TEORIA DEI CAMPIONI. Psicometria 1 - Lezione 10 Lucidi presentati a lezione AA 2000/2001 dott. Corrado Caudek
|
|
- Geraldina Rocco
- 7 anni fa
- Visualizzazioni
Transcript
1 TEORIA DEI CAMPIONI Psicometria 1 - Lezioe 10 Lucidi presetati a lezioe AA 000/001 dott. Corrado Caudek 1
2 Nella teoria statistica per popolazioe si itede la totalità delle uità poteziali d'osservazioe. L'isieme dei valori assegati a ciascua uità di osservazioe costituisce la distribuzioe della popolazioe. Solitamete questa distribuzioe è formata da u umero molto grade di casi.
3 La media della distribuzioe della popolazioe si idica co la lettera µ e la variaza della distribuzioe della popolazioe si idica co σ. Le variabili (come µ e σ) che descrivoo le proprietà della popolazioe soo chiamate parametri. Le variabili che descrivoo le corrispodeti proprietà di u campioe estratto dalla popolazioe (come la media e la variaza deotate da X e S), ivece, soo dette statistiche. 3
4 Più specificamete, per statistica si itede ua qualuque fuzioe delle variabili aleatorie che costituiscoo u campioe. Dato che soo ach'esse delle variabili aleatorie, ache le statistiche possiedoo ua distribuzioe di probabilità. Tale distribuzioe è detta distribuzioe campioaria. 4
5 DISTRIBUZIONE CAMPIONARIA 5
6 DISTRIBUZIONE # 1 Cosideriamo la popolazioe degli studeti uiversitari ed esamiiamo la variabile costituita dall'età. L'isieme dei valori dell'età di ciascuo studete uiversitario costituisce la distribuzioe della popolazioe di questa variabile. Possiamo calcolare la media e la variaza di questa distribuzioe. Questi valori sarao i parametri della popolazioe. Solitamete i parametri della popolazioe o soo direttamete accessibili. Sarebbe molto difficile, per esempio, trovare i dati aagrafici di tutti gli studeti uiversitari. 6
7 DISTRIBUZIONE # Cosideriamo ora u campioe di studeti uiversitari (ad esempio, quelli i questa aula - otate che questo o è u campioe casuale). Diciamo che ci soo 13 persoe. La distribuzioe del campioe sarà l'isieme dei valori dell'età di tutti gli studeti preseti i questa aula. La media e la variaza di questo isieme di valori soo due statistiche di questo campioe. La gradezza di questo campioe corrispode al umero di studeti che lo compogoo, diciamo = 13. 7
8 DISTRIBUZIONE # 3 Cosideriamo ora u terzo tipo di distribuzioe. Suppoiamo di esamiare tutti i possibili campioi casuali di gradezza = 13 che si possoo estrarre co reimissioe dalla popolazioe degli studeti uiversitari. Per ciascuo di questi campioi possiamo calcolare ua data statistica. Il valore di questa statistica varierà da campioe a campioe. L'isieme di tutte queste statistiche geera ua uova distribuzioe. Questa distribuzioe si chiama distribuzioe campioaria. 8
9 Se la statistica calcolata è la media, possiamo defiire la distribuzioe campioaria della media; se la statistica calcolata è la variaza, possiamo defiire la distribuzioe campioaria della variaza. 9
10 Ua volta calcolata la distribuzioe campioaria di queste due statistiche possiamo chiederci, ad esempio, quali soo la media e la variaza della distribuzioe campioaria della media, quali soo la media e la variaza della distribuzioe campioaria della variaza. 10
11 La distribuzioe campioaria è ua distribuzioe di probabilità teorica che ci forisce u modello della distribuzioe di frequeza che si otterrebbe per tutti i possibili valori di ua data statistica basata su u campioe di casi se il processo di campioameto veisse ripetuto ifiite volte. 11
12 La distribuzioe campioaria o è u cocetto del tutto uovo, i quato i precedeza abbiamo già preso i esame ua distribuzioe campioaria. La distribuzioe biomiale ifatti è ua distribuzioe campioaria che ci mostra la probabilità di osservare ciascuo dei possibili umeri di successi che si possoo otteere i u campioe di prove di u processo beroulliao, per tutte le possibili gradezze del campioe. 1
13 Abbiamo ache esamiato, ad esempio, la distribuzioe campioaria t di Studet, per la statistica t = Y s µ 13
14 Così come le distribuzioi della popolazioe, ache le distribuzioi campioarie possoo essere discrete o cotiue. La distribuzioe biomiale, ad esempio, è ua distribuzioe discreta, metre la distribuzioe t è ua distribuzioe cotiua. 14
15 ALCUNE DISTRIBUZIONI CAMPIONARIE ASSOCIATE ALLA DISTRIBUZIONE NORMALE 15
16 1. Teorema. Sia Y 1, Y,, Y u campioe casuale di gradezza tratto da ua distribuzioe ormale co media µ e variaza σ. La distribuzioe campioaria della media di queste osservazioi è ormale co media e variaza σ = σ Y µ = µ Y Y 16
17 I base al teorema precedete, duque, la variabile Z Z = Y µ Y Y = µ σ Y σ sarà distribuita ormalmete co media 0 e variaza uitaria. 17
18 . Teorema. Sia Y 1, Y,, Y u campioe casuale di gradezza tratto da ua distribuzioe ormale co media µ e variaza σ. Sia Z i = (Y - µ)/σ. Allora, la variabile i= 1 Z i sarà distribuita come χ co gradi di libertà. 18
19 3. Teorema. Sia Y 1, Y,, Y u campioe casuale di gradezza tratto da ua distribuzioe ormale co media µ e variaza σ. Allora, la variabile ( ) 1 σ s sarà distribuita come χ co ( - 1) gradi di libertà. 19
20 4. Teorema. Sia Y 1, Y,, Y u campioe casuale di gradezza tratto da ua distribuzioe ormale co media µ e variaza σ. La variabile T = Y s µ seguirà la distribuzioe t di Studet co ( - 1) gradi di libertà. 0
21 5. Teorema. Siao W 1 e W due variabili aleatorie idipedeti distribuite come χ co ν 1 e ν gradi di libertà, rispettivamete. Allora, la variabile F = W W 1 ν ν 1 seguirà la distribuzioe F co ν 1 gradi di libertà al umeratore e ν gradi di libertà al deomiatore. 1
22 IL CAMPIONAMENTO Campioameto casuale Campioameto a grappoli Campioameto stratificato Campioameto a più stadi
23 Ua volta chiarita la ozioe di distribuzioe campioaria passiamo ad esamiare le proprietà degli stimatori. 3
24 PROPRIETA DEGLI STIMATORI 4
25 U problema cetrale della statistica ifereziale è la stima dei parametri della popolazioe per mezzo delle statistiche del campioe. Il fatto che u campioe rappreseti soltato ua piccola parte della popolazioe fa sì che sia pressoché impossibile che ua data statistica corrispoda esattamete al corrispodete parametro della popolazioe. Ioltre, possiamo dire che statistiche diverse si approssimao i modo diverso ai parametri della popolazioe. Chiediamoci, duque, come si possoo rappresetare le relazioi tra le statistiche e i parametri della popolazioe. 5
26 Ua parametro può essere stimato secodo due modalità: - mediate la stima putuale - mediate la stima itervallare 6
27 STIMA PUNTUALE 7
28 Quattro proprietà soo riteute auspicabili per le statistiche usate quali stimatori dei parametri della popolazioe: 1. correttezza,. efficieza, 3. cosisteza, 4. sufficieza. 8
29 1. CORRETTEZZA 9
30 Defiiamo come "predittore equilibrato" (ubiased) o cetrato sul parametro della popolazioe l idice statistico il cui valore atteso è uguale al parametro corrispodete dell uiverso. Detto F u geerico idice statistico, e detto ϕ il parametro corrispodete, diremo che F è u predittore equilibrato di ϕ se E(F) = ϕ 30
31 . EFFICIENZA 31
32 L'asseza di distorsioe o è l'uica proprietà desiderabile di uo stimatore. Uo stimatore, ifatti, potrebbe essere cetrato sul parametro perché errori molto gradi di sego positivo vegoo bilaciati da errori molto gradi di sego egativo. Ua secoda proprietà desiderabile di uo stimatore è chiamata "efficieza". 3
33 Suppoiamo di avere due stimatori F 1 e F cetrati sul parametro φ e calcolati su campioi di eguale gradezza. Siao V(F 1 ) e V(F ) le variaze dei due stimatori. L'efficieza relativa di F 1 rispetto a F è defiita dal rapporto: ( F F ) eff 1, = V V ( F ) ( F ) 1 33
34 Se F 1 e F soo etrambi stimatori seza distorsioe del parametro φ, l'efficieza di F 1 relativa a F è maggiore di 1 solo se la variaza di F è maggiore della variaza di F 1. I queste circostaze, F 1 è uo stimatore migliore di F. 34
35 Suppoiamo, ad esempio, di stimare la media della popolazioe usado due stimatori, la mediaa (F 1 ) di u campioe di gradezza e la media (F ) di u campioe di eguale gradezza. Può essere dimostrato che, per campioi di gradi dimesioi, la variaza della mediaa è V(F 1 ) = (σ /). 35
