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

Dimensione: px
Iniziare la visualizzazioe della pagina:

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

Transcript

1 Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette da incertezza. Premessa Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: a) disponendo di una serie finita di valori della grandezza (campione) : N xi N i= µ x = b) disponendo dell espressione della funzione di densità di probabilità che caratterizza la grandezza: E( x) µ x p( x) dx = = = σ = ( µ ) N S σ = i i N N N V x p( x) dx Queste modalità di calcolo sono di fatto recepite dalle normative per la definizione delle incertezze associate a misure sperimentali, pur in presenza di una incoerenza formale: la σ della seconda riga corrisponde alla S della prima e non a S / N. ( x x )

2 Incertezze tipo (Standard Uncertainity) 3 Classificazione incertezze Secondo le normative le componenti di incertezza devono essere classificate in relazione al metodo con il quale sono state determinate. Valutazione di tipo A: metodo di valutazione delle incertezze mediante analisi statistica di una serie di osservazioni/misure. Valutazione di tipo B: metodo di valutazione delle incertezze mediante strumenti diversi dall analisi statistica di una serie di misure/osservazioni. L incertezza viene espressa mediante una deviazione standard stimata, detta incertezza standard o tipo, pari alla radice quadrata della varianza stimata. Trattandosi di definizioni tratte dalle normative potrebbero essere prese così come sono in termini operativi In collegamento con i concetti di Probabilità e Statistica assumono un chiaro significato concettuale 4

3 Incertezza tipo A L incertezza standard di tipo A è rappresentata da una quantità u e calcolata dalla deviazione standard S, ricavata come radice della varianza campionaria S, e dal numero di gradi di libertà ad essa associato, ν, con la formula riportata. Incertezza tipo A: u = N S ν + = i xi x N N ( ) Quindi l incertezza standard di tipo A è data dalla deviazione standard della media campionaria di una variabile misurata. La valutazione di una incertezza di tipo A è basata su di un metodo statistico applicato ai dati disponibili. L esempio tipico è il classico calcolo della media e della sua deviazione standard a partire da una serie di osservazioni. 5 Incertezza tipo A: valutazione Valutazione dell incertezza di tipo A per una misura ripetuta: ) acquisizione di N valori di misura; ) calcolo del valor medio: 3) calcolo della deviazione standard campionaria: 4) calcolo dell incertezza della misura come scarto tipo della media: N xi N i = m = N S = ( xi m) N i= u = ± s N 5) valore della misura come media delle misure affetta da un incertezza data dallo scarto tipo della media: x = m ± u (N piccolo comporta una stima poco affidabile dello scarto tipo. In questo caso occorre ricordare N per poter effettuare l espansione del livello di confidenza tramite t-student ) 6 3

4 Incertezze tipo B Un incertezza ottenuta con valutazione di tipo B è rappresentata da una quantità u (radice quadrata della varianza u (x)) determinata in base ad una ragionevole ipotesi di distribuzione di densità di probabilità (p(x)), basata su tutte le informazioni disponibili. u = x p( x) dx ( µ ) Anche in questo caso l incertezza viene rappresentata con una deviazione standard stimata, e definita incertezza standard o tipo, pari alla radice quadrata della varianza stimata. Non sono però disponibili i dati relativi alle misure. Si opera in base ad una ipotesi di distribuzione della variabile in oggetto. 7 Incertezza tipo B: valutazione Valutazione dell incertezza di tipo B: ) individuazione della distribuzione di probabilità applicabile alla misura in esame e congruente con tutte le informazioni disponibili. ) calcolo del valore atteso: 3) calcolo della varianza: 4) calcolo dell incertezza tipo: u = E( x) µ x p( x) dx 5) valore della misura come valore atteso affetto da un incertezza data dalla radice della varianza. = = V = σ = x µ p( x) dx σ ( ) 8 4

