Cenni di Statistica Inferenziale
|
|
- Alessandro Gianni
- 8 anni fa
- Visualizzazioni
Transcript
1 Cenni di Statistica Inferenziale Teorema del limite centrale Data una variabile, qualsiasi sia la sua distribuzione, la media di tutti i suoi campioni di ampiezza n ha una distribuzione normale: dove: x x = N ( µσ, / n ) è la media campionaria μ è la media della popolazione σ è la deviazione standard della popolazione n è la dimensione del campione
2 Uso del teorema del limite centrale Dall equazione: e dal fatto che circa il 95% dei valori in una distribuzione normale cade al più a distanza di 2 deviazioni standard dalla media emerge che dato un singolo campione di n elementi con media xx con confidenza 95% xx cade nell intervallo [μμ 2 σ nn, μμ + 2 σ nn ] ovvero possiamo ritenere che la stima μμ della media di una popolazione sia accettabile al 95% se la media xx di un campione di dimensione n cade nell intervallo: [μμ 2 σ x = N ( µσ, / n ) nn, μμ + 2 σ nn ]
3 Esempio Ipotesi: la media della popolazione è µ= 50 Sappiamo che: Deviazione standard della popolazione σ = 15 dimensione del campione N = 25 Media del campione xx = 61 Intervallo di accettazione con confidenza al 95% [ / 25, / 25] = [44,56] L ipotesi sarebbe confermata se la media stimata cadesse nell intervallo: in questo caso viene rifiutata
4 Graficamente Distribution of the average if null hypothesis is true Sample Average Conclusion: Reject the Null Hypothesis Rejection Region 30,0 35,0 40,0 45,0 50,0 55,0 60,0 65,0 70,0 x Hypothesis Test Ho: Mean = 50 Ha: Mean <> 50 (2-tailed) Ha: Mean > 50 (1-tailed) Ha: Mean < 50 (1-tailed) Population Mean: 50 Population Sigma: 15 Sample Average: 61 Sample Size: 25 Standard Error: 3,000 Alpha: 0,05 Lower Critical Value: 44,120 Upper Critical Value: 55,880 Z-Score: 3,667 P-value (2-sided): 0,02%
5 Esempio Ipotesi: la media della popolazione è µ= 50 Sappiamo che: Deviazione standard della popolazione σ = 15 dimensione del campione N = 25 Media del campione xx = 45 Intervallo di accettazione con confidenza al 95% [ / 25, / 25] = [44,56] L ipotesi sarebbe confermata se la media stimata cadesse nell intervallo: in questo caso viene accettata
6 Graficamente Distribution of the average if null hypothesis is true Sample Average x Rejection Region Hypothesis Test Ho: Mean = 50 Ha: Mean <> 50 (2-tailed) Ha: Mean > 50 (1-tailed) Ha: Mean < 50 (1-tailed) Population Mean: 50 Population Sigma: 15 Sample Average: 45 Sample Size: 25 Standard Error: 3,000 30,0 35,0 40,0 45,0 50,0 55,0 60,0 65,0 70,0 Conclusion: Do Not Reject the Null Hypothesis Alpha: 0,05 Lower Critical Value: 44,120 Upper Critical Value: 55,880 Z-Score: -1,667 P-value (2-sided): 9,56%
7 Riassumendo: Dati una ipotesi µ sulla media di una popolazione La deviazione standard σ della popolazione un campione di dimensione n della popolazione Si può accettare l ipotesi con confidenza 95% se la media del campione cade nell intervallo [μμ 2 σ nn, μμ + 2 σ nn ]
8 Ovvero Dati un campione di dimensione n con media xx di una popolazione La deviazione standard σ della popolazione Possiamo stimare la media della popolazione con confidenza al 95% come xx ±2 σ nn E evidente che la stima è tanto più precisa quanto maggiore è n, che determina l ampiezza dell intervallo (la famosa forchetta delle previsioni)
9 Z-values Dall equazione x = N( µ, σ n), sottraendo µ e dividendo per σ / Otteniamo x µ = N(0,1) σ / n x µ Il valore è quindi distribuito normalmente con media 0 e σ / n deviazione standard 1 Uno z-value, scritto zp, è il punto z tale che, rispetto alla gaussiana standard la probabilità che che un valore sia minore o uguale a zp è proprio p Per esempio z0,95 è 1,96 poichè il 95% dei valori su una gaussiana standard sono minori di 1,96 n
10 Intervalli di confidenza La definizione di z-values, considerando anche il fatto che siamo interessati a escludere i valori ai due estremi ci porta a questa equazione, in cui α è il livello di significatività: P x z σ < µ < x n σ = n 1 α / α / 2 1 z α z 1.96 Per esempio se α=0,05 allora 0.05/ 2 (circa 2 come assunto in precedenza) e quindi i limiti dell intervallo di confidenza al 95% sono: σ [ xx 1,96 1 = nn, xx + 1,96 σ nn ]