36 Ne segue che l'efficieza della mediaa relativamete alla media campioaria è eff ( F F ) V ( F ) ( F ) σ (1.533) σ 1, = = = V La variabilità associata alla media campioaria è duque circa il 64% della variabilità associata alla mediaa campioaria, il che ci cosete di cocludere che è preferibile usare la media campioaria aziché la mediaa quale stimatore della media della popolazioe. 36
37 37
38 3. CONSISTENZA 38
39 Uo stimatore F del parametro φ si dice cosistete quado la dispersioe di F itoro a φ dimiuisce all'aumetare della gradezza del campioe. Esempio. Suppoiamo di effettuare laci di ua moeta. Se i laci soo idipedeti, il umero Y degli esiti "testa" segue ua distribuzioe biomiale co probabilità di osservare l'esito "testa" uguale a p. Ua stima della probabilità p è forita dalla variabile aleatoria corrispodete al rapporto tra Y e il umero di laci della moeta (Y/). 39
40 Dal puto di vista ituitivo, potremmo aspettarci che la probabilità P Y p ε teda a 1 al crescere di, per qualsiasi arbitrario umero positivo ε. Questo i effetti si verifica co, e la variabile aleatoria (Y/) viee detta uo stimatore cosistete di p. 40
41 3. SUFFICIENZA 41
42 Ua statistica F si dice sufficiete per u parametro φ se riassume tutta l'iformazioe rilevate per φ che si trova el campioe. I altre parole, se F è uo stimatore sufficiete per φ allora la stima di φ o può essere migliorata cosiderado altri aspetti dei dati che o siao già stati cosiderati dallo stimatore F. 4
43 Cosideriamo laci di ua moeta co probabilità p di osservare l'esito "testa". Ciascu lacio X 1, X,, X è ua variabile aleatoria idipedete co la seguete distribuzioe di probabilità: 1, co probabilità X = i 0, co probabilità q = 1 p p 43
44 I precedeza, per stimare la probabilità p abbiamo usato la variabile aleatoria M : M X i i=1 = = Y 44
45 Potremmo ora chiederci se esiste ua diversa fuzioe di X 1, X,, X i grado di forire altre iformazioi a proposito di p che o siao già coteute i M. Dato che può essere dimostrato che M riassume tutta l'iformazioe cocerete p presete elle X 1, X,, X, possiamo cocludere che M è ua statistica sufficiete per p. Aalogamete, è stato dimostrato che la media campioaria è uo stimatore sufficiete della media icogita µ di ua popolazioe ormale. 45
46 VALORI ATTESI E ERRORI STANDARD DEGLI STIMATORI PUNTUALI PIU COMUNI 46
47 Parametro Gradezza del(i) Campioe(i) Stimatore Valore atteso Errore stadard µ Y µ σ p ˆ = p p pq µ 1 - µ 1 e Y1 Y µ 1 - µ σ 1 σ
48 STIMA INTERVALLARE 48
49 Le statistiche del campioe (per esempio, la media) o soo mai esattamete uguali ai parametri della popolazioe a causa degli errori itrodotti dal processo di campioameto. E' duque ecessario stabilire l'etità di questo errore. Solitamete questo problema viee affrotato calcolado u itervallo di fiducia, ovvero la gamma dei valori che hao ua probabilità prestabilita di coteere il vero parametro della popolazioe (per esempio, la media). 49
50 Come si iterpreta u itervallo di fiducia? 50
51 L'itervallo di cofideza si calcola i base a certe regole sulla base delle iformazioi forite dal campioe. Suppoiamo di costruire l'itervallo di fiducia del 95%, ovvero quell'itervallo che cotiee il parametro della popolazioe co probabilità.95. Estraiamo u campioe casuale dalla popolazioe e calcoliamo l'itervallo di fiducia del 95%. Otteiamo i questo modo due valori che delimitao l'itervallo. Ripetiamo questo processo co u altro campioe casuale. Calcoliamo ache i questo caso l'itervallo di fiducia del 95%. Otterremo così altri due valori che delimitao l'itervallo di cofideza. 51
52 Se ripetessimo questo processo ifiite volte, ci accorgeremmo che o tutti gli itervalli calcolati i base agli ifiiti campioi casuali estratti dalla popolazioe cotegoo il parametro stimato della popolazioe. Se abbiamo calcolato l'itervallo di fiducia del 95%, allora il parametro della popolazioe sarà coteuto ell'itervallo calcolato soltato el 95% dei casi. 5
53 I altre parole, dire che u itervallo di fiducia del 95% cotiee il vero parametro della popolazioe co probabilità.95 sigifica dire che, se ripetessimo il processo di campioameto ifiite volte e calcolassimo l'itervallo di fiducia per ciascu campioe, allora otterremmo u itervallo che effettivamete cotiee il vero parametro della popolazioe el 95% dei casi. 53
54 54
55 Come si calcola u itervallo di fiducia? Questo problema si risolve decidedo a priori u determiato livello di probabilità e poi trovado due valori, a e b, che cotegoo el loro itervallo il parametro della popolazioe (ad esempio, la media) al livello di probabilità prestabilito. Troviamo ora l'itervallo che ha probabilità.90 di coteere la media della popolazioe. 55
56 LA DISEGUAGLIANZA DI CEBICEV 56
57 Per costruire u itervallo di fiducia è possibile usare la disuguagliaza di Cebicev. La diseguagliaza di Cebicev afferma che, per qualuque distribuzioe di probabilità, deve essere vero che: P P σ ε ( X µ ε ) ovvero ( X µ ε ) 1 ε σ 57
58 58 1 k k X P σ µ Sia ε = kσ. Possiamo allora scrivere: ( ) σ σ σ µ k k X P ( ) 1 k k X P σ µ ( ) 1 k k z P ( ) 1 1 k k z P ovvero
59 I altre parole: la probabilità che il valore assoluto di u puteggio stadardizzato tratto a caso da ua distribuzioe qualuque sia maggiore o uguale a k è sempre miore o uguale a 1/k. Ad esempio, data ua distribuzioe qualuque co u certa media e variaza, la probabilità di estrarre a caso u osservazioe stadardizzata co u valore maggiore o uguale a (i valore assoluto) deve essere miore o uguale a 1/4. La probabilità di estrarre a caso u osservazioe stadardizzata co u valore maggiore o uguale a 10 (i valore assoluto) deve essere miore o uguale a 1/
60 Se possiamo assumere, ioltre, che la distribuzioe è simmetrica e uimodale, allora la relazioe diveta: P k ( ) z k 60
61 Esempio. Si calcoli la probabilità di estrarre a caso da ua distribuzioe u osservazioe co u valore di 3 o più deviazioi stadard dalla media. P P ( z k) Se possiamo assumere che la distribuzioe è uimodale e simmetrica, allora la probabilità cercata diveta uguale a: 1 k 1 3 ( z 3) P ( z ) 61
62 6 Allo stesso modo, possiamo dire che vi soo almeo 1-4/9 osservazioi coteute tra ±1 deviazioe stadard dalla media. Vi soo almeo 1 - (4/9) (1/4) osservazioi coteute tra ± deviazioe stadard dalla media. ( ) z P ( ) z P
63 APPLICHIAMO ORA LA DISEGUAGLIANZA DI CEBICEV ALLA DISTRIBUZIONE CAMPIONARIA DELLA MEDIA 63
64 64 Nel caso della distribuzioe campioaria della media, sarà vero che: 1 k k X P X σ µ z > a sigifica z > a e z < -a. Duque, possiamo riscrivere la diseguagliaza precedete come: 1 k k X k P X σ µ
65 65 ( ) 1 k k X k P X X σ µ σ ( ) 1 k k X k P X X + σ µ σ ( ) 1 k k X k X P X X + σ µ σ 1 k k X k P X σ µ
66 I coclusioe, la probabilità dell'eveto complemetare (ovvero, la media della popolazioe è compresa all'itero dell'itervallo) sarà duque P ( ) X + kσ µ X kσ X X 1 k 1 66
67 A questo risultato possiamo attribuire la seguete iterpretazioe: se cosideriamo la distribuzioe campioaria della media, allora l'itervallo compreso tra X kσ X e X + kσ avrà ua probabilità almeo uguale a 1-1/k X di coteere il valore µ della media della popolazioe. 67
68 Esempio. Quale è la probabilità che la media µ della popolazioe si trovi i u itervallo di ± errori stadard dalla media del campioe? P ( ) X kσ µ X + kσ X X 1 k 1 I questo caso, k =, quidi la probabilità che cerchiamo è maggiore o uguale a 1-1/ =
69 Esempio. Suppoiamo di disporre di u campioe casuale di = 50 osservazioi idipedeti tratte da ua popolazioe co media µ o coosciuta e deviazioe stadard coosciuta e uguale a 0. La media del campioe è uguale a 14. Si determii la probabilità che la vera media della popolazioe sia coteuta ell itervallo X ± 3σ Si redao ioltre espliciti i limiti dell itervallo di fiducia. X 69
70 P ( ) X 3σ µ X + 3σ 1 X X 3 1 La probabilità che cerchiamo è duque uguale a
71 σ X σ = = 0 = (.83) = (.83) = I coclusioe, l itervallo [115.51, 13.49] cotiee la vera media della popolazioe co ua probabilità maggiore o uguale a
