Introduzione all Inferenza Statistica

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Introduzione all Inferenza Statistica"

Transcript

1 Introduzione all Inferenza Statistica Fabrizio Cipollini Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) G. Parenti Università di Firenze Firenze, 3 Febbraio 2015

2 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

3 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

4 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

5 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

6 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

7 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

8 Introduzione Casi di studio Velocità della luce Nel 1880, Simon Newcomb la valuta in base al tempo che la luce impiega per fare 7400m. Qual è il suo valore? Campione di 66 misure. Default nel mondo del credito Una società finanziaria presta denaro a un cliente (prestito personale). Qual è la probabilità che il cliente vada in default (cioè non ripaghi il prestito)? Campione di 5756 casi. Cipollini 2/21 Firenze 2015

9 Velocità della luce Situazione pratica Variabile: misura della velocità della luce X Dati: n = 66 misurazioni espresse in km/s, (x 1 = , x 2 = ,..., x 66 = ) Obiettivo: stimare la velocità della luce. Cipollini 3/21 Firenze 2015

10 Velocità della luce Situazione pratica Variabile: misura della velocità della luce X Dati: n = 66 misurazioni espresse in km/s, (x 1 = , x 2 = ,..., x 66 = ) Obiettivo: stimare la velocità della luce. Cipollini 3/21 Firenze 2015

11 Velocità della luce Situazione pratica Variabile: misura della velocità della luce X Dati: n = 66 misurazioni espresse in km/s, (x 1 = , x 2 = ,..., x 66 = ) = x Obiettivo: stimare la velocità della luce. Cipollini 3/21 Firenze 2015

12 Velocità della luce Situazione pratica Variabile: misura della velocità della luce X Dati: n = 66 misurazioni espresse in km/s, (x 1 = , x 2 = ,..., x 66 = ) = x Obiettivo: stimare la velocità della luce. Cipollini 3/21 Firenze 2015

13 Velocità della luce Statistica esplorativa Data cleaning: due valori negativi eliminare. Calcolo di statistiche descrittive: n min max mean median sd Grafici (istogrammi): Cipollini 4/21 Firenze 2015

14 Velocità della luce Statistica esplorativa Data cleaning: due valori negativi eliminare. Calcolo di statistiche descrittive: n min max mean median sd Grafici (istogrammi): Cipollini 4/21 Firenze 2015

15 Velocità della luce Statistica esplorativa Data cleaning: due valori negativi eliminare. Calcolo di statistiche descrittive: n min max mean median sd Grafici (istogrammi): (a) Misurazione (b) ln(misurazione) Cipollini 4/21 Firenze 2015

16 Velocità della luce Statistica esplorativa Data cleaning: due valori negativi eliminare. Calcolo di statistiche descrittive: n min max mean median sd Grafici (istogrammi): (a) Misurazione (b) ln(misurazione) Cipollini 4/21 Firenze 2015

17 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, X ( ) µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

18 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, X ( ) µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

19 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, X ( ) µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

20 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, X ( ) µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

21 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, X ( ) µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

22 Velocità della luce Dall esplorazione all inferenza Ogni misura può dare un valore diverso. X = misura della velocità della luce è una variabile casuale. Ragionevole pensare che X si distribuisca intorno ad una media µ con una certa standard deviation σ, ( ) X N µ, σ µ = velocità della luce (se l esperimento è ben progettato!) σ = grado di imprecisione dell esperimento Media e sd di X, non del campione! Potremmo anche assumere che X abbia una distribuzione Normale (vedi grafico). Cipollini 5/21 Firenze 2015

23 Inferenza statistica Gli ingredienti dell inferenza X Variabile casuale: X = misura della velocità della luce Modello per X: meccanismo aleatorio che genera le osservazioni. Nel caso in esame (µ, σ) Parametri: µ parametro d interesse; σ parametro di disturbo. Si fa inferenza sui parametri. Campione: x, fatto da n osservazioni (x 1,..., x n ). È l informazione per fare inferenza sui parametri. Cipollini 6/21 Firenze 2015

24 Inferenza statistica Gli ingredienti dell inferenza X (µ, σ) Variabile casuale: X = misura della velocità della luce Modello per X: meccanismo aleatorio che genera le osservazioni. Nel caso in esame (µ, σ) Parametri: µ parametro d interesse; σ parametro di disturbo. Si fa inferenza sui parametri. Campione: x, fatto da n osservazioni (x 1,..., x n ). È l informazione per fare inferenza sui parametri. Cipollini 6/21 Firenze 2015

