Esercitazioni di Statistica

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Esercitazioni di Statistica"

Transcript

1 Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti in un industria meccanica sia una variabile aleatoria normale con valore atteso non noto µ, e varianza σ Si supponga, inoltre, che il valore medio del diametro degli anelli prodotti riscontrato nel tempo sia 100 (pollici). Il direttore di produzione sospetta che una variazione del tasso di umidità alteri il processo produttivo fecendo aumentare il diametro degli anelli prodotti. Dopo aver selezionato casualmente 64 anelli prodotti in condizioni di elevata umidità e misurato il loro diametro, il direttore riscontra un valore medio di 106. Si assuma che egli decida di verificare l ipotesi nulla H 0 : µ 100 contro l alternativa H 1 : µ > 100, avendo fissato un valore di significatività α a) Si determini la regione di accettazione e la regione critica corrispondenti a tale test. b) Può il direttore concludere che il diametro medio degli anelli prodotti sia aumentato? Soluzione X diametro di un anello, X N(µ, 256), x 106, n64, α 0.05 Ipotesi H 0 : µ 100 H 1 : µ > 100, 1

2 a) Per risolvere il problema dobbiamo costruire una statistica test, che sia funzione dei dati campionari. Poiché la deviazione standard è nota si può utilizzare come statistica test, sotto l ipotesi nulla, la media campionaria standardizzata, statistica ottimale (di massima verosimiglianza) per questo tipo di test (l unico valore che ci fornisce il problema è infatti la media campionaria): T n X µ 0 σ/ n N(0, 1) dnorm(x, ) x Il test è un test unidirezionale, con ipotesi alternativa composita. Dato il sistema di ipotesi, respingiamo l ipotesi nulla per valori elevati della statistica test. Per scegliere il valore critico z α dobbiamo tenere in considerazione il valore di α richiesto. Poiché α 0.05 Φ(z 0.05 ) z α 1.645, allora le regioni di accettazione e critica saranno: R.A. : x µ 0 σ/ n R.C. : x µ 0 σ/ n > b) Il valore osservato della statistica test, sotto l ipotesi nulla, risulta t n x µ 0 σ/ n /

3 Il valore osservato della media campionaria standardizzata appartiene alla regione critica: 3 R.C. e quindi possiamo rifiutare l ipotesi nulla, data l evidenza contenuta nel campione. Il livello di significatività osservato (p-valore o p-dei-dati) risulta molto inferiore a Infatti: x 100 P r( x > 106/µ 100) P r( > 256/ /64 ) P r(z > 3) Esercizio 2 Sia X una variabile aleatoria distribuita come una v.a. gaussiana con parametri E(X) µ e V ar(x) 3. Sia estratto, inoltre, un campione casuale i.i.d. (X 1, X 2, X 3 ), per verificare l ipotesi nulla rispetto all alternativa H 0 : µ 2 Data la seguente regione critica: H 1 : µ 1. R.C. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 < 1.2}, a) calcolare α (la probabilità di commettere un errore di primo tipo), b) calcolare β (la probabilità di commettere un errore di secondo tipo). Soluzione La regione critica è definita in funzione di una statistica test, quindi il primo passo da effettuare determinare la distribuzione della statistica test (T (x) 2X 1 2X 2 X 3 ). Poiché X si distribuisce come una normale, e il campione è estratto in modo casuale, per la proprietà riproduttiva della normale: T (X) 2X 1 2X 2 X 3 N(µ; 27), poiché e E(T (X)) 2µ 2µ µ µ, Var(T (X)) Var(2X 1 2X 2 X 3 ) 4Var(X 1 ) 4Var(X 2 ) Var(X 3 ) 9Var(X) 27. 3

