Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017. Giovanni Lafratta
|
|
- Gaspare Bosco
- 6 anni fa
- Visualizzazioni
Transcript
1 Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2016/2017 Giovanni Lafratta
2 ii
3 Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale semplice Conteggio di sottoinsiemi di una popolazione finita Disegno casuale semplice di ampiezza data Probabilità di inclusione Statistiche di Horvitz-Thompson Stimatore del totale di una popolazione Stimatore della media di una popolazione Materiali per l esame Esercitazioni iii
4 iv INDICE
5 Capitolo 1 Spazi, Disegni e Strategie Campionarie Si introduce il concetto di popolazione finita. Definizione 1 (Popolazione finita P M ) 1. P 1 = {1} è una popolazione finita; 2. per ogni M N\ {0} se P M è una popolazione finita, allora P M+1 = P M {M + 1} è una popolazione finita; 3. le uniche popolazioni finite sono quelle formate sulla base delle clausole 1 e 2. Esempio 1 Per M = 4, si ha P 4 = {1, 2, 3, 4}. Spazi e disegni di campionamento costituiscono strumenti utili nello studio della variabilità statisticamente derivante dal non aver osservato in modo esaustivo un dato fenomeno su una popolazione P M : Definizione 2 (Spazio campionario S PM ) Sia P M una popolazione finita, e, per ogni n P M, sia S n la classe dei sottoinsiemi di P M aventi cardinalità pari a n. Per spazio campionario su P M si intenderà la classe S PM = n P M S n. Per campione s in P M si intenderà ogni elemento s S PM. 1
6 2 CAPITOLO 1. SPAZI, DISEGNI E STRATEGIE CAMPIONARIE Esempio 2 Per M = 3, si ha S PM = {{1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, P 3 }. Definizione 3 (Disegno campionario p) Sia S PM uno spazio di campionamento. Una funzione p : S PM [0, + [ è un disegno campionario su S PM se e solo se risulta p(s) = 1. s S PM Un disegno p si dirà intenzionale se e solo se s S PM : p(s) = 1. Un disegno p può quindi essere interpretato come la funzione di probabilità di una variabile casuale S a valori in S PM. Esempio 3 Si consideri la seguente funzione p : S P3 [0, + [: s S P3 {1} {2} {3} {1, 2} {1, 3} {2, 3} P 3 p (s) 0 0 1/4 1/3 5/ Essa è un disegno, perché 1/4 + 1/3 + 5/12 = 1. Definizione 4 (Probabilità d inclusione I) Per i P M, si definiscano gli insiemi A i = {s S PM : i s}. La probabilità di inclusione del primo ordine dell unità i esima è definita come segue: = s A i p (s). Esempio 4 (Continua l esempio 3) L unità 2 è inclusa nei seguenti elementi (campioni) dello spazio campionario S P3 : A 2 = {{2}, {1, 2}, {2, 3}, P 3 } La probabilità d inclusione di ordine 1 per l unità 2 è quindi π 2 = p ({2}) + p ({1, 2}) + p ({2, 3}) + p (P 3 ) = = 1 3. L unità 1 è inclusa nei seguenti elementi (campioni) dello spazio campionario S P3 : A 1 = {{1}, {1, 2}, {1, 3}, P 3 }.
7 3 La probabilità d inclusione di ordine 1 per l unità 1 è quindi π 1 = p ({1}) + p ({1, 2}) + p ({1, 3}) + p (P 3 ) = = Per ogni i P M, si definisca ora la funzione δ i : S PM {0, 1} come segue: δ i (s) = { 1 se i s, 0 altrimenti. La funzione δ i prende il nome di funzione indicatrice dell unità i-esima, grazie alla quale si può definire la variabile casuale e si ha i = δ i (S) = s S PM δ i (s) p (s) = E p [ i ]. Definizione 5 (Cardinalità campionaria) Dato il campione casuale S, si definisce come cardinalità campionaria la variabile La cardinalità attesa è S = δ i (S). E p [ S ] = δ i (s) p (s) s S PM = p (s) s A i =. Inoltre, se il disegno campionario p ammette l estrazione solo di campioni aventi una data cardinalità n P M, ovvero se s S PM : s n p (s) = 0,
8 4 CAPITOLO 1. SPAZI, DISEGNI E STRATEGIE CAMPIONARIE allora E p [ S ] = s S n s p (s) = n, perché s S n p (s) = 1 e s = n quando s S n. Definizione 6 (Probabilità d inclusione II) Per i, j P M, si definiscano gli insiemi A i,j = {s S PM : {i, j} s}. La probabilità,j di inclusione del secondo ordine delle unità {i, j} è definita come segue:,j = s A i,j p (s). Esempio 5 (Continua l esempio 3) Le unità 1, 3 sono incluse nei seguenti elementi (campioni) dello spazio campionario S PM : A 1,3 = {{1, 3}, P 3 } La loro probabilità d inclusione di ordine 2 è quindi π 1,3 = p ({1, 3}) + p (P 3 ) = = Per ogni i, j P M, si definisca ora la funzione δ i,j : S PM {0, 1} come segue: δ i,j (s) = { 1 se {i, j} s, 0 altrimenti. La funzione δ i,j è detta funzione indicatrice della coppia di unità i e j e si ha Definita la variabile risulta inoltre δ i,j (s) = δ i (s) δ j (s). i,j = δ i,j (S),j = s S PM δ i,j (s) p (s) = E p [ i,j ].
