VERIFICA DELLE IPOTESI

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "VERIFICA DELLE IPOTESI"

Transcript

1 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 su una popolazione di Bernoulli Ipotesi sulla media di una distribuzione di Poisson 290

2 Introduzione Come in precedenza, supponiamo di disporre di un campione aleatorio proveniente da una distribuzione che ci è nota tranne che per uno o più parametri incogniti. La nuova chiave di lettura non prevede più di stimare direttamente questi parametri, ma piuttosto di usare il campione raccolto per verificare qualche ipotesi che li coinvolga. Una ipotesi statistica è normalmente un affermazione su uno o più parametri della distribuzione di popolazione. Si parla di ipotesi perché a priori non sappiamo se sia vera o meno: il problema primario è quello di sviluppare una procedura per determinare se i valori di un campione aleatorio e l ipotesi fatta siano compatibili oppure no. Se è compatibile diremo che l ipotesi è accettata, altrimenti è rifiutata. Si noti che quando accettiamo un ipotesi non stiamo affermando che sia necessariamente vera, ma solo che i dati raccolti sono accettabilmente in accordo con essa. 291

3 Livelli di significatività Consideriamo una popolazione avente distribuzione F θ che dipende da un parametro incognito θ e supponiamo di volere verificare una qualche ipotesi su θ, che chiameremo ipotesi nulla, e denoteremo con H 0. Se F θ è ad esempio una distribuzione normale con media θ e varianza 1, due possibili ipotesi nulle su θ sono: 1.H 0 : θ=1 2.H 0 : θ 1 La prima di queste ipotesi afferma che la popolazione ha distribuzione N(1,1), mentre la seconda sostiene che essa è normale con varianza 1 e media non superiore a 1. Si noti che l ipotesi nulla 1, quando è vera, caratterizza completamente la distribuzione della popolazione, mentre questo non è vero per l ipotesi 2. Nel primo caso si parla di ipotesi semplice, mentre nel secondo di ipotesi composta. 292

4 Livelli di significatività Supponiamo di disporre di un campione aleatorio X 1,..,X n proveniente da questa popolazione e di volerlo usare per eseguire un test di una certa ipotesi nulla H 0. Siccome dobbiamo decidere se accettare o meno H 0 basandoci esclusivamente sugli n valori dei dati, il test sarà definito da una regione C nello spazio a n dimensioni, con l intesa che se il vettore (X 1,..,X n ) cade all interno di C l ipotesi viene rifiutata, mentre viene accettata in caso contrario. Una regione C con queste caratteristiche viene detta regione critica del test. 293

5 Livelli di significatività Schematizzando quanto detto, il test statistico determinato dalla regione critica C è quello che accetta H se ( X, X,..., X ) C e rifiuta H se ( X, X,..., X ) C In qualunque test per verificare una ipotesi nulla, il risultato può essere sbagliato in due modi differenti. Si ha infatti: un errore di prima specie quando i dati ci portano a rifiutare una ipotesi H 0 che in realtà è corretta, un errore di seconda specie quando finiamo con l accettare H 0 ed essa è falsa. Non vi è simmetria tra i due tipi di errori. Ricordiamo infatti che l obiettivo di una verifica di H 0 non è quella di dire se questa ipotesi sia vera o falsa, ma piuttosto di dire se l ipotesi fatta sia anche solo compatibile con i dati raccolti. In effetti vi è un ampio livello di tolleranza nell accettare H 0, mentre per rifiutarla occorre che i dati campionari siano molto improbabili quando H 0 è soddisfatta. n n 294

6 Livelli di significatività Questo bilanciamento si ottiene specificando un valore α, detto livello di significatività, e imponendo che il test abbia la proprietà che quando l ipotesi H 0 è vera, la probabilità che venga rifiutata non possa superare α. Il livello di significatività del test viene normalmente fissato in anticipo, con valori tipici dell ordine di 0.1, 0.05 o Detto in altri termini, un test con livello di significatività α deve avere una probabilità di errore di prima specie minore o uguale ad α. 295