4 a) La probabilità α di commettere un errore di primo tipo (rifiutare un ipotesi nulla vera) è data da: α P (errore di I tipo) P (respingere H 0 H 0 ) P (2X 1 2X 2 X 3 < 1.2 µ 2) ( 2X1 2X 2 X 3 µ P < 1.2 µ ) µ P (Z < ) P (Z < 0.15) Φ( 0.15) 1 Φ(0.15) b) Poiché la regione critica è la regione di accettazione sarà: R.C. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 < 1.2}, R.A. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 1.2}. La probabilità β di commettere un errore del secondo tipo (non respingere un ipotesi di base che è falsa) è data da: β P (errore di II tipo) P (non respingere H 0 H 1 ) P (2X 1 2X 2 X µ 1) P r( 2X 1 2X 2 X 3 µ 1.2 µ µ 1) P r(z ) P r(z 0.038) 1 Φ(0.038) Esercizio 3 In un campione di 15 cavi elettrici la resistenza media risulta di 28.5 (ohm), con varianza campionaria pari a 16. Il responsabile della produzione afferma che un innovazione nel processo produttivo abbia fatto aumentare la resistenza media, fino ad allora valutata 25 (ohm). Assumendo una probabilità di errore di primo tipo 0.025, si verifichi l ipotesi del responsabile. Si assuma che la resistenza sia distribuita secondo una normale. Soluzione X resistenza, ˆσ S 4, x 28.50, n15, α Ipotesi H 0 : µ 25 H 1 : µ > 25 4

5 Per risolvere il problema dobbiamo costruire una statistica test, che sia funzione dei dati campionari. Poiché la deviazione standard non nota si può utilizzare come statistica test la media campionaria studentizzata, che utilizza una stima non distorta della varianza (S 2 ): T n X µ 0 S/ n t n 1 dt(x, 14) x Il test è un test unidirezionale, con ipotesi nulla e alternativa composite. L ipotesi nulla composita non comporta un cambiamento della regola di decisione, ma solo che il livello di significatività α, diventa la massima probabilità di commettere un errore del I tipo. Poiché i valori del parametro assunti sotto l ipotesi alternativa si trovano a destra dei valori del parametro sotto l ipotesi nulla, respingiamo l ipotesi nulla per valori elevati della statistica test, in particolare per valori superiori al valore critico t 14,α. Poiché α P (t 14 t 14,α ) t 14,α 2.145, allora le regioni di accettazione e critica saranno: R.A. : x µ 0 S/ n R.C. : x µ 0 S/ n >

6 Il valore osservato della statistica test, sotto l ipotesi nulla, risulta t n x µ 0 S/ n / Essendo 3.39 > 2.145, la statistica test campionaria cade nella regione critica, quindi, data l evidenza campionaria si può rifiutare l ipotesi nulla con un livello di significatività del 2.5%. Il responsabiledella produzione non andrà smentito. Esercizio 4 Il tempo X che un lavoratore impiega per raggiungere il luogo di lavoro segue la legge Normale con media µ e varianza σ 2 entrambe incognite. Si estrae un campione di ampiezza n 10 avente media x 12 e varianza S a) Trovare un intervallo di confidenza per µ al livello 1 α b) Verificare l ipotesi H 0 : µ 13 contro l alternativa H 1 : µ 13, al livello α c) Cambierebbe la decisione precedente se il livello diventasse α 0.01? Soluzione a) Il primo punto dell esercizio richiede di costruire un intervallo di confidenza per la media della popolazione in cui la varianza ignota. La distribuzione di riferimento è una t di student con n 1 gradi di libertà. In questo caso non si può utilizzare l approssimazione alla distribuzione Normale poiché n non è sufficientemente elevato. ] S S 95%CI [l 1, l 2 ] [ x t n 1;α/2 n ; x t n 1;α/2 n ] S S [ x t 9;0.025 n ; x t 9;0.025 n [ ; ] [9.14; 14.86] Ciò significa che il tempo medio che impiega un lavoratore è compreso nell intervallo [9.14;14.86] con un livello di confidenza del 95%. b) Il secondo punto del problema propone il seguente test statistico H 0 : µ 13 H 1 : µ 13. 6