25 Inferenza statistica Gli ingredienti dell inferenza X N(µ, σ) Variabile casuale: X = misura della velocità della luce Modello per X: meccanismo aleatorio che genera le osservazioni. Nel caso in esame (µ, σ) oppure N(µ, σ). Parametri: µ parametro d interesse; σ parametro di disturbo. Si fa inferenza sui parametri. Campione: x, fatto da n osservazioni (x 1,..., x n ). È l informazione per fare inferenza sui parametri. Cipollini 6/21 Firenze 2015

26 Inferenza statistica Gli ingredienti dell inferenza X ( µ, σ ) Variabile casuale: X = misura della velocità della luce Modello per X: meccanismo aleatorio che genera le osservazioni. Nel caso in esame (µ, σ) oppure N(µ, σ). Parametri: µ parametro d interesse; σ parametro di disturbo. Si fa inferenza sui parametri. Campione: x, fatto da n osservazioni (x 1,..., x n ). È l informazione per fare inferenza sui parametri. Cipollini 6/21 Firenze 2015

27 Inferenza statistica Gli ingredienti dell inferenza X (µ, σ) Variabile casuale: X = misura della velocità della luce Modello per X: meccanismo aleatorio che genera le osservazioni. Nel caso in esame (µ, σ) oppure N(µ, σ). Parametri: µ parametro d interesse; σ parametro di disturbo. Si fa inferenza sui parametri. Campione: x, fatto da n osservazioni (x 1,..., x n ). È l informazione per fare inferenza sui parametri. Cipollini 6/21 Firenze 2015

28 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

29 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

30 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

31 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

32 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

33 Inferenza statistica Tipi di inferenza Stima puntuale: Uso x per (cercare di) indovinare il vero valore del parametro Es: Cerco di indovinare µ (velocità della luce). Stima per intervallo: Uso x per ricavare un intervallo che, con alta probabilità, include il vero valore del parametro Es: Calcolo l intervallo che, col 95% di probabilità, include µ (velocità della luce). Test delle ipotesi: Uso x per accettare/rifiutare un ipotesi su valore del parametro (entro un certo margine di incertezza) Es: Confermo o respingo una certa ipotesi sul valore di µ (velocità della luce) fatta precedente da un altro studioso. Cipollini 7/21 Firenze 2015

34 Stima puntuale Statistica Un parametro è una quantità scalare; il campione x è fatto da tante osservazioni sintesi. Ogni sintesi di x è chiamata statistica. Es: min, max, media, mediana, sd, etc. Cipollini 8/21 Firenze 2015

35 Stima puntuale Statistica Un parametro è una quantità scalare; il campione x è fatto da tante osservazioni sintesi. Ogni sintesi di x è chiamata statistica. Es: min, max, media, mediana, sd, etc. Cipollini 8/21 Firenze 2015

36 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

37 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

38 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

39 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

40 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

41 Stima puntuale Azione (... ) è ragionevole ritenere che x = media(x) sia una buona statistica per stimare µ (la media di X). Dal campione a disposizione (vedi statistiche descrittive) µ = x = km/s. Commento (nel 2015): Sottostima dell 8.5%. (... ) è ragionevole ritenere che s = sd(x) sia una buona statistica per stimare σ (la sd di X). Dal campione a disposizione (vedi statistiche descrittive) σ = s = km/s. Commento: σ/ µ 20% dà un idea del grado di imprecisione (come errore relativo) dell esperimento. Cipollini 9/21 Firenze 2015

42 Stima puntuale Commenti L inferenza è affetta da errore. Se si cambia il campione si ottengono stime diverse. Se si cambia statistica (esempio si usa mediana(x) per stimare µ) si ottengono stime diverse. Meglio la media, la mediana o un altra statistica? Come valutare il grado di incertezza/imprecisione della stima effettuata a prescindere dal vero valore del parametro (che di solito non si conosce)? Cipollini 10/21 Firenze 2015

43 Stima puntuale Commenti L inferenza è affetta da errore. Se si cambia il campione si ottengono stime diverse. Se si cambia statistica (esempio si usa mediana(x) per stimare µ) si ottengono stime diverse. Meglio la media, la mediana o un altra statistica? Come valutare il grado di incertezza/imprecisione della stima effettuata a prescindere dal vero valore del parametro (che di solito non si conosce)? Cipollini 10/21 Firenze 2015

44 Stima puntuale Commenti L inferenza è affetta da errore. Se si cambia il campione si ottengono stime diverse. Se si cambia statistica (esempio si usa mediana(x) per stimare µ) si ottengono stime diverse. Meglio la media, la mediana o un altra statistica? Come valutare il grado di incertezza/imprecisione della stima effettuata a prescindere dal vero valore del parametro (che di solito non si conosce)? Cipollini 10/21 Firenze 2015