7 Livelli di significatività Per chiarire come viene costruita la regione critica, immaginiamo di volere verificare l ipotesi nulla H0 : θ w dove con w stiamo indicando un insieme di valori possibili per il parametro. Un approccio naturale per formulare una verifica di H 0 ad un livello di significatività α prescritto consiste nell individuare uno stimatore puntuale di θ, che denotiamo con d(x), e quindi rifiutare l ipotesi quando d(x) è lontano dalla regione w. Per capire quanto lontano deve essere per giustificare un rifiuto di H 0 ad un livello di significatività pari a α occorre conoscere la distribuzione dello stimatore d(x) nel caso in cui H 0 sia vera. Ad esempio la verifica dell ipotesi che la media di una popolazione N(θ,1) sia pari a 1, impone di rifiutare l ipotesi quando lo stimatore puntuale di θ (ovvero la media campionaria) dista da 1 più di 1.96/ n. Come vedremo quest ultimo valore è stato scelto in modo da dare ai test un livello di significatività del 5%. 1 n 1.96 C = ( X1, X 2,..., X n) : 1 Xi > n i= 1 n 296

8 Verifica di ipotesi sulla media di una popolazione normale Varianza nota Supponiamo che X 1,..,X n sia un campione aleatorio proveniente da una popolazione normale di parametri µ e σ 2, con la varianza nota e media incognita. Fissata una costante µ 0, vogliamo verificare l ipotesi nulla contro l ipotesi alternativa H : µ = µ 0 0 H : µ µ 1 0 Siccome X =Σ i X i /n è lo stimatore puntuale per µ, sembra ragionevole accettare H 0 quando X non è troppo lontano da µ 0. Perciò la regione critica del test sarà del tipo C = ( X1, X 2,..., X n) : X µ 0 > c per una scelta opportuna della costante c. { } Se vogliamo che il test abbia livello di significatività α, dobbiamo individuare quel valore di c nell equazione precedente che rende pari ad α la probabilità di errore di prima specie. Ciò significa che c deve soddisfare la relazione seguente α = P(errore di I specie) = P ( X µ > c) µ 0 0 dove scriviamo con P µ0 per intendere che la probabilità precedente viene calcolata con l assunzione che µ=µ (*)

9 Verifica di ipotesi sulla media di una popolazione normale Varianza nota Quando però µ=µ 0 sappiamo che X ha distribuzione normale con media µ 0 e varianza σ 2 /n e quindi se Z denota una variabile aleatoria N(0,1) allora X σ / µ 0 n dove la relazione ~ è condizionata all ipotesi H 0 : µ=µ 0. Possiamo allora riscrivere (*) nella forma µ 0 Z e quindi P(Z>c n/σ)=α/2. Siccome però per definizione di z α/2 vale si deduce che X µ 0 c n c n c n α = Pµ 0 > = P( Z > ) = 2 P( Z > ) σ / n σ σ σ P( Z > z α ) = α / 2 /2 c n z c z σ = = α /2 α /2 σ n 298

10 Verifica di ipotesi sulla media di una popolazione normale Varianza nota Il test con livello di significatività α dovrà allora rifiutare H 0 se X -µ 0 > z α/2 σ/ n, cioè X µ si rifiuta H 0 0 se > zα /2 si accetta H se σ / X 0 0 zα /2 σ / La regione di accettazione per la statistica del test è un intervallo simmetrico rispetto allo zero, come è illustrato in figura, dove si è riportata in sovrapposizione la densità della distribuzione normale standard. n µ n (**) 299

11 Verifica di ipotesi sulla media di una popolazione normale Varianza nota 300

12 Verifica di ipotesi sulla media di una popolazione normale Varianza nota 301

13 Verifica di ipotesi sulla media di una popolazione normale La regola fornita dall equazione (**) può essere riformulata come segue. Varianza nota Dopo aver calcolato il valore assunto dalla statistica del test, n X -µ 0 /σ (che denotiamo con v), valutiamo la probabilità (condizionata alla validità di H 0 ) che la statistica stessa assumesse un valore come v o più estremo ancora. Se tale probabilità è minore del livello di α, rifiutiamo l ipotesi H 0, altrimenti l accettiamo. In altri termini dobbiamo calcolare prima il valore della statistica del test, poi la probabilità che una normale standard, in valore assoluto, superi tale quantità. Questa probabilità, detta il p-dei-dati del test, fornisce il livello di significatività critico, scendendo al di sotto del quale la decisione cambia da rifiuto ad accettazione. In pratica spesso non si fissa in anticipo il livello di significatività, ma si osservano i dati e si ricava il p-dei-dati corrispondente. Se esso risulta molto maggiore di quanto siamo disposti ad accettare come probabilità di un errore di prima specie, conviene accettare l ipotesi nulla; se invece esso è molto piccolo, possiamo rifiutarla. 302

