ZIBALDONE DEL CORSO DI STATISTICA A Di
|
|
- Rosalia Mele
- 6 anni fa
- Visualizzazioni
Transcript
1 ZIBALDONE DEL CORSO DI STATISTICA A Di Mario Romanazzi 1 Argomenti non compresi in Ross, Introductory Statistics 1.1 Definizione di outlier secondo Tukey Il punto di partenza di Tukey è la regola empirica delle aree: per una distribuzione campionaria unimodale e simmetrica, simile alla gaussiana, l intervallo x n ± 3s X contiene approssimativamente il 99.73% dei dati e può essere usato per individuare i dati regolari. Gli outliers sono tutti i dati esterni a tale intervallo. Qui x n e s X indicano media e deviazione standard campionarie, rispettivamente. Il problema di questo semplice criterio è la mancanza di robustezza delle statistiche campionarie utilizzate. Media campionaria e deviazione standard campionaria, infatti, risentono della presenza di outliers. In particolare, la media tende a spostarsi verso l outlier, mascherandolo. Quindi, ogni criterio per il riconoscimento degli outliers fondato su queste due statistiche rischia di mancare il proprio obiettivo. La proposta di Tukey è di ottenere stime robuste degli estremi dell intervallo di regolarità, o barriere, B INF, B SUP utilizzando i quartili campionari. Le espressioni sono: B INF = ˆx (ˆx 0.75 ˆx 0.25 ), B SUP = ˆx (ˆx 0.75 ˆx 0.25 ). Qui ˆx 0.25 e ˆx 0.75 sono le stime campionarie del primo e del terzo quartile. I dati inferiori a B INF o superiori a B SUP sono definiti outliers. Questo criterio è utilizzato, ad esempio, nella costruzione del diagramma scatola-baffi. La costante 3/2 presente nella formula è stata suggerita da Tukey per assicurare all intervallo di regolarità B INF, B SUP una probabilità simile a quella della regola empirica delle aree, in ipotesi di normalità. Non è difficile verificare che l area sottesa ad una curva gaussiana in questo intervallo è 99.30%, circa. 1.2 Legge dei grandi numeri La legge dei grandi numeri descrive il comportamento delle medie campionarie, al crescere della numerosità campionaria. 1
2 1 ARGOMENTI NON COMPRESI IN ROSS, INTRODUCTORY STATISTICS 2 Consideriamo un campione casuale di numerosità n da una variabile X con media µ e deviazione standard finita σ > 0. Date le modalità del campionamento, le variabili campionarie X 1, X 2,, X n a) hanno la stessa distribuzione di probabilità di X e b) sono a due a due stocasticamente indipendenti. Queste condizioni implicano che la media campionaria X n = n i=1 X i/n è una variabile aleatoria con valore atteso E(X n ) = µ e deviazione standard SD(X n ) = σ/ n. La legge dei grandi numeri descrive la probabilità dell evento C n = { X n : X n µ < ɛ } = { X n : µ ɛ < X n < µ + ɛ }, in cui ɛ è una quantità positiva arbitraria. E chiaro che, per ogni n, C n comprende quei valori della media campionaria la cui differenza dalla media µ della popolazione campionata è al più ɛ. La legge dei grandi numeri afferma che la probabilità di tale evento, comunque si scelga ɛ > 0, converge a 1, al divergere di n: lim P { X n : X n µ < ɛ } = 1. (1) Questo risultato è di fondamentale importanza nelle applicazioni statistiche. Esso assicura che, se n, è praticamente certo che la media campionaria si trovi ad una distanza non superiore ad ɛ dalla media della popolazione, per quanto piccolo sia ɛ > 0. Vale la pena osservare che, in virtù del teorema sulla probabilità dell evento complementare, lim P { X n : X n µ ɛ } = 0, (2) cioè, se n, è praticamente impossibile che la discrepanza della media campionaria rispetto alla media della popolazione superi una quantità positiva ɛ, scelta arbitrariamente. Un caso particolare