AFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
|
|
- Irene Casati
- 8 anni fa
- Visualizzazioni
Transcript
1 AFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
2 Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico; l ala di un aereo sotto l influenza di forze Collasso del componente Lo stato in cui il componente (o il sistema) cessa di funzionare Definizione Se un componente è messo in condizioni di stress in un istante temporale t=0 e viene osservato fino a quando collassa, la durata della vita (o il tempo necessario al collasso) è una variabile aleatoria che indicheremo con T
3 Definizione di guasto Per guasto si intende (a) la cessazione di un dispositivo ad adempiere la funzione richiesta (guasti totali); (b) variazione prestazione del dispositivo che lo renda inservibile (guasti parziali); Guasti intermittenti Classificazione dei guasti in base al tempo di vita del sistema Guasti infantili Guasti di usura errori montaggio errori progettazione Guasti casuali Indipendenti dal tempo
4 E anche nota come v.a. esponenziale negativa. Perché? Esercizio: calcolare i momenti della v.a. esponenziale Esercizio: Supponiamo di aver messo in funzione un pezzo alle ore 8 di un certo giorno. Supponiamo che resti costantemente in funzione. Supponiamo che la durata della sua vita sia espressa da una legge esponenziale (in ore). Calcolare la probabilità che il pezzo cessi di funzionare durante un turno di lavoro 8-16.
5 Nelle applicazioni, la v.a. esponenziale viene usata per descrivere il tempo di vita (aleatorio) di un sistema complesso fino al suo collasso. FX ( t) funzione di guasto (failure function) R ( t) = 1 F ( t) funzione di affidabilità (reliability function) X X Prop: Se X Exp( λ ),allora P X > s + t X > s = P X > t ( ) ( ) ASSENZA DI MEMORIA Si dimostra che ( > + > ) = ( > ) ( ) ( ) { } (a) Se P X s t X s P X t s, t 0 X Exp( λ) (b) Se P X > s + t X > s = P X > t s, t 0,1, 2, 0 X Geom( p)
6 Altra formulazione della proprietà di assenza di memoria La durata di vita residua ha la stessa distribuzione della durata di vita del componente considerato. Prop: Sia X Exp( λ ) e sia a>0. Posto X = X a allora P X t X > a = P X t ( ) ( ) a a Se T è un tempo di vita con legge qualsiasi, qual è la distribuzione della sua vita residua? T a ( ) ( ) ( ) F t = P T < t = P T a t T a = a ( + ) T ( ) 1 F ( a) F a t F a Nel caso esponenziale, questa proprietà lascia qualche perplessità, perché implica che il sistema non è soggetto ad usura. T T
7 Def : Sia T il tempo di vita di un sistema, e sia T v.a. assolutamente contina. Si definisce tasso di gausto (o funzione di rischio ) - failure rate or hazard function la funzione f ( t) Z( t) = R ( t ) dove f ( t) rappresenta la funzione densità di T e R( t) la sua funzione di affidabilità. EX: Nel caso esponenziale, il tasso di guasto è.
8 Tasso di guasto in funzione dell età
9 Significato probabilistico : Z( t) t = f ( t) t P T ( t) = t + t t f ( s) ( t) P T ( T < t + t T t) probabilità che il componente che è durato fino all'istante t collassi nell'intervallodi successivo[ t, t + t] ds = P t tempo Teorema Se T è una variabile aleatoria continua, con funzione di ( ) F ( ) distribuzione F tale che 0 = 0, allora t R( t) = exp Z( s) ds, t 0 0 f t R t DIM: Z( t) = Z( t) = R( t) R( t) t 0 ' ( ) ( ) ( ) Z(s)ds = log R t + cos t. ( ) ( t ) = R t K exp Z( s) ds dove K dipende dalle condizioni iniziali 0
10 Esercizio: Stabilire se la funzione R(t)=exp[-(t/b)^k] è una funzione di affidabilità. Determinare il tasso di guasto. Proprietà del tasso di guasto i i i Z ( t) 0 Z ( t) f ( t) t Z ( s ) d s < 0 i Z ( t) dt = Dunque non è una probabilità! R Contiene informazioni istantanee! t H ( t) = ln[ R( t)] = Z( s) d s tasso di guasto cumulativo 0
11 Proprietà del tasso di guasto cumulativo i i H ( t) 0 H ( t) è funzione crescente nel tempo. Cosa accade nel caso esponenziale? Perché si introduce? Un problema che spesso va affrontato nelle applicazioni è stabilire quale sistema è più affidabile. Def : Un sistema A si dice più affidabile di un sistema B se R t R t per ogni t. A R R ( ) ( ) A B ( t) ( t) B ( ) ( ) ( ) > 1 se H A t > H B ( t) = exp H A ( t) H B ( t) = 1 se H A t = H B ( t) < 1 se H A t < H B ( t)
12 Teorema : Se Z t > Z t t R t < R t t (vale anche sul segno <) ( ) ( ) ( ) ( ) A B A B Non vale il viceversa. 100 Z(t)=10t 90 Z(t)=(t-3)
13 1 0.9 R(t) associata a 10t R(t) associata a (t-3)
14 Esercizio: Si assuma che un dispositivo abbia un tasso di guasto lineare. Determinare la funzione di affidabilità e la funzione di guasto. Esercizio: Si assuma che un dispositivo abbia una funzione di guasto descritta da una v.a. uniforme sull intervallo [0,100]. Determinare il tasso di guasto. Come si descrivono gli altri rami della curva a vasca da bagno?
