Analisi statistica in simulazione
|
|
- Margherita Di Giacomo
- 4 anni fa
- Visualizzazioni
Transcript
1 Analisi statistica in simulazione Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione e parametrizzazione del modello caratterizzazione del carico (distribuzioni, etc.) Analisi dei risultati di un esperimento di simulazione derivare le caratteristiche stocastiche degli indici valutati analisi del comportamento transiente influenza delle condizioni iniziali analisi del comportamento stazionario (steady-state) sistema in equilibrio, eliminazione della fase transiente numero di esperimenti, lunghezza degli esperimenti condizioni iniziali di ogni esperimento. * Convalida degli esperimenti di simulazione S. Balsamo - A.A Simulazione S3.1
2 Analisi statistica classica Analisi statistica classica stima della media stima della varianza stima della distribuzione test di "goodness of fit" test di Kolmogorov-Smirnov operazioni su intervalli di confidenza Stazionarietà della popolazione osservata Indipendenza delle osservazioni (proprietà non sempre verificate sia in input che in output) S. Balsamo - A.A Simulazione S3.
3 Stima della media x 1 x... x n campione di osservazioni indipendenti (v.c.) popolazione caratterizzata da una funzione di distribuzione di probabilità f(x) di media E[x] = µ varianza Var[x] = σ media campionaria x = Σ x i / n stimatore non distorto della media µ della distribuzione x è una v.c. di media E[x] = E[Σ i x i / n] = n µ / n = µ e di varianza Var[x] = E[(x-µ) ] = Σ i Var[x i ] / n = n σ / n = σ / n S. Balsamo - A.A Simulazione S3.3
4 Stima della media x è una buona stima di µ se σ/n è piccolo poichè Prob{ x - µ > c σ/ n } 1/ c (1) disuguaglianza di Chebyshev la distribuzione f(x) è normale se f(x) è normale, altrimenti, per il teorema del limite centrale, per n tende ad una normale di media µ e varianza σ /n (approssimazione per n>30) (x - µ) / (σ/ n) Ζ normale (0,1) funzione cumulativa F Z (u) = Prob { Z u } S. Balsamo - A.A Simulazione S3.4
5 Stima della varianza spesso anche la varianza σ è ignota Stima della varianza del campione Var[x] = E[(x-µ) ] lo stimatore Σ i (x i - x) / n è distorto varianza campionaria S = Σ (x i - x) / (n-1) stimatore non distorto della varianza σ della distribuzione S è una v.c. di media E[S ] = E[Σ i (x i - x) /(n-1)] = E[(Σ i x i - n x )/(n-1)] = = (Σ i E[ x i ] - n E[x ] )/(n-1) = (n (µ +σ )-n(µ +σ /n) /(n-1) = = σ deviazione standard campionaria S stimatore non distorto della deviazione standard σ S. Balsamo - A.A Simulazione S3.5
6 Intervalli di confidenza necessità di calcolare intervalli di confidenza dello stimatore x x 1 x... x n campione di osservazioni indipendenti e identicamente distribuite (i.i.d.) di media µ e varianza σ media campionaria x: v.c. di media µ e di varianza σ /n S /n è uno stimatore non distorto di σ /n anche la variabile (x - µ) / (S/ n) t-student con n-1 gradi di libertà ma per n>30 Ζ normale (0,1) funzione cumulativa F Z (u) = Prob { Z u } q α percentile 100a della distribuzione normale Prob{ Z q α } = α u α è tale che Prob{ Z u α } = 1 - α S. Balsamo - A.A Simulazione S3.6
7 Intervalli di confidenza u α : Prob{ Z u α } = 1 - α per simmetria: Prob{ - u α/ Z u α/ } = 1 - α Prob{ - u α/ n (x - µ) / S u α/ } = 1 - α Prob{ - u α/ n (µ - x) / S u α/ } = 1 - α Prob{ x- (S/ n)u α/ µ x+(s/ n)u α/ } = 1 - α intervallo di confidenza per la media nozione probabilistica; probabilità a priori µ, valore teorico, cade nell'intervallo con prob. 1-α utilizzare i valori di u α/ tabulati Esempio: α = α=0.95 u α/ =1.96 intervallo di confidenza al 100(1 α) =95% x ± (S/ n) 1.96 Prob{ x- (S/ n) 1.96 µ x+(s/ n)1.96} = 0.95 S. Balsamo - A.A Simulazione S3.7
8 Intervalli di confidenza Conviene ridurre l'ampiezza dell'intervallo di confidenza Due misure di precisione: precisione assoluta semiampiezza dell'intervallo precisione relativa 100 (semiampiezza dell'intervallo / x) Si usa la misura relativa se non si hanno informazioni sull'ordine di grandezza di µ Es.: x=8, intervallo [7.5,8.5] prec. rel.=100(0.5/8)=6% Per ridurre l'ampiezza dell'intervallo di confidenza si deve aumentare il numero n di osservazioni ampiezza 1/ n se S è circa costante S. Balsamo - A.A Simulazione S3.8
