CAPACITÀ DEL PROCESSO
|
|
- Carolina Rosa
- 6 anni fa
- Visualizzazioni
Transcript
1 CAPACITÀ DEL PROCESSO Un certo processo è adatto a produrre qualcosa rispettando le specifiche? Prima di affermare che un processo abbia una CAPACITÀ ben DEFINITA è necessario assicurarsi che questo dimostri un RAGIONEVOLE LIVELLO di CONTROLLO STATISTICO Il processo deve essere STABILE possibilità di fare PREVISIONI Un processo STABILE ha una CAPACITÀ BEN DEFINITA quando, praticamente, tutti i pezzi prodotti cadono entro i LIMITI DELLA TOLLERANZA NATURALE 1
2 Fasi per la determinazione della capacità di un processo 1. Costruire l istogramma dei VALORI SINGOLI. Determinare i LIMITI DELLA TOLLERANZA NATURALE 3. Riportare sul grafico i LIMITI DI SPECIFICA (tolleranze) R LTNS = x + 3σ = x + 3 d n R LTNI = x 3σ = x 3 d n LIS LSS μ=x Tnat = 6σ Tpre
3 INDICI DI CAPACITÀ Cp = Tpre Tnat = LIS LSS LSS - LIS 6σ x Tnat = 6σ Tpre x - LIS Tnat LIS Tnat Cpk = minore tra x LSS - x Tnat LSS x 3 Tnat
4 Casi possibili LIS Cp Cpk Processo capace e centrato LSS Tnat Tpre LIS LSS Cp Cpk 1.3 Processo capace ma NON centrato Tnat Tpre LSS Cp = Cpk = 0.5 Processo capace ma NON centrato FUORI TOLLERANZA LIS Tpre Tnat LSS Cp = Cpk < 0 Processo capace ma fortemente NON centrato FUORI TOLLERANZA LIS Tpre Tnat 4
5 INDICI CP e Cpk Toll. prescritta CP = Toll. naturale D crit. Cpk = 3σ LST 6σ Cpk < 1 1 Cpk = Cp Cp = Cpk 1.33 D crit. 3σ LIT CRITICO ACCETTABILE IDEALE 5
6 6
7 Richiami su Funzioni di Distribuzione Probabilità X: variabile casuale distribuita con legge normale avente media µ e varianza σ (x1, x,, xn) campione casuale di numerosità n La distribuzione della media campionaria x è N μ, DISTRIBUZIONE χ (chi quadro) σ n Se le variabili casuali x1, x,, xn sono distribuite normalmente e sono tra loro indipendenti con media = 0 e varianza = 1 allora la variabile casuale: Y = x1 + x + + xn funzione densità di probabilità del χ è distribuita con legge χ con n gradi di libertà 1 n y f (Y ) = n y 1 e n Γ Y >0 La distribuzione è asimmetrica con media µ = n e varianza σ = n n=5 f(y) Γ( n ) : funzione Euleriana di 1a specie n = 10 + Γ( n ) = e x x n 1dx n = 0 0 Funzione Euleriana di a specie 1 0 Y Β( m, n ) = x 0 m 1 n 1 (71 x ) dx
8 DISTRIBUZIONE t-student Se X e Y sono variabili casuali indipendenti rispettivamente con distribuzione normale standardizzata e con distribuzione del χ con k gradi di libertà, allora la variabile casuale x t= y k si distribuisce con la t-student ( k + 1) ( k +1 ) Γ t f (t ) = + 1 k k kπ Γ - < t < + Grafico simmetrico rispetto al valor medio t = 0 e varianza pari a k/(k - ) definita per k > f(t) 0 t 8
9 DISTRIBUZIONE F DI SNEDECOR Se W e Y sono due variabili casuali indipendenti distribuite secondo χ con gradi di libertà u e v allora il rapporto Fu,v = W u Y v si distribuisce con legge F di Snedecor u u + v u u 1 Γ x v f(x) = u v u Γ Γ x + 1 0< x< f(x) (x) 9
10 DECISIONI STATISTICHE CONSENTONO DI PRENDERE DECISIONI SU UNA POPOLAZIONE SULLA BASE DI INFORMAZIONI CAMPIONARIE. SULLA BASE DI DATI CAMPIONARI, UN PROCESSO A È MIGLIORE DI UN PROCESSO B? IPOTESI STATISTICHE PER PRENDERE UNA DECISIONE, È UTILE PORRE DEGLI ASSUNTI SULLE POPOLAZIONI. L IPOTESI STATISTICA CHE SI FORMULA È DETTA IPOTESI NULLA (Ho). OGNI IPOTESI CHE DIFFERISCE DALLA NULLA È DETTA 10 ALTERNATIVA (H1).