45 Stima puntuale Commenti L inferenza è affetta da errore. Se si cambia il campione si ottengono stime diverse. Se si cambia statistica (esempio si usa mediana(x) per stimare µ) si ottengono stime diverse. Meglio la media, la mediana o un altra statistica? Come valutare il grado di incertezza/imprecisione della stima effettuata a prescindere dal vero valore del parametro (che di solito non si conosce)? Cipollini 10/21 Firenze 2015

46 Stima puntuale Commenti L inferenza è affetta da errore. Se si cambia il campione si ottengono stime diverse. Se si cambia statistica (esempio si usa mediana(x) per stimare µ) si ottengono stime diverse. Meglio la media, la mediana o un altra statistica? Come valutare il grado di incertezza/imprecisione della stima effettuata a prescindere dal vero valore del parametro (che di solito non si conosce)? distribuzione campionaria Cipollini 10/21 Firenze 2015

47 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

48 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

49 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

50 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

51 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

52 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

53 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

54 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

55 Distribuzione campionaria Distribuzione campionaria di una statistica Definizione: Distribuzione della statistica considerando tutti i possibili campioni Capire il concetto (procedimento costruttivo): 1. Prendo una scatola, metto dentro tanti bigliettini numerati (es. 200) secondo la distribuzione di X che preferisco (es. N(µ = 5, σ = 8)). 2. Fisso la dimensione del campione (es. n = 10) 3. Prendo il primo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 7.91). 4. Prendo il secondo campione (con rimbussolamento), ne calcolo la statistica, segno il risultato (es. x = 3.72). 5. Continuo finché non mi stanco (non troppo presto!). 6. Faccio l istogramma... et voilà: quella è (una buonissima approssimazione del-) la distribuzione campionaria. 7. Potrei fare tutto con un calcolatore (numeri casuali). Cipollini 11/21 Firenze 2015

56 Distribuzione campionaria Esempi (a) X per X N(5, 8) (b) Mediana per X N(5, 8) Cipollini 12/21 Firenze 2015

57 Distribuzione campionaria Esempi (a) X 10 per X N(5, 8) (b) X 20 per X N(5, 8) Cipollini 12/21 Firenze 2015

58 Distribuzione campionaria Esempi (a) S 2 per X N(5, 8) (b) X per X Be(p = 0.75) Cipollini 12/21 Firenze 2015

59 Distribuzione campionaria Perchè è utile Indica la forma della distribuzione della statistica. Posizione (è centrata sul vero valore del parametro?) e variabilità (meno è, meglio è) della distribuzione della statistica. Comparando la distribuzione campionaria di statistiche diverse posso capire qual è migliore. Indispensabile per valutare l incertezza associata alla stima effettuata: standard error = stima della sd della statistica Indispensabile per stima per intervallo e test delle ipotesi. Cipollini 13/21 Firenze 2015

60 Distribuzione campionaria Perchè è utile Indica la forma della distribuzione della statistica. Posizione (è centrata sul vero valore del parametro?) e variabilità (meno è, meglio è) della distribuzione della statistica. Comparando la distribuzione campionaria di statistiche diverse posso capire qual è migliore. Indispensabile per valutare l incertezza associata alla stima effettuata: standard error = stima della sd della statistica Indispensabile per stima per intervallo e test delle ipotesi. Cipollini 13/21 Firenze 2015

61 Distribuzione campionaria Perchè è utile Indica la forma della distribuzione della statistica. Posizione (è centrata sul vero valore del parametro?) e variabilità (meno è, meglio è) della distribuzione della statistica. Comparando la distribuzione campionaria di statistiche diverse posso capire qual è migliore. Indispensabile per valutare l incertezza associata alla stima effettuata: standard error = stima della sd della statistica Indispensabile per stima per intervallo e test delle ipotesi. Cipollini 13/21 Firenze 2015

62 Distribuzione campionaria Perchè è utile Indica la forma della distribuzione della statistica. Posizione (è centrata sul vero valore del parametro?) e variabilità (meno è, meglio è) della distribuzione della statistica. Comparando la distribuzione campionaria di statistiche diverse posso capire qual è migliore. Indispensabile per valutare l incertezza associata alla stima effettuata: standard error = stima della sd della statistica Indispensabile per stima per intervallo e test delle ipotesi. Cipollini 13/21 Firenze 2015

63 Distribuzione campionaria Perchè è utile Indica la forma della distribuzione della statistica. Posizione (è centrata sul vero valore del parametro?) e variabilità (meno è, meglio è) della distribuzione della statistica. Comparando la distribuzione campionaria di statistiche diverse posso capire qual è migliore. Indispensabile per valutare l incertezza associata alla stima effettuata: standard error = stima della sd della statistica Indispensabile per stima per intervallo e test delle ipotesi. Cipollini 13/21 Firenze 2015

