LEZIONI DI STATISTCA APPLICATA. Parte 3. Statistica inferenziale. Variabili categoriali per categoriali. Alessandro Valbonesi
|
|
- Gemma Lupo
- 8 anni fa
- Visualizzazioni
Transcript
1 LEZIONI DI STATISTCA APPLICATA Parte 3 Statistica inferenziale Variabili categoriali per categoriali Alessandro Valbonesi SARRF di Scienze ambientali Anno accademico
2 CAPITOLO - RELAZIONI TRA VARIABILI CATEGORIALI Questa tipologia di analisi prevede che ci siano una o più variabili di raggruppamento dette fattori. Il caso più semplice è quello che prevede un unico fattore con due classi di raggruppamento, dove è possibile associare ad ogni osservazione una probabilità che corrisponde alla probabilità della corrispondente distribuzione binomiale.1. La distribuzione binomiale La probabilità associata ad ogni possibile combinazione si calcola con la formula: K p Y q k-y Y oppure C (k,y) p Y q k-y dove C (k,y),ovvero il coefficiente binomiale, è uguale a k!/[y! (k-y)!] che sarebbero le combinazioni di k elementi presi Y alla volta (ovvero il numero di volte che si ottiene una particolare combinazione) e p Y e q k-y, rispettivamente il potere di p e di q. Es.: la probabilità che, data una certa frequenza di malati in una popolazione (p=0,4), un campione di k (5) persone contenga Y (2) individui malati è: C = 5! /2!*(5-2)! = 5*4/2=10 da cui 10*(0,4) 2 *(0,6) 3 = 10*0,16*0,216 = 0,3456 ovvero 34,5%.2. Rapporto di Verosimiglianza e G-Test Il rapporto di verosomiglianza (likelihood ratio), indicato con L, è il rapporto tra la probabilità, stimata con la distribuzione binomiale, di ottenere una certa osservazione in base alle frequenze osservate e quelle attese secondo una determinata ipotesi. Esempio.Se ipotizziamo che il colore nero del vello delle pecore sia dominate rispetto a quello Marrone e se dall incrocio di animali neri nascono anche animali marroni, dobbiamo assumere che Entrambi i genitori neri abbiano un genotipo eterozigote, per cui dal loro accoppiamento dovrebbero nascere figli neri e marroni nel rapporto mendeliano di 3:1 (ipotesi da testare: segregazione 3 a 1). La frequenza attesa in base alla nostra ipotesi è quindi: p = 0,75 (neri) e q = 0,25 (marroni). Se i dati relativi a questo tipo di incrocio sono quelli riportati in tabella, ci si pone il problema di verificare se la differenza tra la frequenza attesa e quella osservata sia compatibile con la nostra ipotesi di segregazione. Distribuzione binomiale Frequenza Segregazione osservata osservata probabilità probabilità Neri Marroni Totale p q freq oss ipotesi L ,60 0,40 0,21 0,09 2,25 Dato che il rapporto di verosomiglianza, L, è 1 (1 = perfetta concordanza tra le frequenze ipotizzate e quelle attese) dobbiamo appurare se il valore di L ottenuto è ancora compatibile con la nostra ipotesi di partenza. Non abbiamo nessun riferimento statistico per testare questo rapporto ma se utilizziamo il suo valore logaritmico moltiplicato per 2 è possibile confrontare questo nuovo valore con quelli riportati per la distribuzione del Chi quadro 1. 1 La distribuzione dei valori di G segue quella del chi quadro se nelle classi la frequenza attesa è >5.