9 Intervalli di confidenza Se il campione è ottenuto come risultato di un esperimento di simulazione e si vuole stimare la media µ, utilizzando gli intervalli di confidenza, fissato un livello di confidenza 100(1 α), si continua la simulazione finchè n è tale che l'intervallo di confidenza ha una ampiezza inferiore ad una quantità prefissata. ampiezza dell'intervallo di confidenza (S/ n)u α/ 1. fissare un valore d ed il livello di confidenza 100(1 α). generare almeno 30 valori dei dati 3. continuare la generazione fino a k valori tali che (S/ n)u α/ <d, dove S è calcolata con i k valori calcolati 4. si ottiene la stima di µ, calcolando l'intervallo di confidenzax x±(s/ n)u α/ dove x ed S sono calcolati sui k valori determinati al passo 3 generazione ricorsiva di x e di S tipici valori α = 0.01, 0.05, 0.1 u α/ =.57, 1.96, 1.64 livelli di confidenza del 99%, 95%, 90%. S. Balsamo - A.A Simulazione S3.9
10 Stima della varianza della popolazione metodo indiretto : σ = E[x ] - E [x] dato un campione x 1...x n si stima E[x] tramite gli intervalli di confidenza si deriva E [x] dal campione x 1...x n si deriva E[x ] combinando opportunamente gli intervalli di confidenza metodo diretto: basato su S v.c. di media σ e varianza 0 per n si dimostra che la v.c. (n-1)s /σ ha distribuzione ℵ con n-1 gradi di libertà Si può applicare la tecnica degli intervalli di confidenza, come nel caso della media, ma facendo riferimento alla distribuzione ℵ anzichè alla distribuzione normale Prob{ (n-1)s /q α1 σ (n-1)s /q α } = 1 - α dove q α1 e q α sono i percentili della v.c. X (n-1) tali che Prob{q α1 X (n-1) q α } = 1 - α ΜΑ questo metodo di stima della varianza è sensibile alla distribuzione del campione. Se il campione non ha distribuzione normale tale tecnica non può essere applicata S. Balsamo - A.A Simulazione S3.10
11 Stima della varianza della popolazione metodo di jackknifing calcolo dell'intervallo di confidenza per la varianza σ meno sensibile all forma della distribuzione del campione dato un campione x 1...x n si calcola la media e la varianza campionaria con l'osservazione j rimossa, 1 j n x j = Σ i j x i /(n-1) S j = Σ i j x i /(n-) - (n-1) x j /(n-) si definiscono gli "pseudovalori" 1 j n z j = n S - (n-1) S j (nota: S = Σ i x i /(n-1) - n x /(n-1) ) E[z j ] = n E[S ] - (n-1) E[S j ] = σ quindi la distribuzione di z j ha media σ Siano z e S z media e varianza campionaria del campione z 1...z n z = Σ j z j /n S z = Σ j (z j -z) /(n-1) la v.c. (z - σ ) /(S z / n) ha distribuzione t-student con n-1 gradi di libertà, da cui, come nel caso precedente si ottiene l'intervallo di confidenza per la varianza Prob{ z-(s z / n) u α/ σ z+(s z / n) u α/ } = 1 - α dove u α/ è definito come nel caso della media. S. Balsamo - A.A Simulazione S3.11
12 Operazioni sugli intervalli di confidenza 1/3 dalle osservazioni relative a due v.c. X di media µ e Y di media η si vuole valutare la stima del rapporto = µ / η - si ottiene un campione z 1...z n dove z i = (x i, y i ) 1 i n - calcoliamo le medie campionarie z = (x, y), x = Σ i x i /n y = Σ i y i /n - definiamo la matrice di covarianza del campione S = Σ i (z i -z) (z i -z) T /(n-1) S 11 S 1 S 1 S S 11 =Σ i (x i -x) /(n-1) S =Σ i (y i -y) /(n-1) S 1 = S 1 = Σ i (x i -x) (y i -y) /(n-1) stima puntuale del rapporto µ / η stimatore di Fieller F = [x y - k S 1 ] / [y - k S ] dove k = u α/ / n stimatore di Beale B = [x/y] [1+ S 1 /(n x y)] / [1+ S /(n y )] stimatore classico C = [x/y] S. Balsamo - A.A Simulazione S3.1