64 Distribuzione campionaria Come si ricava Analiticamente in modo esatto, valido per n qualsiasi (pochi casi fortunati) Analiticamente in modo approssimato, valido per n + (quasi sempre; approccio molto generale) Numericamente, mediante simulazione al computer Esempio: Distribuzione campionaria di X X per X N( , 55000) Cipollini 14/21 Firenze 2015

65 Distribuzione campionaria Come si ricava Analiticamente in modo esatto, valido per n qualsiasi (pochi casi fortunati) Analiticamente in modo approssimato, valido per n + (quasi sempre; approccio molto generale) Numericamente, mediante simulazione al computer Esempio: Distribuzione campionaria di X X per X N( , 55000) Cipollini 14/21 Firenze 2015

66 Distribuzione campionaria Come si ricava Analiticamente in modo esatto, valido per n qualsiasi (pochi casi fortunati) Analiticamente in modo approssimato, valido per n + (quasi sempre; approccio molto generale) Numericamente, mediante simulazione al computer Esempio: Distribuzione campionaria di X X per X N( , 55000) Cipollini 14/21 Firenze 2015

67 Distribuzione campionaria Come si ricava Analiticamente in modo esatto, valido per n qualsiasi (pochi casi fortunati) Analiticamente in modo approssimato, valido per n + (quasi sempre; approccio molto generale) Numericamente, mediante simulazione al computer Esempio: Distribuzione campionaria di X X per X N( , 55000) Cipollini 14/21 Firenze 2015

68 Distribuzione campionaria Si dimostra che Distribuzione campionaria di X X N ( ) σ n grande µ, N (µ, se = σ ) n n La distribuzione di X è: esatta se ; approssimata (valida per n grande ) se ; per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

69 Distribuzione campionaria Si dimostra che Distribuzione campionaria di X X N ( ) σ n grande µ, N (µ, se = σ ) n n La distribuzione di X è: esatta se ; approssimata (valida per n grande ) se ; per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

70 Distribuzione campionaria Si dimostra che X N Distribuzione campionaria di X ( ) σ n grande µ, N (µ, se = σ ) n n La distribuzione di X è: esatta se X N(µ, σ) ; approssimata (valida per n grande ) se ; per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

71 Distribuzione campionaria Si dimostra che X N Distribuzione campionaria di X ( ) σ n grande µ, N (µ, se = σ ) n n La distribuzione di X è: esatta se X N(µ, σ); approssimata (valida per n grande ) se X (µ, σ) ; per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

72 Distribuzione campionaria Distribuzione campionaria di X Si dimostra che X N ( ) σ n grande µ, n N (µ, se = n σ ) La distribuzione di X è: esatta se X N(µ, σ); approssimata (valida per n grande ) se X (µ, σ); per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

73 Distribuzione campionaria Si dimostra che Distribuzione campionaria di X ( ) ( σ n grande X N µ, N µ, se = σ ) n n La distribuzione di X è: esatta se X N(µ, σ); approssimata (valida per n grande ) se X (µ, σ); per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

74 Distribuzione campionaria Distribuzione campionaria di X Si dimostra che ( X N µ, ) ) σ n grande, N (µ, se = n σ n La distribuzione di X è: esatta se X N(µ, σ); approssimata (valida per n grande ) se X (µ, σ); per n grande non cambia se si usa σ (linea rossa nel grafico) al posto di σ (linea blu nel grafico). La distribuzione di X è centrata su µ. La sua sd e la sua stima (lo standard error ) vanno a zero per n. Cipollini 15/21 Firenze 2015

75 Stima per intervallo Stima per intervallo Poiché X N (µ, se = n σ ), in base alle caratteristiche della normale, si ha ( 95% = P 1.96 X µ 1.96 se = P ( X 1.96 se µ X se ) La corrispondente stima per intervallo (al 95%) è [x 1.96 se, x se] = [ , ] Commento (nel 2015): Non include il vero valore di µ ( km/s). Verosimilmente, l esperimento non era ben progettato. ) Cipollini 16/21 Firenze 2015

76 Stima per intervallo Stima per intervallo Poiché X N (µ, se = n σ ), in base alle caratteristiche della normale, si ha ( 95% = P 1.96 X µ 1.96 se = P ( X 1.96 se µ X se ) La corrispondente stima per intervallo (al 95%) è [x 1.96 se, x se] = [ , ] Commento (nel 2015): Non include il vero valore di µ ( km/s). Verosimilmente, l esperimento non era ben progettato. ) Cipollini 16/21 Firenze 2015