5 Incertezza tipo B: valutazione Disponiamo di uno voltmetro a presentazione digitale con risoluzione del display di 0.V. Si utilizza lo strumento per una singola misura di tensione. Definire l incertezza della misura in assenza di ulteriori informazioni. Soluzione: L incertezza deve essere definita, in accordo con le indicazioni della normativa, con una procedura dipendente dalle informazioni disponibili. Classificheremo l incertezza dovuta alla risoluzione come di tipo B, non disponendo di una base statistica di dati con la quale operare. A seguito di tale definizione dovremo adottare una distribuzione di probabilità: l arrotondamento non consente ipotesi diverse da quelle di probabilità uniforme. a L incertezza, di tipo B, è quindi data da: u = = = V 3 3 dove a è la risoluzione del voltmetro (ampiezza della distribuzione rettangolare) e la divisione per la radice di 3 porta al calcolo dell incertezza standard della misura in termini di deviazione standard della distribuzione. 9 Incertezza tipo B: valutazione Una valutazione di incertezza standard di tipo B è basata sull esame di tutte le informazioni disponibili, dalle quali si ricavano gli elementi per l adozione di un particolare tipo di distribuzione. Es.: risultati di precedenti misure; esperienza con, o informazioni sul, sistema di misura; specifiche del produttore; dati di calibrazione. 68 % 58 % 65 %. In sintesi, l incertezza viene definita da qualcun altro o a partire da una distribuzione di probabilità. 0 5

6 Incertezza tipo B: valutazione Dal momento che le informazioni disponibili possono essere anche molto diverse è difficile desumere un criterio unico per l'espressione delle incertezze di tipo B. Quello che si può affermare è che le incertezze tipo di categoria B sono espresse attraverso la deviazione standard della densità di probabilità che si è supposto descrivere la variabile casuale in esame. I valori dei parametri che definiscono la funzione di densità di probabilità, ad esempio i valori degli estremi della distribuzione uniforme, dipendono dalla situazione. Sono di seguito riportati alcuni esempi delle situazioni più frequenti che e possibile incontrare. Incertezza tipo B: casi caratteristici Si supponga che uno strumento a display digitale dia questo risultato:. Il significato della lettura. è che il valore in ingresso è 0.5 < x <.5 Possono essere avanzate ipotesi sulla probabilità dei valori nell intervallo? NO: tutti i valori sono equamente probabili nell intervallo ; la funzione distribuzione di probabilità è costante nell intervallo e nulla fuori. a/ 0 3 Distribuzione rettangolare: Nessun valore ha probabilità di uscita maggiore degli altri Densità di probabilità f(x)=/a nell intervallo, 0 fuori. Come già visto precedentemente lo scarto tipo, nell ipotesi di una distribuzione rettangolare, è: a u = 3 6

7 Incertezza tipo B: casi caratteristici Un dato viene fornito senza incertezza, es. un peso di 3 N. L incertezza è legata alla precisione di rappresentazione ovvero al numero di decimali usati per scrivere il valore: analogamente al caso del display digitale assumeremo per il calcolo dell incertezza tipo ±0.5 N con distribuzione uniforme. Viene dichiarato che una certa grandezza x ha valore: con livello di confidenza del 90%. L'indicazione del livello di confidenza fa pensare ragionevolmente ad un modello distributivo di tipo gaussiano. Poiché per un livello di confidenza del 90% si ha con un coefficiente di copertura k=.64, l'incertezza tipo può essere espressa come: u = = k.64 Nel caso di 95% di probabilità avremmo avuto k= : u = x = x ± 3 Incertezza tipo B: casi caratteristici Viene dichiarato solo che una certa grandezza x ha un valore: x = x ± In questo caso, in mancanza di ulteriori informazioni, si suppone una distribuzione di tipo uniforme e si esprime l'incertezza tipo come: u = 3 Viene dichiarato che una certa grandezza x ha un valore x = x ± con la tendenza a credere più ai valori centrali dell'intervallo che a quelli estremi. In questo caso e possibile assumere una distribuzione di probabilità ad esempio di tipo triangolare, ed esprimere l'incertezza tipo come: u = 6 4 7