11 Tabella degli intervalli di confidenza 1-α Intervallo di confidenza 0,800 0,900 0,950 0,990 0,999 x ± σ / n x ± σ / n x ± σ / n x ± σ / n x ± σ / n
12 Testing di ipotesi 1. osserva il fenomeno 2. ripeti 1. formula una teoria 2. raccogli i dati 3. analizza i dati finche l analisi conferma la teoria
13 Gli ingredienti del test 1. una ipotesi nulla H 0 : rappresenta la teoria attuale del fenomeno sotto analisi 2. una ipotesi alternativa H a : è una teoria alternativa che viene accettata nel caso che la ipotesi nulla venga respinta. Spesso l ipotesi alternativa è l ipotesi che si vuole accettare. In un esempio medico, nello studio degli effetti di un nuovo farmaco, l ipotesi nulla può essere che il nuovo farmaco non abbia miglior comportamento rispetto alla terapia standard 3. Una statistica di controllo (test statistic): è calcolata sui dati per decidere se accettare o respingere l ipotesi nulla 4. una regione di rifiuto: specifica l insieme dei valori del test statistico per cui rifiutare l ipotesi nulla.
14 Un esempio In una fabbrica di componenti elettronici l attuale standard di produzione fa rilevare che in ogni partita prodotta il numero di componenti difettosi ha una media di 50 e una deviazione standard di 15. Viene proposto un nuovo processo di produzione. Il test del processo consiste nel produrre un campione di 25 partite. Il numero medio di difetti per partita risultante è 45. Vale la pena passare al nuovo processo di produzione?
15 Il test dell ipotesi H 0 : il nuovo processo non introduce miglioramenti H a : il nuovo processo introduce miglioramenti, ovvero la diminuzione di difetti non è dovuta a una fluttuazione random ovvero H 0 : il numero medio di componenti difettosi con il nuovo processo è ancora 50 H a : il numero medio di componenti difettosi con il nuovo processo non è 50
16 Statistica di controllo (test statistic) e regione di rifiuto In questo caso la statistica di controllo è la media del campione, ovvero 45 Se vogliamo una confidenza del 95%, l intervallo di confidenza, ovvero la regione di rifiuto dell ipotesi alternativa è: [ ] / 25, / 25 = [44.12,55.88] Poiché 45 è incluso nella regione di rifiuto, l ipotesi alternativa viene rifiutata, ovvero il nuovo metodo è rifiutato e viene accettata l ipotesi nulla. x
17 Distribuzione t (t-distribution) Abbiamo assunto che il valore di σ (la deviazione standard della popolazione) sia noto se non lo è (e in genere non lo è), si può usare invece il valore s della deviazione standard del campione (ovviamente noto) Gosset, impiegato alla birreria Guinness a Dublino, scoprì che il rapporto x µ s / n in cui la deviazione standard del campione (s) sostituisce la deviazione standard della popolazione (σ) non ha una distribuzione normale, ma una leggermente diversa detta t-distribution.
18 t distribution standard Normal
19 La t-distribution è simmetrica, centrata sullo 0 t-distribution Caratterizzata da un singolo parametro, detto grado di libertà, uguale alla dimensione del campione meno 1 Per calcolare l intervallo di confidenza usiamo ora i t-value, che dipendono sia dalla confidenza α richiesta, sia dal grado di libertà uguale a n-1, dove n è la dimensione del campione. L intervallo di confidenza è: x t s x + t 1 α / 2, n 1, 1 α / 2, n 1 n s n Definiamo t-value come x µ 0 s n
20 t-values In Excel il t-value è calcolato dalla funzione TINV(p,df) p è il p-value di una distribuzione a due code, per esempio 0,05 df è il grado di libertà Per esempio, con un campione di 25 elementi l intervallo di rifiuto per una confidenza del 95% è: x 2.06 s, 5 x s 5
21 Esempio L amministrazione dell università afferma che la spesa media di libri per anno a informatica umanistica è inferiore a 200. Un rappresentante degli studenti intervista 25 colleghi scelti casualmente e verifica che: la spesa media del campione è di 220 La deviazione standard del campione è 50 C è sufficiente evidenza che l amministrazione abbia sottostimato la spesa per libri?
