Introduzione alla probabilità
|
|
- Maria Marini
- 7 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITÀ DI BOLOGNA FACOLTÀ DI MEDICINA VETERINARIA LAUREA IN SANITA E QUALITA DEI PRODOTTI DI ORIGINE ANIMALE Introduzione alla probabilità Probabilità = metodologia per lo studio di fenomeni aleatori (fenomeni per i quali vi è incertezza sul risultato) Esempi: 1) presenza/assenza di residui di sostanze chimiche nocive nei prodotti derivati dagli animali allevati in terreni sottoposti a trattamenti chimici 2) numero di piccoli nati vivi da una scrofa 3) intervallo di tempo tra la conclusione della somministrazione di un farmaco per la cura di una certa malattia nelle vacche da latte e il termine della tossicità del latte Perché è importante studiare la probabilità in statistica? 1
2 UNIVERSITÀ DI BOLOGNA FACOLTÀ DI MEDICINA VETERINARIA LAUREA IN SANITA E QUALITA DEI PRODOTTI DI ORIGINE ANIMALE Definizioni di probabilità 1) definizione classica (a priori) P(E) = numero di casi favorevoli ad E numero di casi possibili - formulata rispetto a fenomeni aleatori che ammettono un numero finito di risultati (esempi: lancio di una moneta, lancio di un dado) - formulata nell assunto che i possibili risultati siano tutti ugualmente probabili (la moneta/ il dado devono essere regolari) E= {il risultato di un lancio della moneta è testa} P(E) = 1/2 E = {il risultato di un lancio del dado è un numero pari} = {2, 4, 6} P(E) = 3/6. non è utilizzabile rispetto ad esperimenti casuali i cui risultati non sono tutti ugualmente probabili (esempio: lancio di 2 dadi e registrazione della somma dei risultati) 2
3 2) definizione frequentista n(e) P(E) = lim n n n = numero di repliche di un esperimento aleatorio, condotte nelle medesime condizioni sperimentali (esempio: n lanci di una moneta regolare) n(e) = numero di repliche in cui un evento E si è verificato ( testa ) n(e) = proporzione di repliche in cui l evento E si è verificato n non è utilizzabile rispetto ad esperimenti casuali non replicabili nelle medesime condizioni sperimentali. 3) definizione soggettiva P(E) = grado di fiducia che un individuo ha sull avverarsi di E Osservazioni 1. Legame tra definizioni classica e frequentista Esempio: se lancio 3 volte una moneta regolare non mi stupisco particolarmente se esce 3 volte testa. Se la lancio 1000 volte mi aspetto che testa esca 500 volte 3
4 2. Legame tra definizioni frequentista e soggettiva Il grado di fiducia espresso da un individuo circa l avverarsi di E è legato alle sue esperienze, dipendenti dalle manifestazioni dell evento E sperimentate dall individuo nel corso della sua vita. Proprietà fondamentali della probabilità 1. 0 P(E) 1 qualunque sia E 2. P(E) = 0 E è un evento impossibile 3. P(E) = 1 E è un evento certo 4. Complementare dell evento E E = {un gattino contrae la rinotracheite virale felina dopo la vaccinazione a 9 e 13 settimane di vita} Ec = {un gattino NON contrae la rinotracheite virale felina dopo la vaccinazione a 9 e 13 settimane di vita} P(Ec) = 1 P(E) P(E) = 0,04 P(Ec) = 0,96. 4
5 Regole fondamentali della probabilità 1. Regola della somma Esempio: una scatola di biscotti per cani contiene biscotti di 5 forme differenti, nel medesimo numero. Estraggo a caso un biscotto dalla scatola. E = il biscotto è di forma rotonda P(E) = 1/5 F = il biscotto è di forma quadrata P(F) = 1/5 E F = il biscotto è di forma rotonda, oppure quadrata, oppure di entrambe le forme E, F eventi mutuamente esclusivi P(E F) = P(E) + P(F) Nell'esempio: P(E F) = 1/5 + 1/5 = 2/5 2. Regola del prodotto Esempio: due scatole di biscotti per cani contengono biscotti di 5 forme differenti, nel medesimo numero. Estraggo a caso un biscotto dalla prima scatola ed uno dalla seconda. E = il biscotto della prima scatola è di forma rotonda P(E) = 1/5 F = il biscotto della seconda scatola è di forma rotonda P(F) = 1/5 E F = i due biscotti estratti sono entrambi di forma rotonda E, F eventi indipendenti P(E F) = P(E) P(F) Nell'esempio: P(E F) = 1/5 1/5 = 1/25 5
6 Variabile casuale (aleatoria) Esempio 1: lancio un dado regolare Possibili risultati: {T, C} Risultati P(T) = P(C) = ½ X P(X) T 1 (successo) ½ C 0 (insuccesso) ½ E' possibile calcolare alcuni indicatori sintetici della distribuzione di probabilità di X, in particolare la media e la varianza dei valori di X. Nell'esempio 1: M(X) = 1/2 V(X) = 1/4 6