8 Incertezza tipo B: valutazione Un documento riporta come risultato della misura della grandezza x il valore x = x ± con la specifica che la media e stata eseguita con 0 misurazioni e che l'incertezza e data al 95%. In questo caso e possibile supporre un modello distributivo dato dalla distribuzione di densità di probabilità t-student. Perciò l'incertezza tipo è data da (consultando la tabella): u = = t.6 Stud Nelle caratteristiche tecniche di uno strumento di misura viene dichiarato che l'accuratezza è pari ad una percentuale d del FS. L'accuratezza esprime l'estremo superiore dell'errore che si commette nell'utilizzo dello strumento calibrato; in mancanza di altre informazioni, è lecito assumere una distribuzione di probabilità uniforme e quindi esprimere l'incertezza tipo come: δ FS u = Incertezza tipo B: valutazione Può risultare utile riprendere il risultato di uno degli esempi svolti: in assenza di una dichiarazione esplicita dell accuratezza, il formato di rappresentazione dei dati implicitamente ne contiene l indicazione; l accuratezza associabile ad un dato è data dalla prima cifra non espressa: 8000 m m 8.0 0^3 m 8 km 8.00 km ±0.5 m ±0.05 m ±50 m ±500m ± 0 m L eccessiva confidenza in questa forma di espressione dell accuratezza del dato può portare a false interpretazioni: se una misura è ottenuta usando uno strumento affetto da una certa incertezza, fornire un grande numero di cifre decimali solo perché riportate dal calcolatore non migliora la qualità del dato. Tutte le cifre oltre quelle significative dello strumento sono, in linea teorica, errate. Per questo le normative prevedono l obbligatorietà dell espressione dell incertezza di misura. 7 8

9 Incertezze estesa (Expanded Uncertainity) 8 Incertezze estesa Per definire l incertezza ad un livello di confidenza differente da quello standard si definisce l incertezza estesa (expanded uncertainty) ottenuta moltiplicando l incertezza tipo per il fattore di copertura (coverage factor), rappresentato normalmente con k. L incertezza estesa della variabile y viene definita come: U = k u(y) Il valore del fattore di copertura viene definito in funzione della distribuzione di probabilità che caratterizza la grandezza y Ci aspettiamo che il valore vero della grandezza, Y, cada in un intervallo attorno al valore y delimitato dall incertezza estesa U, con un livello di probabilità dipendente dal valore di k: Y = y ± U. 9 9

10 Incertezze estesa Il valore del fattore di copertura k viene scelto sulla base del livello di confidenza (fiduciario) desiderato; tipicamente per garantire i livelli 95% o 99%. Se è applicabile l ipotesi di distribuzione normale e u è ottenuta in base ad una stima affidabile della deviazione standard della misura, cioè se l ipotesi di distribuzione gaussiana è affidabile, per il 95% si utilizzerà k= piuttosto che k=3 per il 99%. Se è ancora applicabile l approssimazione di distribuzione normale ma u non è ottenuta da una stima affidabile della deviazione standard si applicherà t-student, cioè k = t%, ν, tenendo conto del livello fiduciario richiesto, %, e del numero di gradi di libertà, ν. 0 Incertezza combinata 0

11 Incertezza combinata Variabile dipendente da molteplici parametri d ingresso: Misure individuali Par Par Par n Relazione tra variabili indipendenti Ogni misura è affetta dalla propria incertezza: Q = f ( x i ) Variabile dipendente w xi Serve una regola di propagazione delle incertezze individuali per ottenere l incertezza della variabile derivata: w Q Incertezze standard Inc. Par Inc. Par Inc. Par n Legge di propagazione incertezze Incertezza standard combinata Incertezza combinata Le incertezze standard, sia di tipo A che di tipo B, vengono utilizzate per propagare il loro effetto su una variabile derivata attraverso la RSS (previa verifica della sua applicabilità) Incertezza della i-esima variabile nella propagazione: (nel senso del valore medio) Propagazione N i w = x x w ( _ ) xi _ Std i k i N Ni i i= N Q = w Q _ Std xi _ Std i= xi Gli esempi sono quelli esaminati nella discussione della propagazione con la RSS Rimane aperto il problema dell estensione ad un richiesto livello fiduciario visto che i diversi contributi possono essere non compatibili per tipo o numero di gradi di libertà. wq _ Ext = k% wq _ Std???? k %???? 3

12 Combinazione di incertezze Quando applicare l estensione: Incertezze standard Par : Tipo A/B, gdl Par : Tipo A/B, gdl Par n: Tipo A/B, gdl Fattore di copertura Incertezza estesa del singolo parametro Legge di propagazione delle incertezze (RSS quando applicabile) Fattore di copertura? Incertezza standard combinata Incertezza estesa della variabile propagata 4 Estensione di un incertezza combinata 5