9 5 Associando ad ogni elemento di P M un numero reale Y i, i = 1,..., N, si ottiene la funzione Y come segue: i P M Y (i) = Y i, alla quale si fa riferimento parlando di fenomeno su P M. Dato il campione s, sia D s la funzione definita su s e a valori in R tale che i s D s (i) = Y i. Per definizione, D s è quindi l insieme delle coppie (i, Y i ) per i s: D s = {(i, Y i ) : i s}. Ci si riferisce a D s come all insieme dei dati statistici relativi al campione s. Esempio 6 (Continua l esempio 3) Posto i Y i risultano, ad esempio, e D {1} = {(1, 5)}, D {1,3} = {(1, 5), (3, 5)} D {1,2,3} = {(1, 5), (2, 7), (3, 5)}. Definizione 7 (Statistica campionaria) Sia Y un fenomeno su P M e sia D l insieme dei possibili dati statistici disponibili: Data una funzione reale t definita su D: D = {D s : s S PM }. D s D t (D s ) R, si definisce statistica campionaria la variabile casuale T = t (D S ). Si noti che i valori assunti da una statistica T dipendono dal campione osservato. Di conseguenza, t (D S ) dipende dalla funzione di probabilità p, il disegno campionario applicato. Esempio 7 La variabile T = t(d S ) = i S Y i è una statistica.
10 6 CAPITOLO 1. SPAZI, DISEGNI E STRATEGIE CAMPIONARIE Una statistica rispondente alla definizione 7 è destinata a fungere da stimatore di quantità deterministiche dipendenti da Y, note come parametri della popolazione, delle quali sono esempi la variabile media della popolazione Y = M 1 Y i, o la variabile max(y ) = sup i PM Y i. Definizione 8 (Distribuzione di una statistica campionaria) Per un fissato piano di campionamento p (s), la distribuzione campionaria dello stimatore T = t (D S ) è definita dalla seguente funzione di probabilità p T. Sia C T l insieme di tutti i possibili valori che T può assumere presso i vari campioni. Per x C T, si definisca l insieme Allora A x = {s S PM : t (D s ) = x}. p T (x) Pr {T = x} = s A x p (s). Esempio 8 (Continua l esempio 3) Si vuole la distribuzione campionaria di T = t(d S ) i S Y i. I valori che T può assumere presso i relativi campioni sono dati come segue: s D s t (D s ) {1} {(1, 5)} 5 {2} {(2, 7)} 7 {3} {(3, 5)} 5 {1, 2} {(1, 5), (2, 7)} 12 {1, 3} {(1, 5), (3, 5)} 10 {2, 3} {(2, 7), (3, 5)} 12 P 3 {(1, 5), (2, 7), (3, 5)} 17 Al singolo valore di T (si ha C T = {5, 7, 10, 12, 17}) va associata una probabilità pari alla somma delle probabilità dei campioni in corrispondenza dei quali tale valore viene generato: x A x Pr {T = x} 5 {{1}, {3}} 0 + 1/4 7 {{2}} 0 10 {{1, 3}} 5/12 12 {{1, 2}, {2, 3}} 1/ {{1, 2, 3}} 0 In conclusione, gli strumenti con cui raccogliere informazioni su un fenomeno Y presso una popolazione P M sono sostanzialmente due: un disegno di campionamento e una statistica. Ciò giustifica la seguente: Definizione 9 (Strategia campionaria per Y su P M ) Sia Y un fenomeno su P M. Una strategia per Y su P M è una qualunque coppia (p, T ), con p disegno campionario su S PM e T statistica per Y. La realizzazione di una indagine richiede, quindi, la scelta di una strategia.