22 Esempio (cont.) Ipotesi nulla H0 : la spesa media per testi è 200 Ipotesi alternativa Ha: la spesa media per testi è significativamente diversa da 200 Costruiamo un intervallo di rifiuto al 95% ovvero: t 0.95/ 2,24,220 + t0.95/ 2, t 0,95/ In Excel possiamo calcolare 2,24 con la funzione TINV(0.05,24) L intervallo di rifiuto è quindi: [199.36,240,64] E quindi l ipotesi alternativa è rifiutata e confermata l ipotesi nulla.
23 Applicazione del t-test a dati accoppiati La t-distribution è utile per confrontare dati accoppiati, ovvero osservazioni organizzate a coppie in cui si vuol valutare la differenza tra le coppie L esempio tipico è valutare se una certa operazione effettuata su un numero di elementi ha portato cambiamenti a una specifica caratteristica degli elementi stessi confrontanto una misura della caratteristica prima e dopo l operazione. Per esempio, in campo medico, dato un gruppo di pazienti si può confrontare una loro analisi (p.e. Colestorolo) prima e dopo la somministrazione di un certo farmaco per valutarne l effetto.
24 Applicazione del t-test a dati accoppiati Il T-test viene usato per verificare se ci sono differenze significative tra le due serie di osservazioni. L ipotesi nulla è che non ci siano variazioni di rilievo, ovvero che la media delle variazioni sia 0 L ipotesi alternativa è che ci siano variazioni di rilievo Calcolando media e deviazione standard del campione di differenze possiamo quindi calcolare l intervallo di rifiuto in accordo ad una confidenza scelta e verificare se 0 cade o meno nell intervallo
25 Esempio: dati Dati relativi alla percentuale di occupazione femminile (WLABOR) City Year_68 Year_72 N.Y. 0,42 0,45 L.A. 0,50 0,50 Chicago 0,52 0,52 Philadelphia 0,45 0,45 Detroit 0,43 0,46 San Francisco 0,55 0,55 Boston 0,45 0,60 Pitt. 0,34 0,49 St. Louis 0,45 0,35 Connecticut 0,54 0,55 Wash., D.C. 0,42 0,52 Cinn. 0,51 0,53 Baltimore 0,49 0,57 Newark 0,54 0,53 Minn/St. Paul 0,50 0,59 Buffalo 0,58 0,64 Houston 0,49 0,50 Patterson 0,56 0,57 Dallas 0,63 0,64
26 Esempio: calcoliamo le differenze, la media e la deviazione standard City Year_68 Year_72 Diff N.Y. 0,42 0,45 0,03 L.A. 0,50 0,50 0,00 Chicago 0,52 0,52 0,00 Philadelphia 0,45 0,45 0,00 Detroit 0,43 0,46 0,03 San Francisco 0,55 0,55 0,00 Boston 0,45 0,60 0,15 Pitt. 0,34 0,49 0,15 St. Louis 0,45 0,35-0,10 Connecticut 0,54 0,55 0,01 Wash., D.C. 0,42 0,52 0,10 Cinn. 0,51 0,53 0,02 Baltimore 0,49 0,57 0,08 Newark 0,54 0,53-0,01 Minn/St. Paul 0,50 0,59 0,09 Buffalo 0,58 0,64 0,06 Houston 0,49 0,50 0,01 Patterson 0,56 0,57 0,01 Dallas 0,63 0,64 0,01 media 0, stdev 0,059741
27 Esempio calcoliamo la regione di rifiuto per confidenza del 95% x t s x + t 1 α / 2, n 1, 1 α / 2, n 1 n s n L estremo sinistro è calcolabile con l espressione Excel: 0, TINV(0,05;18)*0,059741/sqrt(19) L estremo destro con l espressione: 0, TINV(0,05;18)*0,059741/sqrt(19) l intervallo è: [0,0049, 0,0625] Quindi l ipotesi nulla, cioè 0, cade al difuori della regione di rifiuto e accettiamo l ipotesi alternativa.