72 DISTRIBUZIONE CAMPIONARIA DELLA MEDIA 7
73 I precedeza abbiamo visto che la distribuzioe campioaria della media di campioi di dimesioi tratti da ua popolazioe ormale co media µ e variaza σ è ormale co media µ e variaza σ /. Cosideriamo ora i maggiore dettaglio la distribuzioe campioaria della media el caso i cui o si possa assumere la ormalità della popolazioe (e duque il teorema precedete o si applica). 73
74 Izieremo a trovare il valore atteso e la variaza della somma di variabili aleatorie co valore atteso µ e variaza σ. Cosidereremo poi il valore atteso e la variaza della media di variabili aleatorie co valore atteso µ e variaza σ. Euceremo ifie il teorema del limite cetrale. 74
75 VALORE ATTESO E VARIANZA DELLA SOMMA 75
76 Sia X ua variabile aleatoria co valore atteso E(X) = µ e variaza V(X) = σ. Sia S la somma di variabili idipedeti X i : S = X 1 + X + + X. ( S ) E( X + X + + X ) = E... = 1 ( X ) E( X ) E( X ) µ = E =
77 ( S ) V ( X + X + + X ) = V... = = 1 ( ) ( ) ( ) V = X V X... V X σ
78 I coclusioe, la variabile aleatoria S ha valore atteso E(S ) = µ e variaza V(S ) = σ. 78
79 VALORE ATTESO E VARIANZA DELLA MEDIA 79
80 80 Sia M = S /. ( ) ( ) µ µ = = = = S E S E M E 1 1 ( ) ( ) S V S V M V 1 1 σ σ = = = =
81 I coclusioe, la media M ha valore atteso E(M ) = µ e variaza V(M ) = σ /. 81
82 Si oti che la variaza della distribuzioe campioaria della media dimiuisce al crescere delle dimesioi del campioe: V(M ) = σ /. Questo sigifica che la media del campioe è uo stimatore cosistete per la media della popolazioe. E stato ioltre dimostrato che la media del campioe è uo stimatore massimamete efficiete, sufficiete e corretto. 8
83 Ua volta trovata la media e la variaza della distribuzioe campioaria della media, chiediamoci ora quale è la forma della distribuzioe campioaria della media. La risposta a questa domada ci viee data dal Teorema del Limite Cetrale: 83
84 84
85 TEOREMA DEL LIMITE CENTRALE Se è u isieme di variabili aleatorie co valore atteso uguale a e variaza uguale a, allora la distribuzioe di z = X σ µ tede alla distribuzioe ormale stadardizzata co 85
86 i altre parole: se tutti i possibili campioi di gradezza vegoo estratti da ua popolazioe co media µ e variaza σ, all'aumetare di le medie di questi campioi approssimerao ua distribuzioe ormale co media µ e variaza σ /. 86
87 Il teorema del limite cetrale è così importate perchè ci cosete di specificare completamete la distribuzioe campioaria della media di campioi casuali di gradezza seza fare essua assuzioe a proposito della forma della distribuzioe della popolazioe. 87
88 ESERCIZI E1 Esercizi 1-8 Hays, p
89 APPROSSIMAZIONE NORMALE ALLA BINOMIALE 89
90 Il teorema del limite cetrale afferma che i valori di probabilità della distribuzioe biomiale tedoo a quelli della distribuzioe ormale stadardizzata al crescere di, quado il umero di successi r i prove beroulliae viee trasformato i uità stadard x i base alla formula: x = r p pq 90
91 Esempio. Ua moeta viee laciata 100 volte. Si trovi la probabilità che la proporzioe di esiti T sia compresa ell'itervallo Per risolvere questo problema, trasformiamo i limiti dell'itervallo i puteggi stadardizzati e usiamo la curva ormale per stimare la probabilità E(X) = p = = 50. SD(X) = Sqrt(pq) = Sqrt( ) = 5. z 1 = (40-50)/5 = - z = (60-50)/5 = 91
92 L area sottesa alla curva ormale tra - e + è Duque, la probabilità di osservare tra i 40 e i 60 esiti T el caso di 100 laci di ua moeta oesta è Si oti che, per risolvere questo problema, o abbiamo sommato le probabilità della distribuzioe biomiale per tutti i valori compresi tra 40 e 60 successi. Abbiamo ivece usato l'approssimazioe ormale alla biomiale. 9
93 Esempio. Nelle uiversità americae gli studeti fao domada di ammissioe e l'uiversità decide se ammettere o meo gli studeti i base al puteggio che hao coseguito ei test di ammissioe. No tutti gli studeti che vegoo accettati però si iscrivoo, dato che ciascuo studete fa domada a più uiversità e si iscrive all'uiversità migliore tra quelle che lo hao accettato. 93
94 Suppoete che u college americao o possa ammettere più di 1060 studeti. Dalle statistiche effettuate egli ai passati si è stabilito che uo studete accettato i questa uiversità ha ua probabilità di.6 di iscriversi. Suppoete ioltre che l'uiversità ivii ua lettera di accettazioe a 1700 studeti i u ao. Quale è la probabilità che a questa uiversità si iscrivao troppi studeti? 94
95 Cosideriamo l'iscrizioe come u processo berulliao (iscrizioe = successo, o iscrizioe = isuccesso) e usiamo l'approssimazioe ormale alla biomiale. Il valore atteso del umero di iscrizioi, X, è: E(X) = p = = 100. ES = Sqrt(pq) = Sqrt( ) = 0. Il valore critico che o dobbiamo eccedere è Il puteggio stadardizzato si ottiee come: z = ( ) / 0 =. 95
96 I puteggi i eccesso di 1060 rappresetao gli eveti che vogliamo evitare. Il problema è di calcolare la probabilità di questi eveti. Per trovare questa probabilità dobbiamo trovare l'area sottesa alla curva ormale tra.0 e +. Questa probabilità è uguale a I coclusioe, la probabilità che si verifichi u eveto idesiderato per gli ammiistratori dell'uiversità avedo accettato 1700 studeti, duque, è molto piccola. 96
97 ESERCIZIO E Sia S la somma del umero di esiti T i 100 laci di ua moeta oesta. Si usi il TLC per stimare: (a) P(S < 45) (b) P(45 < S < 55) (c) P(S > 63) 97
98 DISTRIBUZIONE CAMPIONARIA DELLA VARIANZA 98
99 I precedeza abbiamo detto che la media campioaria forisce ua stima priva di errore sistematico della media della popolazioe. I altre parole, la media della distribuzioe campioaria della media campioaria è uguale alla media della popolazioe. Le cose soo diverse, ivece, per quel che riguarda la variaza di u campioe. La variaza campioaria, ifatti, o forisce ua stima priva di errore sistematico della variaza della popolazioe. I altre parole, la media della distribuzioe campioaria della variaza campioaria è diversa dalla variaza della popolazioe. 99
100 Si può dimostrare, ifatti, che la media della distribuzioe campioaria della variaza campioaria, E(S ), è uguale alla differeza tra la variaza della popolazioe e la variaza della distribuzioe campioaria della media: E ( ) S = σ σ X I geerale, questa differeza o sarà uguale alla variaza della popolazioe dato che la variaza della distribuzioe campioaria della media o è uguale a zero. Quidi, la variaza del campioe tede ad essere più piccola della variaza della popolazioe. 100
101 Per correggere questo errore sistematico otiamo che: E σ σ σ 1 σ σ ( ) S = = = La variaza campioaria media, duque, è più piccola della variaza della popolazioe di u fattore uguale a (- 1)/. 101
102 Per otteere ua stima priva di errore sistematico della variaza della popolazioe modifichiamo duque la variaza del campioe el modo seguete: s = 1 S E' ifatti chiaro che il valore atteso della distribuzioe campioaria della statistica s sarà uguale alla variaza della popolazioe. 10
103 ESERCIZIO Si dimostri l affermazioe precedete. 103
104 104 Ua stima priva di errore sistematico della variaza della popolazioe può essere calcolata direttamete dai dati del campioe: ( ) ( ) = = = X X X X S s i i i i
105 I coclusioe, duque, usiamo la statistica S per idicare la variaza del campioe quale idice descrittivo, e la statistica s quale stimatore privo di errore sistematico della variaza della popolazioe σ. 105
106 U ulteriore complicazioe asce dal fatto che la deviazioe stadard è uguale alla radice quadrata della variaza. Dato che la radice quadrata o è ua fuzioe lieare, questo sigifica che la deviazioe stadard o forisce ua stima priva di errore sistematico della deviazioe stadard della popolazioe. Ci soo dei metodi che ci cosetoo di correggere questo errore, ma o li esamieremo dato che, quado la gradezza del campioe è ragioevolmete grade, l'etità di questo errore è trascurabile. 106