della legge dei grandi numeri è il teorema di Bernoulli, relativo alla frequenza relativa campionaria. Sia A una caratteristica delle unità della popolazione e sia 0 < p A < 1 la corrispondente probabilità. Indichiamo con X A la variabile che descrive la presenza/assenza (o la frequenza assoluta) di A in una osservazione a caso: X A = 1 se osserviamo A, evento con probabilità p A, X A = 0 se osserviamo A C, evento con probabilità 1 p A. Segue facilmente che E(X A ) = p A e SD(X A ) = p A (1 p A ). La frequenza relativa campionaria X n,a è la media campionaria delle variabili X A,1, X A,2,, X A,n ottenute da un campionamento casuale di numerosità n di X A. Essa verifica E(X n,a ) = p A e SD(X n,a ) = p A (1 p A )/n. Valgono tutte le ipotesi della legge dei grandi numeri, pertanto per ogni ɛ > Proprietà degli stimatori lim P { X n,a : X n,a p A < ɛ } = 1. (3) Supponiamo che nella popolazione di riferimento sia osservabile una variabile X la cui distribuzione dipende da un parametro θ incognito. Tale parametro può essere la frequenza
3 1 ARGOMENTI NON COMPRESI IN ROSS, INTRODUCTORY STATISTICS 3 relativa p A di una caratteristica A, la media µ di una variabile numerica, il coefficiente di correlazione lineare ρ di una coppia di variabili numeriche, ecc. Il nostro problema è ottenere una stima di θ sulla base di un campione casuale X 1, X 2,, X n di X. Tale operazione richiede di individuare una statistica campionaria W n = h(x 1, X 2,, X n ), detta stimatore, la cui distribuzione dipende da θ, idonea a fornire le stime richieste. Stimatori frequentemente usati sono la frequenza relativa campionaria, la media campionaria, la varianza campionaria, il coefficiente di correlazione campionario. Gli stimatori, per essere utili, devono possedere alcune proprietà che descrivono, da punti di vista diversi, l errore dello stimatore W n rispetto al parametro θ oggetto di stima. ˆ NON DISTORSIONE O CORRETTEZZA E(W n ) = θ, per ogni n 1. Poichè E(W n ) = θ equivale a E(W n θ) = 0, questa proprietà stabilisce che l errore dello stimatore rispetto al parametro sia privo di componente sistematica. ˆ CONSISTENZA Se W n è non distorto, la misura standard dell errore di campionamento è la deviazione standard SD(W n ) = E(W n θ) 2 = E(W n E(W n )) 2. Nella teoria della stima questa quantità è chiamata errore standard dello stimatore W n ed è indicata con SE(W n ). La consistenza in media quadratica richiede che l errore standard converga a zero quando la numerosità campionaria cresce oltre ogni limite: lim SE(W n) = 0. (4) La consistenza in media quadratica implica una proprietà più debole, ma assai significativa, la consistenza in probabilità. Essa richiede che, per ogni ɛ > 0: lim P {W n : W n θ < ɛ} = 1. (5) Questa proprietà ricorda la legge dei grandi numeri ed ha un interpretazione analoga. ˆ NORMALITA ASINTOTICA Diversamente dalle proprietà precedenti, qui si considera la distribuzione di probabilità, più specificamente, la funzione di ripartizione di W n, per numerosità n abbastanza elevate. Si richiede che tale distribuzione sia ben approssimata da una distribuzione normale, cioè W n AN(θ, SE(W n )). (6) La principale applicazione è l approssimazione della funzione di ripartizione e dei quantili di W n mediante la funzione di ripartizione e i quantili della normale. In particolare, dalla (6) si ricava l intervallo di confidenza asintotico di livello 1 α per il parametro θ w n ± z 1 α/2 ŜE(W n ), (7) in cui z 1 α/2 è il percentile d ordine 1 α/2 della normale standard, w n è la determinazione campionaria di W n e ŜE(W n) è la stima campionaria di SE(W n ).