7 Il test sopra è un test bidirezionale, quindi dal confronto tra ipotesi nulla e ipotesi alternativa possiamo dire che la regione critica sarà del tipo: R.C. : x µ 0 S/ n > t 9,0.025, quindi, in caso di test bidirezionale, abbiamo due regioni critiche, che si trovano nelle code della statistica test, corrispondenti a valori molto piccoli, o molto grandi della statistica. Il valore critico si trova risolvendo l uguaglianza sotto: P (t n 1 < t n 1,α/2 ) P (t n 1 > t n 1,α/2 ) α/ t n 1,α/ Quindi la regione di rifiuto è data da: x µ0 S/ R.C. : > n x µ 0 S/ < n Si può ora calcolare il valore della statistica test sotto l ipotesi nulla: t n x µ 0 S/ n / Visto che il valore osservato della statistica test non appartiene alla regione critica, si può concludere affermando che il campione non offre una sufficiente evidenza per rigettare l ipotesi nulla H 0. La stessa risposta si sarebbe potuta dare senza eseguire ulteriori calcoli, ma solo utilizzando l intervallo di confidenza calcolato sopra, al livello del 95%. Poiché l intervallo contiene il valore 13, il campione non offre una sufficiente evidenza per rigettare l ipotesi nulla che la media sia 13. c) La risposta del test non cambia, poiché, se si diminuisce il livello dell errore di primo tipo, si ha come risultato che la regione di accettazione aumenta e, quindi, quella di rifiuto si contrae. In altre parole, se il test non rifiutava l ipotesi nulla per un livello α 0.05, a maggior ragione non lo rifiuterà ad un livello α Esercizio 5 Un agenzia di disoccupazione sostiene che l età media di quelli che ricevono un sussidio di disoccupazione è di 37 anni con una deviazione standard di 10 anni. Un associazione di consumatori vuole testare questa ipotesi, dato che sospetta che l età media sia differente. Vengono intervistati in modo casuale 400 individui che ricevono il sussidio, e si ottiene un età media di 36 anni. Usando un livello di significatività dell 1% può l unione dei consumatori respingere l ipotesi fatta dall agenzia di disoccupazione? 7

8 Soluzione X età dei sussidiati, σ 10, x 36, n400, α 0.01 Ipotesi H 0 : µ 0 37 H 1 : µ 0 37 Il test èun test bidirezionale, quindi la regione di rifiuto sarà data dall unione di due regioni, quelle corrispondenti a valori molto alti o molto bassi della statistica test. La statistica test utilizzata in questo caso è la media campionaria standardizzata. Poich X non è distribuita secondo una normale, anche la media campionaria X non sarà distribuita secondo una normale, ma si può applicare il Teorema del Limite Centrale, dato che: Le n osservazioni X i sono indipendenti ed identicamente distribuite, derivando da un campionamento casuale semplice; E[X i ] 37 < ; V ar[x i ] 100 <. e quindi: T n X µ 0 σ/ n N(0, 1) al crescere di n. (Si noti che, anche se non avessimo conosciuto la varianza nella popolazione di riferimento (σ 2 ), e avessimo dovuto utilizzare una sua stima corretta (S 2 ), la distribuzione della statistica test sopra sarebbe stata ugualmente approssimativamente normale, per il Teorema del Limite Centrale.) Nel caso sopra, di un sistema di ipotesi bidirezionale, la regione critica sarà: Poiché R.C. : x µ 0 σ/ n > z α/2, α 0.01 α/ Φ(z ) z α/ , allora la regione di critica sarà: R.C. : x µ 0 σ/ n > 2.575, 8

9 Il valore della statistica test nel campione, sotto l ipotesi nulla, è : t n x µ 0 σ/ n / Dato che il valore della statistica test non ricade nella regione critica, l evidenza campionaria non permette di rifiutare l ipotesi nulla che l età media di coloro che ricevono un sussidio sia uguale a 37, con un livello di significatività effettivo di circa l 1%. Esercizio 6 Si vuole indagare sulla proporzione π di pezzi difettosi prodotti in un processo produttivo. A tale scopo si osservano 400 pezzi, 240 dei quali risultano difettosi. a) Si proponga una opportuna regione critica per verificare l ipotesi nulla H 0 : π 0.5 contro l ipotesi alternativa H 1 : π < 0.5, ponendo α b) Si decida a favore o contro H 0 sulla base della realizzazione campionaria osservata. Soluzione Xdifettosità Ber(π); ˆp 240/ ; α 0.01; n400. Il problema propone il seguente test statistico H 0 : π 0.5 H 1 : π < 0.5. a) Per testare questa ipotesi si utilizza la statistica test T n ˆp π 0 π0 (1 π 0 )/n N(0, 1), ossia la media campionaria standardizzata per una popolazione di Bernoulli. Per il teorema del limite centrale, per n sufficientemente elevato, quando π π 0, la statistica test avrà una distribuzione approssimativamente normale. Il test è unidirezionale, quindi dal confronto tra ipotesi nulla e ipotesi alternativa, poiché i valori ipotizzati sotto l ipotesi nulla si trovano a destra, rispetto ai valori sotto l alternativa, possiamo dire che la regione critica, e la regione di accettazione saranno del tipo: R.C. : ˆp π 0 π0 (1 π 0 )/n < z α 9