11 Capitolo 2 Campionamento casuale semplice 2.1 Conteggio di sottoinsiemi di una popolazione finita Si cosideri S n = {s S PM : s = n}. Si vuole calcolare S n : quanti sono i sottoinsiemi di cardinalità n di un insieme di cardinalità M? Cardinalità di un prodotto cartesiano Siano A 1,..., A k insiemi di cardinalità finita A i. Il loro prodotto cartesiano è definito come segue: A i = {(a 1,..., a k ) : i {1,..., k} : a i A i }. i {1,...,k} La sua cardinalità è: A i = i {1,...,k} i {1,...,k} A i. Ennuple ordinate di elementi distinti di una popolazione finita Il prodotto cartesiano della popolazione P M moltiplicata per se stessa n volte ha dunque cardinalità pari a M n. Il prodotto ha per elementi tutte le ennuple ordinate (vettori) (a 1,..., a n ) che si possono formare scegliendo per a i una qualunque unità nella popolazione P M. Questo significa che, all interno di una ennupla, la stessa unità può ripetersi ed essere quindi presente in più di una delle n posizioni disponibili. Quale sarebbe il numero delle ennuple se si imponesse che ogni unità non può occupare più di una posizione in una data ennupla? Anche l insieme delle ennuple ordinate di elementi distinti può essere interpretato come un prodotto cartesiano tra n insiemi: l i-esimo insieme, sia A i, sarà la collezione delle possibili scelte da P M per l i-esima componente della ennupla, avendo cura che le unità selezionate siano distinte tra loro. La prima volta (i = 1) posso scegliere su tutto P M : A 1 = P M avente cardinalità M. La seconda volta (i = 2) da P M \ {a 1 }, con cardinalità 7
12 8 CAPITOLO 2. CAMPIONAMENTO CASUALE SEMPLICE M 1. La terza volta (i = 3) da P M \ {a 1, a 2 }, con cardinalità M 2. L n-esima volta da P M \ {a 1,..., a n 1 }, un insieme avente cardinalità M (n 1). In generale si hanno M (M 1) (M 2) (M (n 2)) (M (n 1)) n ple ordinate di elementi distinti da P M. Tale numero si può esprimere come dove n! = n (n 1) (2) (1). Infatti M! (M n)! M! (M n)! M (M 1) (M (n 1)) (M n) (1) = (M n) (1) = M (M 1) (M (n 1)). Sottoinsiemi di ampiezza n Un sottoinsieme di ampiezza n dalla popolazione P M è un campione di n unità disposte senza alcun ordine particolare. Sia ora s S n. Quante n ple ordinate posso ottenere da s? Esattamente n! (n n)! = n!. La collezione di tutte le n ple di elementi distinti da P M sono invece M! (M n)!. Quindi, se S n è il numero di sottoinsiemi di ampiezza n, deve risultare da cui S n n! = M! (M n)! S n = = M! n! (M n)! ( ) M, n numero di combinazioni di M elementi presi a n a n.
13 2.2. DISEGNO CASUALE SEMPLICE DI AMPIEZZA DATA Disegno casuale semplice di ampiezza data Data una popolazione P M, esistono M disegni casuali semplici senza ripetizione, uno per ogni n P M, ciascuno di essi rende equiprobabili i campioni di ampiezza n ed assegna ai rimanenti probabilità zero: p C,M,n (s) = { 1 se s S ( M n n) 0 se s / S n Esempio 9 Per P 4 = {1, 2, 3, 4}, si consideri p C,4,3. I campioni di ampiezza 3 da P 4 sono ( ) 4 3 = 4! = 4 : (4 3)!3! {1, 2, 3}, {1, 2, 4}, {2, 3, 4}, {1, 3, 4}. Si ha p C,4,3 ({1, 2, 3}) = p C,4,3 ({1, 2, 4}) = p C,4,3 ({2, 3, 4}) = p C,4,3 ({1, 3, 4}) = 1 4 Per tutti gli altri elementi s di S P4, ad esempio per {1, 3}, {1}, {3, 4}, si ha p C,4,3 (s) = Probabilità di inclusione Primo ordine - generica unità i P M : = s {s S PM :i s} p C,M,n (s) Ma, se s / S n, p C,M,n (s) = 0, così possiamo limitare la somma agli s in S n : = s {s S n:i s} p C,M,n (s) Inoltre, se s S n, p C,M,n (s) = ( ) M 1, n quindi ( ) 1 M = n s {s S n:i s} 1 Bisogna quindi contare i campioni di ampiezza n che includono i: Si costruiscano tutti i campioni di n 1 unità da P M che non contengono i : essi sono in numero di ( ) M 1 n 1
14 10 CAPITOLO 2. CAMPIONAMENTO CASUALE SEMPLICE Se ad ognuno di tali campioni aggiungiamo l unità i esima, otteniamo tutti i campioni di ampiezza n che contengono i. QUINDI: = = = ( ) 1 M n 1 s {s S n:i s} ( ) 1 M {s S n : i s} n ( M 1 n 1 ( M n ) ) ovvero = (M 1)! n! (M n)! (M n)! (n 1)! M! = n M Secondo ordine - generica coppia (i, j) P M P M, con i j. Si ha,j = s {s S PM :i s,j s} p C,M,n (s) Ma, se s / S n, p C,M,n (s) = 0, così possiamo limitare la somma agli s in S n : = s {s S n:i s,j s} p C,M,n (s) Inoltre, se s S n, p C,M,n (s) = ( M n ) 1, quindi = ( ) 1 M n 1 s {s S n:i s,j s} Bisogna quindi contare i campioni di ampiezza n che includono sia i sia j: Si costruiscano tutti i campioni di n 2 unità da P M che non contengono né i né j: essi sono in numero di ( ) M 2 n 2 Se ad ognuno di tali campioni aggiungiamo le unità i e j, otteniamo tutti i campioni di ampiezza n che contengono i e j.