15 β = 1 costante 1 Z( t) t β = αβ = β > 1 crescente β < 1 decrescente Esercizio: Il modello di vita di un apparato propulsivo di un sottomarino atomico ha Un tasso di guasto pari a 2 t^3. Determinare l affidabilità del sistema a due mesi. DISTRIBUZIONE DI WEIBULL Calcolare la funzione densità. Una v.a. di Weibull ha funzione densità t exp t t > 0 f ( t) = 0 altrove con α e β parametri reali nonnegativi. ( ) β 1 ( β αβ α )
16 NB: quella sul MATLAB ha la stessa forma. DISTTOOL: Esercizio: Calcolare la funzione di ripartizione Esercizio: Calcolare i momenti centrali Per β = 2, si ha Z( t) = 2 αt Distribuzione di Raylegh La distribuzione di Rayleigh (Lord Rayleigh - fisico britannico premio nobel), α σ di parametro = >0, descrive la v.a. Z = X + Y dove X N (0, ) e Y N σ 2 (0, ) (indipendenti). σ Visualizzare funzione in Matlab 0.5 Per β = 1/ 2, si ha Z( t) = 0.5 αt Curva mortalità infantile
17 NOTA: I parametri della legge di Weibull Il parametro β è detto parametro di forma. Questo perchè variando questo parametro, varia la forma della pdf Weibull pdf beta=0.5 beta=1 beta=1.5 beta=
18 Il parametro α è detto parametro di scala. Questo perchè variando questo parametro, varia il range in cui la pdf è diversa da zero. Però per vederlo in questa forma è necessario riscrivere la pdf. Anzicchè t exp t t > 0 f ( t) = 0 altrove ( ) β 1 ( β αβ α ) 1 rimpiazziamo α con e scriviamo β α β 1 β β t t exp t > 0 f ( t) = α α α 0 altrove
19 Qual è il vantaggio? Esercizio: Il tempo di guasto di un radar per la navigazione aerea è rappresentabile mediante una distribuzione di Weibull con parametro di scala pari a 2000 ore e parametro di forma pari a 2.1. Questo significa che il tempo di vita del siste- 4 ma evolve su un intervallo temporale piuttosto ampio. Si ha α 2.1 =1/ ^ ( 7) 4.5 x 10-4 Weibull, scala=2000, alfa=10 ( -7) Attenzione all uso del Matlab
20 Anzicchè t exp t t > 0 f ( t) = 0 altrove ( ) β 1 ( β αβ α ) 1 rimpiazziamo α con e scriviamo β α β 1 β β t t exp t > 0 f ( t) = α α α 0 altrove MATLAB CON PARAMETRO DI SCALA
21 Esercizio: Sia T il tempo di vita di un componente elettronico in un aereo descritto da una v.a. di Weibull di parametro di scala 1100 ore di volo e di parametro di forma 3. Determinare la probabilità di guasto dopo 100 ore. a) Trovare il parametro α b) Calcolare weibcf Esercizio: Determinare la massima lunghezza di volo tale la probabilità di guasto sia inferiore a Prob. di guasto
22 Altra legge impiegata per descrivere il tempo di vita di un sistema è la legge gaussiana per via del teorema del limite centrale. Prestare attenzione alla legge dei 3 sigma Talvolta viene usato il valore assoluto della gaussiana!
23 Confronti Gauss. standard e val. assoluto della gaussiana a confronto Gauss. Stand. Gauss. stand
24 Tasso di guasto di un modello gaussiano T N(100,10) 0.45 tasso di guasto di una gaussiana
25 Esercizio: Due compagnie producono pneumatici per auto. Entrambe le compagnie dichiarano che il tempo di vita medio dei loro prodotti è 2000 miglia. Dopo una indagine statistica risulta che il tempo di vita dei pneumatici prodotti dalla compagnia A è esponenziale di parametro e invece il tempo di vita dei pneumatici prodotti dalla compagnia B è gaussiano, di media 2000 miglia e di deviazione standard 200 miglia. Se la politica di un negozio che affitta le macchine è di cambiare i pneumatici non appena essi raggiungono le 2000 miglia, quali pneumatici converrebbe comprare? R A (2000) = , R (2000) = 0.5 Esercizio: Sia T il tempo di vita di un componente elettronico, una v.a. gaussiana di deviazione standard 10 ore. Assumendo che dopo un periodo pari a 100 ore, l affidabilità stimata per il componente sia 99%, determinare la media di T. Esercizio: il tempo di vita di un sistema ha un tasso di guasto costante pari a Determinare per quante ore deve funzionare affinché abbia un affidabilità pari almeno a 90%. B
26 Altri tipi di curve bathtub Componenti meccanici Curve reali
27 Affidabilità condizionata Il dispositivo in esame ha funzionato fino al tempo s. Qual è la probabilità che funzioni per un altro intervallo di tempo t? ( ) P T > s + t T > s = R( s + t s) Conoscendo la funzione di affidabilità, come è possibile calcolare la funzione di affidabilità condizionata? R( s + t s) = R( s + t) R ( s ) Cosa accade nel caso esponenziale? Quanto vale R(t+0 0)? Quali sono le proprietà di questa funzione per s fissato e t variabile? Quali sono le proprietà di questa funzione per t fissato e s variabile?