14 Verifica di ipotesi sulla media di una popolazione normale Varianza nota 303

15 Verifica di ipotesi sulla media di una popolazione normale Per calcolare questa probabilità usiamo il fatto che X ~N(µ,σ 2 /n) e quindi da cui Varianza nota Non abbiamo ancora discusso la probabilità degli errori di seconda specie, cioè la probabilità di accettare H 0 quando in realtà essa non è valida. Tale probabilità dipende da µ e in particolare vale X µ 0 X µ ( ) P (accettare H 0 β µ = µ 0 ) = P µ z /2 P z /2 z /2 σ / n α = µ α σ / n α La funzione β(µ) è detta curva OC (curva operativa caratteristica) e rappresenta la probabilità di accettare H 0 quando la media reale è µ. Z X µ = σ / n N(0,1) X µ ( ) 0 µ 0 µ µ 0 µ X µ P z 0 µ 0 µ β µ = µ α /2 zα /2 = Pµ zα /2 + + zα /2 = σ / n σ / n σ / n σ / n σ / n µ 0 µ µ 0 µ µ P z 0 µ µ 0 µ = µ α /2 Z + zα /2 = Φ + zα /2 Φ zα /2 σ / n σ / n σ / n σ / n 304

16 Verifica di ipotesi sulla media di una popolazione normale Varianza nota Per un livello di significatività α fissato, la curva OC è simmetrica rispetto a µ 0 e dipende da µ solo tramite n µ-µ 0 /σ. In figura è rappresentata la curva OC per α=0.05, con l ascissa trasformata da µ a d= n µ-µ 0 /σ. N.B. La funzione 1-β(µ) è detta funzione di potenza del test. Per un valore di µ fissato, la potenza del test è la probabilità di rifiutare (correttamente) H 0 quando µ è il valore vero. 305

17 Verifica di ipotesi sulla media di una popolazione normale Varianza nota 306

18 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali Nel verificare l ipotesi nulla µ=µ 0 abbiamo costruito un test che porta ad un rifiuto quando X è lontano da µ 0, ovvero valori di X troppo bassi o troppo alti rispetto a µ 0 sembrano smentire che µ sia proprio uguale a µ 0. Cosa accade se l ipotesi alternativa a H 0 : µ=µ 0 è H1: µ>µ 0? Nel verificare l ipotesi H : µ = µ contro H : µ > µ Dovremmo rifiutare l ipotesi nulla quando X, lo stimatore di µ, è molto più grande di µ 0 e quindi la regione critica dovrebbe essere {( 1, 2,..., n) : µ 0 } C = X X X X > c per una scelta opportuna della costante c. Siccome la probabilità di rifiuto dovrebbe essere α quando H 0 è vera occorre che c soddisfi la relazione Pµ 0( X µ 0 > c) = α Poiché stiamo supponendo che µ=µ 0, X ha media µ 0 e quindi la statistica Z ha distribuzione normale standard X µ Z = 0 N(0,1) σ / n 307

19 Verifica di ipotesi sulla media di una popolazione normale Perciò la precedente è equivalente a P Z Test unilaterali che si risolve in funzione di c ricordando che P(Z>z α ) =α ottenendo quindi Il test con livello di significatività α dovrà allora rifiutare H 0 se X- µ 0 >z α σ/ n, cioè Quella trovata è detta regione critica unilaterale, o a una coda (a differenza delle regioni critiche trovate in precedenza che erano bilaterali o a due code). Anche il problema di verificare le ipotesi alternative si dice problema di test unilaterale. c = 0 0 c n > = α σ z α /2 si rifiuta H se si accetta H se H X σ n σ / X σ / µ 0 n µ : µ = µ contro H : µ > µ n > z α z α (***) 308

20 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali Per ottenere il p-dei-dati di questo tipo di test si calcola innanzitutto il valore della statistica del test X µ 0 σ / n in funzione dei dati raccolti; il p-dei-dati è quindi uguale alla probabilità che una normale standard superi questo valore. 309

