0,0068,80 0,005 3,50 0,0008 0,30 0,4483 0,450 0,364 0,790 0,48,30 0,9,470 0,0708,800 0,0359,40 0,06,480 0,0066,80 0,004 3,60 0,0008 0,40 0,4443 0,460 0,38 0,800 0,9,40 0,7,480 0,0694,80 0,035,50 0,058,490 0,0064,830 0,003 3,70 0,0008 0,50 0,4404 0,470 0,39 0,80 0,090,50 0,5,490 0,068,80 0,0344,60 0,054,500 0,006,840 0,003 3,80 0,0007 0,60 0,4364 0,480 0,356 0,80 0,06,60 0,30,500 0,0668,830 0,0336,70 0,050,50 0,0060,850 0,00 3,90 0,0007 0,70 0,435 0,490 0,3 0,830 0,033,70 0,0,50 0,0655,840 0,039,80 0,046,50 0,0059,860 0,00 3,00 0,0007 0,80 0,486 0,500 0,3085 0,840 0,005,80 0,90,50 0,0643,850 0,03,90 0,043,530 0,0057,870 0,00 3,0 0,0007 0,90 0,447 0,50 0,3050 0,850 0,977,90 0,70,530 0,0630,860 0,034,00 0,039,540 0,0055,880 0,000 3,0 0,0006 0,00 0,407 0,50 0,305 0,860 0,949,00 0,5,540 0,068,870 0,0307,0 0,036,550 0,0054,890 0,009 3,30 0,0006 0,0 0,468 0,530 0,98 0,870 0,9,0 0,3,550 0,0606,880 0,030,0 0,03,560 0,005,900 0,009 3,40 0,0006 0,0 0,49 0,540 0,946 0,880 0,894,0 0,,560 0,0594,890 0,094,30 0,09,570 0,005,90 0,008 3,50 0,0006 0,30 0,4090 0,550 0,9 0,890 0,867,30 0,093,570 0,058,900 0,087,40 0,05,580 0,0049,90 0,008 3,60 0,0006 0,40 0,405 0,560 0,877 0,900 0,84,40 0,075,580 0,057,90 0,08,50 0,0,590 0,0048,930 0,007 3,70 0,0005 0,50 0,403 0,570 0,843 0,90 0,84,50 0,056,590 0,0559,90 0,074,60 0,09,600 0,0047,940 0,006 3,80 0,0005 0,60 0,3974 0,580 0,80 0,90 0,788,60 0,038,600 0,0548,930 0,068,70 0,06,60 0,0045,950 0,006 3,90 0,0005 0,70 0,3936 0,590 0,776 0,930 0,76,70 0,00,60 0,0537,940 0,06,80 0,03,60 0,0044,960 0,005 3,300 0,0005 0,80 0,3897 0,600 0,743 0,940 0,736,80 0,003,60 0,056,950 0,056,90 0,00,630 0,0043,970 0,005 3,30 0,0005 0,90 0,3859 0,60 0,709 0,950 0,7,90 0,0985,630 0,056,960 0,050,300 0,007,640 0,004,980 0,004 3,30 0,0005 0,300 0,38 0,60 0,676 0,960 0,685,300 0,0968,640 0,0505,970 0,044,30 0,004,650 0,0040,990 0,004 3,330 0,0004 0,30 0,3783 0,630 0,643 0,970 0,660,30 0,095,650 0,0495,980 0,039,30 0,00,660 0,0039 3,000 0,003 3,340 0,0004 0,30 0,3745 0,640 0,6 0,980 0,635,30 0,0934,660 0,0485,990 0,033,330 0,0099,670 0,0038 3,00 0,003 3,350 0,0004 0,330 0,3707 0,650 0,578 0,990 0,6,330 0,098,670 0,0475,000 0,08,340 0,0096,680 0,0037 3,00 0,003 3,360 0,0004
38 0,45 0,4 0,35 0,3 Probabilità 0,5 0, Probabilità 0,5 0, 0, , z z = x - µ σ = = - 0,4 P(X<350) P(Z<-0,4) = 0,34
39 0,45 0,4 0,35 0,3 Probabilità 0,5 0, Probabilità 0,5 0, 0, ,8 0, z z = x - µ σ = = - 0,8 z = x - µ σ = = 0,4 P(300<X<450) P(-0,8<Z<0,4) = -[P(z<-0,8)+P(z>0,4)] = = - (0,345+0,) = - 0,557 = 0,443