15 2.2. DISEGNO CASUALE SEMPLICE DI AMPIEZZA DATA 11 QUINDI:,j = = = ( ) 1 M n 1 s {s S n:i s,j s} ( ) 1 M {s S n : i s, j s} n ( M 2 n 2 ( M n ) ) ovvero,j = = (M 2)! (M n)! (n 2)! n (n 1) M (M 1). n! (M n)! M!
16 12 CAPITOLO 2. CAMPIONAMENTO CASUALE SEMPLICE
17 Capitolo 3 Statistiche di Horvitz-Thompson 3.1 Stimatore del totale di una popolazione Definizione 10 Sia P M una popolazione finita sulla quale è rilevabile un fenomeno Y e p un disegno di campionamento su P M. Per i P M sia la probabilità di inclusione dell unità i-esima secondo il piano p. Si definisce stimatore di Horvitz-Thompson per il totale di Y la seguente statistica Ŷ T otal,ht (S) = i S Esempio 10 Per s = {2, 1} da P 3 nell esempio 6, si ha D (s) = {(2, 5), (1, 7)}, da cui Y i. Ŷ T otal,ht ({2, 1}) = i {2,1} Y i = Y 2 π 2 + Y 1 π 1 = 7 π π 1 Se si applica un piano casuale semplice (di ampiezza 2) risulta, per ogni i, così = n M = 2 3 Ŷ T otal,ht ({2, 1}) = 3 (7 + 5) 2 = 18. Teorema 1 Sia P M una popolazione finita sulla quale è rilevabile un fenomeno Y e p un disegno di campionamento su P M. Per i, j P M siano la probabilità di inclusione del 13
18 14 CAPITOLO 3. STATISTICHE DI HORVITZ-THOMPSON primo ordine dell unità i-esima e,j quella di secondo ordine per la coppia (i, j) secondo il piano p. Vale allora la seguente proprietà di correttezza: ] E p [ŶT otal,ht = Y i Inoltre, ] V ar p [ŶT otal,ht = 1 Yi 2 + j P M \{i} ( ) πi,j 1 Y i Y j. π j Dimostrazione. Dimostriamo la correttezza. Possiamo esprimere ŶT otal,ht come segue: Ŷ T otal,ht (S) = δ i (S), Y i Ŷ T otal,ht è quindi una combinazione lineare delle variabili casuali 1,..., M i cui coefficienti sono dati da Y 1 π 1,..., Y M πm. Il suo valore atteso rispetto a p è quindi pari alla combinazione lineare dei valori attesi delle δ i : [ ] ] E p [ŶT otal,ht = E p i Y i da cui, ricordando che si ha = δ i (s) p (s) E p [ i ], s S PM ] E p [ŶT otal,ht = Y i = Y i. Calcoliamo la varianza di ŶT otal,ht. A tal fine utilizziamo ancora l espressione precedente per lo stimatore Ŷ T otal,ht (S) = δ i (S). Y i La varianza di una combinazione lineare Z di X 1,..., X M variabili casuali aventi coefficienti c 1,..., c M, M Z = c i X i, i=1
19 3.1. STIMATORE DEL TOTALE DI UNA POPOLAZIONE 15 si ottiene come segue: V ar [Z] = M c 2 i V ar [X i ] + i=1 M i=1 M c i c j Cov [X i, X j ]. j=1 j i Nel nostro caso: c i = Y i, X i = i, Z = ŶT otal,ht. Rimangono quindi da calcolare varianze e covarianze delle variabili 1,..., M. La variabile i segue una distribuzione di Bernoulli B (p) di parametro p =, la cui varianza è V ar [ i ] = (1 ). Qual é la covarianza tra i e j? Ricordiamo che Cov [X, Z] = E [XZ] E [X] E [Z]. Nel nostro caso, X = i e Z = j. Sappiamo inoltre che risultano le identità E p [ i j ] =,j e E p [ i ] =. Così, Cov p [ i, j ] = E p [ i j ] E p [ i ] E p [ j ] =,j π j.