10 R.A. : ˆp π 0 π0 (1 π 0 )/n z α Il valore di z 0.01 è determinabile attraverso la seguente relazione:. α 0.01 Φ(z 0.01 ) z α 2.33, z α 2.33 Riassumendo si è trovato che la regione critica R.C. è data da: R.C. ˆp π 0 π0 (1 π 0 )/n < 2.33, e la regione di accettazione R.A. : ˆp π 0 π0 (1 π 0 )/n 2.33 b) Per decidere a favore o contro l ipotesi nulla si calcoli il valore della statistica test, dato il nostro campione, sotto l ipotesi nulla: t n ˆp π 0 π0 (1 π 0 )/n (1 0.5)/400 4 Dato che il valore osservato della media campionaria standardizzata appartiene alla regione di accettazione, non si può rigettare l ipotesi nulla in favore di quella alternativa, data l evidenza empirica. Esercizio 7 Il direttore dell Ospedale ABC, situato in un quartiere molto povero nei sobborghi di New York, sospetta che i neonati che nascono l abbiano un peso inferiore rispetto alla media nazionale (pari a 3.2 Kg), tale da dover richiedere un intervento di prevenzione sulla malnutrizione delle donne del quartiere. Il direttore decide allora di verificare l ipotesi nulla H 0 : µ 3.2 in alternativa all ipotesi H 1 : µ < 3.2. Il direttore misura, quindi, il peso (x 1, x 2,..., x 81 ) di 81 bambini scelti casualmente tra i neonati nell ultimo anno e riscontra che 81 i1 x i i1 x 2 i a) Proporre un opportuno stimatore non distorto per il parametro σ 2 e fornirne una stima. b) Calcolare l intervallo di confidenza a livello 1 α 0.9 per il parametro µ. 10

11 c) Scrivere l espressione analitica del p-valore corrispondente alla realizzazione campionaria osservata, per il set di ipotesi: H 0 : µ 3.2 e H 1 : µ < 3.2. Decidere, inoltre, se il direttore riterrà necessario un intervento di sanità pubblica contro la malnutrizione, avendo fissato α, il livello di significatività del test uguale a 0.1, o a Soluzione a) Il primo punto dell esercizio può essere risolto utilizzando come stimatore per σ 2 la varianza campionaria S 2. Calcoliamo prima la media campionaria x: x 1 81 x i 234.9/81 2.9, n i1 e poi lo stimatore per la varianza: S 2 1 n 1 [ n ] Xi 2 n X 2 e la corrispondente stima: S 2 [ n ] 1 x 2 i n x 2 n 1 i1 1 [ ] i1 1 ( ) 80 1 (320) b) Il secondo punto dell esercizio richiede di costruire un intervallo di confidenza per la media della popolazione in cui la varianza ignota. Poiché la distribuzione delle popolazione non è nota, per n sufficientemente grande, possiamo utilizzare come distribuzione di riferimento per la quantità pivot una normale standard. 90%CI [l 1, l 2 ] [ x z α/2 S n ; x z α/2 S n ] [ ] 9 ; [2.535; 3.265]. 9 11