28 Tasso di guasto Weibull di par. 2 e 4 Affidabilità condizionata per d. Weibull Aff. Aff. condizionata t+1 1 t+1 t Aff. Weibull di parametri 2 e
29 Qual è la probabilità condizionata di guasto di un componente di età t durante l intervallo seguente di durata t? F( t + t t) = ( t t) 1 R t + = R( t) R( t + t) R( t) F( t + t) F( t) P( t < T t + t) = = = P( t < T t + t T > t) R( t) P( T > t) Tempo medio di guasto (MEAN TIME TO FAILURE) Teorema: Se E [ T ] < E[ T ] = R( t) dt 0 x E [ X ] = xf ( x) dx = d t f ( x) dx Teorema molto generale = d t f ( x) dx 0 t
30 Attenzione al significato MTTF2 = MTTF1
31 Esercizio: Il tempo di guasto di un RWR (radar warning receiver) in un aereo da combattimento segue una legge di Weibull con parametro di scala 1200 ore di volo e parametro di forma 3. Lo stesso radar montato su di un elicottero ha un tempo di vita esponenziale con parametro Confrontare le affidabilità dei due sistemi elicottero areo guerra Confrontare il tempo medio di vita. 0.8 Se il fornitore dà una garanzia 0.7 di 750 ore di volo, calcolare il 0.6 rischio per i due sistemi
32 Tempo medio di vita residua (MEAN RESIDUAL LIFE) Il tempo medio di guasto per un sistema di età t prende il nome di tempo medio di vita residua Una formula diversa per il calcolo del tempo medio di vita residua: MTTF t t t f ( t t )dt ( ) ( ) = t 0 MTTF ( t ) 0 0 t 0 R ( t ) d t Esercizio: Il tempo di guasto di un radar per la navigazione aerea è rappresentabile mediante una distribuzione di Weibull con parametro scala pari a 2000 ore e parametro forma pari a 2.1. Uno di questi radar viene montato su di un aereo. Viene dichiarato che l età del radar è di 800 ore. Trovare il tempo medio di vita residua per questo radar. = R t ( ) 0
33 MBTF= MEAN OPERATING TIME BETWEEN FAILURES e non MEAN TIME BETWEEN FAILURES E il tempo medio tra due consecutivi guasti Se dopo ogni riparazione, il sistema torna "come nuovo" allora MTBF=MTTF, ignorando il tempo impiegato per la riparazione Se il tasso di guasto è esponenziale, allora MBTF= T / n, ignorando il tempo impiegato per la riparazione. Più in generale: MBTF=MTTF+MTTR Tempo medio per la riparazione
34 Se si ha un campione casuale di tempi, come si stimano tutte queste funzioni? Esempio: si misura il tempo di vita di 262 lampadine. Il numero di guasti è riportato in tabella. Stimare la funzione guasto, la funzione di affidabilità, la densità di guasto, Il tempo medio tra guasti.
35 Costruzione dell istogramma a) Mettere in un vettore i centri delle classi. b) Riportare in un altro vettore le frequenze assolute delle classi c) Costruire l istogramma (file prova.m) Per stimare la densità di guasto bar(c,fa/taglia) oppure costruire il poligono di frequenza plot(c,fa/taglia, --rc ) Per stimare la funzione di ripartizione di guasto cdf=cumsum(fa/taglia) inf=[0,100,200,300,400,500,600,700,800,900]; stairs(inf,cdf) (file prova1.m) Per stimare la funzione di affidabilità aff=1-cumsum(fa/taglia); stairs(inf,aff)
36 Per stimare il tasso di guasto ( < + ) ( + ) ( ) P t T t t F t t F t Z( t) t = P( T > t) R( t) >> for i=1:9 tasso(i)=(cdf(i+1)-cdf(i))/aff(i); end E per stimare MTTF? Procedure per dati raggruppati datigrouped(c,fa) E possibile stabilire il modello di vita delle lampadine? TEST tasso di guasto
37 TEST PER LA BONTA DI ADATTAMENTO TEST CHI QUADRATO TEST DI KOLMOGOROV Siano O le frequenze osservate e siano E le frequenze attese (cioè quelle i che ci si attende se il modello probabilistico segue quello ipotizzato). H : non esiste una differenza tra le frequenze osservate e quelle attese 0 H 1 : esiste una differenza tra le frequenze osservate e quelle attese i STASTICA TEST ( O E ) 2 = 2 i i 2 χ χk p 1 Ei Bisogna calcolare e!! Non esiste una procedura in MATLAB Chitest(o,e,alfa,grlibertà)
38 Ad esempio se ipotizziamo una legge gaussiana, si ha E = NP( X C ) >>classi=c+50; >> e(1)=taglia*normcdf(classi(1),mean,dev); >> for i=1:7 e(i+1)=taglia*(normcdf(classi(i+1),mean,dev)-normcdf(classi(i),mean,dev)); end >> e(10)=taglia*(1-normcdf(classi(9),mean,dev)); i i Chitest(fa,e,7) Si rigetta l ipotesi di gaussianità osservate vs attese Altro tipo di test è il test di Kolmogorv-Smirnov. In quel caso i dati servono singolarmente