40 z α z α z α z α z α z α z α z α z α z α 0,000 0,5000 0,30 0,3745 0,660 0,546,000 0,587,340 0,090,680 0,0465,00 0,0,350 0,0094,690 0,0036 3,030 0,00 0,00 0,4960 0,330 0,3707 0,670 0,54,00 0,56,350 0,0885,680 0,0465,00 0,07,360 0,009,700 0,0035 3,040 0,00 0,00 0,490 0,340 0,3669 0,680 0,483,00 0,539,360 0,0869,690 0,0455,030 0,0,370 0,0089,70 0,0034 3,050 0,00 0,030 0,4880 0,350 0,363 0,690 0,45,030 0,55,370 0,0853,700 0,0446,040 0,007,380 0,0087,70 0,0033 3,060 0,00 0,040 0,4840 0,360 0,3594 0,700 0,40,040 0,49,380 0,0838,70 0,0436,050 0,00,390 0,0084,730 0,003 3,070 0,00 0,050 0,480 0,370 0,3557 0,70 0,389,050 0,469,390 0,083,70 0,047,060 0,097,400 0,008,740 0,003 3,080 0,000 0,060 0,476 0,380 0,350 0,70 0,358,060 0,446,400 0,0808,730 0,048,070 0,09,40 0,0080,750 0,0030 3,090 0,000 0,070 0,47 0,390 0,3483 0,730 0,37,070 0,43,40 0,0793,740 0,0409,080 0,088,40 0,0078,760 0,009 3,00 0,000 0,080 0,468 0,400 0,3446 0,740 0,96,080 0,40,40 0,0778,750 0,040,090 0,083,430 0,0075,770 0,008 3,0 0,0009 0,090 0,464 0,40 0,3409 0,750 0,66,090 0,379,430 0,0764,760 0,039,00 0,079,440 0,0073,780 0,007 3,0 0,0009 0,00 0,460 0,40 0,337 0,760 0,36,00 0,357,440 0,0749,770 0,0384,0 0,074,450 0,007,790 0,006 3,30 0,0009 0,0 0,456 0,430 0,3336 0,770 0,06,0 0,335,450 0,0735,780 0,0375,0 0,070,460 0,0069,800 0,006 3,40 0,0008 0,0 0,45 0,440 0,3300 0,780 0,77,0 0,34,460 0,07,790 0,0367,30 0,066,470 0,0068,80 0,005 3,50 0,0008 0,30 0,4483 0,450 0,364 0,790 0,48,30 0,9,470 0,0708,800 0,0359,40 0,06,480 0,0066,80 0,004 3,60 0,0008 0,40 0,4443 0,460 0,38 0,800 0,9,40 0,7,480 0,0694,80 0,035,50 0,058,490 0,0064,830 0,003 3,70 0,0008 0,50 0,4404 0,470 0,39 0,80 0,090,50 0,5,490 0,068,80 0,0344,60 0,054,500 0,006,840 0,003 3,80 0,0007 0,60 0,4364 0,480 0,356 0,80 0,06,60 0,30,500 0,0668,830 0,0336,70 0,050,50 0,0060,850 0,00 3,90 0,0007 0,70 0,435 0,490 0,3 0,830 0,033,70 0,0,50 0,0655,840 0,039,80 0,046,50 0,0059,860 0,00 3,00 0,0007 0,80 0,486 0,500 0,3085 0,840 0,005,80 0,90,50 0,0643,850 0,03,90 0,043,530 0,0057,870 0,00 3,0 0,0007 0,90 0,447 0,50 0,3050 0,850 0,977,90 0,70,530 0,0630,860 0,034,00 0,039,540 0,0055,880 0,000 3,0 0,0006 0,00 0,407 0,50 0,305 0,860 0,949,00 0,5,540 0,068,870 0,0307,0 0,036,550 0,0054,890 0,009 3,30 0,0006 0,0 0,468 0,530 0,98 0,870 0,9,0 0,3,550 0,0606,880 0,030,0 0,03,560 0,005,900 0,009 3,40 0,0006 0,0 0,49 0,540 0,946 0,880 0,894,0 0,,560 0,0594,890 0,094,30 0,09,570 0,005,90 0,008 3,50 0,0006 0,30 0,4090 0,550 0,9 0,890 0,867,30 0,093,570 0,058,900 0,087,40 0,05,580 0,0049,90 0,008 3,60 0,0006 0,40 0,405 0,560 0,877 0,900 0,84,40 0,075,580 0,057,90 0,08,50 0,0,590 0,0048,930 0,007 3,70 0,0005 0,50 0,403 0,570 0,843 0,90 0,84,50 0,056,590 0,0559,90 0,074,60 0,09,600 0,0047,940 0,006 3,80 0,0005 0,60 0,3974 0,580 0,80 0,90 0,788,60 0,038,600 0,0548,930 0,068,70 0,06,60 0,0045,950 0,006 3,90 0,0005 0,70 