Università di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
|
|
- Gianmaria Costa
- 4 anni fa
- Visualizzazioni
Transcript
1 Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia
2 Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti della variabile casuale Y con f.d.c., F Y (y). Allora (Y 1, Y 2,..., Y N ) è detto un campione casuale dalla popolazione con f.d.c. F Y (y). 1
3 Inferenza statistica L inferenza statistica è l applicazione di modelli di probabilità all analisi dei dati e alla sua interpretazione. L inferenza classica stabilisce un modello di probabilistico per le informazioni campionarie, deriva modelli probabilistici per funzioni dei dati (statistiche) ed inferisce caratteristiche ignote (parametri) del modello probabilistico di partenza dai dati campionari. Sia (Y 1, Y 2,..., Y N ) un campione casuale da una densità f( ; θ), dove la forma della desnità è nota ma il parametro θ è ignoto (scalare reale o vettore di numeri reale). L obiettivo è trovare statistiche, funzioni delle osservazioni (Y 1, Y 2,..., Y N ), da usare per la stima di θ. 2
4 Stimatore Statistica: E una funzione di v.c. osservabili, essa stessa è una v.c. osservabile, che non contiene alcun parametro ignoto. Stimatore: Ogni statistica i cui valori sono usati per stimare τ(θ), dove τ(θ) è una funzione di θ, è uno stimatore di τ(θ). Stima: Un particolare valore realizzato dello stimatore. 3
5 Stimatore non distorto Stimatore non distorto: Sia θ una funzione reale della f.d.c. e sia (Y 1, Y 2,..., Y N ) un campione casuale estratto dalla popolazione con f.d.c. F Y. La v.c. Z = h(y 1, Y 2,..., Y N ) è uno stimatore non distorto di θ se E[Z] = θ Consideriamo un campione casuale (Y 1, Y 2,..., Y N ) dalla popolazione con f.d.c. F Y, il momento primo campionario µ = 1 N N Y i i=1 è uno stimatore di µ = E[Y ] nel senso che E[ µ] = µ. 4
6 Stimatore non distorto E[ µ] = 1 N E N Y i i=1 = 1 N N i=1 E[Y i ] = µ V ar( µ) = σ2 N La distribuzione della media Y 10 basata su un campione casuale di dimensione 10 ha la stessa media di Y 20 basata su un campione di 20. Nel secondo caso la dispersione delle stime intorno a µ è la metà del primo. 5
7 Efficienza Si può scegliere tra stimatori non distorti sulla base del confronto delle loro varianze. Stimatore efficiente: Se Z A e Z B sono due stimatori non distorti di θ e V ar[z A ] < V ar[z B ] allora Z A è effciente relativamente a Z B Per valutare la precisione di uno stimatore dobbiamo stimare la sua varianza. Quando le varianze sono piccole sappiamo, dalla diseguaglianza di Chebychev, che la v.c. assume valori vicini alla sua media: Pr{ Y µ ǫσ} 1 1 ǫ 2 6
8 Errore quadratico medio EQM[ θ] = E[( θ θ) 2 ] = E[( θ E( θ) + E( θ) θ) 2 ] EQM[ θ] = E[( θ E( θ)) 2 ] + [E( θ) θ] 2 EQM[ θ] = V ar( θ) + [E( θ) θ] 2 perchè E[( θ E( θ))(e( θ) θ)] = 0. Se la distorsione è nulla, allora E( θ) θ EQM[ θ] = V ar( θ) 7
9 Esempio Consideriamo un campione casuale (Y 1, Y 2,..., Y N ) dalla popolazione con c.d.f. F Y, il momento primo campionario Y = 1 N N Y i i=1 è uno stimatore non distorto. Se la varianza di Y, σ 2, esiste lo stimatore non distorto è: s 2 = Ni=1 (Y i Y ) 2 N 1 = N N 1 1 N N i=1 (Y i Y ) 2 = N N 1 σ 2 8
10 Esempio infatti E[s 2 ] = con E(Y 2 i ) = σ2 + µ 2. E[s 2 ] = N N 1 N N 1 E = N N 1 E = N N 1 1 N 1 N 1 N N i=1 N i=1 N i=1 1 N N(σ2 + µ 2 ) E (Y i Y ) 2 (Y 2 ) (Y )2 i E(Yi 2 ) E(Y 2 ) 1 N 2 N Y i i=1 9
11 Esempio E[s 2 ] = N N 1 = N N 1 = N N 1 = N N 1 = N N 1 (σ2 + µ 2 ) 1 N 2E (σ2 + µ 2 ) 1 N 2E { { (σ 2 + µ 2 ) 1 N 2 2 N Y i i=1 Y i Y j i j ( N(σ 2 + µ 2 ) + (N 2 N)µ 2 )} (σ 2 + µ 2 ) 1 ( Nσ 2 + N 2 µ 2 )} N (σ 2 2 1N ) σ2 = σ 2 10