3 Il test basato sul logaritmo del rapporto delle verosomiglianze è detto Test G 2. Nel nostro esempio: G = 2Ln(L) = 2*0,81 = 1,62 e la relativa distribuzione del chi quadro, con a-1 ( a = numero di classi) gradi di libertà 3, darebbe una probabilità di P = 0,20. In questo caso si può concludere, vista la probabilità del 9% (in base alla distribuzione binomiale) di ottenere questa segregazione ed il valore di G (con P di chi quadro > 0,05), che la segregazione osservata è in accordo con l'ipotesi. Attenzione, questo non vuol dire che la nostra ipotesi è vera, ma che i dati osservati sono compatibili con l ipotesi fatta. Un sistema più veloce per calcolare ln(l) (e quindi anche L) e fare il G-test è il seguente Neri Marroni Neri Marroni Somma Seg. Attesa* oss/att Seg. Attesa* oss/att Oss*ln(oss/att) ln(l) G=2*ln(L) 11,25 0,8 3,75 1,6-2,008 2,820 0,812 1,623 L=e 0,812 = 2.25 e=2, * La segregazione attesa in base all ipotesi, ovvero Neri = 15*0,75; Marroni 15*0,25 Questa formula ci svincola dal calcolo della probabilità binomiale e quindi ci permette di applicare il G-test anche a segregazioni con più di due classi. 2 Una formula equivalente per calcolare G, che si basa sulle proprietà dei logaritmi, è: G =-2*[Ln(pa)-Ln(po)], ovvero fare prima il logaritmo delle due verosomiglianze, farne le sottrazione e moltiplicare per Distribuzione del chi quadro 3 The chi- square distribution is a probability density function whose values range from zero to positive infinity. Thus, unlike the normal distribution or t, the function approaches the χ 2 -axis asymptotically only at the right hand tail of the curve, not at both tails. As in the case of other distributions, there is not merely one χ 2 distribution, but one distribution for each number of degrees of freedom; therefore χ 2 is a function of v, the number of the degrees of freedom. The figure shows probability density functions for the χ 2 distributions foe 1, 2, 3, and 6 degrees of freedom. Notice that the curves are strongly skewed to the right, -shaped at first, but more or less approaching symmetry for higher degrees of freedom
4 Poiché nel G-test la probabilità di compiere un errore di tipo I (rigettare un ipotesi vera) tende ad essere più elevata del desiderato, per ottenere una maggiore approssimazione ad una distribuzione di chi 2, Williams ha suggerito di correggere il valore di G (G adj) con la seguente formula: dividere G per q* = 1+ [(a 2-1) / (6nv)], dove a è il numero di classi, n è il totale dei segreganti e v i gradi di libertà. Il valore così ottenuto è più conservativo. Nel nostro caso, dove a =2, n=15 e v=1, abbiamo: q* = 1,0333 da cui: G adj = 1,571 che avrebbe una probabilità di P = 0,21. In genere il G-test viene preferito ad altri test perché i suoi valori si approssimano maggiormente ad una distribuzione di chi Il test del chi 2 Un altro test usato per valutare questo tipo di dati è quello del chi 2, o statistica di Pearson (da non confondersi con la distribuzione del chi 2 che è una distribuzione continua). la formula è : (f i oss - f i att.) 2 / f i att (Essendo le deviazioni calcolate elevando a quadrato i valori sono sempre positivi, e quindi è un test sempre ad una coda). Vediamo ora un esempio basato sui dati di segregazione precedentemente illustrati. Segregazione osservata Frequenza di Neri (ipotizzata), p = 0,75 Frequenza di marroni (ipot.), q = 0,25 Segregazione attesa Total Neri marroni offspring Neri marroni ,25 3,75