107 La distribuzioe campioaria della variaza di campioi estratti da ua popolazioe ormale o è ormale, ma è collegata alla distribuzioe χ. Abbiamo visto i precedeza che il rapporto tra la variaza del campioe s e la variaza della popolazioe, moltiplicato per ( - 1), si distribuisce secodo la legge χ co ν = - 1 gradi di libertà. I base a questo pricipio, è possibile costruire gli itervalli di fiducia per la variaza della popolazioe sulla base delle iformazioi forite dal campioe. 107
108 ERRORE STANDARD STIMATO DELLA MEDIA CAMPIONARIA 108
109 I base al teorema del limite cetrale, el caso di > 30, possiamo dire che la distribuzioe campioaria della media è ormale co media uguale alla media della popolazioe e variaza uguale alla variaza della popolazioe divisa per. I geerale, però, questa coclusioe ci è di poco aiuto dato che la variaza della popolazioe o è coosciuta. E duque ecessario stimare la variaza della popolazioe per calcolare l errore stadard della media. 109
110 110 Chiediamoci ora come sia possibile stimare l'errore stadard della distribuzioe campioaria della media a partire dai dati di u campioe. Questa stima può essere calcolata i due modi: s s X = = = ˆ σ σ 1 1 ˆ = = = S S X σ σ
111 I coclusioe, le caratteristiche della distribuzioe campioaria della media soo le segueti. Se possiamo assumere che la popolazioe sia ormale, co media µ e variaza σ, allora la distribuzioe campioaria della media sarà ormale co media uguale a E( X ) = µ co errore stadard uguale a σ = σ X 111
112 Se la popolazioe ha media µ e variaza σ, ma o è distribuita ormalmete, allora i base al teorema del limite cetrale, co > 30, la distribuzioe campioaria della media sarà approssimativamete ormale co media uguale a E( X ) = µ co errore stadard uguale a σ = σ X 11
113 I etrambi i casi (popolazioe ormale oppure popolazioe o ormale co campioe > 30 osservazioi), la variaza della popolazioe (solitamete o coosciuta) può essere stimata co s. 113
114 Se duque possiamo riteere che le medie dei campioi siao distribuite ormalmete co media µ e variaza σ, allora la quatità z = X µ X = µ σˆ X s sarà distribuita come ua variabile ormale stadardizzata. 114
115 STIMA DEI PARAMETRI DELLA POPOLAZIONE NEL CASO DI PIU CAMPIONI 115
116 Suppoiamo di avere diversi campioi idipedeti e di volere stimare la media e la variaza della popolazioe. Iiziamo cosiderado il caso di due campioi idipedeti. Per ciascu campioe calcoliamo la media. La stima cogiuta della media della popolazioe sarà: µ ˆ = 1 X 1 + X 1 + ovvero, la media poderata delle medie dei due campioi. 116
117 Nel caso di 3 campioi avremo: µ ˆ = 1 X X X 3 117
118 Il fatto che la stima cogiuta della media della popolazioe sia da preferire alla stima separata forita da ciascu campioe è dimostrato dall'errore stadard della stima cogiuta della media. L'errore stadard di ua distribuzioe campioaria, ifatti, ci forisce u'idicazioe del grado di errore che compiamo usado la statistica del campioe per stimare il parametro della popolazioe. 118
119 Per due campioi idipedeti, ciascuo composto da osservazioi tratte dalla medesima popolazioe, l'errore stadard è: σ X = σ 1 + che è ecessariamete più piccolo dell'errore stadard calcolato a partire da X 1 e X cosiderate isolatamete. 119
120 Per 3 campioi avremo: σ X = σ Questi risultati, però, soo espressi ei termii della deviazioe stadard della popolazioe (σ) che, solitamete, o è ota. Possiamo però stimare questo parametro usado la variaza del campioe. 10
121 11 Nel caso di due campioi idipedeti, la variaza stimata della popolazioe ( ˆ σ ) si può calcolare come: ( ) ( ) ( ) ( ) ˆ = s s σ e l'errore stadard stimato della distribuzioe campioaria della media sarà uguale a: 1 ˆ ˆ X + = σ σ
122 INTERVALLO DI FIDUCIA PER LA MEDIA (CAMPIONI DI GRANDI DIMENSIONI) 1
123 I base al teorema del limite cetrale abbiamo stabilito che, per campioi di gradi dimesioi, la quatità Z = Y s µ ha ua distribuzioe ormale stadardizzata. Troviamo ora due valori tali per cui P ( z Z ) = 1 α α zα 13
124 14
125 15 α σ µ α α = 1 ˆ z X z P X ( ) α σ µ σ α α = 1 ˆ ˆ X X z X z P ( ) α σ µ σ α α = + 1 ˆ ˆ X X z X z X P ( ) α σ µ σ α α = + 1 ˆ ˆ X X z X z X P
126 I due limiti dell itervallo di fiducia del 100(1 - α)% soo duque uguali a: X + zα s X zα s 16
127 Esempio. Il tempo ecessario a 64 idividui per completare il test XYZ è stato estratto a caso da u database che cotiee i dati di tutti gli idividui che si soo sottoposti al test. La media e la variaza di questo campioe soo, rispettivamete, 33 miuti e 56. Si trovi l itervallo che cotiee la vera media della popolazioe co ua probabilità di
128 s 56 ˆ = = = 64 σ X z α = z.05 = Y z α ˆ σ = = X 9.71 Y σˆ zα = = X
129 Ache se o possiamo essere sicuri che l itervallo calcolato (9.71, 36.9) cotega effettivamete la media della popolazioe, possiamo però affermare che, se ripetessimo il processo di campioameto e calcolassimo l itervallo di fiducia, gli itervalli così calcolati coterrebbero la vera media della popolazioe el 90% dei casi. 19
130 ESERCIZI E3 U gerotologo studio le abitudii alimetari delle doe co u'età superiore ai 70 ai. Il gerotologo ipotizza che, i questa fascia d'età, le abitudii alimetari delle doe siao mutate el corso degli ultimi 50 ai. I dati di uo studio di 50 ai fa idicao che la quatità media dei calorie assute gioralmete dalle doe i questa fascia d'età era uguale a 03 calorie. U campioe di 100 doe co u'età maggiore o uguale a 70 ai viee scelto i maiera casuale e la quatità media di calorie assute gioralmete da ciascua di queste doe viee misurata. La media del campioe risulta essere di 1847 calorie gioraliere. Si trovi l'itervallo di fiducia del 95%. 130
131 E3 I u esperimeto, 00 campioi casuali e idipedeti vegoo estratti dalla medesima popolazioe. Lo sperimetatore ipotizza che la media della popolazioe sia uguale a L itervallo di fiducia del 90% viee calcolato per ciascuo dei 00 campioi. Esamiado i risultati, lo sperimetatore si rede coto che alcui di questi itervalli di fiducia o coproo il valore di Se la media della popolazioe fosse effettivamete uguale a 67.9, quati di questi itervalli spuri (ovvero, che o coproo la vera media della popolazioe) ci si dovrebbe attedere di trovare? 131
132 E4 U campioe casuale di 3000 dichiarazioi dei redditi viee cotrollata. Viee cotato il umero di esezioi per ciascua dichiarazioe. La media per questo campioe risulta essere di 3.78 co ua deviazioe stadard di.97. Si calcoli l'itervallo di fiducia del 99% relativo al umero di esezioi per dichiarazioe ella popolazioe. 13
133 INTERVALLO DI FIDUCIA PER LA MEDIA (CAMPIONI DI PICCOLE DIMENSIONI) 133
134 Suppoiamo di disporre di u campioe casuale di piccole dimesioi ( < 30) co media Y e variaza s, tratto da ua popolazioe ormale co media µ e variaza σ. I precedeza abbiamo visto che la quatità T = Y µ s segue la distrbuzioe t di Studet co ( - 1) gradi di libertà. 134
135 Dalle tabelle possiamo trovare i valori -t α/ e t α/ tali per cui P ( t T ) = 1 α α tα -t α/ 0 t α/ 135
136 I maiera equivalete a ciò che abbiamo fatto i precedeza, i due limiti dell itervallo di fiducia sarao: X + tα s X tα s 136
137 Esercizio. Da ua popolazioe ormale viee estratto u campioe di = 8 osservazioi, co media 959 e deviazioe stadard (seza errore sistematico) uguale a Si calcoli l itervallo di fiducia per la media della popolazioe co u coefficiete di cofideza di
138 Dalle tavole ricaviamo t α/ = t.05 =.365. L itervallo di fiducia del 95% sarà: 959 ±.365 (39.1/Sqrt(8)) = 959 ±
139 INTERVALLO DI FIDUCIA PER LA VARIANZA 139
140 Suppoiamo di disporre di u campioe di osservazioi tratto da ua popolazioe ormale co media µ e variaza σ. I precedeza abbiamo otato che la quatità ( ) 1 σ s è distribuita come χ co ( - 1) gradi di libertà 140
141 141 ( ) 1 S I s P χ σ χ Come i precedeza: Da cui deriva l itervallo di cofideza per σ di 100(1 - α): ( ) ( ) 1, 1 α χ α χ s s
142 α/ 1 - α α/ 0 χ 1-α/ χ α/ RR RR 14
143 Esercizio. Uo sperimetatore vuole stabilire la variaza delle misure otteute co uo strumeto per la rilevazioe del volume sooro di ua data fote. Tre misure vegoo otteute: 4.1, 5., 10.. Si stimi la variaza della popolazioe σ co u coefficiete di cofideza di