13 Questione aperta Prima di poterci occupare di come estendere l incertezza combinata ad un richiesto livello di confidenza, occorre definirne la natura ovvero la funzione di densità di probabilità che meglio descrive la distribuzione della grandezza derivata. E necessario capire come incertezze di natura diversa interagiscono nel definire la tipologia della incertezza propagata. Il teorema del limite centrale (J.W. Lindeberg 9) afferma che una somma di variabili aleatorie indipendenti e identicamente distribuite (con funzioni di densità di probabilità uguali) di media µ e varianza σ, indipendentemente dalla distribuzione di partenza, al tendere del campione all infinito, tende a distribuirsi come una variabile casuale normale La dimostrazione del teorema e la sua applicazione rigorosa è al di là degli scopi del presente corso. Viene mostrata una validazione euristica con generalizzazione al caso di una grandezza combinazione di più parametri affetti da incertezze generiche (A o B): si simula un esperimento per il calcolo di una grandezza generando delle misure dei parametri da cui dipende, in accordo con le rispettive distribuzioni. 6 Combinazione di incertezze Misura perimetro di un triangolo Incertezza rettangolare L Incertezza rettangolare L Incertezza rettangolare L Possibili combinazioni di 3 incertezze L,, Blu: istogramma dei dati Rosso: gaussiana pari dev. std. 7 3

14 Combinazione di incertezze Nelle prime tre righe dei grafici sono riportate 0 valutazioni di 3 incertezze indipendenti a distribuzione uniforme. Nella colonna di sinistra i valori numerici, in quella di destra l istogramma corrispondente (è evidente che, con pochi valori, quest ultimo non è particolarmente indicativo) Nell ultima riga i dati sono ottenuti effettuando tutte le possibili somme delle 60 misure: la dispersione e l istogramma sono relativi a 0 x 0 x 0 = 8000 stime dell operatore e portano all incertezza combinata. L unico vincolo che adotteremo nel corso, tralasciando quelli ben più stringenti del teorema del limite centrale, è quello che le distribuzioni dei parametri indipendenti siano simmetriche rispetto al valor medio: funzioni non simmetriche di partenza non potrebbero condurre ad una configurazione simmetrica come quella gaussiana. 8 Estensione dell incertezza combinata Se combiniamo: incertezze di tipo B e/o incertezze di tipo A con stima delle varianze ritenuta affidabile (quindi determinate con un numero tanto elevato di misure da non necessitare la correzione di Student per la loro estensione) potremo ritenere che l incertezza propagata sia gaussiana con varianza anch essa adeguatamente stimata. Potremo quindi utilizzare il fattore di copertura di una variabile gaussiana. Es. per 95% k= e per 97% k=3 9 4

15 Estensione dell incertezza combinata In presenza di anche una sola incertezze di tipo A con varianza mal valutata (tipicamente ottenute con campioni poco numerosi es. N<30) non possiamo considerare egualmente attendibili tutti i dati. In alcuni casi si potrebbe cercare di omogeneizzare i dati (es. sapendo come definire il fattore di copertura per un certo livello probabilistico e usare il coeff. t-student per amplificare la deviazione std calcolata al livello fiduciario di 67% ) A livello normativo si richiede di lavorare direttamente sull incertezza combinata. Si pesa il contributo dei diversi elementi che compongono l incertezza della grandezza derivata tenendo conto del fatto che il livello di qualità delle diverse incertezze è legato al numero di gradi di libertà utilizzati per caratterizzarle: Tipo A: N- Tipo B: infinito 30 Estensione dell incertezza combinata Si pesano i contributi dei singoli termini che concorrono a definire il numero di gradi di libertà equivalenti dell incertezza combinata utilizzando la formula di Welch-Satterthwaite: m m Q W w i i i= x i i w = Q m 4 4 m m Wi Q 4 ν w Wi i= i i i x i ν = i ν = i i ν = = = Essa pesa la rilevanza di un contributo, W i,, alla qualità totale rapportandola al proprio numero di gradi di libertà ν i. Per ottenere l intervallo di confidenza dell incertezza combinata, estesa al livello di confidenza desiderato, si moltiplica lo scarto tipo per k Si definirà k in termini di fattore di copertura z (gaussiana), o t, Student, in funzione del risultato della formula ( ν maggiore o minore di 30 ). 3 5