7 Esempio 2: una vacca da latte è sottoposta ad un controllo medico Possibili risultati: {gravida, non gravida} La probabilità che la mucca sia gravida, π, non è nota Risultati X P(X) gravida 1 (successo) non gravida 0 (insuccesso) π (1 π) Qual è la media e la varianza di X? Variabile casuale di Bernoulli - X è una variabile casuale BINARIA - la distribuzione di probabilità di X è caratterizzata da una costante (parametro): la probabilità dell evento successo π π = 0,1 X Ber(π) π = 0,9 7
8 Esempio 3: tre vacche da latte sono sottoposte ad un controllo medico Per ognuna si ha una variabile casuale binaria di Bernoulli di parametro π: (X1, X2, X3) Possibili risultati: Ei P(Ei) (nell ipotesi di indipendenza) (π = 0.7) (0, 0, 0) (1 π) (1 π) (1 π) = 0,027 (1, 0, 0) π (1 π) (1 π) = 0,063 (0, 1, 0) (1 π) π (1 π) = 0,063 (0, 0, 1) (1 π) (1 π) π = 0,063 (1, 1, 0) π π (1 π) = 0,147 (1, 0, 1) π (1 π) π = 0,147 (0, 1, 1) (1 π) π π = 0,147 (1, 1, 1) π π π = 0,343 Y = numero di mucche risultate gravide al controllo sanitario Possibili risultati P(Y) (π = 0.7) (per la regola della somma) 0 0, , , ,343 Media e varianza di X (π = 0.7): M(X) = 2,1 V(X) = 0,63 8
9 Variabile casuale binomiale - Y è una variabile casuale DISCRETA - la distribuzione di probabilità di Y è caratterizzata da due costanti (parametri): n (numero di mucche) e π (la probabilità dell evento successo ) Y Bin(n, π) La media e la varianza di una variabile casuale binomiale sono rispettivamente pari a nπ, nπ(1-π) Funzione Excel per il calcolo delle probabilità associate ai valori di una variabile casuale Y binomiale: DISTRIB.BINOM 9
10 Sintassi DISTRIB.BINOM(Numero successi; Prove; Probabilità succcesso; Cumulativo) Numero successi (y) è il numero dei successi in n prove. Prove è il numero delle prove (n). Probabilità successo è la probabilità di osservare un successo in una singola prova (π). Cumulativo = 0 calcola la probabilità associata all'evento Y=y, cumulativo = 1 quella associata all'evento Y y. Uso della funzione per il calcolo delle probabilità della distribuzione di Y = numero di mucche gravide su 3 mucche sottoposte a controllo sanitario Bin(n=3, π = 0,7) Valori possibili di Y Funzione Risultato della funzione 0 DISTRIB.BINOM(0; 3; 0,7; 0) 0,027 1 DISTRIB.BINOM(1; 3; 0,7; 0) 0,189 2 DISTRIB.BINOM(2; 3; 0,7; 0) 0,441 3 DISTRIB.BINOM(3; 3; 0,7; 0) 0,343 Uso della funzione per il calcolo della distribuzione di probabilità cumulata di Y Valori possibili di Y Funzione Risultato della funzione 0 DISTRIB.BINOM(0; 3; 0,7; 1) 0,027 1 DISTRIB.BINOM(1; 3; 0,7; 1) 0,216 2 DISTRIB.BINOM(2; 3; 0,7; 1) 0,657 3 DISTRIB.BINOM(3; 3; 0,7; 1) 1,000 10
11 n = 5, π = 0,50 n = 5, π = 0,90 n = 10, π = 0,50 n = 10, π = 0,90 n = 50, π = 0,50 n = 50, π = 0,90 11
12 La distribuzione di probabilità binomiale è molto utilizzata nell inferenza statistica per lo studio di proporzioni (es.: proporzione di animali di una popolazione affetti da una determinata patologia). Ulteriori esempi di distribuzioni di probabilità: a) colore del mantello di capi di bestiame b) dimensione della figliata dell orso lavatore 12
13 c) altezza al garrese (in cm) di un asino Caratteristiche di una funzione di densità di probabilità f(x) 1. Descrive la distribuzione di probabilità di una variabile casuale continua 2. L area complessiva al di sotto della funzione è pari a 1 3. P(x0 < X < x1) 13
14 4. P(X < x0) 5. P(X > x1) 14
15 La distribuzione normale o gaussiana - fondamentale nello sviluppo di molti metodi per l inferenza statistica - rappresenta un modello teorico che può fornire una buona approssimazione della distribuzione empirica di variabili osservate nell ambito dello studio di fenomeni naturali - è una variabile casuale CONTINUA - la sua distribuzione di probabilità dipende da due costanti caratteristiche (parametri): µ e σ X Ν(µ, σ) 1 x µ 2 σ 1 - f(x) = e 2 σ 2π Caratteristiche della f(x): unimodale simmetrica rispetto a x = µ la media aritmetica, la mediana e la moda di X sono uguali e pari a µ la varianza di X è pari a σ2 15
16 Esempi di distribuzioni gaussiane con particolari valori dei parametri σ2 = 1 µ=0 µ=1 µ=2 µ=0 σ2 = 0,5 σ2 = 1 σ2 = 2 16