21 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali 310

22 Verifica di ipotesi sulla media di una popolazione normale La curva OC del test unilaterale (***) si può ricavare come segue. Test unilaterali Visto che per i=1,..,n si ha che X i ~N(µ,σ 2 /n) e quindi che X~N(µ,σ 2 /n) se poniamo Z= n( X-µ)/σ, questa statistica è normale standard per cui σ X µ µ ( ) P (accettare H 0 µ β µ = µ 0) = Pµ X µ 0 + zα = Pµ + zα = n σ / n σ / n µ 0 µ µ P Z z 0 µ = µ + α = Φ + zα σ / n σ / n Siccome Φ, in quanto funzione di ripartizione, è crescente è chiaro che β(µ) è una funzione decrescente. Questo risultato appare incoraggiante, visto che è ragionevole che, al crescere di µ, sia sempre meno facile concludere che µ<µ 0. Si noti anche che, siccome Φ(z α )=1-α, si ha che β ( µ ) = 1 α 0 311

23 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali La regola fornita dalla (***) vale anche per verificare, ad un livello di significatività α, l ipotesi unilaterale H : µ µ contro H : µ > µ Per accertarsi che il livello di significatività sia rimasto α, dobbiamo dimostrare che la probabilità di un errore di prima specie non superi mai questo valore. Al variare di µ, la probabilità di rifiuto è data da 1-β(µ). Siccome si commette un errore di prima specie se H 0 è vera e i dati ci impongono di rifiutarla, dobbiamo verificare che, per ogni µ compatibile con H 0, quindi per ogni µ µ 0, 1 β ( µ ) α per ogni µ µ β ( µ ) 1 α per ogni µ µ 0 0 N.B. E anche possibile verificare, ad un livello di significatività α, l ipotesi H 0 : µ=µ 0 contro l ipotesi alternativa H 1 :µ<µ 0 decidendo che si rifiuta H se 0 si accetta H se 0 X σ / X σ / µ 0 n µ 0 n < z α z α 312

24 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali 313

25 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali 314

26 Verifica di ipotesi sulla media di una popolazione normale Test unilaterali 315

27 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t Comunemente né la media né la varianza di una popolazione sono note. Supponiamo di essere in tale situazione e consideriamo di nuovo come si possa verificare l ipotesi nulla che µ sia uguale ad un valore assegnato µ 0, contro l ipotesi alternativa che µ µ 0. Come in precedenza, sembra ragionevole rifiutare l ipotesi nulla quando X cade lontano da µ 0 : tuttavia la distanza a cui deve essere da µ 0 per giustificare questo rifiuto dipende dalla deviazione standard che in quella sede era nota, ma qui non è conosciuta. Possiamo allora pensare di sostituirla con il suo stimatore, la deviazione standard campionaria S 1 n 2 S = ( Xi X ) n 1 i= 1 rifiutando l ipotesi nulla quando è troppo grande. H : µ = µ contro H : µ µ X S µ / 0 n 316

28 Verifica di ipotesi sulla media di una popolazione normale Quanto grande è «troppo grande»? Sappiamo che la variabile aleatoria X µ S / n n 1 Varianza non nota: test t ha distribuzione t. Se si denota con T la statistica di questo test, cioè T = X S / t µ 0 n allora quando H 0 è vera, visto che µ=µ 0, T ha distribuzione t con n-1 gradi di libertà. Imponiamo ora che la probabilità di errore di prima specie sia α, ovvero passando agli eventi complementari, che sia 1-α la probabilità di accettare l ipotesi nulla quando µ=µ 0 : X µ P 0 µ 0 c c = 1 α S / n Per ricavare c, si noti che, siccome la densità della distribuzione t è simmetrica rispetto allo zero, α = 1 P( c < T < c) = P( T c) + P( T c) = 2 P( T c) 317

29 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t Per cui P(T>c)=α/2 e quindi deve valere c=t α/2,n-1 per definizione di t α,k. Concludendo diamo la regola per usare il test: si rifiuta H se si accetta H se 0 0 > tα /2, n tα /2, n 1 Il test descritto è detto test t bilaterale ed è illustrato in figura. X S X S µ / / n µ n Se si denota con t il valore assunto da T, la statistica del test, calcolata in funzione dei dati del campione, il valore del p-dei-dati corrispondente è la probabilità che T superi t, quando H 0 è vera. Si tratta quindi della probabilità che una t di Student con n-1 gradi di libertà abbia valore assoluto maggiore di t. Come nei casi precedenti, si deve rifiutare l ipotesi nulla a tutti i livelli318 di significatività maggiori del p-dei-dati, mentre la si accetta a tutti i livelli inferiori.