28 T-test in Excel Caricare il data Analysis ToolPack Selezionare Data Analysis dal Tools menu Nel menu Analysis Tools selezionare: t-test: Paired Two Sample for Means Dare come input le due colonne di dati da confrontare e il livello di confidenza (es. 0,95) La media ipotizzata
29 Esempio di T-test in Excel Dati relativi alla percentuale di occupazione femminile (Wlabor) City Year_68 Year_72 N.Y. 0,42 0,45 L.A. 0,50 0,50 Chicago 0,52 0,52 Philadelphia 0,45 0,45 Detroit 0,43 0,46 San Francisco 0,55 0,55 Boston 0,45 0,60 Pitt. 0,34 0,49 St. Louis 0,45 0,35 Connecticut 0,54 0,55 Wash., D.C. 0,42 0,52 Cinn. 0,51 0,53 Baltimore 0,49 0,57 Newark 0,54 0,53 Minn/St. Paul 0,50 0,59 Buffalo 0,58 0,64 Houston 0,49 0,50 Patterson 0,56 0,57 Dallas 0,63 0,64
30 Risultato Variable 1 Variable 2 Commento Mean 0, , medie Variance 0, , varianze Observations dimensione del campione (n) Pearson Correlation 0, indice di correlazione Hypothesized Mean Difference 0 differenza delle medie ipotizzata df 18 gradi di libertà (n-1) t Stat -2, t-value P(T<=t) one-tail 0, nota 1 t Critical one-tail 1, nota 2 P(T<=t) two-tail 0, nota 3 t Critical two-tail 2, nota 4 Nota1: se t < 0, P(T<=t) one-tail è la probabilità che un t-value sia minore di t se t > 0, P(T<=t) one-tail è la probabilità che un t-value sia maggiore di t Nota 2: un t-value è maggiore di t Critical con probabilità α (nell esempio 0.05) Nota 3: P(T<=t) two-tail è la probabilità che un t-value sia più grande in valore assoluto di t Nota 4: un t-value è maggiore in valore assoluto di t Critical con probabilità α (nell esempio 0.05) Poiché il t Stat, ovvero ( x µ, è maggiore in valore assoluto di t critical 0) /( s / n) ( > ), accettiamo l ipotesi alternativa.
31 Esercitazione Il file RACEPAIR contiene informazioni su tempi di reazione e tempi di gara per batterie, semifinali e finali di centometristi delle olimpiadi 96. Si vuole verificare se c è evidenza che il tempo di rezione cambia passando alle gare successive. Si usi il paired t-test per analizzare le differenze tra le seguenti variabili: React 1 vs. React 2, React 1 vs React 3 e React 2 vs React 3. Si calcoli l intervallo di confidenza al 95%.
32 T-Test per confrontare due campioni separati Importante per capire se ci sono differenze significative tra due campioni separati omogenei Esempi: Confrontare gli stipendi tra i dipendenti maschi e i dipendenti femmine di una azienda Confrontare una specifica analisi per un campione di pazienti sottoposti ad una cura e un campione di controllo (con la stessa malattia) a cui è stato somministrato un placebo.
33 Due possibili statistiche Sotto l ipotesi che i campioni siano estratti da popolazioni con diverse deviazioni standard: t = ( x 1 x2) ( µ 1 µ 2) s n s + n 2 2 2
34 Sotto l ipotesi che i campioni siano estratti da popolazioni con la stessa deviazione standard stimata come: In questo caso 2 1) ( 1) ( = n n s n s n s ) ( ) ( n n s x x t + = µ µ
35 Testare l ipotesi Una volta calcolato t dobbiamo verificare se in una t-distribuzione con (n_1 + n_2-2) gradi di libertà t è significativo. La funzione T_DIST.2T(t;n_1 + n_2-2) la probabilità α corrispondente al valore t. Per esempio se poniamo la significatività al 95% (ovvero α = 0,05) e abbiamo t= 2,05 e due campioni uno di 56 elementi e l altro di 34 T_DIST.2T (1,98;88)= 0,043 valore inferiore ad α che mi porta a rifiutare l ipotesi. Mentre T_DIST.2T (1,20;88)= 0,223 valore superiore ad α che mi fa accettare l ipotesi
36 Applicazione del Two-sample data in Excel: analisi delle case di cura Abbiamo i dati relativi a 51 case di cura (NURSEHOME), ciascuno con i seguenti attributi: Medical_Days Location numero di giorni di ricovero annuali rural/non rural Vogliamo analizzare se il numero totale medio di giorni di ricovero è diverso tra le cliniche di campagna (rural) e le altre
37 Rural Non Rural
38 Testing dell ipotesi Ipotesi nulla: il numero medio totale di ricoveri è indipendente dalla posizione della clinica Ipotesi alternativa: il numero medio totale di ricoveri non è indipendente dalla posizione Assumiamo, almeno inizialmente, che la deviazione standard delle due popolazioni sia la stessa