17 - aree tipiche al di sotto della f(x): P(µ σ < X < µ + σ) = 0,6827 P(µ 1,96 σ < X < µ + 1,96 σ) = 0,95 P(µ 2,58 σ < X < µ + 2,58 σ) = 0,99 - Caso notevole: la normale standardizzata Z Ν(0, 1) - Standardizzazione: Z = X µ σ Ν(0, 1) 17
18 Esempio 1 X = tempo (in secondi) impiegato da un cavallo da corsa nelle gare da 6 furlong negli ippodromi della Louisiana: X Ν(µ = 75,2 s; σ = 2,2 s) P(X < 72,0) =? Appendice A, Tavola A1, pagina
19 19
20 Funzione Excel per il calcolo delle probabilità associate a intervalli di valori per una variabile casuale Z normale standard, del tipo (, z): DISTRIB.NORM.ST Sintassi DISTRIB.NORM.ST(Valore) Valore è un numero (z) che determina l'estremo superiore di un intervallo non limitato inferiormente, relativamente al quale si cerca il corrispondente valore di probabilità per una variabile casuale normale standard Z. Esempi =DISTRIB.NORM.ST(0) restituisce il risultato...??? =DISTRIB.NORM.ST( 1,96) restituisce il risultato...??? =DISTRIB.NORM.ST( 1,45) restituisce il risultato 0,0735 Funzione Excel per il calcolo delle probabilità associate a intervalli di valori per una variabile casuale X normale, del tipo (, x): DISTRIB.NORM Sintassi DISTRIB.NORM(valore; Media; Deviazione standard; Cumulativo) Valore è un numero (x) della distribuzione per il quale si desidera la distribuzione normale. Media è la media aritmetica di X. Deviazione standard è la deviazione standard di X. Cumulativo = 0 calcola il valore della funzione di densità di probabilità, cumulativo = 1 il valore della probabilità che X sia compresa nell'intervallo (, x). Esempi =DISTRIB.NORM(0; 0; 1; 1) restituisce il risultato...??? =DISTRIB.NORM(72; 75,2; 2,2; 1) restituisce il risultato 0,073 20
21 Esempio 2 Quale tempo dovrebbe essere realizzato da un cavallo da corsa in una gara per avere una probabilità pari al 5% di essere battuto? P(X<x0,05) = 0,05 dove x0,05 = 5 percentile della distribuzione di X Funzione Excel per il calcolo del valore z di una variabile casuale normale standard Z che delimita un intervallo di valori (, z) di probabilità prefissata pari a p: INV.NORM.ST Sintassi INV.NORM.ST(Probabilità) Probabilità è il valore p di probabilità prefissato a partire dal quale si cerca il valore di z. Esempi =INV.NORM.ST(0,5) restituisce il risultato...??? =INV.NORM.ST(0,0735) restituisce il risultato...??? =INV.NORM.ST(0,05) restituisce il risultato 1,6449 Funzione Excel per il calcolo del valore x di una variabile casuale normale X che delimita un intervallo di valori (, x) di probabilità prefissata pari a p: INV.NORM Sintassi INV.NORM(Probabilità; Media; Deviazione standard) Probabilità è il valore p di probabilità prefissato a partire dal quale si cerca il valore di x. Media è la media aritmetica di X. Deviazione standard è la deviazione standard di X. Esempio =INV.NORM(0,05;75,2;2,2) restituisce il risultato 71,58 21
22 Esempio 3 Entro quali estremi dovrebbe trovarsi il tempo di un cavallo da corsa per poter essere considerato un tempo nella norma (non troppo basso né troppo alto)? P(x0,025<X<x0,975) = 0,95 Equivalenza tra analisi descrittiva e calcolo delle probabilità variabile statistica variabile casuale distribuzione di frequenza empirica distribuzione di probabilità (teorica) Se vi è conformità tra la distribuzione di frequenza empirica di una variabile statistica X e la distribuzione di probabilità di una variabile casuale possiamo avvalerci delle proprietà teoriche di quest ultima per cogliere meglio le caratteristiche più importanti della distribuzione di X. metodi per valutare la conformità tra una distribuzione di frequenza empirica e la distribuzione normale 1) Metodo grafico # 1: basato sull istogramma di frequenza - soggettivo - non adeguato se n < 20 22
23 2) Metodo grafico # 2: basato sul normal plot - soggettivo 3) Metodi numerici basati sul calcolo di misure specifiche (test di normalità di Shapiro-Wilk e di Kolmogorov-Smirnov) Altre variabili casuali continue 1) Log-normale 2) t di Student 3) Chi quadrato 4) F di Fisher 1. La distribuzione log-normale X variabile con distribuzione asimmetrica a destra Y = log10x 23