12 c) L esercizio richiede anche il calcolo del p-valore. Il p-valore può essere interpretato come il più piccolo livello di confidenza che conduce a rifiutare l ipotesi nulla (assumendo quest ultima come vera). Il p-valore è dato dalla probabilità che, quando µ µ 0, la statistica test assuma valori minori del valore osservato nel campione, P (T n < t n µ µ 0 ), dove T n una generica statistica test X µ 0 S/, e t n n il particolare valore assunto dalla statistica test nel campione estratto, sotto l ipotesi nulla, ossia quel valore che si ottiene sostituendo alla media campionaria il valore realizzato (2.9), a µ il valore ipotizzato sotto l ipotesi nulla, e alla varianza campionaria il valore ottenuto nel campione: P (T n < t n µ 3.2) ( ) X µ0 P S/ < n 2/9 P (Z < 1.35) 1 Φ(1.35) 0.09, Da notare che il risultato p 0.09 < α 0.1 implica che ci troviamo nella regione critica per un test al livello del 10%, mentre p 0.09 > α 0.05 implica che ci troviamo nella regione di accettazione di H 0 ad un livello di significatività del 5%. p 0.09, infatti, il minimo livello di significatività per il quale l ipotesi nulla può essere respinta. Esercizio 8 (Cicchitelli) Per la generica voce di un inventario di un impresa mercantile sia X la variabile casuale valore inventariato - valore certificato. Un certificatore contabile estrae a sorte un campione di 120 voci ottenendo x 25.3, S Sia µ la media di X nella popolazione. a) Si sottoponga a verifica l ipotesi che µ 0 contro l alternativa µ > 0, cioè che l inventario è gonfiato, con α 0.01; b) Si calcoli il p-valore; c) Si calcoli la probabilità di errore di secondo tipo β nel caso di ipotesi alternativa H 1 : µ 10. Soluzione a) Trattandosi di un campione di dimensione elevata, si può ricorrere all approssimazione normale e considerare S 2 una buona stima della varianza della 12

13 popolazione. Il test è unilaterale del tipo con ipotesi alternativa Dunque H 1 µ > µ 0 nel nostro caso Standardizziamo x: R.C. z : z z α }, R.C. z : z z }. t n (25.3 0) 13240/ Dato che 2.41 > 2.326, l ipotesi nulla è da rifiutare. b) Il livello di significatività effettivo (p-valore), è ( ) X p P ( X µ µ 0) P S/ n /120 P (Z 2.41) L ipotesi nulla infatti è stata rifiutata al livello α 0.01, perchè p < α. c) Per determinare la probabilità di errore di seconda specie conviene esprimere la zona di rifiuto in unità originarie, ossia in termini di x. La zona di rifiuto in unità standardizzate è R.C. z : z 2.326}, possiamo quindi scrivere ( x 0) 13240/ , da cui si ottiene x c La zona di rifiuto è dunque R.C. x : x 24.4}. La probabilità di errore di seconda specie β è allora data da 13

14 ( X P ( X R.A. H 1 ) P ( X µ µ 10) P ) P ( Z S/ n 24.4 µ 1 S/ n P (Z 1.37) ) Esercizio 9 Supponiamo di effettuare un test sul parametro media µ di una popolazione normale. Consideriamo i due casi A) H0 : µ 3 H 1 : µ 4 B) H0 : µ 3 H 1 : µ 6 Una volta fissato il livello di significatività α, a) la regione di rifiuto dell ipotesi nulla è la stessa nei due casi; è più ampia nel caso A è più ampia nel caso B. b) la probabilità di commettere un errore di seconda specie β è la stessa nei due casi; maggiore nel caso A; maggiore nel caso B. Soluzione a) è la stessa nei due casi. b) maggiore nel caso A. Esercizio 10 In un test delle ipotesi il p-valore risulta pari a Vuol dire che rifiutiamo l ipotesi nulla se il livello di significatività è α 0.01, ma non se è α 0.05; se il livello di significatività è α 0.05, ma non se è α 0.01; ad entrambi i livelli di signficatività α 0.01 e α 0.05 Soluzione Se il livello di significatività è α 0.05, ma non se è α