13 Operazioni sugli intervalli di confidenza /3 stima puntuale del rapporto µ / η stimatore jackknife J = Σ i L i / n dove L i = n [x/y] - (n-1) [Σ j i x j /Σ j i y j ] 1 i n stimatore di Tin T =[x/y] [1+ (S 1 /(x y) - S /(y ))/n ] tutti gli stimatori sono consistenti (convergono al valore vero con probabilità 1) e sono generalmente distorti Beale, jackknife, Tin tendono a ridurre la distorsione calcolo dell'intervallo di confidenza per il rapporto = µ / η stimatore di Iglehart: basato sulla stima puntuale ottenuta utilizzando lo stimatore di Fieller: F ± D/(y - k S ) dove D = [x y - k S 1 ] - [y - k S ][x - k S 11 ] e il livello di confidenza dipende da k = u α/ / n stimatore classico C ± u α/ γ /(y n) dove γ = [S 11 - C S 1 + ( C ) S ] 1/ stimatore jackknife J ± u α/ γ' /( n) dove γ' = [Σ i (L i - J ) / (n-1)] 1/ nei due ultimi stimatori γ e γ' rappresentano stime delle varianze del campioni S. Balsamo - A.A Simulazione S3.13
14 Operazioni sugli intervalli di confidenza 3/3 lo stimatore jackknife produce migliori risultati dal punto di vista statistico, specie per campioni piccoli più complesso da realizzare si può utilizzare come stima puntuale lo stimatore di Baele e/o di Tin utilizzare il metodo classico per l'intervallo di confidenza, speciamente se il campione è di grandi dimensioni altre operazioni sugli intervalli di confidenza siano µ e η due parametri con intervalli di confidenza [µ inf, µ sup ] [η inf, η sup ] con livello di confidenza 100 (1-α 1 ) 100 (1-α ) si ricava per µ - η Prob{µ inf - η sup µ - η µ sup - η inf } = 1 - α 1 - α per A µ + B, A>0 Prob{A µ inf + B A µ + B A µ sup + B} = 1 - α 1 per max(0,µ) = µ +, µ 0, n>0 Prob{ (µ + inf )n (µ + ) n (µ + sup )n } = 1 - α 1 queste regole sono utilizzate nel metodo indiretto della stima della varianza S. Balsamo - A.A Simulazione S3.14
15 Stima della distribuzione 1/5 distribuzione teorica distribuzione empirica caratterizzazione dell'input analisi risultati * metodo del coefficiente di variazione * metodo del goodness of fit metodo di Kolmogorov Smirnov metodo del coefficiente di variazione si applica a v.c. a valore non negativo coefficiente di variazione V= σ / µ distribuzione σ deviazione standard, µ media costante V=0 esponenziale (λ) V=(1/λ) / (1/λ) =1 Erlang-k (λ) k 1 V=1/( k λ) / (1/λ) =1/ k iperesponenziale- (λ) V=( k/λ) / (1/λ) = k k=(1-p+p )/p(1-p), 0 p 1 S. Balsamo - A.A Simulazione S3.15
16 Stima della distribuzione /5 metodo del coefficiente di variazione misura della dispersione selezionare il tipo di distribuzione in base al suo coefficiente di variazione stimare µ e σ stima del rapporto V= σ / µ intervallo di confidenza; determinare se V>1 o se V<1 metodo approssimato es : normale V<1 S. Balsamo - A.A Simulazione S3.16
17 Stima della distribuzione 3/5 metodo del goodness of fit x 1 x... x n campione di osservazioni i.i.d. dall'istogramma delle osservazioni si ipotizza una distribuzione teorica si confronta la distribuzione teorica con quella empirica con un test ℵ si partizionano le osservazioni in k categorie definite da intervalli successivi categoria confronta il n. di osservazioni e il n. di frequenze teoriche dato dall'area della curva nell'intervallo relativo F i frequenze teoriche f i frequenze osservate in ogni categoria devono esservi almeno 5 osservazioni (f i >5) si applica il test ℵ considerando la somma V = Σ i [(f i - F i ) / (F i )] che è una v.c. ℵ con (k-1-(n. parametri stimati)) gradi di libertà si confronta con i relativi percentili test di accettazione S. Balsamo - A.A Simulazione S3.17
18 Stima della distribuzione 4/5 metodo del goodness of fit Esempio: se si ipotizza una distribuzione esponenziale è sufficiente stimare solo la media del campione (x) f(t) = e - (1/x)t Esempio: se si ipotizza una distribuzione normale è sufficiente stimare media e varianza del campione (x e S ) per ipotizzare la distribuzione : f(t) = e - (t-x)/s /S π la cui area sottesa è unitaria» l'istogramma ha area n Δx se Δx è l'ampiezza delle categorie» normalizzando la distribuzione si ottiene f(t) = n e - (t-x)/s /S π Questo metodo si applica anche per distribuzioni discrete Es.: ipotizzando una distribuzione di Poisson è sufficiente stimare la media p(i) = λ i e -λ / i! i 0» F i = p(i) n» fi= I(i)/n I(i) numero di intervalli osservati con i arrivi S. Balsamo - A.A Simulazione S3.18