24 Y Ν X lognormale Le proprietà descritte in precedenza possono essere utilizzate per studiare la distribuzione di Y = log10x. Esempio: X = soglia di risposta (in Newton) ad uno stimolo meccanico applicato ad un arto inferiore per 470 pecore x = 5,296 Newton Y = log10x sx = 2,420 Newton y = 0,6778 log Newton sy = 0,1927 log Newton Y = log10x Ν(µ,σ) P(µ 1,96 σ < Y < µ + 1,96 σ) = 0,95 Ci aspettiamo che il 95% dei valori di log10x sia compreso tra 0,3001 (= 0,6778 1,96 0,1927) e 1,0555 (= 0, ,96 0,1927) log Newton ovvero, che il 95% dei valori di X sia compreso tra 1,996 (= 100,3001) e 11,363 (= 101,0555) Newton 24
25 2. La distribuzione t di Student dipende da una costante caratteristica: df detta gradi di libertà della distribuzione (numero intero maggiore di 0) è simmetrica rispetto al valore 0 è unimodale ha forma campanulare per valori bassi di df attribuisce ai valori più lontani da 0 una probabilità maggiore di quanto non avvenga con la normale standard per valori elevati di df tende a coincidere con la normale standard viene utilizzata nella definizione di test statistici per il controllo di ipotesi su una media o la differenza tra due medie X t(df) df = 1, df = 15 e gaussiana standardizzata 25
26 3. La distribuzione chi quadrato i valori possibili per tale variabile casuale sono i numeri reali positivi dipende da una costante caratteristica: df detta gradi di libertà della distribuzione (numero intero maggiore di 0) è asimmetrica a destra (asimmetria decrescente al crescere di df) per valori elevati di df tende a coincidere con la distribuzione normale viene utilizzata particolarmente nell analisi di dati qualitativi X χ2(df) df = 1, 5, 10, 15 26
27 4. La distribuzione F di Fisher è il risultato del rapporto tra due variabili casuali chi quadrato indipendenti. I valori possibili per tale variabile casuale sono i numeri reali positivi. dipende da due costanti caratteristiche: df1 e df2 detti gradi di libertà della distribuzione (numeri interi maggiori di 0) è asimmetrica a destra viene utilizzata nella definizione di test statistici per il controllo di ipotesi su due varianze (calcolate a partire da dati la cui distribuzione è normale) e per il confronto tra più medie (analisi della varianza) X F(df1, df2) df1 = 1, df2 =1 df1 = 3, df2 =5 df1 = 3, df2 =15 27
28 Relazione tra distribuzione binomiale e normale Se X Bin(n, π), dove np > 5 n(1 p) > 5 p = proporzione di successi in n prove (proporzione di mucche gravide su n mucche sottoposte a controllo medico) allora è possibile approssimare la distribuzione di probabilità di X con la normale N(µ, σ), stimando i parametri µ, σ con np e np(1 p). 28
Probabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
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 descrittiva
Statistica descrittiva L obiettivo è quello di descrivere efficacemente i dati prima delle elaborazioni vere e proprie: - mediante rappresentazioni grafiche e tabelle - sintetizzandoli con indici opportuni
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliUniversità del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. La distribuzione Normale (o di Gauss)
Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in medicina e chirurgia - Corso di Statistica
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliProbabilità: teoremi e distribuzioni
Probabilità: teoremi e distribuzioni OBIETTIVO DIDATTICO DELLA LEZIONE Illustrare le più importanti distribuzioni di probabilità che vengono utilizzate in statistica Distribuzioni di probabilità 1. La
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
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
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
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
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
DettagliΨ PSICOMETRIA. Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE
Ψ PSICOMETRIA Corso di laurea triennale (classe 34) STATISTICA INFERENZIALE STATISTICA INFERENZIALE CAMPIONE caratteristiche conosciute POPOLAZIONE caratteristiche sconosciute STATISTICA INFERENZIALE STIMA
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
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliDISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
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
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
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
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
DettagliOutline. 1 v.c. continue. 2 v.c. Normale. 3 v.c. Esponenziale. Lezione 13. A. Iodice. v.c. continue. v.c. Normale. v.c.