16 Incertezza combinata La procedura suggerita dalle norme prevede di: determinare tutte le incertezze tipo con l associato numero di gradi di libertà: propagare le incertezze tipo calcolando l incertezza tipo combinata della variabile dipendente: determinare eventualmente il numero di gradi di libertà equivalenti che caratterizzano l incertezza tipo combinata con la formula di Welch-Satterwhaite: w, ν i w Q ν Q i determinare il fattore di copertura, per il livello fiduciario richiesto, come per una variabile casuale a distribuzione gaussiana se ν Q >30 altrimenti utilizzando il parametro t corrispondente ai gradi di libertà equivalenti: k Q% = t%, ν ν Q k% ν Q calcolare l incertezza combinata estesa al livello fiduciario richiesto: w = k w Q% Q% Q 3 Incertezza combinata Schema generale: Incertezze standard Par : Tipo A/B, gdl Par : Tipo A/B, gdl Par n: Tipo A/B, gdl Legge di propagazione delle incertezze (RSS quando applicabile) Incertezza standard combinata Fattore di copertura Formula di Welch- Satterthwaite Gradi di libertà della variabile propagata Fattore di copertura Incertezza estesa del singolo parametro Incertezza estesa della variabile propagata 33 6

17 Valutazione alternativa dell incertezza propagata Una tecnica alternativa all applicazione della RSS per la valutazione dell incertezza di una grandezza dipendente ricorre all approccio utilizzato per supportare con l evidenza il Teorema del Limite centrale. Date le distribuzioni di ogni variabile indipendente si genera un numero elevato di valutazioni di ciascuno e si genera un campione con tutte le possibili misure conseguenti all utilizzo casuale dei dati disponibili. Si caratterizza la popolazione risultato di questo processo in termini statistici e se ne calcolano valor medio (non utilizzato) e varianza. La varianza viene utilizzata per definire l incertezza cercata. Questa tecnica prende il nome di metodo Monte Carlo. Sito HP: uncertainitycalculator 34 Rappresentazione e confronto di incertezze 35 7

18 Rappresentazione incertezze L incertezza di misura richiede una adeguata modalità di rappresentazione. Le misure e le relative incertezze possono essere rappresentate graficamente mediante barre che hanno l ampiezza dell intervallo definito dall incertezza. Le incertezze rappresentate su uno stesso grafico devono essere confrontabili, quindi espresse con lo stesso livello di confidenza. 36 Compatibilità delle misure Se si esegue la misura di una grandezza (magari con metodi diversi) si ottengono non solo risultati diversi ma anche i valori medi e le incertezze ad essi associati sono in generale differenti. Nel grafico sono riportate i risultati di tre serie di misure della celerità del suono in termini di media e relativa incertezza. Cosa ci suggerisce? Le diverse misurazioni sono confrontabili o, per meglio dire, compatibili? Una misura, come è ormai noto, è una misura aleatoria ed è quindi generalmente impossibile che le medie di sue serie di misure abbiano lo stesso valore: il confronto diretto del valore della grandezza, senza considerare le incertezze, sarebbe dunque fuorviante. Due misurazioni sono compatibili se gli intervalli di confidenza sono, almeno parzialmente, sovrapposti. 37 8

19 Compatibilità delle misure La compatibilità delle misure, riportate allo stesso livello di confidenza, è una condizione che si verifica quando gli intervalli di incertezza assegnati hanno un sotto-intervallo in comune. Il termine compatibilità sostituisce quello di uguaglianza poiché trattiamo una grandezza statistica e non deterministica. Per avere compatibilità tra due misure è necessario e sufficiente che esista un intervallo comune a tutte le fasce di valore: un insieme di misure che soddisfa a questa condizione è detto mutuamente compatibile. 38 Compatibilità delle misure La compatibilità non è una proprietà transitiva. A B C Dalle tre misure riportate nel grafico superiore: le coppie A-B e B-C sono mutuamente compatibili, avendo A-B la fascia azzurra e B-C la fascia rosa in comune; le coppie A e C non sono compatibili perché non ci sono elementi comuni nei loro intervalli

20 Da ricordare Come si calcolano le incertezze in funzione delle informazioni disponibili. Come si recuperano le informazioni per il calcolo delle incertezze. Come si definiscono le incertezze estese per un assegnato livello di confidenza. Come si definiscono le incertezze propagate per un assegnato livello di confidenza. Come si confrontano misure affette da incertezza Domande? 4 0