39 Si potrebbe pensare di usare una distribuzione di Weibull. Come si stimano i parametri di scala e di forma? Servono i dati singolarmente! Esistono vari metodi. Quello MATEMATICAMENTE più corretto è il metodo della massima verosimiglianza, che ora andremo a studiare. ( X1 X 2 X n ) ( ) Definizione: Sia,,, un campione casuale di v.a. i.i.d con legge fϑ x x1 x2 x n ( ). Indichiamo con,,, il valore dell'osservazione. Chiamiamo funzione di verosimiglianza la funzione L ϑ ( x1, x2,, xn ) = fϑ ( x1, x2,, xn ) = fϑ ( xi ) n i= 1 Definizione: Chiamiamo stimatore di massima verosimiglianza per ϑ il valore ˆ ϑ che ( ) massimizza la funzione di verosimiglianza Lϑ x, x,, xn 1 2
40 Calcolare il massimo della funzione di verosimiglianza può essere difficile, ma ricordando che il log è una funzione monotona, il valore che massimizzerà (,,, ) renderà massimo log (,,, ) = f ( x ) Lϑ x1 x2 xn Lϑ x1 x2 x n n log ϑ i. i= 1 Gli stimatori di massima verosimiglianza non sono necessariamente corretti, ma per ipotesi abbastanza blande sulla continuità delle leg- gi pdf sono consistenti ed asintoticamente normali. Molti stimatori che conosciamo sono stimatori di massima verosimiglianza. Esempio: Supponiamo di avere i seguenti tempi di vita 17,21,33,37,39,42,56,98,129,132,140 In MATLAB weibfit(x) >> weibfit(x) [alfa,beta] =
41 Per determinare quale distribuzione fitta meglio i dati, si possono utilizzare metodi grafici che consistono nel costruire i cosiddetti probability plotting papers. Si basano sulla funzione di ripartizione cumulativa che si vuole riconoscere nei dati e usano assi tali che, quando questi dati effettivamente provengono da una popolazione con legge simile alla funzione di ripartizione, si distribuiscono lungo una linea retta. (quindi la tecnica usata è quella della regressione) Probability plotting papers necessitano di due cose: a) I dati (ordinati in ordine crescente) b) La funzione di ripartizione cumulativa Metodi di stima Mean Rank Median Rank Symmetric CDF Costruzione F(x) i/(n+1) (i-0.3)/(n+0.4) (Bernard) (i-0.5)/n Particolarmente utile per leggi asimmetriche Molto usata! Studi recenti hanno dimostrato che questo metodo grafico è più accurato Non è ancora chiaro quali di queste stime sia la migliore
42 Weibull probability paper 1 1 y = log log Si ha la seguente retta log log β log x β log α. Poni 1 F( x) 1 F( x) = z = log x Un grafico sugli assi ( z, y) è un Weibull probability paper Esempio: Supponiamo di avere i seguenti tempi di vita 17,21,33,37,39,42,56,98,129,132,140 Ordinati Dati Mean Median Rank Rank
43 mean rank >> i=[1:1:11]; >> cdfe=(i-0.3)./11.4; >> y=log(log(1./(1- cdfe))); median rank RETTA DI REGRESSIONE LINEARE!!
44
45 β = b scale = exp( a / β )
46 Vanno trasformati! >> beta =
47 Confrontiamo questi dati con quelli ottenuti prima usando weibfit β = β = (regressione) verosimiglianza ( ) log scale = (regressione) scale = exp - beta(2) / beta(1) α = 1/ scale ^ β = ( ) α = verosimiglianza ( )
48
49
50 Verificare se i residui hanno legge gaussiana: sia con metodi grafici che con metodi Inferenziali!! >> residuals Normal Probability Plot residuals = Probability Data >>normplot(residuals) TEST
51 Costruione norm-plot dei residui >> ressort=sort(residuals) >> plot(ressort,z, * ) 1 costruzione normplot
52 Ci sono dei software che costruiscono i norm-plot con i quantili della gaussiana. La forma del diagramma di dispersione non cambia. Cambia ovviamente l intervallo di rappresentazione sull asse delle y. >> z=norminv(cdfe,media,dev); 0.6 costruzione normplot con i quantili gaussiani
53 weibplot(x) C è un modo per capire prima se ha senso cercare una legge di Weibull che fitta i dati? Weibull Probability Plot Probability Data 10 2
54 Effettuiamo un test per verificare se i dati hanno legge di Weibull con i parametri trovati TEST DI KOLMOGOROV-SMIRNOV Se l ipotesi da testare è che il campione casuale proviene da una popolazione gaussiana con media 0 e varianza 1, allora la sintassi è semplicemente
55 Se l ipotesi da testare è che il campione casuale proviene da una popolazione gaussiana non standard, bisogna prima standardizzare i dati e poi usare il kstest: E il caso del vettore residuals su cui abbiamo lavorato prima!! Standardizziamo: >> resstd=(residuals-media)/dev; >> [h,p,kstat,cv]=kstest(resstd) h = 0 p = kstat = cv =
56 CODA Null Hypothesis: F(x) equal to CDF for all x. For TAIL = 0 (2-sided test), alternative: F(x) not equal to CDF. For TAIL = 1 (1-sided test), alternative: F(x) greater than CDF. For TAIL = -1 (1-sided test), alternative: F(x) less than CDF. For TAIL = 0, 1, and -1, the K-S test statistics are T = max S(x) - CDF, T = max[s(x) - CDF], and T = max[cdf - S(x)], respectively.