77 Default nel mondo del credito Situazione pratica Variabile: X = cliente finanziato è andato in default? Dati: n = 5756 casi di clienti precedentemente finanziati, x = (x 1 = No, x 2 = No, x 3 = Sì, x 4 = No,..., x 5756 = No) x include 278 Sì e 5478 No. Obiettivo: stimare la probabilità che un cliente vada in default. Cipollini 17/21 Firenze 2015

78 Default nel mondo del credito Situazione pratica Variabile: X = cliente finanziato è andato in default? Dati: n = 5756 casi di clienti precedentemente finanziati, x = (x 1 = No, x 2 = No, x 3 = Sì, x 4 = No,..., x 5756 = No) x include 278 Sì e 5478 No. Obiettivo: stimare la probabilità che un cliente vada in default. Cipollini 17/21 Firenze 2015

79 Default nel mondo del credito Situazione pratica Variabile: X = cliente finanziato è andato in default? Dati: n = 5756 casi di clienti precedentemente finanziati, x = (x 1 = No, x 2 = No, x 3 = Sì, x 4 = No,..., x 5756 = No) x include 278 Sì e 5478 No. Obiettivo: stimare la probabilità che un cliente vada in default. Cipollini 17/21 Firenze 2015

80 Default nel mondo del credito Gli ingredienti X Variabile casuale: X = cliente finanziato è andato in default? secondo la codifica 1 = Sì, 0 =No. Modello per X: Be(p), che significa P(X = 1) = p P(X = 0) = 1 p Parametri: p = P(X = 1) = P(default). Campione: di n = 5756 osservazioni x = (x 1 = 0, x 2 = 0, x 3 = 1, x 4 = 0,..., x 5756 = 0) In x ci sono 278 default (1) e 5478 bonis (0). Cipollini 18/21 Firenze 2015

81 Default nel mondo del credito Gli ingredienti X Be(p) Variabile casuale: X = cliente finanziato è andato in default? secondo la codifica 1 = Sì, 0 =No. Modello per X: Be(p), che significa P(X = 1) = p P(X = 0) = 1 p Parametri: p = P(X = 1) = P(default). Campione: di n = 5756 osservazioni x = (x 1 = 0, x 2 = 0, x 3 = 1, x 4 = 0,..., x 5756 = 0) In x ci sono 278 default (1) e 5478 bonis (0). Cipollini 18/21 Firenze 2015

82 Default nel mondo del credito Gli ingredienti X Be( p ) Variabile casuale: X = cliente finanziato è andato in default? secondo la codifica 1 = Sì, 0 =No. Modello per X: Be(p), che significa P(X = 1) = p P(X = 0) = 1 p Parametri: p = P(X = 1) = P(default). Campione: di n = 5756 osservazioni x = (x 1 = 0, x 2 = 0, x 3 = 1, x 4 = 0,..., x 5756 = 0) In x ci sono 278 default (1) e 5478 bonis (0). Cipollini 18/21 Firenze 2015

83 Default nel mondo del credito Gli ingredienti X Be(p) Variabile casuale: X = cliente finanziato è andato in default? secondo la codifica 1 = Sì, 0 =No. Modello per X: Be(p), che significa P(X = 1) = p P(X = 0) = 1 p Parametri: p = P(X = 1) = P(default). Campione: di n = 5756 osservazioni x = (x 1 = 0, x 2 = 0, x 3 = 1, x 4 = 0,..., x 5756 = 0) In x ci sono 278 default (1) e 5478 bonis (0). Cipollini 18/21 Firenze 2015

84 Default nel mondo del credito Statistica e distribuzione campionaria (... ) è ragionevole ritenere che la proporzione di 1 nel campione, che peraltro coincide con x = media(x), sia una buona statistica per stimare p. In effetti, si dimostra che ( ) ( ) p(1 p) p(1 p) X N p, N p, se = n n ovvero: la distribuzione di X è centrata su p la sua sd (che poi serve per il calcolo dello standard error ) va a zero per n. Cipollini 19/21 Firenze 2015

85 Default nel mondo del credito Statistica e distribuzione campionaria (... ) è ragionevole ritenere che la proporzione di 1 nel campione, che peraltro coincide con x = media(x), sia una buona statistica per stimare p. In effetti, si dimostra che ( ) ( ) p(1 p) p(1 p) X N p, N p, se = n n ovvero: la distribuzione di X è centrata su p la sua sd (che poi serve per il calcolo dello standard error ) va a zero per n. Cipollini 19/21 Firenze 2015

86 Default nel mondo del credito Statistica e distribuzione campionaria (... ) è ragionevole ritenere che la proporzione di 1 nel campione, che peraltro coincide con x = media(x), sia una buona statistica per stimare p. In effetti, si dimostra che ( ) ( ) p(1 p) p(1 p) X N p, N p, se = n n ovvero: la distribuzione di X è centrata su p la sua sd (che poi serve per il calcolo dello standard error ) va a zero per n. Cipollini 19/21 Firenze 2015