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 48 Outline 1 2 3 () Statistica 2 / 48 Variabili casuali continue Una variabile casuale X è continua
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
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
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliFunzioni di probabilità per variabili casuali discrete e continue
Funzioni di probabilità per variabili casuali discrete e continue Prof.ssa Antonella Bitetto Facoltà di Economia Aziendale, Dipartimento di Management Università degli Studi di Torino PER USO DIDATTICO
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliModulo di Statistica e Tecnologia (Dott. Giorgio Poletti
Laurea in Scienze dell Educazione Insegnamento di Pedagogia Sperimentale (Prof. Paolo Frignani) Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti giorgio.poletti@unife.it) (discrete) variabile casuale
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
DettagliLezione 3 Calcolo delle probabilità
Lezione 3 Calcolo delle probabilità Definizione di probabilità La probabilità è lo studio degli esperimenti casuali e non deterministici Se lanciamo un dado sappiamo che cadrà ma non è certo che esca il
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. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliEsercizi. Esercizio 1. Date le funzioni f(x) = x 2 3x + 2 e g(x) = 2x 1,
Esercizi Esercizio 1. Date le funzioni f(x) = x 2 3x + 2 e g(x) = 2x 1, (a) dire quanto vale f g e qual è il suo insieme di definizione; (b) dire quanto vale g f e qual è il suo insieme di definizione;
DettagliStatistica. V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali
Elementi di Inferenza Statistica Variabili casuali V Scuola Estiva AISV La statistica come strumento di analisi nelle scienze umanistiche e comportamentali Soriano nel Cimino (VT), 6 Ottobre 2009 Pier
DettagliLaboratorio di Calcolo Paola Gallo
Studio di una funzione Dopo aver calcolato limiti, massimi, minimi e flessi siamo in grado di stabilire noi quali estremi di variabilità e che passo dare alle mie x per poter visualizzare bene nel grafico
DettagliCalcolo delle Probabilità
Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosiddette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliNOZIONI DI CALCOLO DELLE PROBABILITÀ
NOZIONI DI CALCOLO DELLE PROBABILITÀ ESPERIMENTO CASUALE: un esperimento si dice casuale quando gli esiti (manifestazioni o eventi) non possono essere previsti con certezza. PROVA: le ripetizioni, o occasioni
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliLe frequenze riportate in tabella possono essere considerate il risultato di un esperimento
0,9 0,8 0,7 0,6 0,5 0,4 0,3 Livello di alcol Frequenza assoluta Frequenza relativa Frequenza cumulativa assoluta Frequenza cumulativa relativa 0-0, 77 0,773 77 0,773 0,-0,4 6 0,070 93 0,843 0,4-0,6 0,048
DettagliLezione n. 1 (a cura di Irene Tibidò)
Lezione n. 1 (a cura di Irene Tibidò) Richiami di statistica Variabile aleatoria (casuale) Dato uno spazio campionario Ω che contiene tutti i possibili esiti di un esperimento casuale, la variabile aleatoria
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
DettagliControllo Statistico della Qualità (alcune note) A cura della Prof.ssa Paola Vicard e della Prof.ssa Flaminia Musella
Controllo Statistico della Qualità (alcune note) A cura della Prof.ssa Paola Vicard e della Prof.ssa Flaminia Musella Syllabus del modulo (20 ore) Introduzione Alcuni richiami alle nozioni fondamentali
DettagliLezione 13 Corso di Statistica. Domenico Cucina
Lezione 13 Corso di Statistica Domenico Cucina Università Roma Tre D. Cucina (domenico.cucina@uniroma3.it) 1 / 20 obiettivi della lezione comprendere il concetto di variabile aleatoria continua familiarizzare
DettagliVariabile casuale E 6 E 5 E 4. R S x1 E 2
Variabile casuale Una Variabile Casuale X è una regola (funzione reale) che associa ad E (evento elementare di S) uno ed un solo numero reale. Notazione: X: variabile casuale : realizzazione di una variabile
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
DettagliCorso 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
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
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)
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
DettagliDistribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale
Distribuzioni teoriche di probabilità: distribuzione binomiale e distribuzione normale Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona DISTRIBUZIONI TEORICHE DI
DettagliLa probabilità composta
La probabilità composta DEFINIZIONE. Un evento E si dice composto se il suo verificarsi è legato al verificarsi contemporaneo (o in successione) degli eventi E 1, E 2 che lo compongono. Consideriamo il
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
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
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
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
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
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
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliPrincipi di Statistica a.a
Principi di Statistica a.a. 2014-2015 Dr. Luca Secondi 1. Introduzione al corso 1.01Variabili casuali Distribuzioni di probabilità 1 Corso di laurea in Biotecnologie Matematica e PRINCIPI DI STATISTICA
DettagliModulo III. Definizione ed elementi di calcolo delle probabilità Le variabili casuali La distribuzione normale e la normale standardizzata
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea triennale Tecniche della Prevenzione PERCORSO SRTAORDINARIO 2007/08 Insegnamento di STATISTICA MEDICA Docente:Dott.ssa Egle
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
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
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliProgramma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliUna variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico).
VARIABILI CASUALI 1 definizione Una variabile casuale è una variabile che assume determinati valori in modo casuale (non deterministico). Esempi l esito di una estrazione del Lotto; il risultato di una
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
DettagliVARIABILI CASUALI. Fino ad ora abbiamo definito:
VARIABILI CASUALI Fino ad ora abbiamo definito: Lo SPAZIO CAMPIONARIO Ω : Come totalità dei possibili risultati di un esperimento Gli EVENTI : Come sottoinsiemi dello spazio campionario La FUNZIONE DI
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliUtilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi
La variabile standardizzata Utilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi X'= X Media(X ) DS(X ) Visto l ampio uso in statistica di questa procedura, la
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità.
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Le distribuzioni teoriche di probabilità. La distribuzione di probabilità binomiale Corso di laurea
DettagliEsercizi Teoria della Probabilità
Esercizi Teoria della Probabilità Esercizio 1 Durante un corso universitario, uno studente prova a svolgere una serie di esercizi. La risposta agli esercizi è di tipo binario (SI/NO). Supponendo la completa
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliEsercitazione del 04/06/2015 Probabilità e Statistica Foglio 14
Esercitazione del 0/06/05 Probabilità e Statistica Foglio David Barbato Esercizio. Ci sono 0 monetine di cui 5 con due teste, con due croci e regolari una moneta regolare ha una faccia testa e una faccia
DettagliLa PROBABILITA è un numero che si associa ad un evento E ed esprime il grado di aspettativa circa il suo verificarsi.
La maggior parte dei fenomeni, ai quali assistiamo quotidianamente, può manifestarsi in vari modi, ma è quasi sempre impossibile stabilire a priori quale di essi si presenterà ogni volta. La PROBABILITA
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
Dettagli3.1 La probabilità: eventi e variabili casuali
Capitolo 3 Elementi di teoria della probabilità Abbiamo già notato come, per la ineliminabile presenza degli errori di misura, quello che otteniamo come risultato della stima del valore di una grandezza
DettagliComputazione per l interazione naturale: fondamenti probabilistici (1)
Computazione per l interazione naturale: fondamenti probabilistici (1) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliDISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34
DISTRIBUZIONI DI PROBABILITA (parte 3) 1 / 34 Distribuzione Binomiale 2 / 34 La più importante distribuzione di probabilità per variabili casuali discrete è la distribuzione binomiale. Questa distribuzione
DettagliLa SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
Dettagli