20 16 CAPITOLO 3. STATISTICHE DI HORVITZ-THOMPSON Quindi, in conclusione, V ar p [ŶT otal,ht ] = V ar p [ 2 Yi π i P i 2 M = 2 Yi π i P i 2 M = Y i i ] V ar p [ i ] + (1 ) + = 1 Yi 2 + j P M j i j P M j i j P M j i Y i Y j π j Cov p [ i, j ] Y i Y j π j (,j π j ) ( πi,j π j 1 ) Y i Y j 3.2 Stimatore della media di una popolazione La media del fenomeno Y nella popolazione P M può essere stimata a partire dallo stimatore Horvitz-Thompson del totale, essendo i due parametri legati dalla relazione Y T otal = M (Y Mean ), Y T otal = Y i. Basta definire il seguente stimatore per il parametro media: Ŷ Mean,HT (S) = 1 M ŶT otal,ht (S). Essendo ŶT otal,ht corretto per il totale, ŶMean,HT risulterà corretto per la corrispondente media. Per la varianza, invece, vale la relazione: V ar p [ŶMean,HT ] = 1 ] M V ar 2 p [ŶT otal,ht.
21 Capitolo 4 Materiali per l esame 4.1 Esercitazioni Esercizio È data la popolazione finita P 3. Sul corrispondente spazio campionario è definito il seguente piano di campionamento: 1 se s = {1, 2} 6 1 se s = {1, 3} p (s) = 3 1 se s = {2, 3} 2 0 altrimenti Determinare quanto segue. 1. Le probabilità d inclusione del primo ordine. 2. La varianza della variable Le probabilità d inclusione del secondo ordine. 4. La covarianza tra le variabili 1 e È stato estratto il campione s = {2, 3} e si è rilevato D s = {(2, 17), (3, 8)}. Stimare con la statistica di Horvitz-Thompson il totale di Y su P È stato estratto il campione s = {1, 3} e si è rilevato D s = {(1, 6), (3, 12)}. Sapendo che il valore atteso della statistica di Horvitz-Thompson per il totale di Y è pari a 50, determinare Y 2. Esercizio E data la popolazione finita P 8. Sul corrispondente spazio campionario è definito un piano di campionamento casuale semplice di ampiezza 3. Determinare quanto segue. 1. Le probabilità π 1,4 e π 7,7. 17
22 18 CAPITOLO 4. MATERIALI PER L ESAME 2. Il valore atteso della variabile 2,8 ; 3. La varianza della variabile La correlazione tra le variabili 1 e È stato estratto il campione s = {4, 6, 8} e si è rilevato D s = {(4, 10), (6, 20), (8, 15)}. Stimare con la statistica di Horvitz-Thompson il totale di Y su P 8.
23 4.1. ESERCITAZIONI 19 Esercizio E data la popolazione finita P 8. Sul corrispondente spazio campionario è definito un piano di campionamento p, rispetto al quale risultano noti i seguenti momenti: Determinare quanto segue. 1. La probabilità π 5. Cov[ 3, 5 ] = 1/16, V ar[ 3 ] = 3/16, E[ 5 ] = 1/4. 2. La probabilità π 3 sapendo che π 3 > 1/2. 3. Il valore atteso della variabile 3,5. Esercizio E data la popolazione finita P 20. Sul corrispondente spazio campionario è definito un piano di campionamento p. Rispetto a p, delle variabili X = e Y = sono noti i seguenti momenti: Determinare quanto segue. 1. Le probabilità π 7, π 11 e π 7,11. Cov[X, Y ] = 2/9, E[X] = 2, E[Y ] = 6. Esercizio E data la popolazione finita P 9. Sul corrispondente spazio campionario è definito un piano di campionamento p, rispetto al quale sono noti i seguenti momenti: Determinare quanto segue. Corr[ 1, 3 ] = 1/6, E[ 1 ] = 4/25, E[ 3 ] = 1/5. 1. Il valore atteso della variabile 1,3. Esercizio E data la popolazione finita P M, con M > 1. Sul corrispondente spazio campionario è definito un piano di campionamento casuale semplice p C,M,n, con n < M, rispetto al quale sono note le seguenti probabilità di inclusione: i, j P M :,j = 2/9, se i j. Determinare quanto segue. i P M : = 1/2. 1. I valori di M e di n.