87 Default nel mondo del credito Statistica e distribuzione campionaria (... ) è ragionevole ritenere che la proporzione di 1 nel campione, che peraltro coincide con x = media(x), sia una buona statistica per stimare p. In effetti, si dimostra che p(1 p) X N p, N p, se = n p(1 p) n ovvero: la distribuzione di X è centrata su p la sua sd (che poi serve per il calcolo dello standard error ) va a zero per n. Cipollini 19/21 Firenze 2015

88 Default nel mondo del credito Stima puntuale e per intervallo Dal campione a disposizione (due slides fa) p = x = 278/5756 = %. con uno standard error se = p(1 p)/ n = In base alle caratteristiche della normale, si ha ( ) 95% = P 1.96 X p 1.96 se = P ( X 1.96 se p X se ) La corrispondente stima per intervallo (al 95%) è [x 1.96 se, x se] = [0.0428, ] Cipollini 20/21 Firenze 2015

89 Default nel mondo del credito Stima puntuale e per intervallo Dal campione a disposizione (due slides fa) p = x = 278/5756 = %. con uno standard error se = p(1 p)/ n = In base alle caratteristiche della normale, si ha ( ) 95% = P 1.96 X p 1.96 se = P ( X 1.96 se p X se ) La corrispondente stima per intervallo (al 95%) è [x 1.96 se, x se] = [0.0428, ] Cipollini 20/21 Firenze 2015

90 Default nel mondo del credito Stima puntuale e per intervallo Dal campione a disposizione (due slides fa) p = x = 278/5756 = %. con uno standard error se = p(1 p)/ n = In base alle caratteristiche della normale, si ha ( ) 95% = P 1.96 X p 1.96 se = P ( X 1.96 se p X se ) La corrispondente stima per intervallo (al 95%) è [x 1.96 se, x se] = [0.0428, ] Cipollini 20/21 Firenze 2015

91 Epilogo Grazie per l attenzione! Cipollini 21/21 Firenze 2015

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

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

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

Dettagli

STATISTICA INFERENZIALE

STATISTICA 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

Dettagli

Inferenza statistica. Statistica medica 1

Inferenza statistica. Statistica medica 1 Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella

Dettagli

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010

Esercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe

Dettagli

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) STATISTICA (2) ESERCITAZIONE 4 18.02.2013 Dott.ssa Antonella Costanzo Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) Sia X una popolazione distribuita secondo la legge Bernoulliana

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Test statistici di verifica di ipotesi

Test statistici di verifica di ipotesi Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze

Dettagli

l insieme delle misure effettuate costituisce il campione statistico

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

Dettagli

Il confronto fra proporzioni

Il confronto fra proporzioni L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,

Dettagli

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale

2. 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

Dettagli

Statistica descrittiva

Statistica descrittiva Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Statistica descrittiva Ing. Antonino Cancelliere Dipartimento

Dettagli

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)

Soluzioni 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

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che

Tema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE 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

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

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

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Dipartimento di Ingegneria Meccanica Chimica e dei Materiali PROGETTAZIONE E GESTIONE DEGLI IMPIANTI INDUSTRIALI Esercitazione 6 ORE ELEMENTI DI STATISTICA Prof. Ing. Maria Teresa Pilloni Anno Accademico

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1

Potenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1 Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.

Statistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi. Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:

Dettagli

ESAME DI STATISTICA Nome: Cognome: Matricola:

ESAME DI STATISTICA Nome: Cognome: Matricola: ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

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

Dettagli

La logica statistica della verifica (test) delle ipotesi

La logica statistica della verifica (test) delle ipotesi La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi

Dettagli

LEZIONE n. 5 (a cura di Antonio Di Marco)

LEZIONE 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,

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI

Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni

Dettagli

Strumenti Informatici 8.1. Realizzare il test della binomiale (o test dei segni) con Excel e SPSS

Strumenti Informatici 8.1. Realizzare il test della binomiale (o test dei segni) con Excel e SPSS 1 Strumenti Informatici 8.1 Realizzare il test della binomiale (o test dei segni) con Excel e SPSS Il test della binomiale (o test dei segni) può essere eseguito con Excel impostando le formule adeguate

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 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

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180

Dettagli

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t),

((e ita e itb )h(t)/it)dt. z k p(dz) + r n (t), SINTESI. Una classe importante di problemi probabilistici e statistici é quella della stima di caratteristiche relative ad un certo processo aleatorio. Esistono svariate tecniche di stima dei parametri