0,3936 0,590 0,776 0,930 0,76,70 0,00,60 0,0537,940 0,06,80 0,03,60 0,0044,960 0,005 3,300 0,0005 0,80 0,3897 0,600 0,743 0,940 0,736,80 0,003,60 0,056,950 0,056,90 0,00,630 0,0043,970 0,005 3,30 0,0005 0,90 0,3859 0,60 0,709 0,950 0,7,90 0,0985,630 0,056,960 0,050,300 0,007,640 0,004,980 0,004 3,30 0,0005 0,300 0,38 0,60 0,676 0,960 0,685,300 0,0968,640 0,0505,970 0,044,30 0,004,650 0,0040,990 0,004 3,330 0,0004 0,30 0,3783 0,630 0,643 0,970 0,660,30 0,095,650 0,0495,980 0,039,30 0,00,660 0,0039 3,000 0,003 3,340 0,0004 0,30 0,3745 0,640 0,6 0,980 0,635,30 0,0934,660 0,0485,990 0,033,330 0,0099,670 0,0038 3,00 0,003 3,350 0,0004 0,330 0,3707 0,650 0,578 0,990 0,6,330 0,098,670 0,0475,000 0,08,340 0,0096,680 0,0037 3,00 0,003 3,360 0,0004
41 Distribuzione di gauss standard: media=0 e deviazione standard= 0,45 0,4 0,35 0,3 Probabilità 0,5 0, 0,5 0, 0,05?? ,96 µ,96 P(-,96<Z<,96) = - [P(Z<-,96) + P(Z>,96)] =? z
42 z α z α z α z α z α z α z α z α z α z α 0,000 0,5000 0,30 0,3745 0,660 0,546,000 0,587,340 0,090,680 0,0465,00 0,0,350 0,0094,690 0,0036 3,030 0,00 0,00 0,4960 0,330 0,3707 0,670 0,54,00 0,56,350 0,0885,680 0,0465,00 0,07,360 0,009,700 0,0035 3,040 0,00 0,00 0,490 0,340 0,3669 0,680 0,483,00 0,539,360 0,0869,690 0,0455,030 0,0,370 0,0089,70 0,0034 3,050 0,00 0,030 0,4880 0,350 0,363 0,690 0,45,030 0,55,370 0,0853,700 0,0446,040 0,007,380 0,0087,70 0,0033 3,060 0,00 0,040 0,4840 0,360 0,3594 0,700 0,40,040 0,49,380 0,0838,70 0,0436,050 0,00,390 0,0084,730 0,003 3,070 0,00 0,050 0,480 0,370 0,3557 0,70 0,389,050 0,469,390 0,083,70 0,047,060 0,097,400 0,008,740 0,003 3,080 0,000 0,060 0,476 0,380 0,350 0,70 0,358,060 0,446,400 0,0808,730 0,048,070 0,09,40 0,0080,750 0,0030 3,090 0,000 0,070 0,47 0,390 0,3483 0,730 0,37,070 0,43,40 0,0793,740 0,0409,080 0,088,40 0,0078,760 0,009 3,00 0,000 0,080 0,468 0,400 0,3446 0,740 0,96,080 0,40,40 0,0778,750 0,040,090 0,083,430 0,0075,770 0,008 3,0 0,0009 0,090 0,464 0,40 0,3409 0,750 0,66,090 0,379,430 0,0764,760 0,039,00 0,079,440 0,0073,780 0,007 3,0 0,0009 0,00 0,460 0,40 0,337 0,760 0,36,00 0,357,440 0,0749,770 0,0384,0 0,074,450 0,007,790 0,006 3,30 0,0009 0,0 0,456 0,430 0,3336 0,770 0,06,0 0,335,450 0,0735,780 0,0375,0 0,070,460 0,0069,800 0,006 3,40 0,0008 0,0 0,45 0,440 0,3300 0,780 0,77,0 0,34,460 0,07,790 0,0367,30 0,066,470 0,0068,80 0,005 3,50 0,0008 0,30 0,4483 0,450 0,364 0,790 0,48,30 0,9,470 0,0708,800 0,0359,40 0,06,480 0,0066,80 0,004 3,60 0,0008 0,40 0,4443 0,460 0,38 0,800 0,9,40 0,7,480 0,0694,80 0,035,50 0,058,490 0,0064,830 0,003 3,70 0,0008 0,50 0,4404 0,470 0,39 0,80 0,090,50 0,5,490 0,068,80 0,0344,60 0,054,500 0,006,840 0,003 3,80 0,0007 0,60 0,4364 0,480 0,356 0,80 0,06,60 