24 20 CAPITOLO 4. MATERIALI PER L ESAME
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018. Giovanni Lafratta
Concetti di teoria dei campioni ad uso degli studenti di Statistica Economica e Finanziaria, A.A. 2017/2018 Giovanni Lafratta ii Indice 1 Spazi, Disegni e Strategie Campionarie 1 2 Campionamento casuale
DettagliAPPUNTI DI STATISTICA INFERENZIALE. Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO
APPUNTI DI STATISTICA INFERENZIALE Avalle Fulvia, maggio 2014, ITSOS MARIE CURIE CLASSI 4A BIO e 4B BIO PREREQUISITI VARIABILE ALEATORIA (QUANTITATIVA): è una funzione che associa un numero reale ad ogni
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/02/2016 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliMetodi Statistici per il Marketing. #05 Elementi di statistica inferenziale e di teoria dei campioni
Corso di Metodi Statistici per il Marketing LUISS A.A. 2017-2018 #05 Elementi di statistica inferenziale e di teoria dei campioni 15 Marzo 2018 Alessio Guandalini (Docente: P. D Urso) #05 Elementi di statistica
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliEsercizi di statistica
Esercizi di statistica Test a scelta multipla (la risposta corretta è la prima) [1] Il seguente campione è stato estratto da una popolazione distribuita normalmente: -.4, 5.5,, -.5, 1.1, 7.4, -1.8, -..
DettagliCampionamento La statistica media campionaria e la sua distribuzione. Paola Giacomello Dip. Scienze Sociali ed Economiche Uniroma1
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
DettagliStatistica Sociale e Criminale (12 CFU) A.A. 2015/2016
Statistica Sociale e Criminale (1 CFU) A.A. 015/016 CdL Sociologia e Criminologia Simone Di Zio Dove siamo MODULO 3. L Inferenza statistica 3.1 Probabilità e variabili casuali 3. Le tecniche di campionamento
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
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliCalcolo delle Probabilità e Statistica Matematica previsioni 2003/04
Calcolo delle Probabilità e Statistica Matematica previsioni 2003/04 LU 1/3 Esempi di vita reale : calcolo delle probabilità, statistica descrittiva e statistica inferenziale. Lancio dado/moneta: definizione
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
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,
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliCorso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 2015
Corso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 215 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliStatistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica cristina.mollica@uniroma1.it Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
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
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliSTATISTICA (modulo II - Inferenza Statistica) Soluzione Esercitazione I
Soluzione Esercitazione I Esercizio A. Si indichi con A i l evento la banca i decide di aprire uno sportello per il quale Pr(A i = 0.5 (e dunque Pr(A i = 0.5 per i =, 2, 3. Lo spazio degli eventi dato
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
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
DettagliFacoltà di Economia - Università di Pavia Simulazione Prova Scritta di Statistica Sociale 19 dicembre 2012
Facoltà di Economia - Università di Pavia Simulazione Prova Scritta di Statistica Sociale 19 dicembre 01 Esercizio 1. Con riferimento a due variabili dicotomiche X e Y (con valori possibili 0 o 1) si definisca
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
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
DettagliMatematica e Statistica per Scienze Ambientali
per Scienze Ambientali Insiemi e Combinatoria - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, 23 - Ottobre 2012 Il concetto di insieme Non tratterò la teoria assiomatica degli
DettagliMateriale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI
Materiale didattico per il corso di Statistica I Quinta esercitazione SOLUZIONI Claudia Furlan Anno Accademico 006-007 Ringrazio Carlo Gaetan, Nicola Sartori e Aldo Solari per il materiale, aggiunte e
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)
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)
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
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
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
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Regressione e correlazione Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliMatematica e Statistica per STB A.A. 2017/2018. Soluzioni degli esercizi - Foglio 1
Matematica e Statistica per STB A.A. 017/018 Soluzioni degli esercizi - Foglio 1 1. B = 0. a Lo spazio dei campioni associato all esperimento è il prodotto cartesiano Ω = Ω 1 Ω. dove Ω 1 = {1,,, 4, 5,
DettagliESERCIZIO 1. Soluzione. X =numero di passeggeri giornaliero
ESERCIZIO 1 La somma dei numeri di passeggeri di un autoservizio suburbano rilevati in 7 giorni scelti a caso è pari a 385. Si assuma un modello gaussiano per descrivere il numero giornaliero di passeggeri.
DettagliEsercizi. 2. [Conteggio diretto] Due dadi vengono lanciati in successione. a) Qual è la probabilità che la somma dei due risultati faccia 7?