4 2 ERRATA CORRIGE ROSS, INTRODUZIONE ALLA STATISTICA 4 Esempio 1 Consideriamo l indagine Il fumo in Italia svolta nel 2012 dall Istituto Doxa per conto dell Istituto Superiore di Sanità. La popolazione di riferimento comprende tutti gli italiani adulti (età non inferiore a 15 anni), pari a N = 52.1 milioni di soggetti. La numerosità campionaria è n = 3086 e la stima campionaria della frequenza relativa dei fumatori è x A,n = Qual è la stima della frequenza assoluta dei fumatori? Indichiamo con N A il numero dei fumatori nella popolazione di riferimento e con p A = N A /N la corrispondente frequenza relativa. Evidentemente, N A = Np A. Poichè la frequenza relativa campionaria X A,n è uno stimatore di p A dotato di buone proprietà, l espressione precedente suggerisce di considerare per il parametro θ = N A lo stimatore W n = NX A,n. (8) E chiaro che W n è una semplice funzione lineare della frequenza relativa campionaria X A,n e le sue proprietà si deducono facilmente da quelle di X A,n. In particolare, W n è non distorto. Infatti L errore standard è E(W n ) = E(NX A,n ) = NE(X A,n ) = Np A = N A. (9) SE(W n ) = NSE(X A,n ) = N pa (1 p A ) e converge a zero quando n. Infine, W n è asintoticamente normale essendo una funzione lineare di uno stimatore asintoticamente normale. La stima campionaria del numero di fumatori è w n = Nx A,n = milioni. La stima dell errore standard è ŜE(W n) = N x A,n (1 x A,n )/n = milioni. L intervallo di confidenza di livello 0.95 per N A è ± = (10.090, ). 2 Errata Corrige Ross, Introduzione alla Statistica ˆ Es. 11, C La probabilità di pioggia è 0.4, non 0.5. ˆ Es. 19 (c), C. 5, riepilogo. La domanda va intesa così. Qual è la probabilità che effettui almeno 1 vendita in ciascuno dei prossimi 3 mesi? ˆ Teorema centrale del limite, C L enunciato si deve intendere... e deviazione standard σ n. La deviazione standard riportata (σ/ n)è quella della media campionaria, non della somma. ˆ Livello di significatività osservato, C. 9.3, p Partendo dalla riga 9 ( dal basso) si deve leggere:... H 0 viene rifiutata se il valore p è minore o uguale al livello di significatività α,... ˆ Es. 10 (d), C. 7, riepilogo. Il suggerimento va letto come segue: ricorda che la somma di variabili aleatorie normali indipendenti è anch essa normale. n (10)
5 3 ESERCIZI SVOLTI DA ROSS, INTRODUZIONE ALLA STATISTICA 5 3 Esercizi svolti da Ross, Introduzione alla Statistica 3.1 Capitolo 4 ˆ Es. 3, C a) Ci sono due scenari da considerare separatamente. Il primo è che il sospetto sia colpevole (evento SC): subordinatamente a tale evento, è certo che il sospetto sia mancino, cioè P (M SC) = 1 (M indica l evento il sospetto è mancino). Il secondo è che il sospetto non sia colpevole (evento SNC, complementare di SC): subordinatamente a tale evento, la probabilità che il sospetto sia mancino è la probabilità che un individuo scelto a caso dalla popolazione sia mancino, cioè In altre parole, P (M SNC) = Infine, usando la probabilità totale P (M) = P (M SC)P (SC) + P (M SNC)P (SNC) = = b) Dobbiamo trovare P (SC M). Usando il teorema di Bayes e i risultati di a) P (SC M) = P (M SC) P (M) = P (M SC)P (SC) P (M) = Capitolo 5 ˆ Es. 7, C Lanciamo due dadi regolari e indichiamo con X 1, X 2 le v. a. che descrivono i rispettivi risultati. E chiaro che esse sono stocasticamente indipendenti e quindi (teorema di fattorizzazione) P (X 1 = i X 2 = j) = P (X 1 = i)p (X 2 = j) = 1/36 per ogni coppia (i, j), con i = 1,..., 6 e j = 1,..., 6. E utile visualizzare le coppie della distribuzione congiunta mediante la tabella 6 6 le cui righe corrispondono alle possibili determinazioni di X 1 e le cui colonne corrispondono alle possibili determinazioni di X 2 (Tab. 1). X 1 X (1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6) 2 (2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6) 3 (3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6) 4 (4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6) 5 (5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6) 6 (6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6) Tabella 1: Le coppie di (X 1, X 2 ). Dobbiamo determinare i valori attesi delle due trasformazioni Y = min{x 1, X 2 }, Z = max{x 1, X 2 }. Il significato delle due trasformazioni è il seguente. Per ognuna delle 36 coppie della tabella dobbiamo trovare il minimo ed il massimo. Ad esempio, per la coppia (6, 2) il minimo è 2 ed il massimo è 6. Per le coppie sulla diagonale, il