30 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t 319

31 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t 320

32 Verifica di ipotesi sulla media di una popolazione normale Si può costruire un test t a una coda per verificare l ipotesi H : µ = µ (o H : µ µ ) contro H : µ > µ ad un livello di significatività α decidendo che Varianza non nota: test t X µ si accetta H 0 0 se tα, n 1 S / n Se il valore di n ( X-µ)/S realizzato dai dati è v, allora il p-dei-dati corrispondente è la probabilità che una t di Student con n-1 gradi di libertà sia maggiore o uguale a v. Analogamente la verifica ad un livello α dell ipotesi si ottiene decidendo che X µ si rifiuta H se 0 0 > tα, n 1 S / n H : µ = µ (o H : µ µ ) contro H : µ < µ X µ si rifiuta H se 0 0 < tα, n 1 S / n X µ si accetta H se 0 0 tα, n 1 S / n 321

33 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t 322

34 Verifica di ipotesi sulla media di una popolazione normale Varianza non nota: test t 323

35 Verifica di ipotesi sulla varianza di una popolazione normale Sia X 1,..,X n un campione proveniente da una popolazione normale con media incognita µ e varianza incognita σ 2 e supponiamo di volere verificare l ipotesi nulla H per un valore di σ 02 fissato. S σ : σ = σ 0 contro H1: σ σ 0 Per ottenere un test ricordiamo che (n-1)s 2 /σ 2 ha distribuzione chi-quadro con n-1 gradi di libertà così quando H 0 è vera S 2 n 2 n 1 PH 0 1 α /2, n 1 n 2 α /2, n 1 0 σ 0 ( 1) χ ( χ ( 1) χ ) = 1 α Perciò la regola da adattare è la seguente S 2 0 χ1 α /2, n 1 n χ 2 α /2, n 1 σ 0 si accetta H se ( 1) si rifiuta H negli altri casi 324

36 Verifica di ipotesi sulla varianza di una popolazione normale Il test precedente può anche essere implementato come segue: si osservano i dati; si calcola il valore c assunto dalla statistica del test, ovvero (n-1)s 2 /σ 02 ; si determina poi la probabilità che una chi-quadro con n-1 gradi di libertà sia (1) più piccola di c, (2) più grande di c. L ipotesi nulla viene rifiutata se una di queste due probabilità è inferiore ad α/2. Altrimenti detto, il p-dei-dati è 2 2 n 1 χn 1 p-dei-dati = 2min{ P( χ c),1 P( c)} Il p-dei-dati per un test a una coda si trova analogamente. 325

37 Verifica di ipotesi sulla varianza di una popolazione normale 326

38 Verifica di ipotesi su una popolazione di Bernoulli Una ipotesi di lavoro che spesso viene assunta è che ogni oggetto prodotto sia difettoso in maniera indipendente da tutti gli altri con probabilità p. In questo modo il numero di difetti in un campione di n pezzi ha distribuzione binomiale di parametri (n,p). Consideriamo allora la verifica dell ipotesi dove p 0 è un valore assegnato. H : p p contro H : p > p Se denotiamo con X il numero di pezzi difettosi in un campione di n, dobbiamo certamente rifiutare H 0 quando X è troppo grande. Per calcolare poi quanto grande deve essere per giustificare un rifiuto dell ipotesi nulla ad un livello di significatività pari ad α, notiamo che n n n i P( X k) = P( X = i) = p (1 p) i= k i= k i E intuitivo che P(X k) è una funzione crescente di p; infatti la probabilità che un campione contenga k o più pezzi difettosi cresce con p. Usando questo fatto, quando H 0 è vera, quindi p p0 n n i n i PH 0( X k) p0 (1 p0) 327 i= k i n i

39 Verifica di ipotesi su una popolazione di Bernoulli Per verificare le ipotesi suddette ad un livello di significatività α, si deve rifiutare H 0 quando X k* dove con k* si è denotato il più piccolo numero intero k tale che n n i n i k* = min k : p0 (1 p0) α i= k i Un modo migliore per implementare il test consiste nel determinare prima il valore x della statistica del test, X, e poi calcolare il p-dei-dati come segue n n i p-dei-dati = p0 (1 p0) i= x i n i 328