1 E. Vitali Matematica (Scienze Naturali) Esercizi 1. [Conteggio diretto] Quattro ragazzi, A, B, C e D, dispongono di due biglietti per il teatro e decidono di tirare a sorte chi ne usufruirà. a) Qual
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
Dettagli1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
DettagliII Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 2016/17
II Appello di Calcolo delle Probabilità Laurea Triennale in Matematica 6/7 Martedì 4 febbraio 7 Cognome: Nome: Email: Se non è espressamente indicato il contrario, per la soluzione degli esercizi è possibile
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliMicroeconometria Day # 3 L. Cembalo. Regressione con due variabili e metodo dei minimi quadrati
Microeconometria Day # 3 L. Cembalo Regressione con due variabili e metodo dei minimi quadrati SRF: sample regression function Il passaggio dalla regressione sulla popolazione a quella sul campione è cruciale
DettagliEsempi. In R 2, le coppia (2, 5) è combinazione lineare dei vettori (0, 1) e (1, 1). Infatti:
Combinazioni lineari [Abate, 4.2] Sia V uno spazio vettoriale e v 1, v 2,..., v n dei vettori di V. Diremo che un vettore w V è combinazione lineare dei vettori v 1,..., v n se esistono a 1, a 2,..., a
DettagliRischio statistico e sua analisi
F94 Metodi statistici per l apprendimento Rischio statistico e sua analisi Docente: Nicolò Cesa-Bianchi versione 7 aprile 018 Per analizzare un algoritmo di apprendimento dobbiamo costruire un modello
DettagliPOPOLAZIONE E CAMPIONI
p. 1/2 POPOLAZIONE E CAMPIONI POPOLAZIONE insieme di tutti quegli elementi che hanno almeno una caratteristica comune (persone, oggetti,misure, osservazioni). Consideriamo il caso di caratteristiche associate
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 11/02 14:30 Laboratorio (via Loredan) Martedi 16/02 14:30 P50 Lunedi 22/02 09:30 P50 Martedi 23/02 14:30 P50 Giovedi 25/02 14:30 Aula informatica
Dettagli9. Test del χ 2 e test di Smirnov-Kolmogorov. 9.1 Stimatori di massima verosimiglianza per distribuzioni con densità finita
9. Test del χ 2 e test di Smirnov-Kolmogorov 9. Stimatori di massima verosimiglianza per distribuzioni con densità finita Supponiamo di avere un campione statistico X,..., X n e di sapere che esso è relativo
DettagliSOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA
SOLUZIONI DEL 1 0 TEST DI PREPARAZIONE ALLA 1 a PROVA INTERMEDIA 1 Esercizio 0.1 Dato P (A) = 0.5 e P (A B) = 0.6, determinare P (B) nei casi in cui: a] A e B sono incompatibili; b] A e B sono indipendenti;
DettagliNotazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A.
Notazione: nel seguito, dato un insieme A, P(A) indicherà l insieme delle parti di A. 1. Spazio di probabilità prodotto di una famiglia finita di spazi di probabilità Iniziamo la nostra discussione con
DettagliIngegneria Logistica e della Produzione - Teledidattico. Prova del
Compito A Statistica A Ingegneria Logistica e della Produzione - Teledidattico Prova del 4-04-2006 Cognome e Nome......N 0 di Matricola...... Esercizio 1 Si considerino tre variabili casuali X 1, X 2 e
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliCampionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 6 1. Si consideri un campione di 69 persone
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso
DettagliEsercitazione 4 del corso di Statistica (parte 2)
Esercitazione 4 del corso di Statistica (parte ) Dott.ssa Paola Costantini Febbraio Esercizio n. Il tempo di percorrenza del treno che collega la stazione di Roma Termini con l aeroporto di Fiumicino è
DettagliITI INFORMATICA: STATISTICA
ITI INFORMATICA: STATISTICA INDICE:.INFERENZA STATISTICA.IL CAMPIONAMENTO CASUALE.LA PROGRAMMAZIONE LINEARE.IL CAMPIONAMENTO STATISTICO.DISTRIBUZIONI CAMPIONARIE.L ALGORITMO DEL SIMPLESSO INFERENZA STATISTICA
DettagliCALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica. Leggere attentamente le seguenti note
CALCOLO DELLE PROBABILITÀ I. a.a. 2016/2017. Informatica Leggere attentamente le seguenti note Modalità d esame. L esame consta di uno scritto con esercizi (bisogna prenotarsi su infostud). Chi passa questo
DettagliI SONDAGGI DI OPINIONE. La necessità di una teoria dei campioni
I SONDAGGI DI OPINIONE La necessità di una teoria dei campioni 1. Le credenziali del campione Le molte, a volte moltissime, informazioni che solitamente provengono da una indagine campionaria, anche di
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliPrimi elementi di combinatoria Federico Lastaria, Analisi e Geometria 1
Politecnico di Milano. Scuola di Ingegneria Industriale e dell Informazione Analisi e Geometria 1 Federico Lastaria Primi elementi di combinatoria 11 Ottobre 2016 Indice 1 Elementi di combinatoria 2 1.1
DettagliRichiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche
Richiami di statistica e loro applicazione al trattamento di osservazioni topografiche e geodetiche Ludovico Biagi Politecnico di Milano, DIIAR ludovico.biagi@polimi.it (materiale didattico preparato in
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
DettagliAnalisi della varianza
Analisi della varianza Mediante un singolo esperimento vengono confrontate fra loro più popolazioni (gruppi, tesi). Consente di valutare quantitativamente l importanza delle diverse fonti di variazione
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 6 luglio 6 Vettori aleatori e funzioni di v.a. Esercizio Si lanciano due dadi equi. Qual è la probabilità che la somma sia? [ ] Siano X, X le v.a.