5 Chi 2 = (9-11,25) 2 /11,25 + (6-3,75) 2 /3,75 = 1,80 P= 0,180 Anche in questo caso, dato che la distribuzione di chi quadro è una distribuzione continua mentre i dati osservati sono dati discreti, occorre inserire una correzione detta di Yates, che si ottiene aggiungendo e togliendo 0,5 ai dati osservati in modo da avvicinarli a quelli previsti (Neri 9,5; marroni 5,5), quando le classi di frequenza sono due e la numerosità totale è compresa tra 200>n>25 4. La correzione di Yates può essere inserita direttamente nella formula senza dover cambiare i dati osservati: (Ass[f i oss - f i att.] - 0,5) 2 / f i att. Occorre comunque notare che i test sulle segregazioni non affermano nulla sulla veridicità della ipotesi ma solo che i dati osservati sono in accordo o in disaccordo con la nostra ipotesi. In questo esempio i nostri dati potrebbero concordare con ipotesi alternativa, 1 : 1, ovvero con : Frequenza di N (ipotizzata), p = 0,5 Frequenza di m (ipot.), q = 0,5 Segr. Segregazione osservata Attesa Fenotipo N Fenotipo m Total offspring Fenotipo N Fenotipo m ,500 7,500 correzione di Yates Chi^2 P 2 Chi (adj) P 0,6000 0, ,2667 0, Il punto cruciale è che spesso le osservazioni sono poche, (n = 15, mentre dovrebbe essere almeno 33 per poter distinguere tra queste due ipotesi alternative). E' quindi importante che le frequenze siano stabilite in base ad un numero significativo di osservazioni che può essere così calcolato. Se vogliamo essere sicuri all'80% di distinguere una segregazione,p 1 =0,75 e q 1 =0,25, con un livello di significatività =0,05, da un'altra segregazione, p 2 =0,5 e q 2 = 0,5, allora: n= A[1+radq(1+4*(p 1 -p 2 )/A)] 2 / [4(p 1 -p 2 ) 2 ] essendo A=[t(0,05)* radq(p 1 *(1 - p 1 ) + t(0.40)*radq(p 2 *(1-p 2 )] 2 dove t [0,05] inf= 1,96 2 = 2(1-0,80) = 0,40 da cui t[0,40]inf = 0,842 In questo caso A = 1, da cui n = 33, Se avessimo eseguito il nostro test su 33 osservazioni avremmo avuto che la prima ipotesi 1:3 Non sarebbe stata compatibile con i dati osservati, mentre lo sarebbe stata la seconda ipotesi 1:1.4. Tabelle di contingenza e test di indipendenza Le variabili categoriali vengono spesso analizzate per stabilire se esiste una particolare influenza delle
6 classi di una variabile sulla classi dell altra, ovvero se le variabili sono indipendenti oppure no. In questo caso i dati vengono organizzati in particolari tabelle dette di contingenza (cross table). Il caso più semplice è quello rappresentato da tabelle 2 x 2. tot righe Osservate (tr) Attese a b a+b tr*tc/n c d c+d tot col (tc) a+c b+d grantot (n) (a+b+c+d) Vediamo un esempio relativo a due tipi di vello (uniform e spotted) in alpaca maschi e femmine. MASCHI FEMMINE tot MASCHI FEMMINE UNIFORM , , SPOTTED , , Attese; è una semplice proporzione, in quanto se gli Uniform sono 57/111, uniform sono 57/111, ovvero 0,513, questo rapporto si deve ritrovare anche tra i due sessi, per cui 38*0,513 = 19,513 è il valore atteso per i maschi Uniformi, se il carattere tipo di vello è indipendente dal sesso. E quindi possibile eseguire un test del chi quadro per valutare se le due variabili sino indipendenti tra loro. CHI 2 test of independency CHI 2 P Con la correzione di Yates 6, ,00914 CHI 2 P 5,792 0,161 (ad -bc) 2 n / C'è una formula diretta: (a+b)(c+d)(a+c)(b+d) Yates's correction: (ASS(ad -bc) -n/2) 2 n / (a+b)(c+d)(a+c)(b+d) Un altro test e quello conosciuto come G-test per l indipendenza, che altro non sarebbe che il logaritmo del rapporto delle verosomiglianze. Questo test si basa sulla distribuzione multinomiale, che è una distribuzione discreta di probabilità, ed è una generalizzazione della distribuzione binomiale che contempla la possibilità che una variabile sia distribuita in più di due classi. La possibilità di osservare le frequenze di a, b, c e d, assumendo una distribuzione multinomiale, si calcola come segue: Analogamente si calcola la probabilità di osservare le frequenze attese, le quali si ottengono come illustrato precedentemente. Per esempio, la frequenza di a attesa sarebbe, (a+b)*(a+c)/n.