12 Esempio dove V ar[s 2 ] = µ4 N (N 3)4 N(N 1) µ 4 E(Y t µ) 4 < 11
13 Metodi di stima 12
14 Stima a intervalli Una stima puntuale non fornisce alcuna informazione sull intervallo dell errore associato alla stima. L idea della stima ad intervalli è usare i dati campionari per costruire un intervallo, tale che possiamo aspettarci che questo contenga il valore vero del parametro in una certa proporzione di campioni, o con un certo livello di confidenza. Più è ampio l intervallo maggiore è la probabilità che contenga il parametro. 13
15 Stima a intervalli Intervallo di confidenza: Sia (Y 1, Y 2,..., Y N ) un campione casuale dalla densità f( ; θ). Siano T 1 = t 1 (Y 1,..., Y N ) e T 2 = t 2 (Y 1,..., Y N ) due statistiche che soddisfano T 1 T 2 per i quali Pr{T 1 < τ(θ) < T 2 } 1 α L intervallo (T 1, T 2 ) è detto un intervallo di confidenza di livello (1 α)100% per τ(θ); (1 α) è il livello di confidenza. 14
16 Stima a intervalli Quantità pivotale: Sia (Y 1, Y 2,..., Y N ) un campione casuale dalla densità f( ; θ), dove θ è un vettore di parametri incogniti. La funzione Q = Q( ; θ) è una quantità pivotale se e solo la distribuzione non dipende da θ. 15
17 Stima a intervalli Il metodo della quantità pivotale: Se Q = Q(Y 1, Y 2,..., Y N ; θ) è una quantità pivotale ed ha una f.d.p., allora per ogni 0 < (1 α) < 1 esistono q 1 e q 2 che dipendono da (1 α) tali che Pr{q 1 < Q < q 2 } = 1 α Se per ogni possibile valore del campione (y 1, y 2,..., y N ) se e solo se q 1 < Q(y 1,..., y N ; θ) < q 2 t 1 (y 1,..., y N ) < τ(θ) < t 2 (y 1,..., y N ) per funzioni t 1 e t 2 (che non dipendono da θ), allora (T 1, T 2 ) è un intervallo di confidenza per τ(θ), dove T i = t i (y 1,..., y n ) i = 1,2. 16
18 Stima a intervalli L essenziale caratteristica del metodo pivotale è che la diseguaglianza {q 1 < Q(y 1,..., y N ; θ) < q 2 } possa essere riscritta o invertita come {t 1 (y 1, y 2,..., y N ) < τ(θ) < t 2 (y 1, y 2,..., y N )} per ogni possibile realizzazione del campione y 1, y 2,..., y N. Due passaggi 1. trovare una quantità pivotale 2. invertirla 17
19 Esempio. Intervallo di confidenza per la media Sia (Y 1,..., Y N ) un campione casuale V ar 1 N Y µ σ 2 /N Y i i Y i N(µ, σ 2 ) Y N ( µ, σ2 N N(0,1) = E[(Y µ) 2 ] = E [ Y 2] µ 2 ) 18
20 Esempio [ ( 1 E [ Y 2] = E N = 1 N 2E = 1 N 2E Yi ) 2 ] [ ( Yi ) 2 ] Y 2 i + i j i j Y i Y j 19
21 Esempio = 1 N 2 = 1 N 2 = σ2 N + µ2 E [ Y 2 i ] + E i j i j Y i Y j { N(σ 2 + µ 2 ) + N(N 1)µ 2} 20
22 Esempio V ar 1 N Y i = σ2 i N s 2 σ 2 χ2 N 1 N 1 Y µ σ 2 /N e s2 σ 2 sono indipendenti. La quantità pivotale Y µ σ 2 /µ / s 2 σ 2 = Y µ s/ N t N 1 21
23 Esempio Pr { Y µ s/ N t N 1;α/2 } = 1 α quantile t N 1;α : Pr{t N 1 t N 1;α } = 1 α. Possiamo scrivere Pr { Y t N 1;α/2 s N µ Y t N 1;α/2 s N } = 1 α questo intervallo conterrà µ con probabilità 1 α. I limiti di questi intervalli sono v.c. perchè Y e s 2 sono v.c. in campioni ripetuti. L intervallo è centrato su uno stimatore non distorto Y. 22
24 Esempio Un analogo intervallo per σ 2 è Pr σ2 s 2χ2 N 1;α/2 N 1, N 1;1 α/2 s2χ2 N 1 = 1 α χ 2 N 1;α è il quantile 1 α della distribuzione χ2 N 1. Poichè la distribuzione chi-quadrato è asimmetrica, questo intervallo di confidenza non è centrato sullo stimatore non-distorto s 2. 23
25 Verifica delle ipotesi Ipotesi statistica: E un asserzione o congettura sulla distribuzione di una o più variabili casuali. Se l ipotesi statistica specifica completamente la distribuzione, allora è detta semplice; altrimenti è composta. Test: E una regola o procedura per decidere se rifiutare l ipotesi. Due ipotesi sono discusse: Ipotesi nulla: H 0 Ipotesi alternativa: H 1. Se l ipotesi nulla è falsa, allora l ipotesi alternativa è vera e viceversa. Se l ipotesi nulla non è rifiutata allora H 0 è accettata. 24