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliControllo Statistico della Qualità (alcune note) A cura della Prof.ssa Paola Vicard e della Prof.ssa Flaminia Musella
Controllo Statistico della Qualità (alcune note) A cura della Prof.ssa Paola Vicard e della Prof.ssa Flaminia Musella Syllabus del modulo (20 ore) Introduzione Alcuni richiami alle nozioni fondamentali
DettagliArgomenti della lezione: Campionamento Stima Distribuzione campionaria Campione Popolazione Sottoinsieme degli elementi (o universo) dell '
Lezione 2 Argomenti della lezione: La statistica inferenziale: concetti di base Campionamento Stima Distribuzione campionaria Popolazione (o universo) Insieme di tutti gli elementi cui si rivolge il ricercatore
DettagliSTATISTICA 1 ESERCITAZIONE 8
STATISTICA 1 ESERCITAZIONE 8 Dott. Giuseppe Pandolfo 18 Novembre 2013 CALCOLO DELLE PROBABILITA Elementi del calcolo delle probabilità: 1) Esperimento: fenomeno caratterizzato da incertezza 2) Evento:
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
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
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliSTATISTICA: esercizi svolti sulle VARIABILI CASUALI
STATISTICA: esercizi svolti sulle VARIABILI CASUALI VARIABILI CASUALI 2 VARIABILI CASUALI. Variabili casuali generiche. Si supponga che un dado truccato, formato da sei facce contrassegnate dai numeri
DettagliPROBABILITÀ SCHEDA N. 5 SOMMA E DIFFERENZA DI DUE VARIABILI ALEATORIE DISCRETE
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 SCHEDA
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Stima puntuale di parametri Ines Campa Probabilità e Statistica -
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,
DettagliVariabili Aleatorie Multiple
Variabili Aleatorie Multiple v.a. multiple - Esercizio 1 Consideriamo l estrazione con reimmissione di palline colorate da un urna contenente 5 palline bianche, 15 verdi, e 10 rosse. 1) Calcolare la probabilità
DettagliLE VARIABILI CASUALI A 1, A 2.,..., A k., p 2.,..., p k. generati da una specifica prova sono necessari ed incompatibili:
LE VARIABILI CASUALI Introduzione Data prova, ad essa risultano associati i k eventi A, A,..., A k con le relative probabilità p, p,..., p k. I k eventi A i generati da una specifica prova sono necessari
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
DettagliCP110 Probabilità: Esame 4 giugno Testo e soluzione
Dipartimento di Matematica, Roma Tre Pietro Caputo 202-3, II semestre 4 giugno, 203 CP0 Probabilità: Esame 4 giugno 203 Testo e soluzione . (6 pts) Un urna contiene inizialmente pallina rossa e 0 palline
DettagliSOLUZIONI GIUGNO. P(la borsa viene assegnata) = 3P(Aldo riceve la borsa) = 7 9. P(la borsa viene assegnata) = 1 P(la borsa non viene assegnata) = 1 3!
SOLUZIONI GIUGNO Esercizio 1. a) La probabilità che Aldo vinca la borsa è di tipo binomiale. In ciascuna delle tre liste Aldo ha probabilità p = 1/ di figurare primo. Quindi P(Aldo riceve la borsa) = (
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliCampionamento La statistica media campionaria e la sua distribuzione
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
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,
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
DettagliESERCIZIO 1. a) Calcolare il rendimento atteso del portafoglio:
ESERCIZIO 1 Gastone investe i suoi risparmi in tre titoli (A: Paperone & Co; B: Rockerduck & Co; C: Bassotti & Co) quotati sul mercato di Paperopoli. La composizione percentuale del portafoglio di Gastone
DettagliAPPUNTI DI ALGEBRA LINEARE
APPUNTI DI ALGEBRA LINEARE. Definizione Si dice spazio vettoriale (sul campo dei numeri reali R) un insieme V per il quale siano definite l operazione interna di somma (che ad ogni coppia di vettori e
DettagliElementi di Teoria della Probabilità
Elementi di Teoria della Probabilità Alcune definizioni iniziali: Fenomeno casuale: fenomeno ripetibile (almeno in teoria) infinite volte che può manifestarsi in diverse modalità, imprevedibili singolarmente,
DettagliSi estrae casualmente usando uno schema di campionamento con ripetizione un campione di n=2 misurazioni.
ESERCIZIO 1 Si consideri la popolazione consistente di N=4 studenti (A, B, C, D) del corso di Statistica Avanzata. Il voto conseguito dagli studenti alla fine del corso è riportato nella seguente tabella:
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 10. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 10 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 REGRESSIONE LINEARE Date due variabili quantitative, X e Y, si è
Dettagli