40 Verifica di ipotesi su una popolazione di Bernoulli 329

41 Verifica di ipotesi su una popolazione di Bernoulli Quando la numerosità del campione è elevata, possiamo ottenere un test approssimativo con significatività α, usando la distribuzione normale. Poiché infatti quando n è molto grande X è approssimativamente normale, con media e varianza ne segue che E[ X ] = np Var( X ) = np(1 p) X np np(1 p) N(0,1) sarà approssimativamente normale standard e quindi per ottenete un test che confronti le ipotesi H 0 :p p 0 e H 1 : p>p 0 si deve rifiutare l ipotesi nulla quando X np np 0 (1 p ) 0 0 z α 330

42 Verifica di ipotesi su una popolazione di Bernoulli 331

43 Verifica di ipotesi su una popolazione di Bernoulli In questo contesto è più frequente imbattersi in test a una coda, comunque quelli bilaterali non presentano difficoltà ulteriori. Proviamo a verificare H : p = p contro H : p p Se la variabile aleatoria X, che è binomiale con parametri n e p, viene osservata ed assume il valore x, sarà necessario rifiutare l ipotesi nulla quando x cadrà molto lontano da quello che è il valore atteso quando p è uguale a p 0. Più precisamente il test rifiuterà H 0 quando α α Pp 0( X x) oppure Pp 0( X x) 2 2 Il valore del p-dei-dati corrispondente è quindi p-dei-dati = 2min{ P ( X x), P ( X x)} p0 p0 332

44 Verifica di ipotesi su una popolazione di Bernoulli 333

45 Ipotesi sulla media di una distribuzione di Poisson Sia X una variabile aleatoria di Poisson con media λ e supponiamo di volere confrontare le ipotesi H dove con P λ0 intendiamo la probabilità calcolata assumendo che X abbia media λ 0. Di conseguenza il p-dei-dati è dato da : λ = λ contro H : λ λ Se x è il valore osservato per X, un test con livello di significatività α deve rifiutare l ipotesi nulla se α α Pλ 0( X x) o se Pλ 0( X x) 2 2 p-dei-dati = 2min{ P ( X x), P ( X x)} λ0 λ0 N.B. Si tenga presente che una distribuzione di Poisson con media λ molto grande è approssimativamente normale con media e varianza entrambe pari a λ. 334

46 Ipotesi sulla media di una distribuzione di Poisson 335

47 Problemi 1. Una ditta fabbrica pneumatici asserendo che la loro durata media sia di km. In seguito all estrazione casuale di un campione di 20 pneumatici si riscontra X =40900 km e S=6000. Sottoporre a verifica, con un livello di significatività del 5%, l ipotesi che la durata media dei pneumatici sia maggiore di km. Svolgimento H : µ = H : µ > T X µ = S / n t n 1 T = t α, n 1 essendo t α,n-1 >T si accetta l ipotesi H 0. =

48 Problemi 2. Una ditta fabbrica pneumatici asserendo che la loro durata media sia di km. In seguito all estrazione casuale di un campione di 100 pneumatici si riscontra X =40900 km e S=6500. Sottoporre a verifica, con un livello di significatività del 5%, l ipotesi che la durata media dei pneumatici sia maggiore di km. Svolgimento H : µ = H : µ > T X µ = t S / n In virtù del teorema del limite centrale, data l elevata numerosità del campione, T N(0,1). T z α == n 1 essendo z α >T si accetta l ipotesi H

49 Problemi 3. In passato, la lunghezza media delle pannocchie di grano era uguale a 27cm con σ 2 =24. Si vuole sottoporre a test l ipotesi che le pannocchie di un determinato anno abbiamo una lunghezza media diversa, sulla base di un campione di 20 elementi con α=0.04. Svolgimento 30, 29, 16, 19, 25, 23, 18, 17, 29, 30 29, 30, 23, 27, 22, 16, 28, 24, 26, 30 H : µ =27 0 H : µ 27 1 z α /2 x i X = = n X µ Z = = 2.24 σ / n = ± siccome -2.24< si rifiuta H

50 Problemi 4. Una società farmaceutica dichiara che dai test effettuati il 38% dei pazienti è intollerante ad un certo medicinale. Estratto un campione di 2500 pazienti con la stessa patologia, solo 900 sono risultati intolleranti. Si sottoponga a verifica l ipotesi della società. Svolgimento H : π = H : π p Z 900 = = p π = = 2.06 π (1 π ) n Ponendo α=0.05 allora z α/2 =±1.96. siccome -2.06<-1.96 si rifiuta H

