Lezioni del Corso di Fondamenti di Metrologia
|
|
- Mattia Giusti
- 6 anni fa
- Visualizzazioni
Transcript
1 Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia 4. Elementi di Statistica: Frequenza e Probabilità Curva di Gauss e Teoria di Student
2 Indice 1. Frequenza e Probabilità. Parametri Statistici 3. Curva di Gauss 4. Altre Distribuzioni
3 Me spiego: da li conti che se fanno secondo le statistiche d adesso risurta che te tocca un pollo all anno E se nun entra ne le spese tue, t entra ne la statistica lo stesso perché c è un altro che ne magna due Trilussa
4 Eventi aleatori e deterministici Un evento aleatorio può assumere nel corso di una prova un valore sconosciuto a priori. Si possono distinguere variabili aleatorie discrete e variabili aleatorie continue. Le variabili discrete possono assumere solo un insieme di valori numerabile, mentre i valori possibili di quelle continue non possono essere enumerati in anticipo e riempiono "densamente" un intervallo. Il risultato di una misura può intendersi sempre come una variabile aleatoria o più precisamente la somma di un evento deterministico, che vogliamo misurare, e di altri eventi aleatori sovrapposti che abbiamo definito errori di misura. Pertanto, per effettuare una stima corretta, sia della grandezza che vogliamo misurare, sia dell entità degli errori, è necessario applicare correttamente le metodologie statistiche per il trattamento dei dati aleatori (nel caso in cui siamo in grado di effettuare una stima a posteriori ) oppure la teoria della probabilità (nel caso in cui tale stima debba essere effettuata a priori ).
5 Definizione di Unità, Campione e popolazione l unità statistica rappresenta l elemento su cui vengono osservati determinati caratteri qualitativi (colore, ) o quantitativi (volume, massa) la popolazione e l insieme delle unità statistiche di interesse (omogenee rispetto a uno o più caratteri) il campione è un sottoinsieme di unità della popolazione
6 l unità statistica (evento) un autovettura il risultato di un lancio di dadi un errore di misura la popolazione le autovetture circolanti a Roma i lanci effettuati durante un gioco i possibili errori il campione le autovetture parcheggiate in un garage i primi 0 lanci gli errori commessi in una prova ripetuta
7 L indagine statistica può essere: totaleo censuaria (si rilevano i caratteri di tutte le unità della popolazione) campionaria (si rilevano i caratteri di un campione della popolazione e per induzione si ottengono informazioni su tutta la popolazione) L indagine campionaria necessita di un attenta progettazione per: individuare univocamente la popolazione evitare distorsioni sistematiche (indirettamente randomizzando la collezione delle unità o direttamente controllando l esperimento) collezionare un numero significativo di eventi
8 ERRORI CAMPIONARI campionare gli alunni per valutare l altezza media nelle scuola senza avere definito l età degli alunni (chi?), la regione dove si vuole fare l indagine (dove?), il periodo di interesse (quando?) campionare i pezzi prodotti all inizio o al termine della produzione effettuare solo 5 analisi per conoscere il numero medio di glucosio nel sangue degli Italiani ERRORI NON CAMPIONARI effettuare misure su bilance starate per difettto (portano evidentemente ad una stima distorta) campionare confezioni di sale prodotto da una catena (per stimarne il peso medio) in un giorno in cui c è un elevato tasso di umidità
9 Concetti elementari di Statistica Parametri statistici Istogramma di frequenza Tendenza centrale (Media, moda, mediana) X = 1 n x i i= 1, n Dispersione (scarto tipo, varianza, percentili) Frequenza F = k ( xi X ) s = n 1 n eventi favorevoli n eventitotali Trim. 3 Trim. Est Ovest Nord