144 Per i dati preseti, s = Se possiamo assumere la ormalità della popolazioe, allora ( 1) s ( 1) χ.05, χ ( ) ( ) 5.991, s ( 3.53, 05.4) 144
145 Si oti come l itervallo di fiducia sia molto grade, il che è dovuto, i primo luogo, al fatto che è piccolo. 145
146 INTERVALLO DI FIDUCIA PER UNA PROPORZIONE 146
147 Ua proporzioe o è altro che il rapporto tra il umero di successi i prove beroulliae e il umero delle prove. I precedeza, discutedo della distribuzioe biomiale abbiamo defiito il umero di successi i prove beroulliae come la somma dei valori assuti da variabili che possoo assumere soltato i valori 0 oppure 1. Abbiamo trovato il valore atteso e la variaza di S, (umero di successi i prove beroulliae). E(S ) = p V(S ) = pq 147
148 Il problema che ci poiamo ora è di trovare il valore atteso e la variaza di ua proporzioe, ovvero della variabile S (come è stata defiita i precedeza) divisa per il umero di prove. E S 1 1 = = = ( pˆ ) = E E( S ) p p V S 1 1 = = pq = ( pˆ ) V V ( S ) = pq 148
149 Per ciò che riguarda la forma della distribuzioe campioaria di ua proporzioe, ci limiteremo al caso di campioi di gradi dimesioi. Nel caso di > 100, i base al teorema del limite cetrale possiamo dire che la variabile aleatoria pˆ si distribuisce i maiera approssimativamete ormale. La variabile z seguirà duque la distribuzioe ormale stadardizzata: z p = ˆ pq p 149
150 I maiera equivalete a ciò che abbiamo fatto i precedeza, i due limiti dell itervallo di cofideza sarao: pˆ ± zα pq Si oti che ella formula precedete l itervallo di fiducia è espresso ei termii dei parametri scoosciuti della popolazioe p, q. 150
151 Qualora questi parametri vegao stimati a partire dai dati del campioe, l itervallo di fiducia co u coefficiete di cofideza di 1 - α diveta: pˆ ± zα pq ˆ ˆ 151
152 Esercizio. U campioe casuale di 00 persoe viee itervistato. A ciascuo idividuo viee posta ua domada a cui si può rispodere affermativamete o egativamete. I questo campioe, il 58% degli itervistati rispode affermativamete alla domada cosiderata. Si costruisca l itervallo di fiducia co u coefficiete di cofideza di.95 per la proporzioe di idividui che rispoderebbero affermativamete alla domada ella popolazioe. 15
153 pˆ ± zα pq ˆ ˆ.58 ± ( , ) 153
154 E5 Su 500 famiglie campioate casualmete, 499 hao forito ua risposta positiva al quesito proposto dall'itervistatore. Si costruisca l'itervallo di fiducia del 95%. 154
155 E6 I passato u referedum è stato bocciato co il 54% di voti cotrari. I propoeti del referedum raccolgoo u campioe casuale di 1000 poteziali votati e trovao che il 51% di questi è favorevole alla proposta referedaria. Si trovi l'itervallo di fiducia del 99% della proporzioe di votati ella popolazioe che soo favorevoli al referedum. Che cosa suggerisce questo risultato? 155
156 E7 Suppoiamo di disporre di u campioe co gradezza = 600. La popolazioe da cui il campioe è estratto ha scarto quadratico medio uguale a 0. La media del campioe è 14. (a) Quali soo i limiti di fiducia corrispodeti a 3 errori stadard? (b) Quale è la probabilità che la vera media della popolazioe abbia u valore compreso i questo itervallo i base alla diseguagliaza di Cebicev? (c) Se assumiamo che la distribuzioe campioaria della media sia ormale, quale è la probabilità che la media sia compresa all'itero dell'itervallo di cofideza di 3 errori stadard? 156
157 E8 Se o è possibile fare alcua assuzioe a proposito della distribuzioe della popolazioe, quale è la probabilità massima di osservare u caso che si scosti più di 1.7 deviazioi stadard dalla media? 157
Campionamento casuale da popolazione finita (caso senza reinserimento )
Campioameto casuale da popolazioe fiita (caso seza reiserimeto ) Suppoiamo di avere ua popolazioe di idividui e di estrarre u campioe di uità (co < ) Suppoiamo di studiare il carattere X che assume i valori
DettagliUniversità degli Studi di Cassino, Anno accademico Corso di Statistica 2, Prof. M. Furno
Uiversità degli Studi di Cassio, Ao accademico 004-005 Corso di Statistica, Prof.. uro Esercitazioe del 01/03/005 dott. Claudio Coversao Esercizio 1 Si cosideri il seguete campioe casuale semplice estratto
DettagliTitolo della lezione. Dal campione alla popolazione: stima puntuale e per intervalli
Titolo della lezioe Dal campioe alla popolazioe: stima putuale e per itervalli Itroduzioe Itrodurre il cocetto di itervallo di cofideza Stima di parametri per piccoli e gradi campioi Stimare la proporzioe
DettagliAlcuni concetti di statistica: medie, varianze, covarianze e regressioni
A Alcui cocetti di statistica: medie, variaze, covariaze e regressioi Esistoo svariati modi per presetare gradi quatità di dati. Ua possibilità è presetare la cosiddetta distribuzioe, raggruppare cioè
DettagliStima della media di una variabile X definita su una popolazione finita
Stima della media di ua variabile X defiita su ua popolazioe fiita otazioi: popolazioe, campioe e strati Popolazioe. umerosità popolazioe; Ω {ω,..., ω } popolazioe X variabile aleatoria defiita sulla popolazioe
DettagliINFERENZA o STATISTICA INFERENTE
INFERENZA o STATISTICA INFERENTE Le iformazioi sui parametri della popolazioe si possoo otteere sia mediate ua rilevazioe totale (o rilevazioe cesuaria) sia mediate ua rilevazioe parziale (o rilevazioe
DettagliPopolazione e Campione
Popolazioe e Campioe POPOLAZIONE: Isieme di tutte le iformazioi sul feomeo oggetto di studio Viee descritta mediate ua variabile casuale X: X ~ f ( x; ϑ) θ = costate icogita Qual è il valore di θ? E verosimile
DettagliPolitecnico di Milano - Anno Accademico Statistica Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo
Politecico di Milao - Ao Accademico 010-011 Statistica 086449 Docete: Alessadra Guglielmi Esercitatore: Stefao Baraldo Esercitazioe 8 14 Giugo 011 Esercizio 1. Sia X ua popolazioe distribuita secodo ua
DettagliSTUDIO DEL LANCIO DI 3 DADI
Leoardo Latella STUDIO DEL LANCIO DI 3 DADI Il calcolo delle probabilità studia gli eveti casuali probabili, cioè quegli eveti che possoo o o possoo verificarsi e che dipedoo uicamete dal caso. Tale studio
DettagliCosto manutenzione (euro)
Esercitazioe 05 maggio 016 ESERCIZIO 1 Ua società di servizi possiede u parco auto di diverse età. I dirigeti ritegoo che il costo degli iterveti di mautezioe per le auto più vecchie sia geeralmete più
DettagliQuesito 1. I seguenti dati si riferiscono ai tempi di reazione motori a uno stimolo luminoso, espressi in decimi di secondo, di un gruppo di piloti:
Quesito. I segueti dati si riferiscoo ai tempi di reazioe motori a uo stimolo lumioso, espressi i decimi di secodo, di u gruppo di piloti: 2, 6 3, 8 4, 8 5, 8 2, 6 4, 0 5, 0 7, 2 2, 6 4, 0 5, 0 7, 2 2,
DettagliEsercitazioni di Statistica
Esercitazioi di Statistica Itervalli di cofideza Prof. Livia De Giovai statistica@dis.uiroma1.it Esercizio 1 La fabbrica A produce matite colorate. Ua prova su 100 matite scelte a caso ha idicato u peso
DettagliInferenza statistica. Popolazione. Camp. Statistiche campionarie basate sulle osservazioni del campione. Estrazione casuale. Parametro e statistica
6/0/0 Corso di Statistica per l impresa Prof. A. D Agostio Ifereza statistica Per fare ifereza statistica si utilizzao le iformazioi raccolte su u campioe per cooscere parametri icogiti della popolazioe
DettagliTEST STATISTICI. indica l ipotesi che il parametro della distribuzione di una variabile assume il valore 0
TEST STATISTICI I dati campioari possoo essere utilizzati per verificare se ua certa ipotesi su ua caratteristica della popolazioe può essere riteuta verosimile o meo. Co il termie ipotesi statistica si
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimeto di Igegeria Idustriale e Scieze Matematiche Uiversità Politecica delle Marche 1. Esercizio (31 marzo 2012. 1). Al
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2013
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 3 Prova scritta del 6//3 Esercizio Suppoiamo che ua variabile aleatoria Y abbia la seguete desita : { hx e 3/x, x > f Y (y) =, x, co h opportua costate positiva.