26 Verifica delle ipotesi Test: τ(y ) Spazio dei possibili campioni: Y Regione critica: C τ Regione di accettazione: C C τ Un test di H 0 scompone Y in due regioni C τ e C τ. Se (y 1, y 2,..., y N ) C τ, H 0 è rifiutata. 25
27 Verifica delle ipotesi Due tipi di errori: 1. Errore di I tipo: Rifiutare H 0 quando è vera. 2. Errore di II tipo: Accettare H 0 quando è falsa. 26
28 Verifica delle ipotesi La dimensione dell errore di I tipo è Pr{ Rifiutare H 0 H 0 Vera}. La dimensione dell errore di II tipo è Pr{ Accettare H 0 H 0 Falsa}. Ipotesi nulla semplice ed ipotesi alternativa semplice { H0 : θ = θ 0 H 1 : θ = θ 1 Ipotesi Nulla semplice ed ipotesi alternativa bilaterale { H0 : θ = θ 0 H 1 : θ θ 0 Ipotesi Nulla semplice ed ipotesi alternativa unilaterale { H0 : θ = θ 0 H 1 : θ > θ 0 27
29 Verifica delle ipotesi Nel caso in cui l ipotesi nulla non sia semplice ma composta { H0 : θ θ 0 H 1 : θ > θ 0 si può ricondurre a un sistema con ipotesi nulla semplice: H 0 : θ = θ 0. Il rifiuto dell ipotesi H 0 : θ = θ 0 implica il rifiuto dell ipotesi H 0 : θ θ 0. 28
30 Verifica delle ipotesi Funzione di potenza: Se la distribuzione dalla quale è stato ottenuto il campione è parametrizzata da θ (il valore vero del parametro), dove θ Θ, allora associato ad ogni test esiste una funzione di potenza: π τ (θ) = Pr θ [(Y 1, Y 2,..., Y N ) C τ ] descrive la probabilità, al variare di θ, di rifiutare H 0. Una funzione di potenza ideale assegna 0, per quei valori di θ corrispondenti all ipotesi nulla e 1 per quei θ corrispondenti all ipotesi alternativa. 29
31 Esempio (Y 1,..., Y N ) sia un campione casuale da f(y; θ) = φ θ,25 (y) H 0 : θ 17 τ : Rifiutare se e solo se Y > / N ( [ ] ) / n θ π τ (θ) = Pr θ Y > / N = 1 Φ 5/ n 30
32 Approccio Neyman Pearson La dimensione del test (size): Sia τ un test dell ipotesi H 0 : θ Θ 0, Θ 0 Θ La dimensione del test è: sup θ Θ 0 τ(θ) 31
33 Approccio Neyman Pearson Per individuare il test ottimale adottiamo Test più potente: Un test τ per { H0 : θ = θ 0 H 1 : θ = θ 1 è detto test più potente se e solo se: 1. π τ (θ 0 ) = α, α livello di significatività 2. π τ (θ 1 ) π τ (θ 1 ) per ogni altro test τ per il quale π τ (θ 0 ) α. 32
34 Approccio Neyman Pearson E fissata la dimensione dell errore di I tipo (uguale ad α, livello di significatività) e minimizzata la dimensione la dimensione dell errore di II tipo. Un test è detto più potente di dimensione α se ha dimensione α e se fra tutti i test di dimensione α o inferiore ha la potenza maggiore. 1 - α Coefficiente di confidenza del test. Corrisponde alla probabilità di accettare l ipotesi nulla quando è vera. 33
35 Approccio Neyman Pearson Si fissa il livello di significatività e poi si cerca il test che minimizza la probabilità d errore del II tipo o che massimizza la potenza del test π(θ). Un test con livello di significatività pari a α e una funzione di potenza π (θ) è detto uniformemente più potente a livello α se: π (θ) π(θ) θ Θ 1 per ogni altro test con uguale livello di significatività α e funzione di potenza π(θ). 34
36 Test corretto Un test con livello di significatività α e funzione di potenza π(θ) è corretto se: π(θ) α θ Θ 1 Il test è corretto se la probabilità di rifiutare l ipotesi nulla quando questa è falsa è maggiore della probabilità di rifiutarla quando è vera. 35