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

Corso di. Dott.ssa Donatella Cocca

Corso 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

Dettagli

Probabilità 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. 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:

Dettagli

11. Analisi statistica degli eventi idrologici estremi

11. Analisi statistica degli eventi idrologici estremi . Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche

Dettagli

STATISTICA IX lezione

STATISTICA 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

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

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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi 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

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

Statistica inferenziale

Statistica 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

Dettagli

Ing. Simone Giovannetti

Ing. Simone Giovannetti Università degli Studi di Firenze Dipartimento di Elettronica e Telecomunicazioni Ing. Simone Giovannetti Firenze, 29 Maggio 2012 1 Incertezza di Misura (1/3) La necessità di misurare nasce dall esigenza

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

Calcolo delle probabilità

Calcolo 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

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

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

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

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

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

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione

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

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

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

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

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

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

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

Dettagli

Corso di laurea in Scienze Motorie. Corso di Statistica. Docente: Dott.ssa Immacolata Scancarello Lezione 2: Misurazione, tabelle

Corso di laurea in Scienze Motorie. Corso di Statistica. Docente: Dott.ssa Immacolata Scancarello Lezione 2: Misurazione, tabelle Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione : Misurazione, tabelle 1 Misurazione Definizione: La misura è l attribuzione di un valore numerico

Dettagli

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

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

Dettagli

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

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

INCERTEZZA DI MISURA

INCERTEZZA DI MISURA L ERRORE DI MISURA Errore di misura = risultato valore vero Definizione inesatta o incompleta Errori casuali Errori sistematici L ERRORE DI MISURA Errori casuali on ne si conosce l origine poiche, appunto,

Dettagli

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000 GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI INDICE parte sezione pagina 1. INTRODUZIONE. FONDAMENTI.1. Misurando,

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

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

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

Dettagli

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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

ANALISI DELLE FREQUENZE: IL TEST CHI 2

ANALISI DELLE FREQUENZE: IL TEST CHI 2 ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento

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

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

SPC e distribuzione normale con Access

SPC 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,

Dettagli

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di

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

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 Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La

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

Verifica di ipotesi e intervalli di confidenza nella regressione multipla

Verifica di ipotesi e intervalli di confidenza nella regressione multipla Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo

Dettagli

La teoria dell utilità attesa

La teoria dell utilità attesa La teoria dell utilità attesa 1 La teoria dell utilità attesa In un contesto di certezza esiste un legame biunivoco tra azioni e conseguenze: ad ogni azione corrisponde una e una sola conseguenza, e viceversa.

Dettagli

CAPACITÀ DI PROCESSO (PROCESS CAPABILITY)

CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il

Dettagli

Sistemi di Numerazione Binaria NB.1

Sistemi di Numerazione Binaria NB.1 Sistemi di Numerazione Binaria NB.1 Numeri e numerali Numero: entità astratta Numerale : stringa di caratteri che rappresenta un numero in un dato sistema di numerazione Lo stesso numero è rappresentato

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

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

OSSERVAZIONI TEORICHE Lezione n. 4

OSSERVAZIONI 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

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di

LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di STATISTICA LA STATISTICA si interessa del rilevamento, dell elaborazione e dello studio dei dati; studia ciò che accade o come è fatto un gruppo numeroso di oggetti; cerca, attraverso l uso della matematica

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

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

Relazioni statistiche: regressione e correlazione

Relazioni 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

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

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

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

Errori di una misura e sua rappresentazione

Errori di una misura e sua rappresentazione Errori di una misura e sua rappresentazione Il risultato di una qualsiasi misura sperimentale è costituito da un valore numerico (con la rispettiva unità di misura) ed un incertezza (chiamata anche errore)

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

l insieme delle misure effettuate costituisce il campione statistico

l insieme delle misure effettuate costituisce il campione statistico Statistica negli esperimenti reali si effettuano sempre un numero finito di misure, ( spesso molto limitato ) l insieme delle misure effettuate costituisce il campione statistico Statistica descrittiva

Dettagli

Un gioco con tre dadi

Un gioco con tre dadi Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.