DettagliEsame di Statistica A-Di Prof. M. Romanazzi
1 Uiversità di Veezia Esame di Statistica A-Di Prof. M. Romaazzi 12 Maggio 2014 Cogome e Nome..................................... N. Matricola.......... Valutazioe Il puteggio massimo teorico di questa
Dettagli6 Stima di media e varianza, e intervalli di confidenza
Si può mostrare che, per ogi fissato α, t,α z α, e t,α z α per + I pratica t,α e z α soo idistiguibili per 200. 6 Stima di media e variaza, e itervalli di cofideza Lo scopo esseziale della Statistica ifereziale
DettagliSUCCESSIONI DI FUNZIONI
SUCCESSIONI DI FUNZIONI LUCIA GASTALDI 1. Defiizioi ed esempi Sia I u itervallo coteuto i R, per ogi N si cosideri ua fuzioe f : I R. Il simbolo f } =1 idica ua successioe di fuzioi, cioè l applicazioe
DettagliProbabilità 1, laurea triennale in Matematica II prova scritta sessione estiva a.a. 2008/09
Probabilità, laurea trieale i Matematica II prova scritta sessioe estiva a.a. 8/9. U ura cotiee dadi di cui la metà soo equilibrati, metre gli altri soo stati maipolati i modo che, per ciascuo di essi,
DettagliApprofondimento 2.1 Scaling degli stimoli mediante il metodo del confronto a coppie
Approfodimeto 2.1 Scalig degli stimoli mediate il metodo del cofroto a coppie Il metodo del cofroto a coppie di Thurstoe (Thurstoe, 1927) si basa sull assuzioe che la valutazioe di u oggetto o di uo stimolo
DettagliStatistica 1 A.A. 2015/2016
Corso di Laurea i Ecoomia e Fiaza Statistica 1 A.A. 2015/2016 (8 CFU, corrispodeti a 48 ore di lezioe frotale e 24 ore di esercitazioe) Prof. Luigi Augugliaro 1 / 21 Misura della dipedeza di u carattere
DettagliAnemia. Anemia - percentuali
1 emia emoglobia 1-13 Data la distribuzioe dell emoglobia i u gruppo di pazieti maschi sottoposti a trattameto: - Circa u paziete su 3 era fortemete aemico (emogl. meo di 1) - La mediaa era fra 13 e 14
DettagliAppunti complementari per il Corso di Statistica
Apputi complemetari per il Corso di Statistica Corsi di Laurea i Igegeria Edile e Tessile Ilia Negri 24 settembre 2002 1 Schemi di campioameto Co il termie campioameto si itede l operazioe di estrazioe
DettagliQuartili. Esempio Q 3 Q 1. Distribuzione unitaria degli affitti settimanali in euro pagati da 19 studenti U.S. A G I F B D L H E M C
Quartili Primo quartile Q 1 : modalità che ella graduatoria (crescete o decrescete) bipartisce il 50% delle osservazioi co modalità più piccole o al più uguali alla Me Terzo quartile Q 3 : modalità che
DettagliCosa vogliamo imparare?
Cosa vogliamo imparare? risolvere i modo approssimato equazioi del tipo f()=0 che o solo risolubili i maiera esatta ed elemetare tramite formule risolutive. Esempio: log( ) 1= 0 Iterpretazioe grafica Come
DettagliTitolo della lezione. Campionamento e Distribuzioni Campionarie
Titolo della lezioe Campioameto e Distribuzioi Campioarie Itroduzioe Itrodurre le idagii campioarie Aalizzare il le teciche di costruzioe dei campioi e di rilevazioe Sviluppare il cocetto di distribuzioe
DettagliQuartili. Esempio Q 3. Me Q 1. Distribuzione unitaria degli affitti settimanali in euro pagati da 19 studenti U.S. A G I F B D L H E M C
Quartili Primo quartile Q 1 : modalità che ella graduatoria (crescete o decrescete) bipartisce il 50% delle osservazioi co modalità più piccole o al più uguali alla Me Terzo quartile Q 3 : modalità che
DettagliIntervalli di confidenza
Itervalli di cofideza Fracesco Lagoa Itroduzioe Questa dispesa riassume schematicamete i pricipali risultati discussi a lezioe sulla costruzioe di itervalli di cofideza. Itervalli di cofideza per la media
DettagliUniversità di Napoli Federico II, DISES, A.a , CLEC, Corso di Statistica (L-Z) Lezione 22 La verifica delle ipotesi. Corso di Statistica (L-Z)
Uiversità di Napoli Federico II, DISES, A.a. 215-16, CLEC, Corso di Statistica (L-Z) Corso di laurea i Ecoomia e Commercio (CLEC) Ao accademico 215-16 Corso di Statistica (L-Z) Maria Mario Lezioe: 22 Argometo:
DettagliUNIVERSITÀ DEGLI STUDI DI MILANO - BICOCCA
UNIVERSITÀ DEGLI STUDI DI MILANO - BICOCCA FACOLTÀ DI SOCIOLOGIA a. a. 9 Esame del -6- Statistica ESERCIZIO Relazioi tra Variabili (totale puti: ) Ad ua riuioe del circolo Amati dell acquario, i soci preseti
Dettagli1.6 Serie di potenze - Esercizi risolti
6 Serie di poteze - Esercizi risolti Esercizio 6 Determiare il raggio di covergeza e l isieme di covergeza della serie Soluzioe calcolado x ( + ) () Per la determiazioe del raggio di covergeza utilizziamo
DettagliEsame di Probabilità e Statistica del 9 luglio 2007 (Corso di Laurea Triennale in Matematica, Università degli Studi di Padova).
Esame di Probabilità e Statistica del 9 luglio 27 Corso di Laurea Trieale i Matematica, Uiversità degli Studi di Padova). Cogome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto fiale Attezioe: si cosegao
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Intervalli di confidenza
iovaella@disp.uiroma.it http://www.disp.uiroma.it/users/iovaella Itervalli di cofideza Itroduzioe Note geerali La stima putuale permette di otteere valori per i parametri di ua fuzioe ma i alcui casi può
DettagliEsercizi di Probabilità e Statistica della 2 a settimana (Corso di Laurea in Matematica, Università degli Studi di Padova).
Esercizi di Probabilità e Statistica della 2 a settimaa (Corso di Laurea i Matematica, Uiversità degli Studi di Padova). Esercizio. Sia (Ω, A, P) uo spazio probabilizzato e B A o trascurabile. Dimostrare
DettagliLezioni di Matematica 1 - I modulo
Lezioi di Matematica 1 - I modulo Luciao Battaia 4 dicembre 2008 L. Battaia - http://www.batmath.it Mat. 1 - I mod. Lez. del 04/12/2008 1 / 28 -2 Sottosuccessioi Grafici Ricorreza Proprietà defiitive Limiti
DettagliEsame di Statistica A-Di Prof. M. Romanazzi
1 Uiversità di Veezia Esame di tatistica A-Di Prof. M. Romaazzi 27 Geaio 2015 ogome e Nome..................................... N. Matricola.......... Valutazioe l puteggio massimo teorico di questa prova
DettagliLezione 5. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 5. A. Iodice.
La Statistica Alfoso Iodice D Eza iodicede@uicas.it Uiversità degli studi di Cassio () Statistica 1 / 26 Outlie La 1 2 La 3 4 () Statistica 2 / 26 Trimmed mea - La aritmetica risete della preseza di valori
DettagliConsideriamo un insieme di n oggetti di natura qualsiasi. Indicheremo questi oggetti con
Calcolo Combiatorio Adolfo Scimoe pag 1 Calcolo combiatorio Cosideriamo u isieme di oggetti di atura qualsiasi. Idicheremo questi oggetti co a1 a2... a. Co questi oggetti si voglioo formare dei gruppi
DettagliEsercitazioni di Statistica Dott. Danilo Alunni Fegatelli
Esercitazioi di Statistica Dott. Dailo Alui Fegatelli dailo.aluifegatelli@uiroma.it Esercizio. Su 0 idividui soo stati rilevati la variabile X (geere) e (umero di auto possedute) X F F M F M F F M F M
DettagliProf.ssa Paola Vicard
Statistica Computazioale Questa ota cosiste per la maggior parte ella traduzioe (co alcue modifiche e itegrazioi) da Descriptive statistics di J. Shalliker e C. Ricketts, 000, Uiversity of Plymouth Questa
DettagliSoluzioni. 2 2n+1 3 2n. n=1. 3 2n 9. n=1. Il numero 2 può essere raccolto fuori dal segno di sommatoria: = 2. n=1 = = 8 5.
60 Roberto Tauraso - Aalisi Calcolare la somma della serie Soluzioi + 3 R La serie può essere riscritta el modo seguete: + 4 3 9 Il umero può essere raccolto fuori dal sego di sommatoria: + 4 3 9 Si tratta
DettagliSERIE DI POTENZE Esercizi risolti. Esercizio 1 Determinare il raggio di convergenza e l insieme di convergenza della serie di potenze. x n.
SERIE DI POTENZE Esercizi risolti Esercizio x 2 + 2)2. Esercizio 2 + x 3 + 2 3. Esercizio 3 dove a è u umero reale positivo. Esercizio 4 x a, 2x ) 3 +. Esercizio 5 x! = x + x 2 + x 6 + x 24 + x 20 +....