39 Usando Data Analysis in Excel Selezionare t-test assuming equal variances Fornire i seguenti input Range dei valori per le rurali Range dei valori per le non rurali Alpha = 0,05
40 Risultato t-test: Two-Sample Assuming Equal Variances Variable 1 Variable 2 Mean 257, , Variance 16449, , Observations Pooled Variance 13927,73497 Hypothesized Mean Difference 0 df 50 t Stat -1, P(T<=t) one-tail 0, t Critical one-tail 1, P(T<=t) two-tail 0, t Critical two-tail 2, Poiché t Stat in valore assoluto è minore di t Critical two-tail (1,86 < 2,00) rifiutiamo l ipotesi alternativa, ovvero non ci sono differenze tra rurali enon rurali
41 Ma... Se assumiamo invece che le deviazioni standard delle due popolazioni siano diverse, abbiamo t-test: Two-Sample Assuming Unequal Variances Variable 1 Variable 2 Mean 257, , Variance 16449, , Observations Hypothesized Mean Difference 0 df 44 t Stat -2, P(T<=t) one-tail 0, t Critical one-tail 1, P(T<=t) two-tail 0, t Critical two-tail 2, Poiché t Stat in valore assoluto è maggioredi t Critical two-tail (2,04 > 2,01) dobbiamo accettare l ipotesi alternativa, ovvero ci sono differenze tra rurali enon rurali
42 E allora? Dobbiamo cercare di scoprire perché le deviazioni standard dei campioni, rispettivamente 128,25 per le rural e 95,03 per le nonrural sono così diverse Analizziamo la distribuzione di rural Che mostra un clamoroso outlier che giustifica la correttezza della prima risposta
Applicazione del t-test a dati accoppiati
Applicazione del t-test a dati accoppiati La t-distribution è utile per confrontare dati accoppiati, ovvero osservazioni organizzate a coppie in cui si vuol valutare la differenza tra le coppie L esempio
DettagliCenni di Statistica Inferenziale
Cenni di Statistica Inferenziale Teorema del limite centrale Data una variabile, qualsiasi sia la sua distribuzione, la media di tutti i suoi campioni di ampiezza n ha una distribuzione normale: dove:
DettagliCenni di Statistica Inferenziale
Cenni di Statistica Inferenziale Teorema del limite centrale Data una variabile, qualsiasi sia la sua distribuzione, la media di tutti i suoi campioni di ampiezza n ha una distribuzione normale: dove:
DettagliInferenza 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
Dettagliiovanella@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
DettagliStatistica. 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
DettagliE 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
DettagliIstituzioni 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
DettagliEsercitazione 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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliCORSO 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
DettagliEsercitazione #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
DettagliUniversità 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
DettagliAnalisi 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
DettagliTest 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
DettagliT DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:
T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1
DettagliEsercizio 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
DettagliEsercitazione 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
DettagliMetodi 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
DettagliStima 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
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliElementi di Psicometria
Elementi di Psicometria E2-Riepilogo finale vers. 1.2 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia) ElemPsico 2010-2011
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliCAPITOLO 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
DettagliElementi 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,
DettagliMetodi 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.