Dettagli

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni

Controllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

La significatività PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA

La significatività PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA Tutti i test statistici di significatività assumono inizialmente la cosiddetta ipotesi zero (o ipotesi nulla) Quando si effettua il confronto fra due o più gruppi di dati, l'ipotesi

Dettagli

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo

Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO Pasquale Iandolo Laboratorio analisi ASL 4 Chiavarese, Lavagna (GE) 42 Congresso Nazionale SIBioC Roma

Dettagli

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici

Test 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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Esercitazione 5 Soluzioni

Esercitazione 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

Dettagli

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti)

Il controllo delle prestazioni del provider. IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) del provider IL CONTROLLO DELLE PRESTAZIONI DEL PROVIDER (riferimenti) 1 del provider - premessa (1) in merito alla fase di gestione ordinaria dell outsourcing sono state richiamate le prassi di miglioramento

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri.

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. A partire da questa lezione, ci occuperemo di come si riescono a codificare con sequenze binarie, quindi con sequenze di 0 e 1,

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

Corso di Automazione Industriale 1. Capitolo 4 Simona Sacone - DIST 1 Corso di Automazione Corso Industriale di 1 Automazione Industriale 1 Capitolo 4 Analisi delle prestazioni tramite l approccio simulativo Aspetti statistici della simulazione: analisi

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

Analisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni

Analisi 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

Dettagli

Inferenza statistica

Inferenza statistica Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione in base ad informazioni ricavate da un campione. Inferenza statistica: indurre

Dettagli

ANALISI DI CORRELAZIONE

ANALISI DI CORRELAZIONE ANALISI DI CORRELAZIONE Esempio: Dati raccolti da n = 129 studenti di Pavia (A.A. 21/2) Altezza (cm) Peso (Kg) Voto Algebra e Geometria Voto Fisica I Valutare la correlazione delle seguenti coppie: Peso

Dettagli

Cosa dobbiamo già conoscere?

Cosa dobbiamo già conoscere? Cosa dobbiamo già conoscere? Insiemistica (operazioni, diagrammi...). Insiemi finiti/numerabili/non numerabili. Perché la probabilità? In molti esperimenti l esito non è noto a priori tuttavia si sa dire

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile

Dettagli

Calcolo del Valore Attuale Netto (VAN)

Calcolo 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

Dettagli

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 Scopo della ricerca Riuscire a determinare le caratteristiche di un fenomeno attraverso un campionamento di alcuni

Dettagli

Esercitazione n.2 Inferenza su medie

Esercitazione n.2 Inferenza su medie Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione

Dettagli

Per il suo compleanno, il goloso Re di un lontano regno riceve in regalo da un altro sovrano un grande canestro contenente 4367 caramelle di tanti

Per il suo compleanno, il goloso Re di un lontano regno riceve in regalo da un altro sovrano un grande canestro contenente 4367 caramelle di tanti Per il suo compleanno, il goloso Re di un lontano regno riceve in regalo da un altro sovrano un grande canestro contenente 4367 caramelle di tanti colori, tra cui 382 rosse. Qualche tempo dopo il donatore

Dettagli

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) 151 Introduzione Un esperimento è una prova o una serie di prove. Gli esperimenti sono largamente utilizzati nel campo dell ingegneria. Tra le varie applicazioni;

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Indice Prefazione xiii 1 Probabilità

Indice Prefazione xiii 1 Probabilità Prefazione xiii 1 Probabilità 1 1.1 Origini del Calcolo delle Probabilità e della Statistica 1 1.2 Eventi, stato di conoscenza, probabilità 4 1.3 Calcolo Combinatorio 11 1.3.1 Disposizioni di n elementi

Dettagli

IL FONDO DI ASSISTENZA SANITARIA INTEGRATIVA COOPERSALUTE CONOSCENZA, USO ED INTERESSE VERSO I SERVIZI, CUSTOMER SATISFACTION

IL FONDO DI ASSISTENZA SANITARIA INTEGRATIVA COOPERSALUTE CONOSCENZA, USO ED INTERESSE VERSO I SERVIZI, CUSTOMER SATISFACTION Ricerche Sociali e di Marketing IL FONDO DI ASSISTENZA SANITARIA INTEGRATIVA COOPERSALUTE CONOSCENZA, USO ED INTERESSE VERSO I SERVIZI, CUSTOMER SATISFACTION LE PRINCIPALI RISULTANZE Roma, 16 Marzo 2010

Dettagli

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008 Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi

Dettagli

Lezioni del Corso di Fondamenti di Metrologia Meccanica

Lezioni del Corso di Fondamenti di Metrologia Meccanica Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica A.A. 2005-2006 Prof. Paolo Vigo Indice 1. Errori ed Incertezze 2. Errori Sistematici ed Accidentali 3. Proprietà degli Strumenti

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Verifica e Validazione del Simulatore

Verifica e Validazione del Simulatore Verifica e del Simulatore I 4 passi principali del processo simulativo Formulare ed analizzare il problema Sviluppare il Modello del Sistema Raccolta e/o Stima dati per caratterizzare l uso del Modello

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità

Dettagli

Metodi 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 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.