Dettagli2,3, (allineamenti decimali con segno, quindi chiaramente numeri reali); 4 ( = 1,33)
Defiizioe di umero reale come allieameto decimale co sego. Numeri reali positivi. Numeri razioali: defiizioe e proprietà di desità Numeri reali Defiizioe: U umero reale è u allieameto decimale co sego,
DettagliPrecorso di Matematica, aa , (IV)
Precorso di Matematica, aa 01-01, (IV) Poteze, Espoeziali e Logaritmi 1. Nel campo R dei umeri reali, il umero 1 e caratterizzato dalla proprieta che 1a = a, per ogi a R; per ogi umero a 0, l equazioe
Dettagli( 4) ( ) ( ) ( ) ( ) LE DERIVATE ( ) ( ) (3) D ( x ) = 1 derivata di un monomio con a 0 1. GENERALITÀ
LE DERIVATE. GENERALITÀ Defiizioe A) Ituitiva. La derivata, a livello ituitivo, è u operatore tale che: a) ad ua fuzioe f associa u altra fuzioe; b) obbedisce alle segueti regole di derivazioe: () D a
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Statistica Matematica: Cocetti Fodametali Nell esperieza quotidiaa e ella pratica della professioe dell igegere occorre: predere decisioi e ciò ormalmete richiede la dispoibilità di specifiche iformazioi
DettagliIL CALCOLO COMBINATORIO
IL CALCOLO COMBINATORIO 0. Itroduzioe Oggetto del calcolo combiatorio è quello di determiare il umero dei modi mediate i quali possoo essere associati, secodo prefissate regole, gli elemeti di uo stesso
DettagliScheda n.6: legame tra due variabili; correlazione e regressione
Scheda.6: legame tra due variabili; correlazioe e regressioe October 26, 2008 Covariaza e coefficiete di correlazioe Date due v.a. X ed Y, chiamiamo covariaza il umero Cov (X, Y ) = E [(X E [X]) (Y E [Y
DettagliTraccia delle soluzioni degli esercizi del fascicolo 6
Traccia delle soluzioi degli esercizi del fascicolo 6 Esercizio Vegoo geerati umeri casuali tra 0 e, co distribuzioe uiforme. Quati umeri è ecessario geerare affiché la probabilità che la somma di essi
DettagliMATEMATICA DEL DISCRETO elementi di calcolo combinatorio. anno acc. 2009/2010
elemeti di calcolo combiatorio ao acc. 2009/2010 Cosideriamo u isieme fiito X. Chiamiamo permutazioe su X u applicazioe biuivoca di X i sè. Ad esempio, se X = {a, b, c}, le permutazioi distite soo 6 e
DettagliSoluzioni Esercizi Capitolo 3
Soluzioi Esercizi Capitolo 3 Esercizio 1 a. I u mazzo di carte fracesi lo spazio campioario è costituito da 52 elemeti. Nel caso dell'estrazioe di u fate, il umero di eveti favorevoli è 4, per cui la probabilità
DettagliArgomenti trattati: Capitolo 12 libro di testo. Statistica - Metodologie per le scienze economiche e sociali A. Di Ciaccio, S.
1 GLI INTERVALLI DI CONFIDENZA Argometi trattati: Stima per itervallo Aalogie tra la stima putuale e per itervallo Itervallo di cofideza per la media Itervallo di cofideza per la proporzioe Itervallo di
DettagliDistribuzioni di probabilità
Itroduzioe Distribuzioi di robabilità Fio ad ora abbiamo studiato ua secifica fuzioe desità di robabilità, la fuzioe di Gauss, che descrive variabili date dalla somma di molti termii idiedeti es. ua misura
DettagliEsercitazioni del corso: ANALISI MULTIVARIATA
A. A. 9 1 Esercitazioi del corso: ANALISI MULTIVARIATA Isabella Romeo: i.romeo@campus.uimib.it Sommario Esercitazioe 4: Verifica d Ipotesi Test Z e test T Test d Idipedeza Aalisi Multivariata a. a. 9-1
DettagliProposizione 1. Due sfere di R m hanno intersezione non vuota se e solo se la somma dei loro raggi e maggiore della distanza fra i loro centri.
Laboratorio di Matematica, A.A. 009-010; I modulo; Lezioi II e III - schema. Limiti e isiemi aperti; SB, Cap. 1 Successioi di vettori; SB, Par. 1.1, pp. 3-6 Itori sferici aperti. Nell aalisi i ua variabile
DettagliCAPITOLO SESTO - STATISTICA INDUTTIVA. moneta buona; ha solo una probabilità molto bassa di verificarsi:
CAPITOLO SESTO - STATISTICA INDUTTIVA 1. Verifica di u ipotesi: u caso particolare Nell euciato di umerosi esempi ed esercizi proposti ei capitoli precedeti si è fatto riferimeto a moete o dadi o truccati,
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI TATITICA MEDICA ED EERCIZI I METODI PER IL CONFRONTO DI MEDIE (Campioi idipedeti) IL PROBLEMA oo stati rilevati i dati relativi alla frequeza cardiaca (misurata i battiti al miuto)
DettagliPREMESSA. = η valore medio della popolazione = σ deviazione standard della popolazione. Descrizione parametrica di una popolazione
PREMESSA Descrizioe parametrica di ua popolazioe Sappiamo che u famiglia parametrica di fuzioi desità di probabilità è defiita da uo o più parametri Θ = {θ, θ,., θ }. Ad esempio, la d.d.p. di tipo espoeziale
DettagliCenni di topologia di R
Cei di topologia di R. Sottoisiemi dei umeri reali Studieremo le proprietà dei sottoisiemi dei umeri reali, R, che hao ad esempio la forma: = (, ) (,) 6 8 = [,] { ;6;8} { } = (, ) (,) [, + ) Defiizioe:
DettagliRISOLUZIONE MODERNA DI PROBLEMI ANTICHI
RISOLUZIONE MODERNA DI PROBLEMI ANTICHI L itelletto, duque, che o è la verità, o comprede mai la verità i modo così preciso da o poterla compredere (poi acora) più precisamete, all ifiito, perché sta alla
DettagliCALCOLO COMBINATORIO
CALCOLO COMBINATORIO Che cosa sigifica cotare Tutti coosciamo la successioe dei umeri iteri Naturali N = {0, 1,,, } si tratta di ua struttura metale fodametale, chiaramete presete alla ostra ituizioe che
DettagliSERIE NUMERICHE Esercizi risolti. (log α) n, α > 0 c)
SERIE NUMERICHE Esercizi risolti. Calcolare la somma delle segueti serie telescopiche: a) b). Verificare utilizzado la codizioe ecessaria per la covergeza) che le segueti serie o covergoo: a) c) ) log
DettagliSoluzioni. Se l interallo avesse livello di confidenza 99%, al posto di 1,96 avremmo
Esercizio 1 Soluzioi 1. Ricordiamo che l ampiezza di u itervallo di cofideza è fuzioe della umerosità campioaria edellivellodicofideza. Aparità di tutto il resto, l ampiezza dimiuisce al crescere di eaumetaal
Dettagli15 - Successioni Numeriche e di Funzioni
Uiversità degli Studi di Palermo Facoltà di Ecoomia CdS Statistica per l Aalisi dei Dati Apputi del corso di Matematica 15 - Successioi Numeriche e di Fuzioi Ao Accademico 2013/2014 M Tummiello, V Lacagia,
DettagliProgramma (orientativo) secondo semestre 32 ore - 16 lezioni
Programma (orietativo) secodo semestre 32 ore - 6 lezioi 3 lezioi: successioi e serie 4 lezioi: itegrali 2-3 lezioi: equazioi differeziali 4 lezioi: sistemi di equazioi e calcolo vettoriale e matriciale
DettagliL INFORMAZIONE E LE CODIFICHE
L INFORMAZIONE E LE CODIFICE UN PO DI STORIA - La Teoria dell iformazioe è ata ella secoda metà del 900, sebbee il termie iformazioe sia atico (dal latio mettere i forma) - I omi più importati soo Nyquist,
Dettaglix n (1.1) n=0 1 x La serie geometrica è un esempio di serie di potenze. Definizione 1 Chiamiamo serie di potenze ogni serie della forma
1 Serie di poteze È stato dimostrato che la serie geometrica x (1.1) coverge se e solo se la ragioe x soddisfa la disuguagliaza 1 < x < 1. I realtà c è covergeza assoluta i ] 1, 1[. Per x 1 la serie diverge
DettagliMatematica e Statistica: Modulo di Statistica - Prof. Federico Di Palma - Appello del 12 Febbraio
Matematica e Statistica: Modulo di Statistica - Prof. Federico Di Palma - Appello del 1 Febbraio 014 - Esercizio 1) I ua ricerca si è iteressati a verificare le dimesioi i micrometri di u graulocita eutrofilo.
DettagliLa correlazione e la regressione. Antonello Maruotti
La correlazioe e la regressioe Atoello Maruotti Outlie 1 Correlazioe 2 Associazioe tra caratteri quatitativi Date due distribuzioi uitarie secodo caratteri quatitativi X e Y x 1 x 2 x y 1 y 2 y associate
DettagliDEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE
DEFINIZIONE PROCESSO LOGICO E OPERATIVO MEDIANTE IL QUALE, SULLA BASE DI UN GRUPPO DI OSSERVAZIONI O DI ESPERIMENTI, SI PERVIENE A CERTE CONCLUSIONI, LA CUI VALIDITA PER UN COLLETTIVO Più AMPIO E ESPRESSA
DettagliCalcolo delle Probabilità 2012/13 Foglio di esercizi 3
Calcolo delle Probabilità 01/13 Foglio di esercizi 3 Probabilità codizioale e idipedeza. Esercizio 1. Sia B u eveto fissato di uo spazio di probabilità (Ω, A, P), co P(B) > 0. Si mostri che P( B) è l uica
DettagliPRINCIPIO D INDUZIONE E DIMOSTRAZIONE MATEMATICA. A. Induzione matematica: Introduzione
PRINCIPIO D INDUZIONE E DIMOSTRAZIONE MATEMATICA CHU WENCHANG A Iduzioe matematica: Itroduzioe La gra parte delle proposizioi della teoria dei umeri dà euciati che coivolgoo i umeri aturali; per esempio
DettagliEsercitazioni di Statistica Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it
Esercitazioi di Statistica Dott.ssa Cristia Mollica cristia.mollica@uiroma1.it Cocetrazioe Esercizio 1. Nell'ultima settimaa ua baca ha erogato i segueti importi (i migliaia di euro) per prestiti a imprese:
Dettagli3.1 Rappresentazione dello stato tensionale nel piano di Mohr: circoli di Mohr.