10 Una misura è sempre una variabile casuale e può essere intesa come somma di un evento deterministico (misurando) e di altri eventi aleatori sovrapposti (errori di misura/correzioni) Per una stima corretta della misura e degli errori è necessario applicare tecniche statistiche per il trattamento dei dati aleatori (stima a posteriori ) e la teoria della probabilità (stima a priori ) Probabilità (stima a priori) se ciascun evento è equiprobabile la probabilità di accadimento risulta pari al numero di eventi favorevoli diviso il numero di eventi possibili la probabilità è un numero compreso tra 0 e 1 (tra 0 e 100%), in particolare risulta pari a zero quando l evento è impossibile; risulta invece pari ad uno (100%) quando l evento è certo - testa/croce probabilità 50% (1/) - dado probabilità 16,7% (1/6)
11 Concetti elementari di probabilità Definizione Classica La probabilità di accadimento di un evento A si ottiene mediante enumerazione (oppure mediante calcolo combinatorio) degli n modi semplici favorevoli rispetto a tutti gli n modi possibili se tutte le modalità sono equiprobabili P( A) = n modi favorevoli n moditotali Calcolo Combinatorio Il calcolo combinatorio permette di determinare, senza enumerazione diretta, il numero degli elementi di un insieme o il numero dei possibili risultati di un dato esperimento. Una regola fondamentale del calcolo combinatorio consente, data una sequenza di due eventi in cui il primo può presentarsi in m modi diversi e il secondo in n modi diversi, di calcolare l insieme dei modi possibili dei due eventi mediante il prodotto m*n Esempio: Un convertitore analogico/ digitale ad 8 bit: Quanti valori diversi può assumere? * * * * * * * = 56 Quale è la probabilità di ottenere il valore ? P(A)=1/56
12 Frequenza (stima a posteriori) la frequenza di un evento è il numero di volte in cui l evento si è manifestato, diviso il numero totale delle prove effettuate la frequenza è quindi diversa dalla probabilità dell evento la differenza tra frequenza e probabilità può essere tanto più grande quanto minore è il numero di prove effettuate se si fa tendere il numero delle prove ad infinito, il valore della frequenza tende a coincidere con quello della probabilità. per funzioni discrete F k mk = P = lim n n m n k per funzioni continue f k 1 mk = p( x) = limδ x 0, n Δx n 1 Δx m n k
13 Concetti elementari di probabilità Definizione Frequentista La probabilità di accadimento di un evento si ottiene ripetendo un esperimento un congruo numero di volte (numero totale di ripetizioni - nt) e contando il numero di volte in cui si verifica l evento (numero di eventi favorevoli - nf) rispetto al numero totale di eventi P ( A) = n eventi favorevoli n eventitotali La legge dei grandi numeri Se un esperimento viene ripetuto molte volte la probabilità stimata tramite la frequenza relativa di un evento tende ad avvicinarsi alla vera probabilità di quell evento
14 Esempio calcolo probabilità: definizione frequentista Durante una serata di giochi il numero 17 è uscito 10 volte su 400 giocate alla roulette. Quale è la probabilità di ottenere il numero 17? P(A)=10/400=1/40
15 Esempio 1 - Probabilità di essere colpiti da un fulmine durante un anno S spazio campionario è costituito da eventi semplici: - A essere colpiti da un fulmine - B non esserlo L approccio classico non si può applicare in quanto i due eventi (fortunatamente) non sono equiprobabili L approccio soggettivo ci porta a scommettere sulla rarità dell evento: P(A) = 1 su 1 milione L approccio frequentista invece ci consente analizzando i casi di italiani stati colpiti da un fulmine nel 001 (80 persone) di scrivere: P(A) = 80 / 58 milioni = 0,
16 Esempio - Probabilità che l errore di misura sia inferiore ad EMP Evento A E<Em Evento B E Em I due eventi non sono equiprobabili e l approccio classico non si applica. possiamo usare l approccio soggettivo (esperienza nelle verifiche effettuate dall ispettore X durante la sua carriera): P(A) = 5 su 100 oppure quello frequentista: nel 003 i, su verifiche periodiche effettuate sugli utenti metrici in Italia P(A) = 5673 / 100 mila = 0,05673