15 Esercizio 11 Su 100 imprese è stata rilevato il numero di anni di attività: Anni Totale Imprese ) Verificare se, a livello α 0.05, la proporzione di imprese con meno di 6 anni sia pari al 45% e quelle con più di 10 anni sia pari al 25%. 2) Cosa si conclude a livello α 0.1? Soluzione 1) Possiamo riscrivere la tabella come Anni Totale Imprese Il sistema di ipotesi è il seguente: 0.45 se A < 6 H 0 : P (A) 0.30 se 6 A se A > 10 H 1 : altrimenti Sotto l ipotesi nulla, le frequenze attese ˆn i sono pari a Quindi, la statistica Q vale Anni Totale n p(x i ) Q k (n i n p(x i )) 2 i1 n p(x i ) (50 45)2 45 (20 30)2 30 (30 25) La regione critica e di accettazione sono: R.C. Q > χ 2 (k 1),α, R.A. Q χ 2 (k 1),α, Mettendo a confronto questo valore con il quantile χ 2 k 1,α χ2 2, si conclude che non si può escludere l ipotesi nulla. 2) il quantile χ 2 2,0.1 è pari a 4.61, quindi si rifiuta l ipotesi nulla. 15

16 Esercizio 12 Si ritiene che una variabile casuale X sia Normale con valor medio µ 174 e varianza σ Verificare l ipotesi con il test χ 2 con α 0.01 sulla base del seguente campione di numerosità n 400: X f requenza osservata f requenza attesa X < X < X < X < X Soluzione Le ipotesi sono: H 0 : XNormale(174, 16) H 1 : XnonNormale(174, 16). La frequenza attesa per ciascun intervallo è determinata mediante standardizzazione. Ad esempio: P (165 X < 170) P ( Z < 16 La regione critica e di accettazione sono: R.C. Q > χ 2 4, χ 2 (k 1),α, ) P ( 2.25 Z < 1) La statistica Q vale k (n i ˆn i ) 2 Q ˆn i i1 R.A. Q χ 2 4, χ 2 (k 1),α (7 4.8)2 4.8 ( ) ( )2 176 ( )2 ( ) Mettendo a confronto questo valore con il quantile χ 2 k 1,α χ2 4, si conclude che non si può rifiutare l ipotesi nulla. Esercizio 13 Si sono prelevati 100 campioni di acqua e si è proceduto al conteggio del numero di esemplari di un certo microorganismo, ottenendo la seguente distribuzione: Esemplari Campioni Verificare la conformità della distribuzione ottenuta ad una distribuzione di Poisson con una probabilità di errore di primo tipo α

17 Soluzione La variabile casuale di Poisson ha funzione di probabilità p(x, λ) e λ λx x!. Poiché il parametro λ da cui dipende la distribuzione di Poisson non è noto lo si stima con il corrispondente stimatore di massima verosimiglianza, ˆλ n i1 x i n X 186/ Le ipotesi sono: H 0 : XP oisson(1.8) H 1 : XnonP oisson(1.8) Le probabilità attese, nell ipotesi che la variabile casuale X che genera il campione sia una variabile casuale di Poisson, sono: e le numerosità attese: x i p(x i ) x i n p(x i ) Le ultime due frequenze risultano inferiori a 5 per cui le frequenze dei valori 5 e 6 vengono accorpate alla frequenza del valore 4. Le distribuzioni da confrontare, osservata e teorica, risultano: La statistica test vale: x i n(x i ) n p(x i ) Q k i1 (n i ˆn i ) 2 ˆn i ( ) (30 29)2 29 (25 27)2 27 ( )2 ( ) Mettendo a confronto questo valore con il quantile χ 2 k 1 1,α χ2 3, si conclude che l ipotesi nulla di conformità della distribuzione osservata ad una variabile casuale di Poisson può essere accettata. 17

18 dchisq(x, 3) x 18

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Politecnico di Milano - Anno Accademico 200-20 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Esercitazione 9 2 Giugno 20 Esercizio. In un laboratorio per il test dei materiali,

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione) Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso

Dettagli

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 L4, Corso Integrato di Psicometria - Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Rev. 18/04/2011 Inferenza statistica Formulazione

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

Appunti: Teoria Dei Test

Appunti: Teoria Dei Test Appunti: Teoria Dei Test Fulvio De Santis, Luca Tardella e Isabella Verdinelli Corsi di Laurea A + E + D + G + R 1. Introduzione. Il test d ipotesi è un area dell inferenza statistica in cui si valuta

Dettagli

Inferenza statistica

Inferenza statistica Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione in base ad informazioni ricavate da un campione. Inferenza statistica: indurre