6 3 ESERCIZI SVOLTI DA ROSS, INTRODUZIONE ALLA STATISTICA 6 minimo coincide col massimo. Pertanto, le determinazioni di Y e Z sono i valori da 1 a 6. Quali sono le rispettive probabilità? Un metodo è di considerare tutte le 36 coppie determinando minimo e massimo. Un metodo grafico più semplice è basato sul seguente ragionamento. Consideriamo dapprima il minimo, Y. E evidente che per tutte le coppie sulla prima riga o sulla prima colonna (11 coppie in totale) il minimo è 1. Ancora, per tutte le coppie sulla seconda riga o sulla seconda colonna non precedentemente considerate (9 coppie in totale) il minimo è 2. Completando l analisi per il resto della tabella otteniamo facilmente la distribuzione di probabilità di Y (Tab. 2). Un ragionamento simile ci fornisce la distribuzione di probabilità di Z (Tab. 3). Per tutte le coppie sull ultima riga o sull ultima colonna (11 coppie in totale) il massimo è 6. Per tutte le coppie sulla penultima riga o sulla penultima colonna non precedentemente considerate (9 coppie in totale) il massimo è 5, ecc.. Y P Y 11/36 9/36 7/36 5/36 3/36 1/36 Tabella 2: Distribuzione di probabilitè di Y = min{x 1, X 2 }. Z P Z 1/36 3/36 5/36 7/36 9/36 11/36 Tabella 3: Distribuzione di probabilitè di Z = max{x 1, X 2 }. E ora facile ricavare i valori attesi. Otteniamo E(Y ) = 91/ , E(Z) = 161/ Capitolo 7 ˆ Es. 2, C Abbiamo una popolazione dicotomica, con A : batteria difettosa e p A = 0.1. Posto n = 8, indichiamo con T 8,A e X 8,A = T 8,A /8 la frequenza assoluta e relativa, nel campione, delle batterie difettose. Sotto l ipotesi di campionamento con reinserimento, T 8,A Bi(n = 8, p A = 0.1. (a). P (T 8,A = 0) = (b) P (X 8,A > 0.15) = P (T 8,A > 1.2) = P (T 8,A 2) = 1 P (T 8,A 1) (c) P (0.08 X 8,A 0.12) = P (0.64 T 8,A 0.96) = 0. ˆ Es. 3, C La situazione è la stessa dell esercizio precedente, salvo la numerosità campionaria ora pari a n = 50. Per probabilità approssimate si intendono quelle ottenute mediante l approssimazione normale. Poichè p A = 0.1 è lontano da 0.5, la distribuzione binomiale è asimmetrica e l accuratezza dell approssimazione non è altissima. (a) P (T 50,A = 0) = P ( 0.5 N(5; 4.5 1/2 ) 0.5) = (valore esatto = ). (b) P (X 50,A > 0.15) = P (T 50,A > 7.5) = P (T 50,A 8) P (N(5; 4.5 1/2 ) 7.5) = (valore esatto ). (c) P (0.08 X 50,A 0.12) = P (4 T 50,A 6) P (3.5 N(5; 4.5 1/2 ) 6.5) =
7 3 ESERCIZI SVOLTI DA ROSS, INTRODUZIONE ALLA STATISTICA 7 (valore esatto ). Nell approssimazione normale viene usata la correzione di continuità. ˆ Es. 1, C. 7, riepilogo. I valori 517 e 120 vanno interpretati come i parametri µ (media) e σ (deviazione standard) della popolazione da cui si preleva il campione di 144 studenti. Vista la numerosità elevata, assumiamo X 144 AN(517, 10). Ora, indicando con Z la normale standard, P (X 144 > 507) P (Z > 1) = , P (X 144 > 517) P (Z > 0) = 0.5, P (X 144 > 537) P (Z > 2) = , P (X 144 > 550) P (Z > 3.3) = ˆ Es. 2, C. 7, riepilogo. Abbiamo una v. a. X, discreta, che assume i valori 1, 2, 3, 4 con probabilità rispettivamente uguali a 0.1, 0.2, 0.3, 0.4. Il valore atteso µ e la deviazione standard σ di X sono 4 µ = E(X) = x i P (X = x i ) = 1(0.1) + 2(0.2) + 3(0.3) + 4(0.4) = 3, E(X 2 ) = i=1 4 x 2 i P (X = x i ) = 1 2 (0.1) (0.2) (0.3) (0.4) = 10, i=1 V ar(x) = E(X 2 ) (E(X)) 2 = 10 9 = 1, σ = V ar(x) = 1. Dobbiamo ricavare valore atteso e deviazione standard della media campionaria X 10 di un campione casuale di n = 10 valori di X. Sappiamo che (teorema base sulla media campionaria) a) il valore atteso della media campionaria coincide con quello della popolazione (o v. a.) campionata, b) la varianza della media campionaria si ottiene dividendo la varianza della popolazione per la numerosità campionaria. Pertanto E(X 10 ) = E(X) = µ = 3, V ar(x 10 ) = V ar(x) 10 = σ2 10 = 1 10, SD(X 10 ) = SD(X) 10 = σ 10 = 1 10.