Dettagli

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010

LEZIONE 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

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

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

(concetto classico di probabilità)

(concetto classico di probabilità) Probabilità matematica (concetto classico di probabilità) Teoria ed esempi Introduzione Il calcolo delle probabilità è la parte della matematica che si occupa di prevedere, sulla base di regole e leggi

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

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO

ISTITUTO COMPRENSIVO MONTEGROTTO TERME SCUOLA PRIMARIA DISCIPLINA: MATEMATICA - CLASSE PRIMA OBIETTIVI DI APPRENDIMENTO PRIMA DELLA DISCIPLINA: MATEMATICA - CLASSE PRIMA L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali. Legge e comprende testi che coinvolgono aspetti logici e matematici.

Dettagli

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che: Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi

Dettagli

Complementi di Analisi per Informatica *** Capitolo 2. Numeri Complessi. e Circuiti Elettrici. a Corrente Alternata. Sergio Benenti 7 settembre 2013

Complementi di Analisi per Informatica *** Capitolo 2. Numeri Complessi. e Circuiti Elettrici. a Corrente Alternata. Sergio Benenti 7 settembre 2013 Complementi di Analisi per nformatica *** Capitolo 2 Numeri Complessi e Circuiti Elettrici a Corrente Alternata Sergio Benenti 7 settembre 2013? ndice 2 Circuiti elettrici a corrente alternata 1 21 Circuito

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

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

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

Capitolo 12 La regressione lineare semplice

Capitolo 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

Dettagli

Corso di Fisica generale

Corso di Fisica generale Corso di Fisica generale Liceo Scientifico Righi, Cesena Anno Scolastico 2014/15 1C Introduzione alla Incertezza della Misura Sperimentale I Riccardo Fabbri 1 (Dispense ed esercizi su www.riccardofabbri.eu)

Dettagli

VALORE DELLE MERCI SEQUESTRATE

VALORE DELLE MERCI SEQUESTRATE La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune

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

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

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione

Dettagli

Corso 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 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.

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

CONCETTO DI LIMITE DI UNA FUNZIONE REALE

CONCETTO DI LIMITE DI UNA FUNZIONE REALE CONCETTO DI LIMITE DI UNA FUNZIONE REALE Il limite di una funzione è uno dei concetti fondamentali dell'analisi matematica. Tramite questo concetto viene formalizzata la nozione di funzione continua e

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

FONDAMENTI DI PSICOMETRIA - 8 CFU

FONDAMENTI 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

Dettagli

Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE. Operare con i numeri

Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE. Operare con i numeri COMPETENZA CHIAVE MATEMATICA Fonte di legittimazione Raccomandazione del Parlamento europeo 18/12/2006 CLASSE PRIMA COMPETENZE ABILITÀ CONOSCENZE L alunno utilizza il calcolo scritto e mentale con i numeri

Dettagli

RAPPRESENTAZIONE DEI DATI

RAPPRESENTAZIONE DEI DATI Rappresentazione dei Dati RAPPRESENTAZIONE DEI DATI Quando si dispone di un alto numero di misure della stessa grandezza fisica è opportuno organizzarle in modo da rendere evidente Quandoil si loro dispone

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

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE CON REPLICHE INTRODUZIONE Lo studio di un fenomeno non si deve limitareit alla valutazione dei singoli fattori in studio ma molto spesso è importante

Dettagli

la scienza della rappresentazione e della elaborazione dell informazione

la scienza della rappresentazione e della elaborazione dell informazione Sistema binario Sommario informatica rappresentare informazioni la differenza Analogico/Digitale i sistemi di numerazione posizionali il sistema binario Informatica Definizione la scienza della rappresentazione

Dettagli

ALGEBRA DELLE PROPOSIZIONI

ALGEBRA DELLE PROPOSIZIONI Università di Salerno Fondamenti di Informatica Corso di Laurea Ingegneria Corso B Docente: Ing. Giovanni Secondulfo Anno Accademico 2010-2011 ALGEBRA DELLE PROPOSIZIONI Fondamenti di Informatica Algebra

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

Università del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica

Università del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica Università del Piemonte Orientale Corsi di Laurea Triennale di area tecnica Corso di Statistica Medica Campionamento e distribuzione campionaria della media Corsi di laurea triennale di area tecnica -

Dettagli

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0 LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide 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

Dettagli

LE CARTE DI CONTROLLO (4)

LE CARTE DI CONTROLLO (4) LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale

Dettagli

Capitolo 2 Distribuzioni di frequenza

Capitolo 2 Distribuzioni di frequenza Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.

Dettagli