0,30,500 0,0668,830 0,0336,70 0,050,50 0,0060,850 0,00 3,90 0,0007 0,70 0,435 0,490 0,3 0,830 0,033,70 0,0,50 0,0655,840 0,039,80 0,046,50 0,0059,860 0,00 3,00 0,0007 0,80 0,486 0,500 0,3085 0,840 0,005,80 0,90,50 0,0643,850 0,03,90 0,043,530 0,0057,870 0,00 3,0 0,0007 0,90 0,447 0,50 0,3050 0,850 0,977,90 0,70,530 0,0630,860 0,034,00 0,039,540 0,0055,880 0,000 3,0 0,0006 0,00 0,407 0,50 0,305 0,860 0,949,00 0,5,540 0,068,870 0,0307,0 0,036,550 0,0054,890 0,009 3,30 0,0006 0,0 0,468 0,530 0,98 0,870 0,9,0 0,3,550 0,0606,880 0,030,0 0,03,560 0,005,900 0,009 3,40 0,0006 0,0 0,49 0,540 0,946 0,880 0,894,0 0,,560 0,0594,890 0,094,30 0,09,570 0,005,90 0,008 3,50 0,0006 0,30 0,4090 0,550 0,9 0,890 0,867,30 0,093,570 0,058,900 0,087,40 0,05,580 0,0049,90 0,008 3,60 0,0006 0,40 0,405 0,560 0,877 0,900 0,84,40 0,075,580 0,057,90 0,08,50 0,0,590 0,0048,930 0,007 3,70 0,0005 0,50 0,403 0,570 0,843 0,90 0,84,50 0,056,590 0,0559,90 0,074,60 0,09,600 0,0047,940 0,006 3,80 0,0005 0,60 0,3974 0,580 0,80 0,90 0,788,60 0,038,600 0,0548,930 0,068,70 0,06,60 0,0045,950 0,006 3,90 0,0005 0,70 0,3936 0,590 0,776 0,930 0,76,70 0,00,60 0,0537,940 0,06,80 0,03,60 0,0044,960 0,005 3,300 0,0005 0,80 0,3897 0,600 0,743 0,940 0,736,80 0,003,60 0,056,950 0,056,90 0,00,630 0,0043,970 0,005 3,30 0,0005 0,90 0,3859 0,60 0,709 0,950 0,7,90 0,0985,630 0,056,960 0,050,300 0,007,640 0,004,980 0,004 3,30 0,0005 0,300 0,38 0,60 0,676 0,960 0,685,300 0,0968,640 0,0505,970 0,044,30 0,004,650 0,0040,990 0,004 3,330 0,0004 0,30 0,3783 0,630 0,643 0,970 0,660,30 0,095,650 0,0495,980 0,039,30 0,00,660 0,0039 3,000 0,003 3,340 0,0004 0,30 0,3745 0,640 0,6 0,980 0,635,30 0,0934,660 0,0485,990 0,033,330 0,0099,670 0,0038 3,00 0,003 3,350 0,0004 0,330 0,3707 0,650 0,578 0,990 0,6,330 0,098,670 0,0475,000 0,08,340 0,0096,680 0,0037 3,00 0,003 3,360 0,0004
43 Distribuzione di gauss standard: media=0 e deviazione standard= 0,45 0,4 0,35 0,05 + 0,05 = α 0,3 Probabilità 0,5 0, 0,5 - α 0, 0,05 0, ,96 µ P(-,96<Z<,96) = - [P(Z<-,96) + P(Z>,96)] = [0,05+0,0,05]=-0,05=0,95,96 0,05 z
44 STIME E LORO AFFIDABILITA L idea chiave su cui si basa l analisi statistica è che si possono eseguire osservazioni su un campione di soggetti e che da questo si possono compiere inferenze sulla popolazione rappresentata da tutti i soggetti con caratteristiche analoghe a quelle del campione Anche se ben pianificato uno studio può dare solo una idea della risposta cercata, a causa essenzialmente della variabilità casuale del campione stesso strettamente collegata, tra l altro, al numero di soggetti inclusi in uno studio Le quantità statistiche ottenute (medie, proporzioni, odds, coefficienti di regressione, etc.) sono stime imprecise dei veri valori nella popolazione generale