7 Il G test si esegue pertanto facendo il logaritmo rapporto tra queste due probabilità (verosomiglianze). 5 In altri termini il G test si esegue facendo: 1) la sommatoria del prodotti della frequenza di ciascuna cella per il relativo logaritmo; 2) aggiungendo il prodotto tra numero totale di tutte le osservazioni ed il relativo logaritmo; 3) sottraendo il prodotto del totale di ciascuna riga e di ciascuna colonna per i rispettivi logaritmi; 4) moltiplicando il valore ottenuto per 2 ed andando confrontare il risultato con la distribuzione del chi quadro per (nr- 1)*(nc-1) gradi di libertà, che in una tabella 2x2 sono uguali ad 1. Considerando il nostri esempio otteniamo: G-test of independency MASCHI FEMMINE tot UNIFORM SPOTTED step a) for the cell frequencies f ln(f) 377,9722 step b) for the row and column totals f ln(f) 897,2909 step c) for the grand total n ln(n) 522,7579 P 2(step a - step b + stepc) 6, ,00872 G = df= 1 William's correction, q = 1, G adj =G/q 6, ,00925 In entrambi i test è necessario che le frequenze di ogni classe non siano inferiori a 5. Se questa condizione non è soddisfatta bisogna ricorre ad un altro test: il test esatto di Fisher Il test esatto di Fisher è un test per la verifica d'ipotesi utilizzato nell'ambito della statistica non parametrica in situazioni con due variabili nominali e campioni piccoli. Porta il nome del suo ideatore Ronald Fisher. Questo test non parametrico è usato per verificare se i dati dicotomici di due campioni riassunti in una tabella di contingenza 2x2 siano compatibili con l ipotesi nulla (H 0 ) che le popolazioni di origine dei due campioni abbiano la stessa suddivisione dicotomica e che le differenze osservate con i dati campionari siano dovute semplicemente al caso. Se i campioni sono sufficientemente grandi (e nessuna cella ha un valore inferiore a 5) allora si può usare il test del chi quadrato con 1 grado di libertà. Mentre quest'ultimo test è esatto solo asintoticamente per dimensioni molto grandi dei campioni, il presente test proposto da Fisher è, come dice il nome, sempre esatto. Il test esatto di Fisher richiede di avere due variabili nominali divise ciascuna in due sole categorie. P.es. la prima variabile potrebbe essere il "sesso" con le due categorie "donna" e "uomo" e la seconda variabile potrebbe essere "segue un dieta" con le due categorie "si" e "no". Si ipotizza in questo caso che la percentuale di uomini che segue una dieta sia uguale alla percentuale tra le donne. I dati potrebbero essere i seguenti:
8 uomini donne totale in dieta non in dieta totale Questi dati non sono idonei ad essere analizzati con il test del chi quadrato in quanto il valore atteso è in alcune celle al limite (5 secondo gli uni, 10 secondo altri). Per descrivere il test di Fisher è utile introdurre la seguente notazione, nella quale le lettere a, b, c e d indicano i valori nelle celle e n è la somma totale. La tabella di contingenza verrebbe descritta così: uomini donne totale in dieta a b a+b non in dieta c d c+d totale a+c b+d n Ronald Fisher dimostrò che la probabilità di ottenere tali valori (vincolati alle somme di riga e colonna realmente osservati) segue la variabile casuale ipergeometrica 6 ed è pari a: Questa formula dà le probabilità esatte di osservare i valori a, b, c, d (dati a+b, a+c, c+d, b+d) qualora fosse vera l'ipotesi nulla sopra enunciata. Per verificare se i valori osservati sono eccessivamente diversi da quanto previsto dall'ipotesi nulla, si sommano le probabilità di quanto osservato e di tutti i casi ancora più estremi. Nel nostro esempio l'unico caso ancora più estremo è dato da: uomini donne totale in dieta non in dieta totale Per la prima tabella la probabilità è mentre per la seconda sommando si ottiene: p = p 0 + p 1 = 0,00138 = 0,14% il chè vuol dire che se l'ipotesi nulla è vera, allora solo in 14 esperimenti su si otterrebbero valori così discordanti tra uomini e donne. Essendo il calcolo spesso molto laborioso, si ricorre solitamente a tavole con i valori già precalcolati oppure al calcolatore, per esempio usando software applicativi per la statistica. Un software utile è Calcolatore Test Esatto di Fisher.htm 6 La variabile casuale ipergeometrica è una variabile casuale discreta* che viene usata in particolar modo nell'ambito delle estrazioni in blocco (senza riposizione). Rappresenta la probabilità che, data un'urna con N oggetti di cui r di un certo tipo, estraendone n senza rimpiazzo esattamente k siano di quel tipo. In teoria delle probabilità una variabile casuale (o variabile aleatoria o variabile stocastica o random variable) può essere pensata come il risultato numerico di un esperimento quando questo non è prevedibile con certezza (ossia non è deterministico). Ad esempio, il risultato del lancio di un dado a sei facce può essere matematicamente modellato come una variabile casuale che può assumere uno dei sei possibili valori 1,2,3,4,5,6.