37 Approccio Neyman Pearson La procedura di N-P è scegliere una C τ, cioè trovare un metodo per calcolare τ(y 1,..., Y N ) e scegliere il valore critico, tale per cui la dimensione del test non ecceda α. Per applicare tale teoria, il problema che deve essere risolto è costruire delle statistiche test τ(y 1,..., Y N ) che hanno una distribuzione nota sotto H 0. 36
38 Metodo degli intervalli di confidenza Se { H0 : θ = θ 0 H 1 : θ θ 0 si può calcolare una stima basata su un intervallo di confidenza di θ dai dati, e se l intervallo contiene θ 0, accettare H 0, altrimenti rifiutare. Se l intervallo ha un coeffciente di confidenza pari a (1 α), allora il test risultante avrebbe un livello di significatività di α 37
Richiami di Statistica
Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare
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
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
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
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
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,
DettagliLa statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati.
RICHIAMI DI STATISTICA La statistica è la scienza che permette di conoscere il mondo intorno a noi attraverso i dati. Quale è la media della distribuzione del reddito dei neolaureati? Per rispondere dovremmo
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
DettagliSTATISTICA. Federico M. Stefanini. e.mail: a.a (3 CFU)
STATISTICA a.a. 2001-2002 (3 CFU) Federico M. Stefanini Dipartimento di Statistica G.Parenti viale Morgagni 59, 50134 Firenze, tel. 055-4237211 PARTE 5-3.12.2001 e.mail: stefanin@ds.unifi.it http://www.ds.unifi.it/ricerca/pagperson/docenti/stefanini.htm
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
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,
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,
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Ipotesi statistica parametrica non parametrica una qualunque affermazione che specifica completamente o parzialmente la distribuzione di probabilità di una v.c. X. semplice: se la
DettagliStatistica Inferenziale Soluzioni 3. Verifica di ipotesi
ISTITUZIONI DI STATISTICA A. A. 007/008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
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
DettagliR - Esercitazione 5. Andrea Fasulo Venerdì 16 Dicembre Università Roma Tre
R - Esercitazione 5 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 16 Dicembre 2016 Intervalli di confidenza (1) Sia X 1,..., X n un campione casuale estratto da un densità f (x, θ) nota
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,
DettagliLa verifica delle ipotesi
La verifica delle ipotesi Se abbiamo un idea di quale possa essere il valore di un parametro incognito possiamo sottoporlo ad una verifica, che sulla base di un risultato campionario, ci permetta di decidere
DettagliRichiami di statistica
Richiami di statistica Eduardo Rossi 2 2 Università di Pavia (Italy) Marzo 2014 Rossi Statistica Econometria - 2014 1 / 61 Indice 1 Esempio 2 Elementi di probabilità 3 Stima 4 Verifica di ipotesi Rossi
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
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
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
DettagliTest d ipotesi. Monica Musio, Maria Luisa Targhetta
Test d ipotesi Monica Musio, Maria Luisa Targhetta 0. Introduzione Un ipotesi statistica è un asserzione sui parametri di una popolazione. Siano: H 0 : θ Θ 0 H : θ Θ () L ipotesi nulla e l ipotesi alternativa
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
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità D