17 Proprietà della probabilità La probabilità di un evento impossibile è zero P( A) = 0 La probabilità di un evento complementare P( Ac) = 1 P( A) La probabilità che accada un evento A oppure un altro evento B (Se A e B sono mutuamente esclusivi) P ( A B) = P( A) + P( B) La probabilità che accada un evento A ed un altro evento B (Se A e B sono indipendenti) P( A B) = P( A) P( B)
18 Esempi: calcolo delle probabilità Esempio 1 Lancio di un dado S={1,,3,4,5,6}; A= {0}; P(A) = Probabilità di fare somma zero P(A) = 0 Esempio Lancio di un dado S={1,,3,4,5,6}; A= {1}; Ac= {,3,4,5,6} P(Ac) = Probabilità di non fare 1 P(Ac) = 1- P(Ac) = 1-1/6 = 5/6 Esempio 3 Lancio di un dado S={1,,3,4,5,6}; A= {,4,6}; P(A) = Probabilità di lanciare un numero pari P(A) = 1/6 + 1/6 + 1/6=3/6 Esempio 4 Lancio di due dadi S={1-1,1-,1-3,,6-6}; A= {6-6}; P(A) = Probabilità di lanciare due 6 P(A) = 1/6 * 1/6 =1/36
19 Media μ / Valore atteso della variabile x, E(x): per una variabile casuale continua μ = + E ( x) = p( x) xdx per una variabile discreta μ = E(x) = N i= 1 (Pi xi ) nel caso di N eventi equiprobabili il valore medio può essere valutato più semplicemente mediante la media aritmetica μ = E( x) = 1 N N x i i= 1
20 La Varianza è il valore atteso E([x-μ] ) della variabile (x-μ) per una variabile casuale continua risulta pari a: σ = E( + [ x μ] ) = p( x)( x μ) dx per una variabile discreta risulta pari a: σ = N [ x μ] ) = ( E( p i x i μ) i= 1 Lo scarto tipo è la radice quadrata della varianza; nel caso di N eventi equiprobabili lo scarto tipo può essere anche valutato mediante la relazione semplificata : σ = 1 N N i= 1 ( x i μ)
21 Una variabile casuale z, può essere la composizione di più variabili casuali z = ax + by se x e y sono non correlate tra loro: E ( x y) = E( x) E( y) σ z = a σ x + b σ y se x e y sono correlate tra loro : E( x y) E( x) E( y) σ = a σ + b σ + abσ z x y x, y dove σ x,y èla covarianza delle due variabili, definita come: σ xy = E [( x μ )( y μ )] variabili aleatorie correlate sono l altezza e il peso di un individuo x y
22 I gradi di libertà di un campione sono pari al numero degli elementi meno il numero dei parametri che sono determinati dal campione e vengono presi in considerazione: ν = n p Ad esempio, nel calcolo della varianza del campione, dovendo introdurre il valor medio stimato (un parametro, p=1), allora il numero di gradi di libertà è pari a ν=n-1 ed ecco il motivo per cui è più corretto scrivere: σ = 1 N N 1 i= 1 ( x i μ)
23 Regole fondamentali per una analisi statistica corretta ed affidabile: numero degli elementi costituenti il campione sufficientemente grande campione collezionato in modo casuale elementi campionati appartenenti alla medesima popolazione Parametri Popolazione Campione Media μ = + p ( x) xdx 1 x = xk n Varianza = + p( x)( x μ) dx 1 s = xk x n 1 σ ( ) Parametri Statistici di una distribuzione
24 Esempio di distribuzione di frequenze di misure
25 quanto più piccolo è Δx, tanto più l istogramma tende alla curva continua
26 Il modello di Gauss funzione di distribuzione della densità di probabilità fu proposta per la prima volta dall'astronomo tedesco Karl Frederick Gauss. La funzione di Gauss (normale) é completamente individuata da: - media (posizione della curva lungo l asse) - scarto (forma della curva) autoriproduzione la risultante della composizione di più variabili aventi distribuzione normale presenta anch'essa una distribuzione normale distribuzione limite data una popolazione di varianza non infinita, le medie di N elementi tratti dalla popolazione tendono ad assumere la distribuzione normale (teorema del limite centrale)
27 la probabilità di un intervallo sotteso ad una barra dell'istogramma sarà con buona approssimazione: P k = p ( x μ ) σ n( x) Δx pn( x) = e σ 1 π distribuzione di probabilità normale o gaussiana. p(x) rappresenta la densità di probabilità. per un intervallo [a,b] finito si può stimare la probabilità: P { a < x < b} = σ ( x μ ) 1 b σ e π a d x
28 La distribuzione di probabilità Gaussiana P ( x μ ) 1 ( ) = e σ p n x σ { a < x < b} = π ( x μ ) b 0.0 e σ d x 0.01 σ π a
29 Università degli Studi di Cassino Nella pratica si rilevano istogrammi asimmetrici e irregolari a causa di: campione troppo piccolo variazione casuale di grandezze d'influenza polarizzazione dell'osservatore, limiti imposti a priori alla variabilità dell'osservazione n l'istogramma tende ad avere per inviluppo la curva continua
30 Istogramma di densità di frequenza con valori di x k equispaziati di x. con n grande (> 5/30) densità di frequenza probabilità Se l insieme di valori discreti è anche una rappresentazione di un continuo di valori, ciascuna frequenza dell'istogramma approssima la probabilità che il valore cada tra x k e x k+1 =x k+x
31 Curva di Gauss Standardizzata
32 La Curva di Gauss le aree sottese alla curva di probabilità rappresentano la probabilità che l evento casuale abbia un valore compreso tra gli estremi d integrazione. la probabilità che l evento sia inferiore ad un assegnato valore x (e quindi al valore corrispondente di z) risulta: 1 Pn ( x) = σ π P ns ( z) = 1 π z x e e z ( x μ ) σ d z d x funzione di probabilità cumulata funzione di probabilità cumulata standardizzata
33 Università degli Studi di Cassino La Curva di Gauss Valori della distribuzione normale standardizzata
34 La Curva di Gauss Distribuzione normale cumulata P ns (z)
35 La Curva di Gauss Funzione Standardizzata (f) e Cumulata (F) tra ed un valore z 0
36 Tabella Funzione gaussiana cumulata z f F z f F 0,0 0, ,500000,1 0, , ,1 0, ,53988,3 0,0837 0, , 0, ,57960,4 0,0395 0, ,3 0, ,617911,5 0, , ,4 0, ,6554,6 0, , ,5 0, ,69146,7 0, , ,6 0,3335 0,75747,8 0, , ,7 0,3154 0,758036,9 0, , ,8 0,8969 0, ,0 0, , ,9 0, , ,1 0, , ,0 0, , , 0, , , 0, , ,3 0, , ,3 0, , ,4 0,0013 0, ,4 0, , ,5 0, , ,5 0, , ,6 0, , ,6 0, , ,7 0, , ,7 0, , ,8 0,0009 0, ,8 0, , ,9 0, , ,9 0, , ,0 0, ,999968,0 0, ,97750
37 Tabella Funzione errore z P
38 Caso Notevole I: Data una distribuzione gaussiana con media m e scarto tipo s e un intervallo di confidenza determinare la probabiltà di accadimento P(-3 z 3) = F(3) 1 = = 0, = = P(0 z 3) = F(3) = = 0, = = P(3 z ) = 1 - F(3) = =1-0,998650= = P(- z 3) = F(3)= = 0,998650
39 La Curva di Gauss Differenti modalità di tabulazione della curva F(z) standardizzata
40 La Curva di Gauss Esercizio N.1:
41 La Curva di Gauss Esercizio N.:
42 La Curva di Gauss Esercizio N.3:
43 Università degli Studi di Cassino Esercitazione
44 Altre Distribuzioni Misure poco numerose: t di student nel caso non sia possibile effettuare un numero di misure adeguato (n<5) la distribuzione normale non può essere più utilizzata e si ricorre ad altri modelli (t di student). al posto della semplice media e varianza devono utilizzarsi media e varianza campionaria ed in luogo della variabile standardizzata z α/ deve utilizzarsi la variabile t ν,α/, dove n è il numero di gradi di libertà pari al numero delle misure diminuito di 1 (ν=n-1). distribuzione primitiva distribuzione di un generico campione di M dati distribuzione delle medie di campioni di M dati σ x x M = AB A' B' ' 0k ' 0M = σ M 6σ 6σ x 0 x 0 M = per per M M M
45 Altre Distribuzioni n n x = x = X X 0 0 ± zσ ± tσ
46 Altre Distribuzioni L affidabilità della stima della media di un campione può essere pertanto migliorata aumentando il numero di misure n costituenti il campione. La proporzionalità inversa di tipo quadratico rende praticamente inefficace un aumento del numero di misure oltre 0-5 valori.
47 Altre Distribuzioni Distribuzione t di student cumulata P n (t) ν \ t
48 Altre Distribuzioni t di student a diversi intervalli di confidenza Se, ad esempio, P = 0.95 allora z 0.95 =1.96 e quindi l intervallo di confidenza al 95% sarà 1.96u c. Nel caso di 10 soli campioni il valore corrispondente di t diventa,6 in luogo di 1,96
49 Altre Distribuzioni Tipi di Distribuzione: Distribuzione Normale Si ipotizza una distribuzione normale per i possibili valori della grandezza in ingresso x i e si stimano due limiti, uno inferiore a ed uno superiore b. In realtà per una distribuzione normale non esiste un intervallo contenente il 100% dei valori possibili, ma l intervallo 99,73% li contiene quasi tutti. La miglior stima della grandezza x i e del suo scarto tipo sarà allora: a + b = 1 x a b i u ( xi ) = 9
50 Altre Distribuzioni Distribuzione Rettangolare è la distribuzione più conservativa, ovvero quella che a parità di altre condizioni sovrastima lo scarto tipo, è quella rettangolare. in assenza di informazioni specifiche è ragionevole assumere una distribuzione rettangolare. si ipotizzano per la variabile casuale x i in ingresso due limiti, uno inferiore a ed uno superiore b, tali che l intervallo tra a e b contiene il 100% dei possibili valori. si suppone inoltre che i valori compresi in questo intervallo siano ugualmente probabili ovvero che la distribuzione della probabilità è uniforme. la miglior stima della grandezza x i e del suo scarto tipo sarà allora: a x i b a + b = 1 x a b i u ( xi ) = 3
51 Altre Distribuzioni Distribuzione Triangolare Ma nel caso sia realistico supporre che i valori prossimi agli estremi siano meno probabili di quelli centrali, è ragionevole ipotizzare una distribuzione normale o, per semplicità, una distribuzione triangolare. Si ipotizzano per la grandezza in ingresso due limiti, uno inferiore a ed uno superiore b, tali che l intervallo tra a e b contiene il 100% dei possibili valori. Si suppone che i valori compresi in questo intervallo siano distribuiti secondo una distribuzione triangolare. La miglior stima della grandezza x i e del suo scarto tipo sarà allora: a x i b x i a + b = u 1 a b ( xi ) = 6
52 Distribuzioni Correlate Una variabile casuale z, può derivare dalla composizione di più variabili casuali. Ad esempio: z = ax + Se x e y non sono correlate tra loro si ha:. E( x y) = E( x) E( y) Se, invece, vi è correlazione, si ha: E(x dove sx,y è la covarianza delle due variabili, definita come: by σz = a σx + b σy y) E(x) E(y) σ xy = E σ = + z [( x μ )( y μ )] x y a σ x + b σ y abσ x, y
53 Intervallo e Livello di Confidenza fissata la media (μ) e lo scarto (σ) di una popolazione, si vogliono conoscere gli estremi a e b dell intervallo centrato su μ e che comprenda un livello di probabilità fissato (1-α): il livello di probabilità è detto livello di confidenza l intervallo [a,b] è detto intervallo di confidenza l intervallo di confidenza statistico ±1σ (k=1) corrisponde un livello di confidenza 68.7 % ±σ (k=) il livello di confidenza è pari al 95.45% ±3σ (k=3) il livello di confidenza è pari al 99.73%
deve utilizzarsi la variabile t ν,α/2 , dove n è il numero di gradi di libertà pari al numero delle misure diminuito di 1 (ν=n-1).