8 3 ESERCIZI SVOLTI DA ROSS, INTRODUZIONE ALLA STATISTICA 8 ˆ Es. 16, C. 7, riepilogo. Indichiamo con X il voto ottenuto da uno studente. In base alle ipotesi, X ha la stessa distribuzione nelle due classi, non necessariamente normale, e E(X) = 77, SD(X) = 15. a) In base al TLC, il voto medio della classe A, indicato con X A, è approssimativamente normale con parametri E(X A ) = E(X) = 77, SD(X A ) = SD(X)/ 25 = 3. Si ricava P (72 < X A < 82) b) Come a), salvo che la numerosità è 64 e quindi ci aspettiamo una probabilità maggiore. Il risultato è c) Osserviamo che l evento X A > X B è equivalente all evento X A X B > 0. Inoltre, usando ancora il TLC, la variabile aleatoria Y = X A X B è la differenza di due normali che possiamo assumere stocasticamente indipendenti, dunque è anch essa (approssimativamente) normale, con valore atteso zero. Perciò la probabilità richiesta è 0.5 (evidentemente non serve calcolare la deviazione standard). d) Le due medie campionarie, X A, X B hanno lo stesso valore atteso, 77, ma diversa deviazione standard, SD(X A ) > SD(X A ). Siccome il voto 83 è più lontano dal centro di 76, ha una maggiore (densità di) probabilità nella classe A che non nella classe B. Si controlla che la densità di probabilità di 83 rispetto a X A è , mentre la densità di probabilità di 83 rispetto a X B è
Dispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
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
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
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
DettagliCalcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale a.a. 2016/17
Calcolo delle Probabilità e Statistica, Ingegneria Civile e A&T e Informatica I prova finale aa 6/ Punteggi: : 3 + 6; : + + + ; 3: + Una scatola contiene monete; 8 di queste sono equilibrate, mentre le
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
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
DettagliMetodi Matematici Probabilità e Statistica. Correzione Compitino del
Metodi Matematici Probabilità e Statistica Correzione Compitino del.4.04 nota: Una sola risposta è esatta. 4 punti per una risposta esatta, -2 per una sbagliata, 0 per una non data. Gli esercizi sono divisi
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La v.c. Uniforme Continua Secondo alcuni sondaggi sul sito della Apple (technical support site,
DettagliSommario. 2 I grafici Il sistema di coordinate cartesiane Gli istogrammi I diagrammi a torta...51
Sommario 1 I dati...15 1.1 Classificazione delle rilevazioni...17 1.1.1 Esperimenti ripetibili (controllabili)...17 1.1.2 Rilevazioni su fenomeni non ripetibili...18 1.1.3 Censimenti...19 1.1.4 Campioni...19
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 giugno 26 Statistica Esercizio Sia {X n } n una famiglia di v.a. di media µ e varianza σ 2. Verificare che X = n n X i σ 2 = n (X i µ) 2 S 2 = n
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
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
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
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.