Dettagli

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

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

Dettagli

Matlab per applicazioni statistiche

Matlab per applicazioni statistiche Matlab per applicazioni statistiche Marco J. Lombardi 19 aprile 2005 1 Introduzione Il sistema Matlab è ormai uno standard per quanto riguarda le applicazioni ingegneristiche e scientifiche, ma non ha

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte

Dettagli

METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica

METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica EPIDEMIOLOGIA Ha come oggetto lo studio della distribuzione delle malattie in un popolazione e dei fattori che la influenzano

Dettagli

2 CERTAMEN NAZIONALE DI PROBABILITA E STATISTICA FELICE FUSATO Fase di Istituto 15 febbraio 2011

2 CERTAMEN NAZIONALE DI PROBABILITA E STATISTICA FELICE FUSATO Fase di Istituto 15 febbraio 2011 2 CERTAMEN NAZIONALE DI PROBABILITA E STATISTICA FELICE FUSATO Fase di Istituto 15 febbraio 2011 1) Non sfogliare questo fascicolo finché l insegnante non ti dice di farlo. 2) E ammesso l utilizzo di calcolatrici

Dettagli

Lezione 1. Concetti Fondamentali

Lezione 1. Concetti Fondamentali Lezione 1 Concetti Fondamentali Sonetto di Trilussa Sai ched è la statistica? E na cosa che serve pe fa un conto in generale de la gente che nasce, che sta male, che more, che va in carcere e che sposa.

Dettagli

Corso di Psicometria Progredito

Corso di Psicometria Progredito Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

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

Dettagli

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

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

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

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

Dettagli

Statistica Matematica A - Ing. Meccanica, Aerospaziale I prova in itinere - 19 novembre 2004

Statistica 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

Dettagli

INDICE PREFAZIONE VII

INDICE PREFAZIONE VII INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione

Dettagli

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Politecnico di Milano - Anno Accademico 200-20 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Esercitazione 9 2 Giugno 20 Esercizio. In un laboratorio per il test dei materiali,

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL EMPO ing Emanuele Zappa SEGNALI: grandezze di base nel dominio del tempo: Ampiezza picco-picco (pk.pk) Ampiezza massima positiva empo Ampiezza massima

Dettagli

Esercizi riassuntivi di probabilità

Esercizi riassuntivi di probabilità Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

Metodi e tecniche di analisi dei dati nella ricerca psico-educativa Parte II

Metodi e tecniche di analisi dei dati nella ricerca psico-educativa Parte II Laboratorio Metodi e tecniche di analisi dei dati nella ricerca psico-educativa Parte II Laura Palmerio Università Tor Vergata A.A. 2005/2006 Ipotesi sperimentale o alternativa e Ipotesi zero o nulla Ipotesi

Dettagli

DISTRIBUZIONI DI PROBABILITÀ

DISTRIBUZIONI 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

Dettagli

Concetto di potenza statistica

Concetto di potenza statistica Calcolo della numerosità campionaria Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Concetto di potenza statistica 1 Accetto H 0 Rifiuto H 0 Ipotesi Nulla (H

Dettagli

Distribuzioni discrete

Distribuzioni discrete Distribuzioni discrete Esercitazione 4 novembre 003 Distribuzione binomiale Si fa un esperimento (o prova): può manifestarsi un certo evento A con probabilità p oppure no (con probabilità q = p). La distribuzione

Dettagli

R - Esercitazione 1. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. 30 Settembre 2013. Università Roma Tre

R - Esercitazione 1. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. 30 Settembre 2013. Università Roma Tre R - Esercitazione 1 Lorenzo Di Biagio dibiagio@mat.uniroma3.it Università Roma Tre 30 Settembre 2013 Introduzione a R R è un software open-source, per Linux, Mac OS X, Windows, distribuito secondo la licenza

Dettagli

I Metodi statistici utili nel miglioramento della qualità 27

I Metodi statistici utili nel miglioramento della qualità 27 Prefazione xiii 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento della qualità 1 1.1.1 Le componenti della qualità 2 1.1.2 Terminologia

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

1. Distribuzioni campionarie

1. Distribuzioni campionarie Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie

Dettagli

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

LEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010 LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno

Dettagli