45 STIMA Una misura descrittiva calcolata dai dati di una popolazione è detta parametro. Una misura descrittiva calcolata dai dati di un campione è detta stima del parametro. L insieme dei metodi che ci consentono di estendere i risultati ottenuti dal campione a tutta la popolazione oggetto dello studio costituiscono la inferenza statistica. Stima dei parametri Verifica delle ipotesi
46 La stima è il calcolo, dai dati di un campione, di una qualche statistica, ed è una approssimazione del corrispondente parametro della popolazione da cui il campione è stato estratto. Stima puntuale: si calcola un singolo valore numerico per stimare il corrispondente parametro. Es. una media, una proporzione, una deviazione standard. Stima di intervallo: si calcola un intervallo di valori che, con un certo grado di probabilità, conterrà il parametro da stimare. Popolazione (parametro) Campione (stima) Media µ x ( µˆ ) Varianza σ S ( σˆ )
47 INTERVALLI DI CONFIDENZA Le stime di intervallo forniscono informazioni sia sul valore numerico del parametro incognito che sul grado di attendibilità della stima. La procedura di calcolo degli intervalli, detti di confidenza, si basa sulla determinazione di due limiti entro i quali, con una probabilità -α, è contenuto il parametro, a partire dalle informazioni campionarie. -α = P(L θ L ) con 0 α L e L dipendenti dalla dimensione del campione -α grado di attendibilità della stima ed è detto livello di confidenza
48 STIME DI INTERVALLO Formula generica per la daterminazione di un intervallo di confidenza : Stima ± (fattore di correzione * errore della stima) Media Percentuale Valore che serve a determinare i due limiti (inferiore e superiore) tenendo in considerazione il grado di attendibilità della stima
49 L intervallo di confidenza per la media di una variabile con distribuzione di Gauss con media incognita e varianza nota x z σ µ x + n z σ n per -α=0,95 (cioè α = 0,05) z è pari a,96. per -α=0,99 (cioè α = 0,0) z è pari a,58. L intervallo di confidenza per la media di una variabile con distribuzione di Gauss con media e varianza incognita x t S µ x + n t S n t si ottiene dalla distribuzione t-student con n- gradi di libertà
50 Interpretazione probabilistica degli intervalli di confidenza: estraendo tutti i possibili campioni da una popolazione distribuita normalmente la media µ della popolazione cadrà (-α)% volte nell intervallo calcolato. Interpretazione pratica degli intervalli di confidenza: se effettuiamo il campionamento da una popolazione con distribuzione normale abbiamo una probabilità del (-α)% che l intervallo calcolato contenga la media µ della popolazione.