51 Problemi 5. Una macchina produce sacchetti di patatine dal peso medio di 250g. In seguito ad un guasto elettrico si ritiene che il funzionamento della macchina sia stato alterato. Per verificare tale ipotesi vengono scelti a caso 7 sacchetti prodotti dopo il guasto e si misura il loro peso in grammi 220, 250, 210, 230, 240, 250, 210 Si può sostenere che il guasto abbia ridotto il peso medio? Svolgimento H : µ =250 0 H : µ < Considerando α=0.05 allora t crit = X = 230, S = 16.04, n = 7 X µ T = = 3.3 S / n Essendo T<t crit si rifiuta H 0 e si conclude che il peso medio dei sacchetti è diminuito. 340

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

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

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

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

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 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

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

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

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

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

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1 Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo

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

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

Corso di Psicometria Progredito

Corso 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

Dettagli

Test d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi

Test 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

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

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

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

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

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

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

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

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

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

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

L 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 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

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 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

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

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

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

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

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

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

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

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

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 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

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

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

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) 151 Introduzione Un esperimento è una prova o una serie di prove. Gli esperimenti sono largamente utilizzati nel campo dell ingegneria. Tra le varie applicazioni;

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

Capitolo 11 Test chi-quadro

Capitolo 11 Test chi-quadro Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova

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

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE 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,

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

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

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

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

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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

Dettagli

VARIABILI ALEATORIE E VALORE ATTESO

VARIABILI ALEATORIE E VALORE ATTESO VARIABILI ALEATORIE E VALORE ATTESO Variabili aleatorie Variabili discrete e continue Coppie e vettori di variabili aleatorie Valore atteso Proprietà del valore atteso Varianza Covarianza e varianza della

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

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

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

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

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

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

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

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

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004 Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità

Dettagli

risulta (x) = 1 se x < 0.

risulta (x) = 1 se x < 0. Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente

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

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

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

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 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

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

Teoria 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. 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

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Esercitazione n.1 (v.c. Binomiale, Poisson, Normale)

Esercitazione n.1 (v.c. Binomiale, Poisson, Normale) Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione

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

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

Continua sul retro 42.1 39.7 38.0 38.7 41.4 37.5 38.6 40.5 39.8 38.0 36.9 40.3 42.0 41.3 40.4 39.1 38.4 42.0

Continua sul retro 42.1 39.7 38.0 38.7 41.4 37.5 38.6 40.5 39.8 38.0 36.9 40.3 42.0 41.3 40.4 39.1 38.4 42.0 Statistica per l azienda Esame del 19.06.12 COGNOME NOME Matr. Firma Modulo: singolo con Informatica con StatII & PDRM con Mat. & PDRM altro (specificare) Attenzione: Il presente foglio deve essere compilato

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

8 Elementi di Statistica

8 Elementi di Statistica 8 Elementi di Statistica La conoscenza di alcuni elementi di statistica e di analisi degli errori è importante quando si vogliano realizzare delle osservazioni sperimentali significative, ed anche per

Dettagli

La distribuzione Normale. La distribuzione Normale

La 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

Dettagli

1 Serie di Taylor di una funzione

1 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

Dettagli

Concetto di potenza statistica

Concetto 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

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

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI DI CALCOLO DELLE PROBABILITA Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica

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

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

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

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

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

Lineamenti di econometria 2

Lineamenti di econometria 2 Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione

Dettagli

Matematica II: Calcolo delle Probabilità e Statistica Matematica

Matematica II: Calcolo delle Probabilità e Statistica Matematica Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,

Dettagli

Capitolo 2. Operazione di limite

Capitolo 2. Operazione di limite Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A

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

Tutorato di Probabilità e Statistica

Tutorato di Probabilità e Statistica Università Ca Foscari di Venezia Dipartimento di informatica 20 aprile 2006 Variabili aleatorie... Example Giochiamo alla roulette per tre volte 1 milione sull uscita del numero 29. Qual è la probabilità

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

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione

Dettagli

Serie numeriche. 1 Definizioni e proprietà elementari

Serie numeriche. 1 Definizioni e proprietà elementari Serie numeriche Definizioni e proprietà elementari Sia { } una successione, definita per ogni numero naturale n n. Per ogni n n, consideriamo la somma s n degli elementi della successione di posto d s

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

Carte di controllo per attributi

Carte di controllo per attributi Carte di controllo per attributi Il controllo per variabili non sempre è effettuabile misurazioni troppo difficili o costose troppe variabili che definiscono qualità di un prodotto le caratteristiche dei

Dettagli

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 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

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

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