Dettagli1. 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
DettagliTEST 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
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliExcel Terza parte. Excel 2003
Excel Terza parte Excel 2003 TABELLA PIVOT Selezioniamo tutti i dati (con le relative etichette) Dati Rapporto tabella pivot e grafico pivot Fine 2 La tabella pivot viene messa di default in una pagina
DettagliTeoria della Stima. Stima della Media e di una Porzione di Popolazione. Introduzione. Corso di Laurea in Scienze Motorie AA2002/03 - Analisi dei Dati
Teoria della Stima. Stima della Media e di una Porzione di Popolazione Introduzione La proceduta in base alla quale ad uno o più parametri di popolazione si assegna il valore numerico calcolato dalle informazioni
DettagliEsercizi 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
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
DettagliStatistical 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
DettagliSTATISTICA 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
DettagliVERIFICA 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
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliStatistica. 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
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliL 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
DettagliFONDAMENTI DI PSICOMETRIA - 8 CFU
Ψ FONDAMENTI DI PSICOMETRIA - 8 CFU STIMA DELL ATTENDIBILITA STIMA DELL ATTENDIBILITA DEFINIZIONE DI ATTENDIBILITA (affidabilità, fedeltà) Grado di accordo tra diversi tentativi di misurare uno stesso
DettagliUniversità 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
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
Dettagli3. 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
DettagliInferenza 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,
DettagliIl 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,
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.2 I principali test statistici per la verifica di ipotesi: Il test F Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliTema 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
DettagliTemi 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
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliELEMENTI 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
DettagliEsame 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
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliSTATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua
STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo febbraio 2015 Modelli continui di probabilità: la v.c. uniforme continua Esercizio 1 Anna ha una gift card da 50 euro. Non si sa se sia mai stata utilizzata
DettagliFacoltà 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
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliCorso 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
DettagliConcetto di potenza statistica
Calcolo della numerosità campionaria Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Concetto di potenza statistica 1 Accetto H 0 Rifiuto H 0 Ipotesi Nulla (H
DettagliUniversità 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
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
DettagliIL TEST CHI QUADRATO χ 2
IL TEST CHI QUADRATO χ 2 Test parametrici I test studiati nelle lezioni precedenti (test-t, testz) consentono la verifica di ipotesi relative al valore di specifici parametri di popolazione Esempio: differenza
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) La Regressione Multipla La Regressione Multipla La regressione multipla
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliStatistica 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
DettagliIntroduzione alle relazioni multivariate. Introduzione alle relazioni multivariate
Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili
DettagliESERCIZIO N 4. Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240
ESERCIZIO N 4 Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240 PUNTO a CALCOLO MODA E QUARTILI La moda rappresenta quell'elemento del campione
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliVARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.
VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della
DettagliTeoria delle code. Sistemi stazionari: M/M/1 M/M/1/K M/M/S
Teoria delle code Sistemi stazionari: M/M/1 M/M/1/K M/M/S Fabio Giammarinaro 04/03/2008 Sommario INTRODUZIONE... 3 Formule generali di e... 3 Leggi di Little... 3 Cosa cerchiamo... 3 Legame tra N e le
DettagliTest non parametrici. Test non parametrici. Test non parametrici. Test non parametrici
Test non parametrici Test non parametrici Il test T di Student per uno o per due campioni, il test F di Fisher per l'analisi della varianza, la correlazione, la regressione, insieme ad altri test di statistica
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliCorso 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
DettagliMetodi 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
DettagliUniversità del Piemonte Orientale. Corsi di Specialità. Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza
Università del Piemonte Orientale Corsi di Specialità Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea in biotecnologie
DettagliMETODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica
METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica EPIDEMIOLOGIA Ha come oggetto lo studio della distribuzione delle malattie in un popolazione e dei fattori che la influenzano
DettagliLa 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
Dettagli1a) 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
DettagliAnalisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni
Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la
DettagliAnalizza/Confronta medie. ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107. Test t. Test t. t-test test e confronto tra medie chi quadrato
Analizza/Confronta medie ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107 t-test test e confronto tra medie chi quadrato C.d.L. Comunicazione e Psicologia a.a. 2008/09 Medie Calcola medie e altre statistiche
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
DettagliIl 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
DettagliEsercizio 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
DettagliESERCITAZIONE 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
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
Dettagli1) 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
DettagliANALISI DI CORRELAZIONE
ANALISI DI CORRELAZIONE Esempio: Dati raccolti da n = 129 studenti di Pavia (A.A. 21/2) Altezza (cm) Peso (Kg) Voto Algebra e Geometria Voto Fisica I Valutare la correlazione delle seguenti coppie: Peso
DettagliPRODUZIONE DI LENTI A CONTATTO
1 PRODUZIONE DI LENTI A CONTATTO Per monitorare il processo di produzione di un determinato tipo di lenti a contatto viene misurato, ad intervalli di tempo regolari di h 15 minuti, il diametro X (in mm)
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliANALISI DEI DATI EPIDEMIOLOGICI
ANALISI DEI DATI EPIDEMIOLOGICI Cenni di statistica Che cosa è la statistica Statistica descrittiva e statistica inferenziale Test statistici di ipotesi Intervalli di confidenza Analisi stratificata TEST
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
Dettagli