57 TORNIAMO AL NOSTRO ESEMPIO. 17,21,33,37,39,42,56,98,129,132,140 Mettiamo i dati in un vettore x Costruiamo il vettore della funzione di ripartizione teorica >>alfa=1/(exp(-beta(2)/beta(1)))^beta(1) >>ccf(:,1)=x; >>ccf(:,2)=weibcdf(x,alfa,beta(1)) >> [h,p,ksstat,cv]=kstest(x',ccf,0.05,0) h = 0; p = ; ksstat = ; cv = ; >> weibstat(alfa,beta(1)) ans = ATTENZIONE ALL USO DEGLI INTERVALLI DI CONFIDENZA!!
58 Intervalli di confidenza per i parametri di una distribuzione di Weibull Usate weibfit!! >> [par,ci]=weibfit(x) par = A cosa serve??? ci =
59 Intervalli di confidenza per la affidabilità di una legge di Weibull Stimato inf sup
60 Esercizio: anche con i parametri calcolati con il metodo della massima verosimiglianza il test non rigetta l ipotesi?. Exponential probability paper 1 1 y = log Si ha la seguente retta log λx. Poni 1 F( x) 1 F( x) = z = x Un grafico sugli assi ( z, y) è un Exponential probability paper Esempio: Supponiamo di avere i seguenti tempi di vita 14,27,32,34,54,57,61,66,67,1 02,134, 152, 209, 230 Stimiamo la prob. di guasto >> cdfe=(i-0.3)/14.4; >> stairs(x,cdfe)
61 Stimiamo la affidabilità >> stairs(x,1-cdfe) Anzicché lavorare puntualmente stimiamo la densità di guasto con un istogramma >>c=[40,90,140,190] >>fa=hist(x,c) >>fa=[7,3,2,2]
62 Stimiamo la densità di guasto >> classi=[0,65,115,165,230]; >> for i=1:4 dens(i)=fa(i)/14*1/(classi(i+1)-classi(i)); end 8 x
63 Stimiamo il tasso di guasto >> cdf=cumsum(fa/14) >> r(1)=1; >>for i=2:4 r(i)=1-cdf(i-1); end >> tasso = >> tasso=dens./r; Regressione >> i=[1:1:14]; >> cdfe=(i-0.3)/14.4; >> y=log(1./(1-cdfe)); >> polytool(x,y) >> beta beta =
64 >> 1/expfit(x) ans = >> ccf(:,1)=x'; >> lambda=beta(1); >> ccf(:,2)=expcdf(x',1/lambda); >> [h,p,kstat,cv]=kstest(x',ccf,0.05,0) h = 0, p = , kstat = , cv = Nel caso gaussiano, conviene stimare la media e la deviazione standard con i metodi usuali (media campionaria e varianza campionaria).
65 Normplot(x) Normal Probability Plot Probability Data Se sui dati dell esempio sulla distribuzione di Weibull facessimo un normplot
66 Test di ipotesi sulla media
67 Test di ipotesi sulla media [h,pv,ci]=ttest(residuals,0) h = 0 pv = 1 ci = In entrambi i casi il campione casuale deve provenire da una popolazione gaussiana. Cosa accade se la popolazione non è gaussiana?
68
69 Si conta il numero di segni positivi (r+)
70 Esempio: Supponiamo di avere i seguenti tempi di vita 14,27,32,34,54,57,61,66,67,102,134, 152, 209, 230 Abbiamo dimostrato che la popolazione da cui provengono i dati segue una legge esponenziale. Verifichiamo se la mediana è 100. Abbiamo 5 segni positivi, che sono in numero inferiore a 7=14/2. Pertanto il P-value risulta essere ( + + ) p = 2 P R r >> p=2*binocdf(5,14,0.5) p = >> p = signtest(x,100,0.05) p = Si può sostituire anche un vettore
71 Questo stesso test può essere utilizzato per verificare se due campioni casuali hanno la stessa media.
72 Esempio: Supponiamo di avere i seguenti tempi di vita 14,27,32,34,54,57,61,66,67,102,134, 152, 209, 230 Abbiamo dimostrato che la popolazione da cui provengono i dati segue una legge esponenziale di mediana 100. Consideriamo un secondo campione 7,29,30,31,44,47,69,70,75,105,134, 152, 210, 240. >> x-y ans = >> [P,H,STATS] = SIGNTEST(x,y,0.05) P = H = 0 >> 2*binocdf(5,12,0.5) ans = STATS = sign: 5 E se i campioni hanno taglia diversa?
73 the Mann-Whitney U test
74 Test di Mann-Whitney (o della somma dei ranghi): due campioni indipendenti; è uno dei test non parametrici più potenti e serve a verificare se due gruppi indipendenti appartengono alla stessa popolazione. È un'alternativa molto valida al test parametrico T-Student, quando non possono considerarsi le ipotesi del T test, oppure la scala di misura è più debole di una scala ad intervalli. Es. tempi di rottura di uno stesso componente in due ambienti diversi Ambiente A Ambiente B Rottura Rango Rottura Rango Nel caso di piccoli campioni, una volta calcolato la somma dei ranghi si confronta questa con il valore teorico di una tavola in corrispondenza delle dimensioni dei due campioni n n + n 1) n1 n2( n1 + n2 + 1) 1 min R, µ u = 2 1 R i j U µ u ± 0. 5 = U 2 1 ( 2 + σ u σ u = 12 (+0.5 coda a sx; 0.5 coda a dx)
75 Calcolo di Skewness (asimmetria) e kurtosis (curtosi) >> skewness(x) ans = >> kurtosis(x)-3 ans =
76 Skewness (asimmetria) e legge di Weibull Per β (0,2.6) sk< forma=0.5 forma=1.5 forma= forma=2.6 forma=3 forma= Per β (2.6,3.4) sk forma=4 forma=8 forma= Per β > 3.4 sk>
77
78
79
80
81 Si ottiene lo stesso risultato del test di Fisher?
82 INTERVALLI DI CONFIDENZA PER LA MEDIA DI UNA DISTRIBUZIONE ESPONENZIALE E' possibile dimostrare che lo stimatore di massima verosimiglianza n i= 1 per λ è costituito dalla media campionaria X / n. i n n 2 X i n i= 1 2 X 2 i Gamma( n, λ) λ X χ 2 i= 1 L'intervallo di confidenza è χ χ 1 α = P < < 2 X α α,2n 1,2n 2 2 λ n n i i= 1 i= 1 X i >> den=sum(x); >> a1=chi2inv(0.025,28); >> a2=chi2inv(0.975,28); >> sup=a1/(2*den), inf=a2/(2*den) sup = inf = >>1/mean(x) ans=0.0113
83 ESERCIZIO: Considerando un albero rotante con tasso di guasto costante pari a 20 guasti su 10^5 ore di funzionamento, calcolare il numero (medio) di alberi che si romperanno tra e ore, considerando un numero di alberi in prova pari a 50. GUASTI MULTIPLI Si assuma che il guasto del componente possa avvenire per effetto di due diversi meccanismi di guasto. La densità di guasto in tal caso si calcola come f ( t) = f ( t) R ( t) + f ( t) R ( t) Esercizio: Il tempo di vita di un componente per effetto del meccanismo di guasto A è descritto da una v.a. esponenziale di parametro (per ore). Il tempo di vita dello stesso componente per effetto del meccanismo di guasto B è descritto da una v.a. esponenziale di parametro (per ore). Determinare densità di guasto complessiva e funzione di affidabilità. (effettuare i grafici) Esercizio: Supponiamo il tasso di guasto di un componente durante il periodo di rodaggio sia di Weibull con parametro di forma 0.60 e parametro di scala ore, durante il periodo di fase adulta sia di Weibull con parametro di forma 1,00 e parametro di scala 4000 ore e durante la fase di usura sia di Weibull con parametro di forma 2.50 e parametro di scala 4500 ore. Scrivere la funzione densità di guasto
84 Scrivere la funzione densità di guasto f ( t) = f ( t) R ( t) R ( t) + f ( t) R ( t) R ( t) + f ( t) R ( t) R ( t) Effettuare un grafico Diversa è la situazione di un componente per il quale le informazioni circa il tasso di guasto è ripartito lungo l arco temporale. La affidabilità totale è una somma di affidabilità, ciascuna si riferisce a un periodo della vita, secondo dei pesi che restituiscono il peso di quel tasso di guasto lungo l arco temporale R( t) = a R ( t) + a R ( t) + a R ( t) con a + a + a = Iperesponenziale f ( t) = a f ( t) + a f ( t) + a f ( t) F( t) = a F ( t) + a F ( t) + a F ( t) MISTURE
85 Rank Tempo guasto # guasti Guasti cum. Median rank%
86 >> x=[23,9,2,3,11,6,3,6,4,3,4,8,3,0,1,2,2]; >> y=cumsum(x); >> perc=(y-0.3)/(sum(x)+0.4); >> tguasto=[600, 1200,1800, 2400, 3000,3600, 4200, 4800,5400,6600, 6900,7200,7800, 8400,9000,9600, 10200] >> weibplot(tguasto) Attenzione!! Questo grafico non è corretto. Perché? P robability Weibull Probability Plot Data
87 >> beta beta = polytool(tguasto,y) E se dividessimo i 3 gruppi?
88 Rank Tempo guasto # guasti Guasti cum. Median rank%
89 Num.prova Tempo guasto # guasti Guasti cum. Median rank%
90 Num.prova Tempo guasto # guasti Guasti cum. Median rank%
91 >> y1=cumsum(x(1:4)) >>cdfe1=(y1-0.3)/ (sum(x(1:4))+0.4) >> y2=cumsum(x(5:11)) >>cdfe2=(y2-0.3)/ (sum(x(5:11))+0.4) >> y3=cumsum(x(12:17)) >>cdfe3=(y3-0.3)/ (sum(x(12:17))+0.4) >> cdfe1 = >> cdfe2 = >> cdfe3 = Non possiamo usare weibplot. Facciamo il grafico a mano!! >> ord1=log(log(1./(1-cdfe1))); >> ord2=log(log(1./(1-cdfe2))); >> ord3=log(log(1./(1-cdfe3)));
92 plot(log(tguasto(1:4)),ord1,'*',log(tguasto(5:11)),ord2,'*',log(tguasto(12:17)),ord3,'*') Weibull probability papers infanzia adulto usura Facciamo 3 regressioni diverse!!
93 >> polytool(log(tguasto(1:4)),ord1) >> scale1=exp(-beta(2)/beta(1)), form=beta(1) scale1 = form = >> polytool(log(tguasto(5:11)),ord2) >> scale1=exp(-beta(2)/beta(1)), form=beta(1) scale1 = e+003 form = >> polytool(log(tguasto(12:17)),ord3) >> scale1=exp(-beta(2)/beta(1)), form=beta(1) scale1 = e+004 form =
94 β t 37 t 16 t R( t) = exp + exp + exp 90 α 90 α 90 α β β 3 Effettuare un grafico
95 La fase di raccolta dei dati sperimentali richiede che il prodotto spesso un prototipo sia testato per tempi sufficientemente lunghi Prove di affidabilità Time-terminated Failure-terminated Le prove vengono eseguite in successione, ovvero sostituendo le unità che si sono guastate con altre nuove fino allo scadere del tempo di prova. Campionamento nel caso esponenziale Failure-terminated La prova viene fatta finire al primo guasto se questo risulta maggiore di un determinato tempo di prova. In genere, dopo l 80% delle unità inizialmente inserite sulle macchine di prova. m r t t a d = = = = macchine di prova unità che si sono guastate durante il test tempo complessivo di sperimentazione tempo complessivo di prova di ogni macchina ta m t MTTF = = r r N = m + ( r 1) l'ultima unità rotta non è stata rimpiazzata d
96 m = 6, r = 7, N = 6 + 6, t = 600, t = 6*600 MTTF = (6*600) / 7 = 514 su 10^6 ore si hanno 1945 guasti d a
97 Caso failure-terminated: senza rimpiazzo delle unità guastate Tempi di guasto delle r unità guastate m t = t + ( m r) t a i d i= 1 Tempi di funzionamento delle m-r unità non guastate m = 8, r = 7, t d = 700, t = 4180 MTTF=597ore a
98 Caso time-terminated: con rimpiazzo delle unità guastate m = 6, r = 8, N = 6 + 8, t = 700, t = 6*700 MTTF = (6*700) / 8 = 625 d a
99 Caso time-terminated: senza rimpiazzo delle unità guastate m t = t + ( m r) t a i d i= 1 Calcolare MTTF per esercizio
100 Caso gaussiano: failure-terminated senza rimpiazzo delle unità guastate Non è possibile usare dati provenienti da campioni interrotti. Le unità testate vengono portate tutte al guasto. Vengono sostituite solo quelle che si guastano precocemente.
101 Campioni incompleti (Censored sample) Si definisce campione incompleto, un insieme di dati riguardanti sia componenti che non hanno funzionato bene durante la prova, che componenti la cui prova è stata interrotta senza che si sia raggiunto il guasto. In questo caso non è possibile stimare la funzione di ripartizione perché i guasti sono inframmezzati da unità testate non arrivate al guasto. Assegnazione dell INCREMENTO fittizio del numero ordinale, dipendente dalle unità non arrivate al guasto.
102 NO = numero d'ordine IO = incremento d'ordine n + 1 A IO = B + 1 A = B n = NO del guasto precedente numero di pezzi ancora da considerare incluso quello rotto = dimensione del campione di prova IO(2) = = NO(2) = NO(1) + IO(2) = = IO (1) = 1 NO( m) = NO( m 1) + IO( m)
103 Non ci sono sospensioni tra il secondo ed il terzo guasto IO(2) = IO(3) NO(3) = NO(2) + IO(3) = = IO(4) = = E così via
104 Numguasti Tempo guasto NO(i) MEDIAN RANK NO( i) 0.3 n + 0.4
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliHistogram of C1 Normal
Soluzioni domande ed esercizi Fondamenti di Affidabilità Capitolo 2. La vita di un cambio ad ingranaggi può essere fortemente influenzata nelle fasi iniziali della sua vita da problemi derivanti principalmente
DettagliIN MATLAB distribuzione di frequenza. >> x(1)=7.5; >> for i=2:7 x(i)=x(i-1)+5; end. IN MATLAB distribuzione di frequenza
IN MATLAB distribuzione di frequenza 2-1 4. Usare la function histc(dati,x) 2-2 1. Riportare i dati in un file (ad esempio dati.mat); 2. load ascii dati: viene creata una variabile dati contenente il campione;
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliMatematica II: Calcolo delle Probabilità e Statistica Matematica
Matematica II: Calcolo delle Probabilità e Statistica Matematica ELT A-Z Docente: dott. F. Zucca Esercitazione # Esercizi Statistica Descrittiva Esercizio I gruppi sanguigni di persone sono B, B, AB, O,
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliAFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
2/2/2 AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
DettagliStatistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004
Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 200 Esercizio 1 Tre apparecchiature M 1, M 2 e M 3 in un anno si guastano, in maniera indipendente, con probabilità
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
DettagliAFFIDABILITA DEI SISTEMI STOCASTICI (semplici)
AFFIDABILITA DEI SISTEMI STOCASTICI (semplici) Un sistema (o uno qualsiasi dei suoi componenti) può essere soggetto a stress casuali. Es: un fusibile in un circuito; una trave di acciaio sotto carico;
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliEsercitazione 5 Soluzioni
Esercitazione 5 Soluzioni. (Esercizio 5. del Ross) Sia X una variabile aleatoria la cui densità è c( 2 ) < < 0 altrimenti. (a) Qual è il valore di c? (b) Scrivere la funzione di ripartizione di X. 2. (Esercizio
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliAffidabilità nel tempo tasso di guasto. h( t) =! dt N dt N ( ) ( ) = =! N N
Affidabilità nel tempo tasso di guasto 1 N=numero componenti N s (t)=numero componenti sopravvissuti al tempo t N f (t)=numero componenti rotti al tempo t N ( ) ( ) s t N f t R( t) = = 1! N N dr( t) 1
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliPsicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE
Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliIndici di dispersione
Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. I Prova in Itinere di Statistica per Ingegneria Energetica 9 maggio 2013
Politecnico di Milano - Scuola di Ineneria Industriale I Prova in Itinere di Statistica per Ineneria Eneretica 9 maio 013 c I diritti d autore sono riservati. Oni sfruttamento commerciale non autorizzato
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliVARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliTest non parametrici. Test non parametrici. Test non parametrici. Test non parametrici
Test non parametrici Test non parametrici Il test T di Student per uno o per due campioni, il test F di Fisher per l'analisi della varianza, la correlazione, la regressione, insieme ad altri test di statistica
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliEsercitazione n.1 (v.c. Binomiale, Poisson, Normale)
Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione
DettagliAFFIDABILITA DEI SISTEMI
AFFIDABILITA DEI SISTEMI STOCASTICI (complessi) Esercizio: Si assuma che i collegamenti tra una centrale elettrica e una città siano costituite da tre linee collegate in serie i cui tempi di funzionamento
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi
DettagliMetodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla
Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliDai dati al modello teorico
Dai dati al modello teorico Analisi descrittiva univariata in R 1 Un po di terminologia Popolazione: (insieme dei dispositivi che verranno messi in produzione) finito o infinito sul quale si desidera avere
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliAnalisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni
Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004
ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (0/07/03) Università di Verona - Laurea in Biotecnologie - A.A. 0/3 Matematica e Statistica Prova di MATEMATICA (0/07/03) Università di Verona - Laurea in Biotecnologie
DettagliSTATISTICA INFERENZIALE
STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p
DettagliIntroduzione alle relazioni multivariate. Introduzione alle relazioni multivariate
Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliInteresse, sconto, ratei e risconti
TXT HTM PDF pdf P1 P2 P3 P4 293 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 293 129.1.1 Esercizio per il calcolo dell
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliCENNI DI METODI STATISTICI
Corso di Laurea in Ingegneria Aerospaziale CENNI DI METODI STATISTICI Docente: Page 1 Page 2 Page 3 Due eventi si dicono indipendenti quando il verificarsi di uno non influisce sulla probabilità di accadimento
DettagliDISTRIBUZIONI DI VARIABILI CASUALI DISCRETE
DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,
DettagliMisure della dispersione o della variabilità
QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
Dettagli1.5. ISTOGRAMMA 17. Figura 1.3: Istogramma ottenuto mediante campionamento da VA Gaussiana (η x =0, σ 2 X =1).
.5. ISTOGRAMMA 7.5 Istogramma A partire dalle considerazioni svolte nel paragrafo precedente, posto x m = min(x,,x N e x M = max(x,,x N, possiamo ottenere una stima della densità di probabilità p (x suddividendo
DettagliSoluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)
Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005
esercitazione 2 p. 1/12 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione2: 04-03-2005 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliEsame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliStatistica descrittiva
Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di indicatori sintetici che individuano, con un singolo valore, proprieta` statistiche di un campione/popolazione rispetto
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliMatematica finanziaria: svolgimento prova di esame del 21 giugno 2005 (con esercizio 1 corretto)
Matematica finanziaria: svolgimento prova di esame del giugno 5 (con esercizio corretto). [6 punti cleai, 6 punti altri] Si possiede un capitale di e e lo si vuole impiegare per anni. Supponendo che eventuali
DettagliSERIE NUMERICHE. prof. Antonio Greco 6-11-2013
SERIE NUMERICHE prof. Antonio Greco 6--203 Indice Motivazioni........... 3 Definizione........... 3 Errore tipico........... 3 Un osservazione utile...... 3 Condizione necessaria...... 4 Serie armonica.........
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
Dettagli