9 .5. Analisi delle proporzioni E un metodo alternativo alle tabelle di contingenza dove invece che i valori osservati si considerano le frequenze delle varie classi. Questo approccio è utilizzabile solo nel caso ci siano due variabili categoriali, ciascuna con due sole classi di frequenza, e consente di valutare qual è la relazione esistente tra le due variabili. Vediamo subito un esempio concreto, utilizzando per aver un raffronto con i test precedenti, gli stessi dati Dead Alive tot Bact+antis p1 q1 1 q1/p1 sul totale (1) è la probabilità di sopravvivere con Bact + antis Bact p2 q2 1 q2/p2 sul totale (1) è la probabilità di sopravvivere con Bact Il rapporto fra queste due probabilità è detto Odd ratios Dead Alive tot Bact+antis Bact Dead Alive tot Bact+antis 0, , , q1/p1 è la probabilità di sopravvivere con Bact + antis Bact 0, , ,16 q2/p2 è la probabilità di sopravvivere con Bact 0, , ,91777 ; la probabilità di sopravvivere è circa tre volte maggiore con il trattamento Bact + antis per vedere se questa probabilità è significamente >1 (ipotesi nulla: nessuna differenza tra i due trattamenti) si può fare il G-test sui dati originali. Il logaritmo di questa probabilità log-odds ratio, Ln(2,9177) = 1,071 è spesso usato per esprimere la differenza tra i due rapporti (ln q1/p1 -ln q2/p2 = 1, ). Il suo errore standard è (1/a +1/b +1/c +1/d) 0,5 = 0,417 Il suo intervallo di confidenza al 95% è: 1,0708 ± 1,96*es, da cui il limite inferiore è 0,253 e quello superiore 1,889. Riportato in valori di odd ratios, ovvero e limiti confidenza 7, abbiamo che la vera probabilità di sopravvivere è; 1,288 2,918 6,619. Il secondo trattamento potrebbe avere pertanto una efficacia maggiore di 6 volte quella del primo in termini di sopravvivenza degli animali trattati. Possiamo anche utilizzare questo valore per decidere se somministrare un trattamento se la sopravvivenza è maggiore di tot volte, es. 8: (Ln Ln 8) 2 / se 2 = 5,842; questo valore si distribuisce come il chi quadro per 1 grado di libertà ed essendo quindi la sua probabilità a 0,0156 possiamo dire che in questo caso la sopravvivenza osservata è significativamente inferiore a quella desiderata (8 volte). Anche in questo tipo di analisi è importante che le frequenze siano stabilite su un numero congruo di osservazioni, che può essere così calcolato. Se vogliamo essere sicuri all'80% di determinare la reale differenza tra q1 e q2 (con q1>q2) o p1 e p2, con un livello di significatività =0,05 t [0,05] inf = 1,960 2 = 2(1-0,80) = 0,40 da cui t [0,40]inf = 0,842 n = [A(1+radq(1+4*(q1-q2)/A^2] / 4(q1 -q2)^2 A=[t (0,05) * radq(2*qm(1 -qm) + t (0.40) *radq(q1*(1-q1) + q2*(1-q2)]^2 A= 3, n= 71,42494 Con: q1 = 0,7719; q2 =0,537; q medio (qm) = 0,654
10 .6. Tabelle di contingenza m x n Tabelle più complesse sono quelle che prevedono due o più variabili categoriali ciascuna con due o più classi, tabelle m x n. Qui ci limiteremo ad caso abbastanza semplice, ovvero ad una tabella dove ci siano ancora due sole variabili la prima però con 4 classi, tabella 4 x 2. Passiamo subito ad un esempio pratico in cui si voglia vedere se il colore degli occhi di un certo coleottero (Cicindela fulgida) sia influenzato dalla stagione. Season = 4 eyes color = 2 Early spring A Late spring B Early summer C Late summer D total bright red no bright red total L eventuale influenza della stagione sul colore degli occhi viene