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliEsame di Statistica (10 o 12 CFU) CLEF 11 febbraio 2016
Esame di Statistica 0 o CFU) CLEF febbraio 06 Esercizio Si considerino i seguenti dati, relativi a 00 clienti di una banca a cui è stato concesso un prestito, classificati per età e per esito dell operazione
DettagliSTATISTICA (2) ESERCITAZIONE 2. Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 2 5.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. La v.c. Normale: uso delle tavole E noto che un certo tipo di dati si distribuiscono secondo una gaussiana di media 10
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
DettagliAlcune v.a. discrete notevoli
Alcune v.a. discrete notevoli Variabile aleatoria Bernoulliana Il risultato X di un esperimento aleatorio può essere classificato nel modo che segue: successo oppure insuccesso. Indichiamo: Successo =
DettagliTipi di variabili. Indici di tendenza centrale e di dispersione
Tipi di variabili. Indici di tendenza centrale e di dispersione L. Boni Variabile casuale In teoria della probabilità, una variabile casuale (o variabile aleatoria o variabile stocastica o random variable)
DettagliPROBABILITÀ ELEMENTARE
Prefazione alla seconda edizione XI Capitolo 1 PROBABILITÀ ELEMENTARE 1 Esperimenti casuali 1 Spazi dei campioni 1 Eventi 2 Il concetto di probabilità 3 Gli assiomi della probabilità 3 Alcuni importanti
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
Dettagliesperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno dei possibili esiti di un esperimento casuale;
Capitolo 15 Suggerimenti agli esercizi a cura di Elena Siletti Esercizio 15.1: Suggerimento Si ricordi che: esperimento casuale: è un esperimento condotto sotto l effetto del caso; evento elementare: ciascuno
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
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
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
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliStatistica. Capitolo 6. Variabili Aleatorie Continue e Distribuzioni di Probabilità. Cap. 6-1
Statistica Capitolo 6 Variabili Aleatorie Continue e Distribuzioni di Probabilità Cap. 6-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare la differenza tra una variabile
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
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
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
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
DettagliProva Pratica di Statistica I+II - Prof. M. Romanazzi
1 Università di Venezia - Corso di Statistica I + II (Cb-Ga) Prova Pratica di Statistica I+II - Prof. M. Romanazzi 3 Giugno 2008 Cognome e Nome............................................ N. Matricola............
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
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
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliTest per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 2 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile Uniforme Continua Data una scheda telefonica da 5 euro di cui non si sa se sia
DettagliESAME. 9 Gennaio 2017 COMPITO B
ESAME 9 Gennaio 2017 COMPITO B Cognome Nome Numero di matricola 1) Approssimare tutti i calcoli alla quarta cifra decimale. 2) Ai fini della valutazione si terrà conto solo ed esclusivamente di quanto
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
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 25 luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
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
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
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
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
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
DettagliEsame di AM2 & EAP (270/04) a.a. 2009/10
Quarto appello del 16 Luglio 2010 1. Un urna contiene delle palline numerate e distribuite in seguente maniera: Vengono estratte due palline senza rimpiazzo e siano X e Y rispettivamente il numero della
DettagliSommario. Capitolo 1 I dati e la statistica 1. Capitolo 2 Statistica descrittiva: tabelle e rappresentazioni grafiche 25
Sommario Presentazione dell edizione italiana Prefazione xv xiii Capitolo 1 I dati e la statistica 1 Statistica in pratica: BusinessWeek 1 1.1 Le applicazioni in ambito aziendale ed economico 3 Contabilità
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliStatistica Descrittiva Soluzioni 6. Indici di variabilità, asimmetria e curtosi
ISTITUZIONI DI STATISTICA A A 2007/2008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. I Esonero - 29 Ottobre Tot.
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 I Esonero - 29 Ottobre 2013 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.1 I principali test statistici per la verifica di ipotesi: Il test t Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliC.I. di Metodologia clinica
C.I. di Metodologia clinica Modulo 5. I metodi per la sintesi e la comunicazione delle informazioni sulla salute Quali errori influenzano le stime? L errore casuale I metodi per la produzione delle informazioni
DettagliPROBABILITÀ SCHEDA N. 7 LA VARIABILE ALEATORIA NORMALE
Matematica e statistica: dai dati ai modelli alle scelte wwwdimaunige/pls_statistica Responsabili scientifici MP Rogantin e E Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ SCHEDA
DettagliTEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE
TEST DI AUTOVALUTAZIONE APPROSSIMAZIONE NORMALE I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Metodi statistici per la biologia Parte A. Sia X, X,...