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Temi di Esame a.a. 2012-2013. Statistica - CLEF

Temi di Esame a.a. 2012-2013. Statistica - CLEF Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Esercitazioni-aula-parte-III

Esercitazioni-aula-parte-III Esercitazioni-aula-parte-III Esempio par.7.2) Ross Sia (X 1,..., X n ) un campione aleatorio estratto da una popolazione esponenziale di parametro θ incognito. Determinare l espressione dello stimatore

Dettagli

Inferenza statistica I Alcuni esercizi. Stefano Tonellato

Inferenza statistica I Alcuni esercizi. Stefano Tonellato Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,

Dettagli

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) STATISTICA (2) ESERCITAZIONE 4 18.02.2013 Dott.ssa Antonella Costanzo Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) Sia X una popolazione distribuita secondo la legge Bernoulliana

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue

Esercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica 1 Parte A 1.1 La formula µ = x ± s n

Dettagli

Esercizi riassuntivi di probabilità

Esercizi riassuntivi di probabilità Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.

Dettagli

Statistica. Lezione 6

Statistica. Lezione 6 Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

è decidere sulla verità o falsità

è decidere sulla verità o falsità I test di ipotesi I test di ipotesi Il test delle ipotesi consente di verificare se, e in quale misura, una determinata ipotesi (di carattere sociale, biologico, medico, economico, ecc.) è supportata dall

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Inferenza statistica. Inferenza statistica

Inferenza statistica. Inferenza statistica Spesso l informazione a disposizione deriva da un osservazione parziale del fenomeno studiato. In questo caso lo studio di un fenomeno mira solitamente a trarre, sulla base di ciò che si è osservato, considerazioni

Dettagli

Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011. Esercizi di stima puntuale, intervalli di confidenza e test T 2 = 1 2 X

Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011. Esercizi di stima puntuale, intervalli di confidenza e test T 2 = 1 2 X Esercitazioni del corso di Statistica Prof. Mortera a.a. 2010/2011 Esercizi di stima puntuale, intervalli di confidenza e test 1. Si consideri il campione (X 1, X 2, X 3, X 4 ) composto da variabili i.i.d.

Dettagli

Regressione Lineare con un Singolo Regressore

Regressione Lineare con un Singolo Regressore Regressione Lineare con un Singolo Regressore Quali sono gli effetti dell introduzione di pene severe per gli automobilisti ubriachi? Quali sono gli effetti della riduzione della dimensione delle classi

Dettagli

Esercitazione n.4 Inferenza su varianza

Esercitazione n.4 Inferenza su varianza Esercizio 1 Un industria che produce lamiere metalliche ha ricevuto un ordine di acquisto di un grosso quantitativo di lamiere di un dato spessore. Per assicurare la qualità della propria fornitura, l

Dettagli

Problema pratico: Test statistico = regola di decisione

Problema pratico: Test statistico = regola di decisione La verifica delle ipotesi statistiche Problema pratico: Quale, tra diverse situazioni possibili, riferite alla popolazione, è quella meglio sostenuta dalle evidenze empiriche? Coerenza del risultato campionario

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

La logica statistica della verifica (test) delle ipotesi

La logica statistica della verifica (test) delle ipotesi La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi

Dettagli

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano

Dettagli

STATISTICA (I MODULO INFERENZA STATISTICA) Esercitazione I 27/4/2007

STATISTICA (I MODULO INFERENZA STATISTICA) Esercitazione I 27/4/2007 Esercitazione I 7/4/007 In una scatola contenente 0 pezzi di un articolo elettronico risultano essere difettosi. Si estraggono a caso due pezzi, uno alla volta senza reimmissione. Quale è la probabilità

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Il confronto fra proporzioni

Il confronto fra proporzioni L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

1 Modelli di variabili aleatorie continue

1 Modelli di variabili aleatorie continue Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,

Dettagli

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008 Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi

Dettagli

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori

Dettagli

Capitolo 7 TEST DELLE IPOTESI

Capitolo 7 TEST DELLE IPOTESI B. Chiandotto F. Cipollini Versione 3 Cap. 7 Capitolo 7 TEST DELLE IPOTESI In questo capitolo si affronta il problema della verifica d ipotesi statistiche limitando la trattazione alla cosiddetta teoria

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Statistica Applicata all edilizia: alcune distribuzioni di probabilità

Statistica Applicata all edilizia: alcune distribuzioni di probabilità Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA. Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525.

UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA. Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525. UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525 15 dicembre 2014 7 LEZIONE PROBABILITA L incertezza Nella misura di una qualsiasi

Dettagli

Politecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013

Politecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013 Politecnico di Milano - Scuola di Ineneria Industriale I Prova in Itinere di Statistica per Ineneria Eneretica 9 maio 013 c I diritti d autore sono riservati. Oni sfruttamento commerciale non autorizzato

Dettagli

Esercitazione n.2 Inferenza su medie

Esercitazione n.2 Inferenza su medie Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo

Dettagli

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato

Dettagli

Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI

Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Dipartimento di Ingegneria Meccanica Chimica e dei Materiali PROGETTAZIONE E GESTIONE DEGLI IMPIANTI INDUSTRIALI Esercitazione 6 ORE ELEMENTI DI STATISTICA Prof. Ing. Maria Teresa Pilloni Anno Accademico

Dettagli

CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi

CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi 1 CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi Dott.ssa CATERINA CONIGLIANI Facoltà di Economia Università Roma Tre 1 Esercizi di statistica descrittiva Esercizio 1.1 (Prof. Pieraccini, 20 6-00) In

Dettagli

Appunti del corso. Qualità

Appunti del corso. Qualità Appunti del corso Qualità ii INDICE CAPITOLO 1. Termini per la qualità 1.1 Aspetti generali 1.2 Variabilità CAPITOLO 2. Richiami di probabilità 2.1 La distribuzione binomiale 2.2 La distribuzione di Poisson

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica

Dettagli

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie Università del Piemonte Orientale Corso di dottorato in medicina molecolare aa 2002 2003 Corso di Statistica Medica Inferenza sulle medie Statistica U Test z Test t campioni indipendenti con uguale varianza

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI DI PROBABILITÀ Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

Statistical Process Control

Statistical Process Control Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli

Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina

Dettagli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

L Analisi della Varianza ANOVA (ANalysis Of VAriance) L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni

Dettagli

Test statistici di verifica di ipotesi

Test statistici di verifica di ipotesi Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall

Dettagli

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi LEZIONI DI STATISTCA APPLICATA Parte 2 Statistica inferenziale Variabili continue per categoriali Alessandro Valbonesi SARRF di Scienze ambientali Anno accademico 2010-11 CAPITOLO 4 - TEST STATISTICI CHE

Dettagli

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità

Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità Esercitazione del 14/02/2012 Istituzioni di Calcolo delle Probabilità David Barbato Questa raccolta comprende sia gli esercizi dell esercitazione del 14 febbraio sia gli esercizi di ricapitolazione sulle

Dettagli

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114

Dettagli

Università di Siena. Corso di STATISTICA. Parte terza: Test di verifica delle ipotesi. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti

Università di Siena. Corso di STATISTICA. Parte terza: Test di verifica delle ipotesi. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Università di Siena Corso di STATISTICA Parte terza: Test di verifica delle ipotesi Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università

Dettagli

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita

Dettagli

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe

Dettagli

! Si suppone che il peso della popolazione maschile di tesserati di una certa Federazione

! Si suppone che il peso della popolazione maschile di tesserati di una certa Federazione ! Un paziente non-fumatore (e che non ha mai fumato) si presenta dal medico in quanto lamenta una forma di tosse cronica. Il paziente viene sottoposto a una biopsia al polmone. La biopsia fornisce tre

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: generazione

Dettagli

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA UMBERTO MAGAGNOLI Materiale per il Corso di lezioni di STATISTICA Laurea magistrale in Matematica Facoltà di Scienze Matematiche, Fisiche e Naturali Università

Dettagli

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no.

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no. LA VERIFICA D IPOTESI Alla base dell inferenza statistica vi è l assunzione che i fenomeni collettivi possano essere descritti efficacemente mediante delle distribuzioni di probabilità. Abbiamo già considerato

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli