LA DISTRIBUZIONE NORMALE o DI GAUSS
|
|
- Massimiliano Salvatore
- 6 anni fa
- Visualizzazioni
Transcript
1 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, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti).
2 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, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi.
3 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, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi. Il numero delle misure maggiori della media è all incirca uguale a quello delle misure minori della media. Il numero deli scarti positivi (in eccesso) è all incirca uguale a quello degli scarti negativi (in difetto).
4 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, con la colonna centrale corrispondente alla media aritmetica (misure) e allo zero (scarti). Le misure prossime alla media sono più numerose di quelle lontane. Gli scarti più piccoli sono più numerosi di quelli grandi. Il numero delle misure maggiori della media è all incirca uguale a quello delle misure minori della media. Il numero deli scarti positivi (in eccesso) è all incirca uguale a quello degli scarti negativi (in difetto). Una funzione analitica atta a rappresentare una tale distribuzione deve essere simmetrica, unimodale e campanulare. p. 1/2
5 p. 2/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero
6 p. 2/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero.
7 p. 2/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero. 2. Scarti piccoli più probabili: se s 1 > s 2 P( s 1 ) < P( s 2 ).
8 p. 2/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Proprietà ipotetiche dedotte da Gauss dalle osservazioni: s = x x scarto di una misura dal valore vero 1. Se s > 0 e s < 0 equiprobabili distribuzione degli scarti simmetrica rispetto allo zero. 2. Scarti piccoli più probabili: se s 1 > s 2 P( s 1 ) < P( s 2 ). 3. Condizione di normalizzazione (ipotesi aggiuntiva) + f(s)ds = 1
9 p. 3/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI In base alle 3 ipotesi e dal principio della media aritmetica a Gauss derivò che la distribuzione degli scarti di misure affette da errori accidentali è descritta da: f(s) = h π e h2 s 2 funzione di Gauss o legge normale di distribuzione degli errori
10 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali:
11 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0;
12 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente;
13 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione)
14 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione) La legge normale degli scarti dipende da un solo parametro h, detto modulo di precisione della misura. Tanto maggiore è h tanto minore è la dispersione delle misure rispetto alla media.
15 p. 4/2 DISTRIBUZIONE DEGLI ERRORI ACCIDENTALI Soddisfa alle 3 ipotesi iniziali: 1. Forma a campana simmetrica rispetto a s = 0; 2. Decrescente per s crescente; 3. Tendente a zero per s ±, come richiesto dalla condizione di normalizzazione) La legge normale degli scarti dipende da un solo parametro h, detto modulo di precisione della misura. Tanto maggiore è h tanto minore è la dispersione delle misure rispetto alla media. Per h descrecente la campana si abbassa e si allarga.
16 p. 5/2 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N
17 p. 5/2 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N Valore di aspettazione dello variabile scarto: E(s) = h + π h + π sf(s)ds = se h2 s 2 ds = 0 è identicamente nullo.
18 p. 5/2 PROPRIETÀ DELLA LEGGE NORMALE Hp: Supponiamo di aver infinite misure, N Valore di aspettazione dello variabile scarto: E(s) = h + π h + π sf(s)ds = se h2 s 2 ds = 0 è identicamente nullo. Ne segue un importantissima conseguenza: E(s) = E (x x ) = E(x) x = 0 E(x) = x
19 p. 6/2 PROPRIETÀ DELLA LEGGE NORMALE E(x) = x
20 p. 6/2 PROPRIETÀ DELLA LEGGE NORMALE E(x) = x Il valore di aspettazione delle misure di una grandezza fisica affette solo da errori casuali esiste, e coincide con il valore vero della grandezza misurata.
21 p. 7/2 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E ( s ) θ = 1 h π
22 p. 7/2 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E ( s ) θ = 1 h π ERRORE PROBABILE ρ: quel valore di s per cui metà delle misure ha s ρ +ρ ρ f(s)ds = 0.5
23 p. 7/2 PROPRIETÀ DELLA LEGGE NORMALE ERRORE MEDIO θ: il valore di aspettazione del modulo dello scarto θ = E ( s ) θ = 1 h π ERRORE PROBABILE ρ: quel valore di s per cui metà delle misure ha s ρ +ρ ρ f(s)ds = 0.5 ERRORE QUADRATICO MEDIO σ: è la radice quadrata del valore di aspettazione del quadrato degli scarti ( E ( s 2) = 2h 1 ) σ = 1 2 2h
24 p. 8/2 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2
25 p. 8/2 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2 Il rapporto tra errore probabile ed errore quadratico medio vale ρ σ 0.674
26 p. 8/2 RELAZIONI TEORICHE Per misure affette da errori distribuiti secondo la legge normale: l errore quadratico medio ed il modulo di precisione h soddisfano alla relazione σ = 1 h 2 Il rapporto tra errore probabile ed errore quadratico medio vale ρ σ Il rapporto tra errore medio ed errore quadratico medio vale θ σ 0.798
27 RELAZIONI TEORICHE p. 9/2
28 p. 10/2 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π
29 p. 10/2 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π Esprimendo s = x µ otteniamo f(x) = 1 σ 2π e 1 2 ( x µ ) 2 σ
30 p. 10/2 DISTRIBUZIONI DELLE MISURE E DEGLI SCARTI Esprimendo h in funzione di σ la legge di Gauss diventa s2 f(s) = 1 σ e 2σ 2 2π Esprimendo s = x µ otteniamo f(x) = 1 σ 2π e 1 2 ( x µ ) 2 σ
31 p. 11/2 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati.
32 p. 11/2 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri.
33 p. 11/2 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri. Definiamo scarto normalizzato o variabile normale standardizzata t = x µ σ
34 p. 11/2 LO SCARTO NORMALIZZATO Essendo la distribuzione normale largamente utilizzata e non avendo il suo integrale indefinito una forma analitica, per il calcolo delle probabilità vengono usati valori pre-tabulati. Impossibile avere tabelle per tutte le possibili coppie di valori dei parametri σ e µ. È quindi conveniente rendere il calcolo della funzione cumulativa F(x) indipendente dai parametri. Definiamo scarto normalizzato o variabile normale standardizzata t = x µ σ La densità di probabilità della variabile t è ϕ(t) = 1 2π e 1 2 t2
35 p. 12/2 DISTRIBUZIONE NORMALE STANDARDIZZATA Indipendente dall errore quadratico medio, ovvero dalla precisione della misura.
36 p. 12/2 DISTRIBUZIONE NORMALE STANDARDIZZATA Indipendente dall errore quadratico medio, ovvero dalla precisione della misura. La distribuzione normale standardizzata è una particolare normale con E(x) = 0 e σ = 1. ϕ(t) = 1 2π e 1 2 t2
37 p. 13/2 DISTRIBUZIONE NORMALE STANDARDIZZATA Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ ) 2
38 p. 13/2 DISTRIBUZIONE NORMALE STANDARDIZZATA Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ Esistono delle tabelle per il calcolo dell integrale della distribuzione normale standardizzata ) 2
39 p. 13/2 DISTRIBUZIONE NORMALE STANDARDIZZATA Alla normale standardizzata può essere ricondotta qualunque funzione di Gauss, effettuando il cambio di variabili: t = x µ σ z 1 µ+zσ valendo la relazione: e t2 dt = 2π σ 2π e 1 2 z µ zσ ( x µ σ Esistono delle tabelle per il calcolo dell integrale della distribuzione normale standardizzata La distribuzione normale standardizzata presenta le stesse caratteristiche della distribuzione normale NON standardizzata. Ciò che distingue le due distribuzioni è che la normale standardizzata ha µ = 0 e σ = 1. ) 2
40 p. 14/2 DISTRIBUZIONE NORMALE STANDARDIZZATA L aspetto più importante della standardizzazione è che trasformando una distribuzione normale di parametri (µ, σ) nella distribuzione standardizzata (0, 1), le aree individuate nella prima da due qualsiasi ascisse x 1 e x 2 sono uguali alle aree individuate nella seconda dagli scarti normalizzati t 1 = x 1 µ σ t 2 = x 2 µ σ
41 p. 15/2 DISTRIBUZIONE NORMALE STANDARDIZZATA La distribuzione normale standardizzata è rappresentata da UNA SOLA CURVA, mentre la distribuzione normale generale è costituita da una famiglia a seconda dei valori di µ e σ.
42 p. 16/2 LO SCARTO NORMALIZZATO ( ) Pr t [ 1, +1] ( ) Pr t [ 2, +2] ( ) Pr t [ 3, +3] +1 1 = 2π = 2π = 2π 3 e t2 2 dt = e t2 2 dt = e t2 2 dt =
43 p. 17/2 LO SCARTO NORMALIZZATO Ricordando che t = s/σ ( ) Pr s [ σ, +σ] ( ) Pr s [ 2σ, +2σ] ( ) Pr s [ 3σ, +3σ] ( ) Pr t [ 1, +1] ( ) Pr t [ 2, +2] ( ) Pr t [ 3, +3]
44 p. 18/2 INTERPRETAZIONE PROBABILISTICA DI σ Le misure affette da errori casuali (e quindi normali) hanno una probabilità del 68% di cadere all interno di un intervallo di semiampiezza σ centrato sul valore vero della grandezza misurata. Il 95% e il 99,7% (quasi la totalità) delle misure sono affette da errore in modulo minore o al piu uguale a 2σ e 3σ rispettivemente.
45 p. 18/2 INTERPRETAZIONE PROBABILISTICA DI σ Le misure affette da errori casuali (e quindi normali) hanno una probabilità del 68% di cadere all interno di un intervallo di semiampiezza σ centrato sul valore vero della grandezza misurata. Il 95% e il 99,7% (quasi la totalità) delle misure sono affette da errore in modulo minore o al piu uguale a 2σ e 3σ rispettivemente. L intervallo di semiampiezza σ centrato su di una misura qualsiasi di un campione ha pertanto una probabilità del 68% di contenere il valore vero, sempreché gli errori siano casuali e normali.
46 p. 19/2 ESAME DEI DATI: criterio del 3σ In una serie di misure dirette quale criterio per individuare dati sospetti e anomali?
47 p. 19/2 ESAME DEI DATI: criterio del 3σ In una serie di misure dirette quale criterio per individuare dati sospetti e anomali? Si calcolano x e σ x
48 p. 19/2 ESAME DEI DATI: criterio del 3σ In una serie di misure dirette quale criterio per individuare dati sospetti e anomali? Si calcolano x e σ x Si eliminano le misure x x > 3σ (p 0.003).
49 p. 19/2 ESAME DEI DATI: criterio del 3σ In una serie di misure dirette quale criterio per individuare dati sospetti e anomali? Si calcolano x e σ x Si eliminano le misure x x > 3σ (p 0.003). Si ricalcolano x e σ x
50 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica
51 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame.
52 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1
53 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica.
54 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ.
55 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ. Quadriamo: (ǫ i ) 2 = (s i ) 2 + ǫ 2 + 2s i ǫ
56 p. 20/2 STIMA DELL ERRORE QUADRATICO MEDIO Si abbiano n misure x i di una stessa grandezza fisica Sia ǫ i = x i x l errore di una misura, dove x è il valore vero (incognito) della grandezza fisica in esame. Sia ǫ = 1 n ǫ i l errore da associare alla media aritmetica. n i=1 Sia s i = x i x lo scarto di una misura rispetto alla media aritmetica. Ne segue che ǫ i = s i + ǫ. Quadriamo: (ǫ i ) 2 = (s i ) 2 + ǫ 2 + 2s i ǫ Sommiamo da 1 a n n n (ǫ i ) 2 = [(s i ) 2 + ǫ 2 + 2s i ǫ] = i=1 n (ǫ i ) 2 = i=1 i=1 i=1 n (s i ) 2 + nǫ 2 n (s i ) 2 + nǫ 2 + 2ǫ i=1 n i=1 s i
57 p. 21/2 STIMA DELL ERRORE QUADRATICO MEDIO Dividiamo per n n i=1 (ǫ i) 2 n = n i=1 (s i) 2 n + ǫ 2
58 p. 21/2 STIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 σ 2 = n i=1 (s i) 2 n + ǫ 2 (1) espressa in funzione degli scarti e dell errore della media, ancora incognito.
59 p. 21/2 STIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 σ 2 = n i=1 (s i) 2 n + ǫ 2 (1) espressa in funzione degli scarti e dell errore della media, ancora incognito. Quadriamo ( l errore della media: ǫ 2 = 1 n ) 2 s n 2 i = 1 n (ǫ ǫ 2 + ǫ n ) 2 = i=1 1 n 2 (ǫ2 1 + ǫ ǫ 2 n + 2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 + (2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) i=1
60 p. 21/2 STIMA DELL ERRORE QUADRATICO MEDIO n i=1 Dividiamo per n (ǫ i) 2 n La varianza è dunque: = n i=1 (s i) 2 n + ǫ 2 σ 2 = n i=1 (s i) 2 n + ǫ 2 (1) espressa in funzione degli scarti e dell errore della media, ancora incognito. Quadriamo ( l errore della media: ǫ 2 = 1 n ) 2 s n 2 i = 1 n (ǫ ǫ 2 + ǫ n ) 2 = i=1 1 n 2 (ǫ2 1 + ǫ ǫ 2 n + 2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 + (2ǫ 1 ǫ 2 + 2ǫ 1 ǫ 3 + ) i=1 La somma dei termini misti può essere ragionevolmente posta = 0 per la simmetria della distribuzione di Gauss degli errori.
61 p. 22/2 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1
62 p. 22/2 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n
63 p. 22/2 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n [ Esplicitiamo σ 2 σ ] n i=1 = (s i) 2 n n σ 2 = n i=1 (s i) 2 n 1
64 p. 22/2 STIMA DELL ERRORE QUADRATICO MEDIO Il quadrato dell errore della media è quindi: n [ ǫ 2 = 1 n ] n 2 (ǫ i ) 2 = 1 (ǫ i ) 2 i=1 n n = σ2 n i=1 Introduciamo questa relazione nell Eq. (1) n σ 2 i=1 = (s i) 2 + σ2 n n [ Esplicitiamo σ 2 σ ] n i=1 = (s i) 2 n n σ 2 = n i=1 (s i) 2 n 1 Infine: σ = n i=1 (s i) 2 n 1 che esprime lo scarto quadratico medio in funzione di tutti e soli gli scarti delle misure.
65 p. 23/2 STIMA DELL ERRORE QUADRATICO MEDIO DELLA MEDIA L errore della media o scarto quadratico medio della media deriva dall Eq. (??) σ x = σ 2 n = σ n σ x = n i=1 (s i) 2 n(n 1)
66 p. 23/2 STIMA DELL ERRORE QUADRATICO MEDIO DELLA MEDIA L errore della media o scarto quadratico medio della media deriva dall Eq. (??) σ x = σ 2 n = σ n σ x = n i=1 (s i) 2 n(n 1) Il guadagno in precisione all aumentare del numero di misure non scala linearmente con n. Inoltre Il processo non può essere spinto all infinito: interviene l usura degli strumenti, verificarsi di errori accidentali, ecc.
67 p. 24/2 INDETERMINAZIONI STATISTICHE Nel caso di misure ripetute lo scarto quadratico medio σ m rappresenta l indeterminazione statistica da associare alla singola misura. Infatti se prendiamo un qualunque misura m i, si ha il 68% di probabilità che m i m σ m e cioè che nell intervallo m i σ m m i m m i σ m sia compreso il valore m assunto per vero.
68 p. 24/2 INDETERMINAZIONI STATISTICHE Nel caso di misure ripetute lo scarto quadratico medio σ m rappresenta l indeterminazione statistica da associare alla singola misura. Infatti se prendiamo un qualunque misura m i, si ha il 68% di probabilità che m i m σ m e cioè che nell intervallo m i σ m m i m m i σ m sia compreso il valore m assunto per vero. lo scarto quadratico medio della media σ m rappresenta l indeterminazione statistica da associare alla media aritmetica. Essa è minore di quella della singola misura di un fattore 1/n.
69 p. 24/2 INDETERMINAZIONI STATISTICHE Nel caso di misure ripetute lo scarto quadratico medio σ m rappresenta l indeterminazione statistica da associare alla singola misura. Infatti se prendiamo un qualunque misura m i, si ha il 68% di probabilità che m i m σ m e cioè che nell intervallo m i σ m m i m m i σ m sia compreso il valore m assunto per vero. lo scarto quadratico medio della media σ m rappresenta l indeterminazione statistica da associare alla media aritmetica. Essa è minore di quella della singola misura di un fattore 1/n.
70 p. 25/2 TEOREMA DEL LIMITE CENTRALE Hp: N variabili casuali x i, statisticamente indipendenti e provenienti da una distribuzione avente densità di probabilità ignota, della quale esistano finite sia la media µ i che la varianza σ 2 i.
71 p. 25/2 TEOREMA DEL LIMITE CENTRALE Hp: N variabili casuali x i, statisticamente indipendenti e provenienti da una distribuzione avente densità di probabilità ignota, della quale esistano finite sia la media µ i che la varianza σ 2 i. Th: Una qualunque cobinazione lineare delle variabili con coefficienti α i, tende asintoticamente alla distribuzione normale con media µ e varianza σ 2 /N al crescere di N. µ = N α i µ i σ 2 = i=1 N αi 2 σi 2 i=1
72 p. 25/2 TEOREMA DEL LIMITE CENTRALE Hp: N variabili casuali x i, statisticamente indipendenti e provenienti da una distribuzione avente densità di probabilità ignota, della quale esistano finite sia la media µ i che la varianza σ 2 i. Th: Una qualunque cobinazione lineare delle variabili con coefficienti α i, tende asintoticamente alla distribuzione normale con media µ e varianza σ 2 /N al crescere di N. µ = N α i µ i σ 2 = i=1 N αi 2 σi 2 i=1 Nessuna ipotesi sulle distribuzioni delle variabili; unico requisito: esistenza di media e varianza.
73 p. 25/2 TEOREMA DEL LIMITE CENTRALE Hp: N variabili casuali x i, statisticamente indipendenti e provenienti da una distribuzione avente densità di probabilità ignota, della quale esistano finite sia la media µ i che la varianza σ 2 i. Th: Una qualunque cobinazione lineare delle variabili con coefficienti α i, tende asintoticamente alla distribuzione normale con media µ e varianza σ 2 /N al crescere di N. µ = N α i µ i σ 2 = i=1 N αi 2 σi 2 i=1 Nessuna ipotesi sulle distribuzioni delle variabili; unico requisito: esistenza di media e varianza. Particolarizzando alla media aritmetica: x, tende asintoticamente alla distribuzione normale con media µ e varianza σ 2 /N al crescere di N.
74 TEOREMA DEL LIMITE CENTRALE p. 26/2
75 p. 27/2 TEOREMA DEL LIMITE CENTRALE La figura precedente mostra il teorema del limite centrale all opera. I tre pannelli in alto mostrano tre distribuzioni continue di eventi generati secondo una distribuzione normale (sinistra), uniforme (centro) ed esponenziale (destra). Successivamente (dall alto verso il basso) sono mostrate le distribuzioni delle medie di n variabili casuali estratte dalle due distribuzioni. n vale, nell ordine, 2, 5, 30. Al crescere di n le distribuzioni della media tendono ad assumere una forma regolare a campana, indipendentemente dalle distribuzioni iniziali, fino a convergere a distribuzioni normali. Da notare il secondo pannello centrale dall alto (per n = 2). La forma triangolare corrisponde, ad esempio, alla distribuzione della variabile somma del punteggio di due dadi, già incontrata. Visuallizza qui
8.1 Derivazione empirica: la distribuzione degli errori accidentali
Capitolo 8 La legge di Gauss Vogliamo ora investigare sulla distribuzione dei risultati delle misure ripetute di una grandezza fisica, nell ipotesi che esse siano affette da errori esclusivamente casuali.
DettagliLA DISTRIBUZIONE NORMALE
LA DISTRIBUZIONE NORMALE Italo Nofroni Statistica medica - Facoltà di Medicina Sapienza - Roma La più nota ed importante distribuzione di probabilità è, senza alcun dubbio, la Distribuzione normale, anche
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
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
DettagliLa SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
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.
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
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
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
DettagliV.C. RETTANGOLARE o UNIFORME
V.C. RETTANGOLARE o UNIFORME La v.c. continua RETTANGOLARE o UNIFORME descrive il modello probabilistico dell equiprobabilità. [ a b] X, con densità di probabilità associata: P( x) 1 b a con P(x) costante.
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
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
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
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
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. / LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili casuali continue p. / LA DISTRIBUZIONE NORMALE o DI GAUSS È una delle più importanti distribuzioni di variabili
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
DettagliNote sulla probabilità
Note sulla probabilità Maurizio Loreti Dipartimento di Fisica Università degli Studi di Padova Anno Accademico 2002 03 1 La distribuzione del χ 2 0.6 0.5 N=1 N=2 N=3 N=5 N=10 0.4 0.3 0.2 0.1 0 0 5 10 15
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
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
DettagliCapitolo 6 La distribuzione normale
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliUniversità degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
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
DettagliUNITÀ DIDATTICA 2 LE FUNZIONI
UNITÀ DIDATTICA LE FUNZIONI. Le funzioni Definizione. Siano A e B due sottoinsiemi non vuoti di R. Si chiama funzione di A in B una qualsiasi legge che fa corrispondere a ogni elemento A uno ed un solo
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/
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliLezione 4 a - Misure di dispersione o di variabilità
Lezione 4 a - Misure di dispersione o di variabilità Abbiamo visto che la media è una misura della localizzazione centrale della distribuzione (il centro di gravità). Popolazioni con la stessa media possono
DettagliIl processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni
La statistica inferenziale Il processo inferenziale consente di generalizzare, con un certo grado di sicurezza, i risultati ottenuti osservando uno o più campioni E necessario però anche aggiungere con
DettagliProf. Anna Paola Ercolani (Università di Roma) Lez Indicatori di dispersione
Consentono di descrivere la variabilità all interno della distribuzione di requenza tramite un unico valore che ne sintetizza le caratteristiche CAMPO DI VARIAZIONE DIFFERENZA INTERQUARTILE SCOSTAMENTO
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliEsercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano
Esercitazione n. 3 - Corso di STATISTICA - Università della Basilicata - a.a. 2011/12 Prof. Roberta Siciliano Esercizio 1 Una moneta viene lanciata 6 volte. Calcolare a) La probabilità che escano esattamente
DettagliIndicatori di Posizione e di Variabilità. Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Statistica Medica
Indicatori di Posizione e di Variabilità Corso di Laurea Specialistica in SCIENZE DELLE PROFESSIONI SANITARIE DELLA RIABILITAZIONE Statistica Medica Indici Sintetici Consentono il passaggio da una pluralità
DettagliREGRESSIONE E CORRELAZIONE
REGRESSIONE E CORRELAZIONE Nella Statistica, per studio della connessione si intende la ricerca di eventuali relazioni, di dipendenza ed interdipendenza, intercorrenti tra due variabili statistiche 1.
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
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
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliStatistica4-29/09/2015
Statistica4-29/09/2015 Raccogliere i dati con il maggior numero di cifre significative ed arrotondare eventualmente solo al momento dei calcoli (min. 3); nella grande maggioranza delle ricerche biologiche
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
DettagliDistribuzione Gaussiana o Normale. 1 Distribuzione Normale come limite della Binomiale
Statistica e analisi dei dati Data: 6 Maggio 26 Distribuzione Gaussiana o Normale Docente: Prof. Giuseppe Boccignone Scriba: Matteo Gandossi Distribuzione Normale come limite della Binomiale Data una distribuzione
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA La distribuzione di probabilità e un modello matematico, uno schema di riferimento, che ha caratteristiche note e che può essere utilizzato per rispondere a delle domande derivate
DettagliCasa dello Studente. Casa dello Studente
Esercitazione - 14 aprile 2016 ESERCIZIO 1 Di seguito si riporta il giudizio (punteggio da 0 a 5) espresso da un gruppo di studenti rispetto alle diverse residenze studentesche di un Ateneo: a) Si calcolino
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
DettagliEsercitazione del
Esercizi sulla regressione lineare. Esercitazione del 21.05.2013 Esercizio dal tema d esame del 13.06.2011. Si consideri il seguente campione di n = 9 osservazioni relative ai caratteri ed Y: 7 17 8 36
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliINDICATORI DI TENDENZA CENTRALE
INDICATORI DI TENDENZA CENTRALE INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo è indice che riassume o descrive i dati e dipende
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
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
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
DettagliErrori di misura Teoria
Errori di misura Teoria a misura operazione di misura di una grandezza fisica, anche se eseguita con uno strumento precisissimo e con tecniche e procedimenti accurati, è sempre affetta da errori. Gli errori
DettagliCapitolo 10. La media pesata Calcolo della media pesata
Capitolo 0 La media pesata Supponiamo che una stessa grandezza sia stata misurata da osservatori differenti (es. velocità della luce) in laboratori con strumenti e metodi di misura differenti: Laboratorio
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
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
DettagliLezione VI: Distribuzione normale. La distribuzione normale (curva di Gauss). Prof. Enzo Ballone. Lezione 6a- Ia distribuzione normale
Lezione VI: Distribuzione normale Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Lezione 6a- Ia distribuzione normale
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliSTATISTICA DESCRITTIVA. Elementi di statistica medica GLI INDICI INDICI DI DISPERSIONE STATISTICA DESCRITTIVA
STATISTICA DESCRITTIVA Elementi di statistica medica STATISTICA DESCRITTIVA È quella branca della statistica che ha il fine di descrivere un fenomeno. Deve quindi sintetizzare tramite pochi valori(indici
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliLaboratorio di Didattica di elaborazione dati 5 STIMA PUNTUALE DEI PARAMETRI. x i. SE = n.
5 STIMA PUNTUALE DEI PARAMETRI [Adattato dal libro Excel per la statistica di Enzo Belluco] Sia θ un parametro incognito della distribuzione di un carattere in una determinata popolazione. Il problema
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliA1. La curva normale (o di Gauss)
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 202/203 lezione n. 8 dell aprile 203 - di Massimo Cristallo - A. La curva normale (o di Gauss) La curva
DettagliLIMITI DI FUNZIONI. arbitrariamente vicino a L, scegliendo x sufficientemente vicino a x 0, con x x 0.
55. Limiti al finito (ossia per ) LIMITI DI FUNZIONI Limite finito per f ( ) L R Il ite di f () per tendente a è L se è possibile rendere il valore di f () vicino a L, scegliendo sufficientemente vicino
DettagliStatistica. Alfonso Iodice D Enza
Statistica Il e Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 21 Outline Il e 1 2 3 Il 4 e 5 () Statistica 2 / 21 Il e Due distribuzioni aventi stessa posizione
DettagliINDICATORI DI TENDENZA CENTRALE
INDICATORI DI TENDENZA CENTRALE INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore rappresentativo indice che riassume o descrive i dati e dipende dalla
DettagliLe tappe sono essenzialmente 2
Statistica3 28/09/2015 Che cosa interessa realmente al biologo quando ad esempio determina la glicemia in un gruppo di 6 animali? La glicemia di questi 6 animali La glicemia degli animali sani Le tappe
DettagliStatistica di base per l analisi socio-economica
Laurea Magistrale in Management e comunicazione d impresa Statistica di base per l analisi socio-economica Giovanni Di Bartolomeo gdibartolomeo@unite.it Definizioni di base Una popolazione è l insieme
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliLE MISURE. attendibilità = x i - X
LE MISURE COCETTI PRELIMIARI: MISURA, ATTEDIBILITÀ, PRECISIOE, ACCURATEZZA Il modo corretto di fornire il risultato di una qualunque misura è quello di dare la migliore stima della quantità in questione
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 23 marzo 2010 Indice Distribuzioni di probabilità discrete 1 Distribuzioni di probabilità discrete
Dettaglile scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
DettagliCAPITOLO QUINTO DISTRIBUZIONE NORMALE
CAPITOLO QUINTO DISTRIBUZIONE NORMALE 1. Probabilità nel continuo Fino ad ora abbiamo considerato casi in cui l insieme degli eventi elementari è finito. Vediamo, mediante due semplici esempi, come si
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 1 A. I dati riportati nella seguente tabella si riferiscono
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliELEMENTI DI STATISTICA
Dipartimento di Matematica U. Dini, Università di Firenze Viale Morgagni 67/A, 50134 - Firenze, Italy, vlacci@math.unifi.it A.A. 2015-16 Terminologia In un esperimento ogni risultato delle caratteristiche
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
Dettaglihttp://www.biostatistica.unich.it 1 STATISTICA DESCRITTIVA Le misure di tendenza centrale 2 OBIETTIVO Individuare un indice che rappresenti significativamente un insieme di dati statistici. 3 Esempio Nella
DettagliINDICATORI DI TENDENZA CENTRALE
Psicometria (8 CFU) Corso di laurea triennale INDICATORI DI TENDENZA CENTRALE Torna alla pri ma pagina INDICATORI DI TENDENZA CENTRALE Consentono di sintetizzare un insieme di misure tramite un unico valore
DettagliL assegnazione è coerente? SÌ NO. A e B sono stocasticamente indipendenti? SÌ NO
CALCOLO DELLE PROBABILITÀ - gennaio 00 Scrivere le risposte negli appositi spazi Motivare dettagliatamente le risposte su fogli allegati Nuovo Ordinamento esercizi -4. Vecchio Ordinamento esercizi -6..
Dettagli1/4 Capitolo 4 Statistica - Metodologie per le scienze economiche e sociali 2/ed Copyright 2008 The McGraw-Hill Companies srl
1/4 Capitolo 4 La variabilità di una distribuzione Intervalli di variabilità Box-plot Indici basati sullo scostamento dalla media Confronti di variabilità Standardizzazione Statistica - Metodologie per
DettagliSintesi dei dati in una tabella. Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6)
Sintesi dei dati in una tabella Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6) Sintesi dei dati Spesso si vuole effettuare una sintesi dei dati per ottenere indici
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliEsempi di distribuzioni teoriche
Capitolo 7 Esempi di distribuzioni teoriche In questo capitolo presentiamo alcune funzioni teoriche che rappresentano densità di probabilità di variabili casuali unidimensionali (continue e discrete) che
DettagliΣ (x i - x) 2 = Σ x i 2 - (Σ x i ) 2 / n Σ (y i - y) 2 = Σ y i 2 - (Σ y i ) 2 / n. 13. Regressione lineare parametrica
13. Regressione lineare parametrica Esistono numerose occasioni nelle quali quello che interessa è ricostruire la relazione di funzione che lega due variabili, la variabile y (variabile dipendente, in
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
DettagliCalcolo della Concentrazione Rappresentativa della Sorgente (CRS)
Calcolo della Concentrazione Rappresentativa della Sorgente (CRS) Prof. Renato Baciocchi, Università di Roma Tor Vergata Emiliano Scozza Università di Roma Tor Vergata 1 Valutazione dei Dati Data Set di
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
DettagliProbabilità e Statistica Esercizi
Corso di PIANIFICAZIONE DEI TRASPORTI 1 ing. Antonio Comi Marzo 2006 Probabilità e Statistica Esercizi 1 Variabile aleatoria X(E): funzione che associa ad un evento E dello spazio delle prove un numero
DettagliEsplorazione dei dati
Esplorazione dei dati Introduzione L analisi esplorativa dei dati evidenzia, tramite grafici ed indicatori sintetici, le caratteristiche di ciascun attributo presente in un dataset. Il processo di esplorazione
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliCapitolo 3 Sintesi e descrizione dei dati quantitativi
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 3 Sintesi e descrizione dei dati quantitativi Insegnamento: Statistica Applicata Corso di Laurea in "Scienze e tecnologie Alimentari" Unità
DettagliISTITUTO SUPERIORE XXV APRILE LICEO CLASSICO ANDREA DA PONTEDERA classi 5A-5B PROGRAMMA DI MATEMATICA
ISTITUTO SUPERIORE XXV APRILE LICEO CLASSICO ANDREA DA PONTEDERA classi 5A-5B PROGRAMMA DI MATEMATICA PRIMA PARTE Intervallo limitato di numeri reali Dati due numeri reali a e b, con a
DettagliStatistica Esercitazione. alessandro polli facoltà di scienze politiche, sociologia, comunicazione
Statistica Esercitazione alessandro polli facoltà di scienze politiche, sociologia, comunicazione Obiettivo Esercizio 1. Questo e alcuni degli esercizi che proporremo nei prossimi giorni si basano sul
Dettagli