DettagliEsercizi su variabili aleatorie discrete
Esercizi su variabili aleatorie discrete Esercizio 1. Data la variabile aleatoria discreta X, caratterizzata dalla seguente rappresentazione nello spazio degli stati: 1 0,25 X = { 0 0,50 1 0,25 calcolare
DettagliElementi di base su modello binomiale e modello normale
Elementi di base su modello binomiale e modello normale (alcune note) Parte 1: il modello binomiale Di fondamentale importanza nell analisi della qualità sono i modelli. I due principali modelli statistico-probablistici
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
DettagliAnalisi della varianza: I contrasti e il metodo di Bonferroni
Analisi della varianza: I contrasti e il metodo di Bonferroni 1 Contrasti In molti problemi risulta importante stabilire, nel caso venga rifiutata l ipotesi nulla, di uguaglianza delle medie µ j delle
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
DettagliModelli probabilistici variabili casuali
Modelli probabilistici variabili casuali Le variabili casuali costituiscono il legame tra il calcolo della probabilità e gli strumenti di statistica descrittiva visti fino ad ora. Idea: pensiamo al ripetersi
DettagliVariabili casuali. - di Massimo Cristallo -
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 16 e 27 maggio 2013 - di Massimo Cristallo - Variabili casuali
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it Richiami sulla regressione Marco Riani, Univ. di Parma 1 MODELLO DI REGRESSIONE y i = a + bx i + e i dove: i = 1,, n a + bx i rappresenta
DettagliApprossimazione normale alla distribuzione binomiale
Approssimazione normale alla distribuzione binomiale P b (X r) costoso P b (X r) P(X r) per N grande Teorema: Se la variabile casuale X ha una distribuzione binomiale con parametri N e p, allora, per N
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliSOLUZIONI ESERCITAZIONE NR. 8 Test statistici
SOLUZIONI ESERCITAZIONE NR. 8 Test statistici ESERCIZIO nr. 1 Un campione casuale di dieci pazienti di sesso maschile in cura per comportamenti aggressivi nell ambito del contesto familiare è stato classificato
DettagliSTATISTICA (2) ESERCITAZIONE Dott.ssa Antonella Costanzo
STATISTICA (2) ESERCITAZIONE 7 11.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Test di indipendenza tra mutabili In un indagine vengono rilevate le informazioni su settore produttivo (Y) e genere (X)
DettagliVariabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
DettagliEsercizi svolti di statistica. Gianpaolo Gabutti
Esercizi svolti di statistica Gianpaolo Gabutti (gabuttig@hotmail.com) 1 Introduzione Questo breve documento contiene lo svolgimento di alcuni esercizi di statistica da me svolti durante la preparazione
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali LABORATORIO R - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, Gennaio 2014 Argomenti La distribuzione normale e applicazioni La distribuzione binomiale
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
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
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
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
Dettaglib) E necessario formulare delle ipotesi per calcolare l intervallo di confidenza ottenuto al punto a? (motivare brevemente la risposta):
ESERCIZIO 1 Una grande banca vuole stimare l ammontare medio di denaro che deve essere corrisposto dai correntisti che hanno il conto scoperto. Si seleziona un campione di 100 clienti su cui si osserva
DettagliMISURE DI SINTESI 54
MISURE DI SINTESI 54 MISURE DESCRITTIVE DI SINTESI 1. MISURE DI TENDENZA CENTRALE 2. MISURE DI VARIABILITÀ 30 0 µ Le due distribuzioni hanno uguale tendenza centrale, ma diversa variabilità. 30 0 Le due
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
DettagliStatistica. Capitolo 12. Regressione Lineare Semplice. Cap. 12-1
Statistica Capitolo 1 Regressione Lineare Semplice Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Spiegare il significato del coefficiente di correlazione lineare
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
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
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 8 Abbiamo visto: Metodi per la determinazione di uno stimatore Metodo di massima verosimiglianza
Dettagli