DIDATTICA DI PROGETTAZIONE DELLE COSTRUZIONI PROF. CARMELO MAJORANA MODULO TRE I CONCETTI FONDAMENTALI NELL ANALISI DELLA TENSIONE PARTE B) MODULO PER LO SPECIALIZZANDO Modulo. Rappresetazioe dello stato
DettagliAlgoritmi e Strutture Dati (Elementi)
Algoritmi e Strutture Dati (Elemeti Esercizi sulle ricorreze Proff. Paola Boizzoi / Giacarlo Mauri / Claudio Zadro Ao Accademico 00/003 Apputi scritti da Alberto Leporati e Rosalba Zizza Esercizio 1 Posti
Dettagli(1 2 3) (1 2) Lezione 10. I gruppi diedrali.
Lezioe 0 Prerequisiti: Simmetrie di poligoi regolari. Gruppi di permutazioi. Cetro di u gruppo. Cetralizzate di u elemeto di u gruppo. Riferimeto al testo: [PC] Sezioe 5.4 I gruppi diedrali. Ogi simmetria
DettagliLezione 4. Gruppi di permutazioni
Lezioe 4 Prerequisiti: Applicazioi tra isiemi Lezioi e Gruppi di permutazioi I questa lezioe itroduciamo ua classe ifiita di gruppi o abeliai Defiizioe 41 ia X u isieme o vuoto i dice permutazioe su X
DettagliApprofondimento 3.3. Calcolare gli indici di posizione con dati metrici singoli e raggruppati in classi
Chiorri, C. (201). Fodameti di psicometria - Approfodimeto. 1 Approfodimeto. Calcolare gli idici di posizioe co dati metrici sigoli e raggruppati i classi 1. Dati metrici sigoli Quado l iformazioe è a
DettagliTeoremi limite classici
Capitolo 4 Teoremi limite classici I Teoremi limite classici, la Legge dei Gradi Numeri e il Teorema Limite Cetrale, costituiscoo il ucleo del Calcolo delle Probabilità, per la loro portata sia teorica
DettagliDETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE
DETERMINANTI (SECONDA PARTE). NOTE DI ALGEBRA LINEARE 2010-11 MARCO MANETTI: 21 DICEMBRE 2010 1. Sviluppi di Laplace Proposizioe 1.1. Sia A M, (K), allora per ogi idice i = 1,..., fissato vale lo sviluppo
DettagliEsercizi sul principio di induzione
Esercitazioi di Aalisi I, Uiversità di Trieste, lezioe del 0/0/008 Esercizi sul pricipio di iduzioe Esercizio Dimostrare per iduzioe che + + + ( + ), Risoluzioe Le dimostrazioi di ua proprietà P() per
DettagliPrincipio di induzione: esempi ed esercizi
Pricipio di iduzioe: esempi ed esercizi Pricipio di iduzioe: Se ua proprietà P dipedete da ua variabile itera vale per e se, per ogi vale P P + allora P vale su tutto Variate del pricipio di iduzioe: Se
DettagliEsercitazione parte 1 Medie e medie per dati raggruppati. Esercitazione parte 2 - Medie per dati raggruppati
Esercitazioe parte Medie e medie per dati raggruppati el file dati0.xls soo coteute alcue distribuzioi di dati. Calcolare di ogua. Media aritmetica o Mostrare, co u calcolo automatico, che la somma degli
Dettagliconverge in probabilità alla v.a. X e si scrive: converge in media quadratica alla v.a. X e si scrive: m n
98 Covergeza i probabilità Si dice che la successioe X coverge i probabilità alla v.a. X e si scrive: se, per qualsiasi ε > 0, si ha: X p X oppure plim X = X limp( X X < ε)= Covergeza i media quadratica
DettagliSTATISTICA INFERENZIALE SCHEDA N. 2 INTERVALLI DI CONFIDENZA PER IL VALORE ATTESO E LA FREQUENZA
Matematica e statistica: dai dati ai modelli alle scelte www.dima.uige/pls_statistica Resposabili scietifici M.P. Rogati e E. Sasso (Dipartimeto di Matematica Uiversità di Geova) STATISTICA INFERENZIALE
DettagliL'ALGORITMO DI STURM Michele Impedovo, Simone Pavanelli
L'ALGORITMO DI STURM Michele Impedovo, Simoe Pavaelli Lettera P.RI.ST.EM, 10, dicembre 1993 Questo lavoro asce dalla collaborazioe tra u isegate e uo studete; lo studete ha curato iteramete la costruzioe
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
DettagliCONCETTI BASE DI STATISTICA
CONCETTI BASE DI STATISTICA DEFINIZIONI Probabilità U umero reale compreso tra 0 e, associato a u eveto casuale. Esso può essere correlato co la frequeza relativa o col grado di credibilità co cui u eveto
DettagliFUNZIONI RADICE. = x dom f Im f grafici. Corso Propedeutico di Matematica. Politecnico di Torino CeTeM. 7 Funzioni Radice RICHIAMI DI TEORIA
Politecico di Torio 7 Fuzioi Radice FUNZIONI RADICE RICHIAMI DI TEORIA f ( x) = x dom f Im f grafici. = = =7 =9. dispari R R -. - -. - - -. Grafici di fuzioi radici co pari pari [,+ ) [,+ ).. = = =6 =8
DettagliLA VERIFICA DELLE IPOTESI SUI PARAMETRI
LA VERIFICA DELLE IPOTESI SUI PARAMETRI E u problema di ifereza per molti aspetti collegato a quello della stima. Rispode ad u esigeza di carattere pratico che spesso si preseta i molti campi dell attività
DettagliLezione 10 - Tensioni principali e direzioni principali
Lezioe 10 - Tesioi pricipali e direzioi pricipali ü [A.a. 2011-2012 : ultima revisioe 23 agosto 2011] I questa lezioe si studiera' cio' che avviee alla compoete ormale di tesioe s, al variare del piao
DettagliQual è il numero delle bandiere tricolori a righe verticali che si possono formare con i 7 colori dell iride?
Calcolo combiatorio sempi Qual è il umero delle badiere tricolori a righe verticali che si possoo formare co i 7 colori dell iride? Dobbiamo calcolare il umero delle disposizioi semplici di 7 oggetti di
DettagliDomande di teoria. Esercizi
Chiorri, C. (01). Fodameti di psicometria - Risposte e soluzioi Capitolo 11 1 omade di teoria 1. Vedi pp. 97-301. Vedi pp. 301-30 3. Vedi p. 30. Vedi pp. 30-307 5. Vedi p. 309 6. Vedi p. 309-31 7. Vedi
DettagliDispensa di STATISTICA DESCRITTIVA
UNIVERSITÀ DEGLI STUDI DI BARI FACOLTÀ DI SCIENZE MM.FF.NN Dispesa di STATISTICA DESCRITTIVA Modulo di Probabilità e Statistica (corsi A-B) Laurea Trieale i SCIENZE BIOLOGICHE Ao Accademico 2010/2011 docete:
DettagliLezione 8. Statistica sociale Laurea specialistica in Progettazione e gestione del turismo culturale
Statistica sociale Laurea specialistica i Progettazioe e gestioe del turismo culturale Lezioe 8 Itroduzioe all aalisi aalisi statistica dei dati (2) Gialuca Domiutti Si presetao quidi alcue misure statistiche
DettagliIPSAA U. Patrizi Città di Castello (PG) Classe 5A Tecnico Agrario. Lezione di martedì 10 novembre 2015 (4 e 5 ora) Disciplina: MATEMATICA
IPSAA U. Patrizi Città di Castello (PG) Classe A Tecico Agrario Lezioe di martedì 0 ovembre 0 (4 e ora) Disciplia: MATEMATICA La derivata della fuzioe composta Fuzioe composta Df(g())f (g())g () Questa
DettagliIl campionamento e la distribuzione di Poisson
Il campioameto e la distribuzioe di Poisso Obiettivi l l l utilizzare le pricipali teciche di campioameto compredere il sigificato di variabile campioaria e di stimatore determiare i valori di sitesi di
DettagliCenni di Calcolo di probabilità e. Il concetto di probabilità
Cei di Calcolo di probabilità e Statistica Dario Maio http://www.csr.uibo.it/~maio/ dmaio@deis.uibo.it 1 Il cocetto di probabilità Il termie probabilità è usato el liguaggio quotidiao per deotare casi
DettagliStrumenti di indagine per la valutazione psicologica
Strumeti di idagie per la valutazioe psicologica 1.2 - Richiami di statistica descrittiva Davide Massidda davide.massidda@gmail.com Descrivere i dati Dovedo scegliere u esame opzioale, uo studete ha itezioe
Dettagli