19 Stima della distribuzione 5/5 Metodo di Kolmogorov Smirnov (KS) adatto anche a campioni piccoli molte varianti confronto fra le distribuzioni cumulative teorica e osservata e valutazione del massimo scarto fra le due confrontando il massimo scarto ottenuto con valori tabulati si decide l'accettabilità dell'ipotesi (tabelle) S. Balsamo - A.A Simulazione S3.19
Analisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliAnalisi Statistisca in Simulazione. Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati
Analisi Statistisca in Simulazione Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati * Analisi dei dati di input definizione e parametrizzazione del modello
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
DettagliCampionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
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
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
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
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
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
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
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 9 Abbiamo visto metodi per la determinazione di uno stimatore puntuale e casi per: Carattere con
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
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
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
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
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
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
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliStatistica 1- parte II
Statistica 1- parte II Esercitazione 2 Dott.ssa Antonella Costanzo 18/02/2016 Esercizio 1. IC media incognita, varianza nota Una fabbrica A produce matite colorate. Una prova su 100 matite scelte a caso
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
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
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
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
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliELEMENTI DI STATISTICA INFERENZIALE ELEMENTI DI STATISTICA INFERENZIALE
ELEMENTI DI STATISTICA INFERENZIALE 133. ELEMENTI DI STATISTICA INFERENZIALE In questo paragrafo verranno illustrati alcuni elementi di Statistica che sono essenziali per procedere alla costruzione di
DettagliIl Teorema del limite Centrale (TLC)
(TLC) Teorema. Sia X 1,..., X n un campione i.i.d. per una v.a. X, avente E(X ) = µ e Var(X ) = σ 2 entrambi finiti. Allora Z n = X µ σ 2 n n Y N(0, 1) Si noti che nel calcolare Z n ho standardizzato X.
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliArgomenti della lezione: Campionamento Stima Distribuzione campionaria Campione Popolazione Sottoinsieme degli elementi (o universo) dell '
Lezione 2 Argomenti della lezione: La statistica inferenziale: concetti di base Campionamento Stima Distribuzione campionaria Popolazione (o universo) Insieme di tutti gli elementi cui si rivolge il ricercatore
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
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
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
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
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
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliIntervallo di confidenza
Intervallo di confidenza Sezione di Epidemiologia e Statistica Medica, Università di Verona campione inferenza popolazione Media Riportare sempre anche Stima puntuale di µ la deviazione standard Media,
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
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 26 Giugno 2018 Scritto del 26-6 -18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
DettagliLe statistiche campionarie sono stime dei parametri ignoti della popolazione al cui valore siamo interessati.