testata utilizzando il G-test: step a) for the cell frequencies f ln(f) = 3314, step b) for the row and column totals f ln(f) = 7667, step c) for the grand total n ln(n) = 4367, df= (righe-1)*(colonne-1) = 3 G = 2(a-b+c) 28,59642 P= 2,72221E-06 Dal risultato del test si evince che il colore degli occhi è influenzato dalla stagionalità. Passiamo Ora a scomporre la tabella per meglio individuare quali periodi esercitino un influenza sul colore degli Occhi. Nel fare questo occorre tenere presente che: 1) le possibili scomposizione devono essere uguali ai gradi di libertà, nel nostro caso 3. 2) il procedimento di ripartizione dovrà essere conseguito in modo gerarchico, ovvero, stabilita una determinata dicotomia, le ripartizioni successive dovranno essere eseguite all'interno delle precedenti Nel nostro caso potremmo inizialmente fare A+B (primavera) versus C+D (estate) successivamente A versus B C versus D In questo caso abbiamo fatto le tre scomposizioni consentite e la somma dei tre valori di G ottenuti deve essere uguale al G della tabella iniziale Season eyes color spring A+B summer C+D total bright red , no bright red , total , G = 14, P= 0, In primavera si osserva un numero di individui con occhi rossi brillanti che è significativamente maggiore di quello atteso (circa 281) se non ci fosse stata nessuna influenza stagionale, mentre in estate c è un numero maggiore di individui con occhi dell altro tipo, rispetto a quello atteso.
11 Le ulteriori scomposizioni gerarchiche ci dicono che: Season eyes color E. spring A L. spring B total bright red ,598 no bright red ,281 total ,178 G = 2, P= 0, Non c è un influenza significativa tra il colore degli occhi all interno dei due periodi (inizio fine) primaverili. Season eyes color E. summer C L.summer D total bright red , no bright red , total , G = 11, P= 0, Diversamente, l eccesso di individui con occhi rossi non brillanti osservato in estate è riscontrabile osservabile solo nel periodo iniziale. Abbiamo optato per il G-test perché i valori sono addittivi,: 14,296 +2, ,308 = 28,596 ovvero, avendo fatto tutte le scomposizioni possibili, la somma dei vari G è uguale al G ottenuto dalla tabella iniziale. Se avessimo usato il chi quadro la somma dei chi parziali non sarebbe stata uguale ah chi quadro della tabella iniziale.
12
STATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliAnalisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni
Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliProbabilità discreta
Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliTema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che
Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x
DettagliLA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di
STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica
DettagliDisegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Indici di Affidabilità
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Indici di Affidabilità L Attendibilità È il livello in cui una misura è libera da errore di misura È la proporzione di variabilità della misurazione
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliMisure della dispersione o della variabilità
QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.
DettagliPROBABILITA MISURARE L INCERTEZZA Lanciamo due dadi, facciamo la somma dei punteggi ottenuti. Su quale numero mi conviene scommettere?