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità D Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.12 - Test statistico Sezione di Epidemiologia & Statistica Medica Università degli Studi di Verona IPOTESI SCIENTIFICA Affermazione che si può sottoporre a verifica
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
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
DettagliVerifica di ipotesi. Parte VI. Verifica di ipotesi
Parte VI Verifica di ipotesi Definizione (Sistema di ipotesi) Nell ambito di un modello statistico parametrico, un sistema di ipotesi statistiche è costituito da due congetture, incompatibili, sul parametro
DettagliSTATISTICA. Inferenza: Stima & Intervalli di confidenza, 1
STATISTICA Inferenza: Stima & Intervalli di confidenza, 1 Inferenza per la media Siano,,, variabili casuali i.i.d media campionaria: v.c. che predice il valore della media aritmetica dei dati nel campione
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
DettagliStatistica. Capitolo 10. Verifica di Ipotesi su una Singola Popolazione. Cap. 10-1
Statistica Capitolo 1 Verifica di Ipotesi su una Singola Popolazione Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Formulare ipotesi nulla ed ipotesi alternativa
DettagliAnalisi della varianza: I contrasti e il metodo di Bonferroni
Analisi della varianza: I contrasti e il metodo di Bonferroni 1 Contrasti In molti problemi risulta importante stabilire, nel caso venga rifiutata l ipotesi nulla, di uguaglianza delle medie µ j delle
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
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
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
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,
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
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
DettagliTest d ipotesi Introduzione. Alessandra Nardi
Test d ipotesi Introduzione Alessandra Nardi alenardi@mat.uniroma2.it 1 Consideriamo il caso in cui la nostra variabile risposta sia continua Immaginiamo che obiettivo del nostro studio sia valutare il
DettagliEsercitazione 8 del corso di Statistica 2
Esercitazione 8 del corso di Statistica Prof. Domenico Vistocco Dott.ssa Paola Costantini 6 Giugno 8 Decisione vera falsa è respinta Errore di I tipo Decisione corretta non è respinta Probabilità α Decisione
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
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, -..
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
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
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
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
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)
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
Dettagliper togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione
Rapporti statistici di composizione la parte rispetto al tutto percentuali di derivazione per togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione di frequenza (tassi) rapporti
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,
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2016/2017 Appello A - 27 Gennaio 2017
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2016/2017 Appello A - 27 Gennaio 2017 1 2 3 4 5 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliFondamenti statistici : Test d Ipotesi (1)
Fondamenti statistici : Test d Ipotesi (1) Ipotesi statistica: È una assunzione formulata su un particolare aspetto della popolazione considerazioni teoriche Informazioni relative a popolazioni analoghe
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.