Una volta selezionato il campione, la variabile di interesse viene misurata sugli elementi che lo costituiscono. I valori che la variabile assume vengono poi sintetizzati utilizzando le statistiche opportune
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
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
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
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
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
Dettagli5. Analisi dei dati di input
Anno accademico 2007/08 Analisi e scelta dei dati di input Per l esecuzione di una simulazione è necessario disporre di dati di input che siano una adeguata rappresentazione di ciò che accadrà in realtà
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it STIMA PUNTUALE (p. 55) Il parametro è stimato con un unico valore Esempio: stima della share di un programma TV = % di spettatori
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
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Esercizio: si consideri una generica popolazione X con media µ e varianza σ 2 Siano T 1 =(X 1 +X 2 +X 3 +X 4 )/4 e T 2 =(3X 1 +4X
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
Dettaglix ;x Soluzione Gli intervalli di confidenza possono essere ottenuti a partire dalla seguente identità: da cui si ricava: IC x ;x = +
ESERCIZIO 6.1 Si considerino i 0 campioni di ampiezza n = estratti da una popolazione X di N = 5 elementi distribuiti normalmente, con media µ = 13,6 e σ = 8,33. A partire dalle 0 determinazioni della
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
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
DettagliSTATISTICA (modulo II - Inferenza Statistica) Soluzione Esercitazione I
Soluzione Esercitazione I Esercizio A. Si indichi con A i l evento la banca i decide di aprire uno sportello per il quale Pr(A i = 0.5 (e dunque Pr(A i = 0.5 per i =, 2, 3. Lo spazio degli eventi dato
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
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliCorso di STATISTICA EGA - Classe 1 aa Docenti: Luca Frigau, Claudio Conversano
Corso di STATISTICA EGA - Classe 1 aa 2017-2018 Docenti: Luca Frigau, Claudio Conversano Il corso è organizzato in 36 incontri, per un totale di 72 ore di lezione. Sono previste 18 ore di esercitazione
DettagliSOLUZIONI PROVA SCRITTA DI STATISTICA (cod. 4038, 5047, 371, 377) 8 settembre 2005
SOLUZIONI PROVA SCRITTA DI STATISTICA cod. 4038, 5047, 371, 377) 8 settembre 2005 MODALITÀ B APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE Esercizio 1. 7 punti) Su un collettivo di 13 nuclei
Dettagli4. Stime & Test. Corso di Simulazione. Anno accademico 2008/09
Anno accademico 2008/09 Media campionaria X 1, X 2,..., X n v.c. indipendenti con distribuzione F, e: E[X i ] = µ Var[X i ] = σ 2, i = 1,..., n Media campionaria: X n è uno stimatore di µ. È uno stimatore
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 degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
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
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
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
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 7 1. Utilizzando le tavole della distribuzione
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,
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliFacoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica
Facoltà di Ingegneria Calcolo delle Probabilità e Statistica Ingegneria Civile e A&T e Informatica Prima prova scritta A.A. 8-9 Durata della prova h Punteggi: ) + + ; ) + + + ; ) +. Totale. Esercizio Sia
DettagliESERCITAZIONE N. 7 corso di statistica
ESERCITAZIONE N. 7corso di statistica p. 1/15 ESERCITAZIONE N. 7 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 7corso di statistica p. 2/15 Introduzione Variabili aleatorie continue
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliUn tipico esame consiste di tre domande del tipo sottostante:
Un tipico esame consiste di tre domande del tipo sottostante: 1) Una situazione standard da analizzare: - un modello genetico suggerisce che la composizione genetica di una data popolazione in geni AA,
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliE S E R C I Z I T U T O R
E S E R C I Z I T U T O R ESERCIZIO Applicazione del Metodo Montecarlo per calcolare p. Si calcola il rapporto fra l area del cerchio di diametro r e l area del quadrato circoscritto, di lato r. Area del
Dettagli