Lanciamo due dadi, facciamo la somma dei punteggi ottenuti. Su quale numero mi conviene scommettere? Abbiamo visto nella lezione precedente che lo spazio degli eventi più idoneo a rappresentare l esperimento
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliCAPITOLO III CONFRONTI TRA DISTRIBUZIONI
CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliCorso di Laurea in Scienze e Tecnologie Biomolecolari. NOME COGNOME N. Matr.
Corso di Laurea in Scienze e Tecnologie Biomolecolari Matematica e Statistica II Prova di esame dell 11/1/2012 NOME COGNOME N. Matr. Rispondere alle domande nel modo più completo possibile, cercando di
DettagliCORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA. Esercizi su eventi, previsioni e probabilità condizionate
CORSO DI CALCOLO DELLE PROBABILITÀ E STATISTICA Esercizi su eventi, previsioni e probabilità condizionate Nota: Alcuni esercizi sono tradotti, più o meno fedelmente, dal libro A first course in probability
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliCapitolo 11 Test chi-quadro
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliESERCIZI DI STATISTICA DESCRITTIVA
ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliAlessandro Pellegrini
Esercitazione sulle Rappresentazioni Numeriche Esistono 1 tipi di persone al mondo: quelli che conoscono il codice binario e quelli che non lo conoscono Alessandro Pellegrini Cosa studiare prima Conversione
Dettaglimatematica probabilmente
IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e
DettagliRegressione Logistica: un Modello per Variabili Risposta Categoriali
: un Modello per Variabili Risposta Categoriali Nicola Tedesco (Statistica Sociale) Regressione Logistica: un Modello per Variabili Risposta Categoriali 1 / 54 Introduzione Premessa I modelli di regressione
DettagliG3. Asintoti e continuità
G3 Asintoti e continuità Un asintoto è una retta a cui la funzione si avvicina sempre di più senza mai toccarla Non è la definizione formale, ma sicuramente serve per capire il concetto di asintoto Nei
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
DettagliAnalizza/Confronta medie. ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107. Test t. Test t. t-test test e confronto tra medie chi quadrato
Analizza/Confronta medie ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107 t-test test e confronto tra medie chi quadrato C.d.L. Comunicazione e Psicologia a.a. 2008/09 Medie Calcola medie e altre statistiche
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliLa logica statistica della verifica (test) delle ipotesi
La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliPsicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE
Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una
DettagliCorso di Matematica. Corso di Laurea in Farmacia, Facoltà di Farmacia. Università degli Studi di Pisa. Maria Luisa Chiofalo.
Corso di Matematica Corso di Laurea in Farmacia, Facoltà di Farmacia Università degli Studi di Pisa Maria Luisa Chiofalo Scheda 18 Esercizi svolti sul calcolo delle probabilità I testi degli esercizi sono
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliEsercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test
STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che
DettagliLABORATORIO EXCEL XLSTAT 2008 SCHEDE 2 e 3 VARIABILI QUANTITATIVE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) LABORATORIO EXCEL
DettagliTasso di interesse e capitalizzazione
Tasso di interesse e capitalizzazione Tasso di interesse = i = somma che devo restituire dopo un anno per aver preso a prestito un euro, in aggiunta alla restituzione dell euro iniziale Quindi: prendo
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliSerie numeriche e serie di potenze
Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliInteresse, sconto, ratei e risconti
TXT HTM PDF pdf P1 P2 P3 P4 293 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 293 129.1.1 Esercizio per il calcolo dell
DettagliIniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:
Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliESTRAZIONE DI RADICE
ESTRAZIONE DI RADICE La radice è l operazione inversa dell elevamento a potenza. L esponente della potenza è l indice della radice che può essere: quadrata (); cubica (); quarta (4); ecc. La base della
DettagliFunzioni inverse Simmetrie rispetto alla bisettrice dei quadranti dispari. Consideriamo la trasformazione descritta dalle equazioni : = y
Funzioni inverse Simmetrie rispetto alla bisettrice dei quadranti dispari. Consideriamo la trasformazione descritta dalle equazioni : ' = y y' = Consideriamo il punto P(,5) se eseguiamo tra trasformazione
Dettagli