Indice 1. Frequenza e Probabilità. Parametri Statistici 3. Curva di Gauss 4. isure poco numerose: t di student nel caso non sia possibile effettuare un numero di misure adeguato (n
DettagliMisure. Levitico 19, 35-36
Misure non commettere ingiustizia nelle misure di lunghezza, nei pesi o nelle misure di capacità. Avrete bilance giuste, pesi giusti, efa giusti, hin giusti. Io sono il Signore, vostro Dio, che vi ho fatto
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità B Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 3: Variabili aleatorie discrete notevoli
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 3: Variabili aleatorie discrete notevoli Esperimenti binari ripetuti o esperimenti bernoulliani (Bernoulli
DettagliMisure Meccaniche e Termiche. punti massa. Valore atteso: Varianza:
Fenomeni aleatori Misure Meccaniche e Termiche Sezione di Misure e Tecniche Sperimentali I fenomeni aleatori (o casuali) sono fenomeni empirici il cui risultato non è prevedibile a priori, caratterizzati
DettagliVariabili aleatorie. Variabili aleatorie
Variabili aleatorie Distribuzione binomiale Si supponga che uno studente affronti un esame composto da domande chiuse. Una sola delle 5 alternative di risposta proposta per ciascuna domanda è vera Supponiamo
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliUtilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi
La variabile standardizzata Utilizzando la terminologia generica di prima, la variabile standardizzata X si calcola quindi X'= X Media(X ) DS(X ) Visto l ampio uso in statistica di questa procedura, la
DettagliIndice. Presentazione
Indice Presentazione v 1 Il problema statistico 1 1.1 Esperienze e regole 1 1.2 Un esempio introduttivo 3 1.3 Esperienze ed errori 4 1.4 Errori e fluttuazioni 6 1.5 Quando non ci sono regole 7 1.6 Conclusione
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliGLI EVENTI. Probabilità di un evento P(A)
GLI EVENTI Nel calcolo delle probabilità con la parola evento si intende ogni fatto che in seguito ad una prova può accadere oppure no. Qualche esempio: - l'apparizione di testa quando si lancia una moneta
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
DettagliLA DISTRIBUZIONE NORMALE. La distribuzione Gaussiana. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE NORMALE http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo o un cane o un altro essere qualunque
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
Dettagli5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 3
Sperimentazioni di Fisica I mod. A Statistica - Lezione 3 A Garfagnini, M Mazzocco, C Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Teoria della Probabilità L ineliminabile
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliSTATISTICA A D (72 ore)
STATISTICA A D (72 ore) Marco Riani mriani@unipr.it http://www.riani.it Tipologia di v.a. v.a. discreta numero finito di valori (infinità numerabile) x 1 x 2,, x k con probabilità p 1 p 2, p k Esempio:
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliProbabilità e statistica
Probabilità e statistica The formulation of a problem is often more essential than its solution which may be merely a matter of mathematical or experimental skill. Albert Einstein Farsi la domanda giusta
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
DettagliIndici di posizione e dispersione per distribuzioni di variabili aleatorie
Indici di posizione e dispersione per distribuzioni di variabili aleatorie 12 maggio 2017 Consideriamo i principali indici statistici che caratterizzano una distribuzione: indici di posizione, che forniscono
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 4 Abbiamo visto: Distribuzioni discrete Modelli probabilistici nel discreto Distribuzione uniforme
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliAnalisi statistica classica. Analisi statistica in simulazione. Stima della media. Stima della media
Analisi statistica in simulazione Analisi statistica classica Aspetto fondamentale in simulazione, a volte sottovalutato Corrette interpretazione dei risultati Analisi dei dati di di input definizione
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliStatistica. Lezione : 18, 19. Variabili casuali
Corsi di Laurea: a.a. 2017-18 Diritto per le Imprese e le istituzioni Scienze dell Amministrazione e Consulenza del Lavoro sienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
DettagliNOZIONI DI CALCOLO DELLE PROBABILITÀ
NOZIONI DI CALCOLO DELLE PROBABILITÀ ESPERIMENTO CASUALE: un esperimento si dice casuale quando gli esiti (manifestazioni o eventi) non possono essere previsti con certezza. PROVA: le ripetizioni, o occasioni
DettagliOgni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza.
Ogni misura è composta di almeno tre dati: un numero, un'unità di misura, un'incertezza. Misure ripetute forniscono dati numerici distribuiti attorno ad un valore centrale indicabile con un indice (indice
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliUniversità del Piemonte Orientale Corsi di Laurea triennale di area tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea triennale di area tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione binomiale La distribuzione Normale (o di
DettagliLA DISTRIBUZIONE DEGLI ERRORI DI MISURA. La distribuzione normale. Dott.ssa Marta Di Nicola
LA DISTRIBUZIONE DEGLI ERRORI DI MISURA La distribuzione normale http://www.biostatistica.unich.itit «È lo stesso delle cose molto piccole e molto grandi. Credi forse che sia tanto facile trovare un uomo
DettagliE S E R C I Z I T U T O R
E S E R C I Z I T U T O R ESERCIZIO Applicazione del Metodo Montecarlo per calcolare p. Si calcola il rapporto fra l area del cerchio di diametro r e l area del quadrato circoscritto, di lato r. Area del
DettagliCorso C Geomatica. Teoria degli errori. Massimiliano Cannata
Corso C111.01 - Geomatica Teoria degli errori Rappresentazione di una misura di precisione ( x ± σ x ) u x = misura σ x = incertezza della misura u = unità di misura Il problema degli errori in topografia
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliLa distribuzione normale o distribuzione di Gauss
La distribuzione normale o distribuzione di Gauss Gauss ha dimostrato che secondo questa legge si possono ritenere distribuiti gli errori accidentali di misura di una qualsivoglia grandezza. Densità di
DettagliMATEMATICA. a.a. 2014/15
MATEMATICA a.a. 2014/15 5. Introduzione alla probabilità: Definizioni di probabilità. Evento, prova, esperimento. Eventi indipendenti e incompatibili. Probabilità condizionata. Teorema di Bayes CONCETTI
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliIdraulica e Idrologia: Lezione 6
Idraulica e Idrologia: Lezione 6 Agenda del giorno - Eventi estremi in idrologia: legame fra magnitudo e probabilità; - Statistica e probabilità in idrologia; - Tempo di ritorno. 1 Analisi statistica di
DettagliDISTRIBUZIONI DI PROBABILITA
PSICOMETRIA Corso di laurea triennale (classe 34) DISTRIBUZIONI DI PROBABILITA DISTRIBUZIONE DI PROBABILITA I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun
DettagliIntroduzione al Calcolo delle Probabilità
Introduzione al Calcolo delle Probabilità In tutti quei casi in cui le manifestazioni di un fenomeno (EVENTI) non possono essere determinate a priori in modo univoco, e i risultati possono essere oggetto
DettagliParametri statistici
SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Parametri statistici 24/1/2005 Deviazione standard della media La variabilità di una distribuzione può quindi essere espressa da un indice
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliPROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati
PROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati 1. - Un urna contiene 2 palline bianche e 28 nere; da essa vengono
DettagliModelli di probabilità
Modelli di probabilità Corso di STATISTICA Ordinario di, Università di Napoli Federico II Professore supplente, Università della Basilicata a.a. 0/0 Obiettivo dell unità didattica Definire i concetti di
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliBIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um
1 2 Data_31misure_070318 BIN = 15 um Minimum 80 Maximum Sum 120 3176,7 Points Mean Median 31 102,47419 102,9 102.5 um RMS Std Deviation Variance Std Error 102,7225 7,2559846 52,649312 1,3032133 7.3 um
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliEsperimentazioni di Fisica 1. Prova d esame del 20 febbraio 2018 SOLUZIONI
Esperimentazioni di Fisica 1 Prova d esame del 20 febbraio 2018 SOLUZIONI Esp-1-Soluzioni - - Page 2 of 6 01/02/2018 1. (12 Punti) Quesito. In un esperimento è stata misurata la grandezza Y in funzione
DettagliProject Scheduling: PERT. Il PERT ha potenzialità superiori rispetto a quelle di un semplice mezzo per la pianificazione ed il controllo.
1. Introduzione Project Scheduling: PERT Il PERT è una tecnica introdotta per la pianificazione ed il controllo di progetti in cui le durate t ij delle singole attività sono delle variabili aleatorie.
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliDESCRITTIVE, TEST T PER IL CONFRONTO DELLE MEDIE DI CAMPIONI INDIPENDENTI.
Corso di Laurea Specialistica in Biologia Sanitaria, Universita' di Padova C.I. di Metodi statistici per la Biologia, Informatica e Laboratorio di Informatica (Mod. B) Docente: Dr. Stefania Bortoluzzi
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2016-2017 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliSTATISTICA MEDICA (III)
Laurea triennale in EDUCATORE PROFESSIONALE a.a. 2010-2011 STATISTICA MEDICA (III) Flavia Carle Centro di Epidemiologia, Biostatistica e Informatica Medica Università Politecnica delle Marche Facoltà di
Dettagli