DettagliCorso di Statistica Esercitazione 1.8
Corso di Statistica Esercitazione.8 Test su medie e proporzioni Prof.ssa T. Laureti a.a. 202-203 Esercizio Un produttore vuole monitorare i valori dei livelli di impurità contenute nella merce che gli
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliIntroduzione all inferenza statistica, IV lezione
Proprietà asintotiche Introduzione all inferenza statistica, IV lezione Carla Rampichini Dipartimento di Statistica Giuseppe Parenti - Firenze - Italia rampichini@ds.unifi.it - www.ds.unifi.it/rampi/ T
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
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
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
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
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliR - Esercitazione 6. Andrea Fasulo Venerdì 22 Dicembre Università Roma Tre
R - Esercitazione 6 Andrea Fasulo fasulo.andrea@yahoo.it Università Roma Tre Venerdì 22 Dicembre 2017 Il modello di regressione lineare semplice (I) Esempi tratti da: Stock, Watson Introduzione all econometria
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
DettagliVerifica delle ipotesi. Verifica delle ipotesi
Con la procedura di stima intervallare si cerca definire in modo verosimile il valore di un parametro incognito a partire dalle osservazioni campionarie Valore campionario Procedura di stima intervallare
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
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 DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. II Esonero - 10 Gennaio 2014
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 II Esonero - 10 Gennaio 2014 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
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
DettagliFondamenti di Psicometria. La statistica è facile!!! VERIFICA DELLE IPOTESI
Fondamenti di Psicometria La statistica è facile!!! VERIFICA DELLE IPOTESI INFERENZA STATISTICA Teoria della verifica dell ipotesi : si verifica, in termini probabilistici, se una certa affermazione relativa
DettagliIl modello di regressione lineare multipla con regressori stocastici
Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali
DettagliIntroduzione alla verifica d ipotesi
Introduzione alla verifica d ipotesi Dipartimento di Matematica Università di Roma Tor Vergata 17 dicembre 2017 Consideriamo il caso in cui la nostra variabile risposta sia continua Immaginiamo che obiettivo
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
DettagliIl metodo statistico: prova dell ipotesi, intervallo di confidenza
Il metodo statistico: prova dell ipotesi, intervallo di confidenza Tratto con modifiche da : Buzzetti, Mastroiacovo. Le prove di efficacia in pediatria. 2000, UTET 1 Il problema Si supponga di voler verificare
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
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
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
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
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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
DettagliStatistica parametrica e non parametrica. Gli intervalli di confidenza
Statistica parametrica e non parametrica Per un campione univariato Gli intervalli di confidenza MEDIA CAMPIONARIA MEDIA VERA 1 Gli intervalli di confidenza 3 Gli intervalli di confidenza 4 Una introduzione
DettagliTest per una media - varianza nota
Situazione Test per una media - varianza nota Popolazione N(µ,σ 2 ); varianza σ 2 nota. µ 0 numero reale fissato. Test di livello α per µ Statistica: Z n = X n µ 0 σ/ n. H 0 H 1 Rifiutiamo H 0 se p-value
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
DettagliIl Test di Ipotesi Lezione 5
Last updated May 23, 2016 Il Test di Ipotesi Lezione 5 G. Bacaro Statistica CdL in Scienze e Tecnologie per l'ambiente e la Natura I anno, II semestre Il test di ipotesi Cuore della statistica inferenziale!
DettagliSTATISTICA. Regressione-3 L inferenza per il modello lineare semplice
STATISTICA Regressione-3 L inferenza per il modello lineare semplice Regressione lineare: GRAFICO DI DISPERSIONE & & analisi residui A. Valutazione preliminare se una retta possa essere una buona approssimazione
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliGli errori nella verifica delle ipotesi
Gli errori nella verifica delle ipotesi Nella statistica inferenziale si cerca di dire qualcosa di valido in generale, per la popolazione o le popolazioni, attraverso l analisi di uno o più campioni E
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.
DettagliCapitolo 9 Verifica di ipotesi: test basati su un campione
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 9 Verifica di ipotesi: test basati su un campione Insegnamento: Statistica Corsi di Laurea Triennale in Economia Facoltà di Economia, Università
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................................
DettagliCapitolo 9 Verifica di ipotesi: test basati su un campione
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 9 Verifica di ipotesi: test basati su un campione Insegnamento: Statistica Corsi di Laurea Triennale in Economia Dipartimento di Economia
DettagliStatistica Inferenziale La verifica di ipotesi. Davide Barbieri
Statistica Inferenziale La verifica di ipotesi Davide Barbieri Inferenza statistica Inferenza: procedimento di induzione, dal particolare al generale. Stima di un parametro della popolazione partendo da
DettagliElementi di Psicometria (con laboratorio software 1)
Elementi di Psicometria (con laboratorio software 1) 05-La verifica delle ipotesi con le medie dei campioni (v. 1.0, 15 aprile 2019) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
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
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
Dettagli