51 Lo scopo principale degli intervalli di confidenza è quello di indicare la Imprecisione delle stime campionarie come rappresentazione dei valori della popolazione L imprecisione della stima campionaria è indicata dall ampiezza degli intervalli: Più ampi sono gli intervalli Minore è la precisione L ampiezza dipende essenzialmente da tre fattori: dal numero di soggetti studiati (campioni poco numerosi, conclusioni inattendibili) dalla variabilità dei soggetti in studio (minore variabilità, stima più precisa) dal livello di confidenza (maggiore è il livello di confidenza, tanto più ampi sono gli intervalli)
52 48 () (,4) () (5,0) Supponiamo di analizzare il diametro di un tumore. La media è x =48 mm e la deviazione standard è σ= mm. L intervallo di confidenza per la media, con livello di confidenza al 95%: () P(4,30 µ 53,70)=95%. Se con gli stessi dati costruisco l intervallo di confidenza con livello di confidenza al 99% avrò: () P(40,49 µ 55,5)=99%. All aumentare del livello di confidenza aumenta proporzionalmente l ampiezza dell intervallo.
53 ( ) ( ) = = n n z x x n n z x x P σ σ µ µ σ σ α α α L intervallo di confidenza per la differenza di due medie Dai due campioni si determinano le medie della variabile in studio e avremo: µ -µ =differenza delle medie delle popolazioni =stima della differenza delle medie delle popolazioni σ /n +σ /n =varianza della differenza delle medie campionarie. L intervallo sarà: x x
54 Abbiamo usato z perché eravamo a conoscenza della varianza della popolazione. Nel caso non si conosca la varianza della popolazione si deve stimare dai campioni la varianza comune (pooled): ) ( ) ( + + = n n n S n S S p Gradi di libertà L intervallo di confidenza diventa: ( ) ( ) = =..,.., n S n S t x x n S n S t x x P p p l g p p l g α α µ µ α
55 INTERVALLI DI CONFIDENZA PER UNA PROPORZIONE In medicina spesso è importante quantificare un fenomeno per mezzo delle percentuali. Es.: percentuale di soggetti affetti da una certa malattia, percentuale di soggetti sottoposti ad un trattamento Il parametro da stimare diventa p la proporzione nella popolazione e per costruire lintervallo di confidenza procederemo nel seguente modo: ( ) α = P L p L
56 + = n p p z p p n p p z p P ˆ) ˆ( ˆ ˆ) ˆ( ˆ α α α L intervallo diventa: Analogamente a quanto fatto per gli intervalli di confidenza per le medie, è possibile costruire l intervallo di confidenza per la differenza tra due proporzioni. La stima di tale intervallo viene dalla seguente formula: ( ) ( ) = = ) ˆ ( ˆ ) ˆ ( ˆ ˆ ˆ ) ˆ ( ˆ ) ˆ ( ˆ ˆ ˆ n p p n p p z p p p p p p n p p n p p z p p P α α α
DISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliIl calcolo delle probabilità ha avuto la sua origine nell ambito dei giochi di azzardo
Il calcolo delle probabilità ha avuto la sua origine nell ambito dei giochi di azzardo Cosa intendiamo per probabilità? La probabilità ha a che fare con il fatto che l accadere o no di un certo evento
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. La distribuzione Normale (o di Gauss)
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in medicina e chirurgia - Corso di Statistica
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliDISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di Gauss) CdL Area Tecnica -
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI UTILI - DISTRIBUZIONI
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliVariabili aleatorie gaussiane
Variabili aleatorie gaussiane La distribuzione normale (riconoscibile dalla curva a forma di campana) è la più usata tra tutte le distribuzioni, perché molte distribuzioni che ricorrono naturalmente sono
DettagliStatistica descrittiva
Statistica descrittiva L obiettivo è quello di descrivere efficacemente i dati prima delle elaborazioni vere e proprie: - mediante rappresentazioni grafiche e tabelle - sintetizzandoli con indici opportuni
DettagliANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
IDROLOGIA Analisi esplorativa di serie di dati ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI P Claps IDROLOGIA Analisi esplorativa di serie di dati Rappresentazione tabellare della serie storica Sequenza
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliPolitecnico di Milano Facoltà di Ingegneria Industriale. I Prova in Itinere di Statistica Matematica A per Ingegneria ENG 03 Maggio 2004
Politecnico di Milano Facoltà di Ingegneria Industriale I Prova in Itinere di Statistica Matematica A per Ingegneria ENG 03 Maggio 004 c I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2016-2017 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
DettagliDistribuzione esponenziale. f(x) = 0 x < 0
Distribuzione esponenziale Funzione densità f(x) = λe λx x 0 0 x < 0 Funzione parametrica (λ) 72 Funzione di densità della distribuzione esponenziale 1 0.9 0.8 0.7 λ=1 0.6 f(x) 0.5 0.4 0.3 λ=1/2 0.2 0.1
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliINTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte 2 Concetti di base
INTRODUZIONE AL DOE come strumento di sviluppo prodotto Francesca Campana Parte Concetti di base Pagina CONCETTI STATISTICI DI PARTENZA statistica descrittiva - DESCRITTORI DI UNA VARIABILE RANDOM - GRAFICI
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Ines Campa Probabilità e Statistica - Esercitazioni
DettagliCapitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari"
Levine, Krehbiel, Berenson Statistica Capitolo 5 Variabili aleatorie discrete notevoli Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e Tecnologie Alimentari" Unità Integrata Organizzativa
Dettagli1/55. Statistica descrittiva
1/55 Statistica descrittiva Organizzare e rappresentare i dati I dati vanno raccolti, analizzati ed elaborati con le tecniche appropriate (organizzazione dei dati). I dati vanno poi interpretati e valutati
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Teorema. Sia data una popolazione numerica infinita di media µ e deviazione standard σ da cui vengono estratti dei campioni casuali formati ciascuno da n individui, con n abbastanza
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliDISTRIBUZIONE NORMALE. Distribuzione teorica di probabilità, detta anche Gaussiana. Variabili continue
LEZIONE 12-2017 DISTRIBUZIONE NORMALE Distribuzione teorica di probabilità, detta anche Gaussiana Variabili continue Molte distribuzioni empiriche di fenomeno fisici e biologici, ma anche sociopsicologiche,
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Intervalli di confidenza Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliParametri e statistiche. Parametri e statistiche. Distribuzioni campionarie. Popolazione Parametri Valori fissi, Statistiche o Stimatori.
Parametri e statistiche Popolazione Parametri Valori fissi, spesso non noti Campione Statistiche o Stimatori Variabili casuali, le cui determinazioni dipendono dalle particolari osservazioni scelte Parametri
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliLA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
DettagliLa variabilità. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione [1/2] Gli indici di variabilità consentono di riassumere le principali caratteristiche di una distribuzione (assieme alle medie) Le
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliLa distribuzione normale
La distribuzione La distribuzione normale La curva normale (o curva di gauss) è una distribuzione teorica di probabilità che si applica a variabili continue Molti fenomeni di cui si occupano le scienze
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
DettagliIntervallo di confidenza
Intervallo di confidenza Prof. Giuseppe Verlato, Prof. Roberto de Marco Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
Dettagli