11 TEST DI IPOTESI (t-test) IPOTESI: TERMINE IMPIEGATO PER FORMULARE UN AFFERMAZIONE SU UNA POPOLAZIONE. es. la durata di certe batterie è di 30 ore H0: µ = 30 CON IL TEST DI IPOTESI CI SI PROPONE DI STABILIRNE LA VALIDITÀ. POSSIBILITÀ DI ERRORE 1. RIFIUTARE L IPOTESI QUANDO ESSA È VERA 1 TIPO (LIVELLO DI SIGNIFICATIVITÀ, α) RISCHIO DEL PRODUTTORE.. ACCETTARE L IPOTESI QUANDO ESSA È FALSA 11 TIPO (LIVELLO DI SIGNIFICATIVITÀ, β)
12 FORMULATA H0, SE IL RISULTATO OSSERVATO SU UN CAMPIONE CASUALE DIFFERISCE DA QUELLO ATTESO, ALLORA LA DIFFERENZA È SIGNIFICATIVA E BISOGNA RIFIUTARE L IPOTESI. REGIONE DI ACCETTAZIONE DELL IPOTESI µ REGIONI DI RIFIUTO µ µ0 µ0 1.0 PROBABILITÀ DI ACCETTARE L IPOTESI 0 µ µ0 CURVA CARATTERISTICA OPERATIVA OC α = α = 0.01 µ0 µ
13 PROCEDURA TEST IPOTESI 1. FORMULARE L IPOTESI H0: IPOTESI NULLA H1: IPOTESI ALTERNATIVA FISSARE LA PROBABILITÀ DI ERRORE DEL 1 TIPO SCEGLIERE IL PARAMETRO STATISTICO DI PROVA (z, t, F) DETERMINARE GLI ESTREMI DEL CAMPO DI ACCETTIBILITÀ PRELEVARE IL CAMPIONE, DETERMINARE IL PARAMETRO STATISTICO PRESCELTO E VERIFICARNE L APPARTENENZA O MENO AL CAMPO DI ACCETTABILITÀ y regioni di accettazione 6. CONCLUSIONE z regioni di rifiuto Rifiutiamo l ipotesi al livello di significatività dello 0.05 se il valore z della statistica cade di fuori degli estremi 1.96 e così z > Accettiamo l ipotesi in caso contrario
14 TEST SU MEDIE VARIANZA NOTA IPOTESI H0: µ = µ0 H1: µ µ0 H0: µ µ0 H1: µ < µ0 H0: µ µ0 H1: µ > µ0 H0: µ1 = µ H1: µ1 µ H0: µ1 µ H1: µ1 < µ H0: µ1 µ PARAMETRO CRITERIO DI RIFIUTO H0 Z0 > Zα x µ0 Z0 = σ n Z 0 < - Zα Z0 > Zα CONFRONTO TRA MEDIE Z0 = Z0 > Zα x1 x σ 1 σ + n1 n Z 0 < - Zα 14 Z 0 > Zα
15 Distribuzione normale 15
16 Distribuzione normale 16
17 Es.: RESISTENZA ALLO SCOPPIO DI BOTTIGLIE DI VETRO PER BIBITE Problema: SI VUOLE SAPERE SE LA PRESSIONE MEDIA DI SCOPPIO SUPERA 1 bar SI CONOSCE PER ESPERIENZA LA DEV. STD.: 0.7 bar IPOTESI NULLA H0: µ 1 bar ALTERNATIVA H1: µ > 1 bar N.B.: IL LOTTO VERRÀ ACCETTATO SE L IPOTESI NULLA È RIFIUTATA x = 1.5bar DA UN CAMPIONE RANDOM DI 5 BOTTIGLIE SI TROVA: x µ Z = = = 3.57 CALCOLO DEL PARAMETRO : 0 σ 0.7 n 5 PER α = 0.05 (RISCHIO DEL PRODUTTORE) SI TROVA: Z0.05 = 1.65 ESSENDO Z0 (VAL. SPERIMENTALE) > Z0.05, SI RIFIUTA L IPOTESI E SI 17 ACCETTA IL LOTTO
18 TEST SU MEDIE VARIANZA NON NOTA IPOTESI PARAMETRO H0: µ = µ0 H1: µ µ0 x µ0 t0 = s n H0: µ µ0 H1: µ < µ0 H0: µ µ0 H1: µ > µ0 CONFRONTO TRA MEDIE IPOTESI σ1 = σ H0: µ1 = µ H1: µ1 µ t0 = H0: µ1 µ H1: µ1 < µ H0: µ1 µ H1: µ1 > µ S POOL x1 x 1 +1 sp n1 n (n1 1)S1 + (n 1)S = n1 + n media ponderata CRITERIO DI RIFIUTO H0 t0 > tα, n-1 t0 <- tα, n-1 t0 > tα, n-1 t0 > tα, n-1 t0 < -tα, n-1 t0 > tα, n-1 18
19 CASO IN CUI NON SI CONOSCE LA VARIANZA σ PUÒ ESSERE STIMATA DAI DATI DI PROVA: s x µ Z0 t0 = s n NUMERO dei G.d.L. No. di valori indipendenti (No. Misure) - No. Valori desunti ν=n-1 SI RIFIUTA L IPOTESI SE t0 (VAL. SPERIMENTALE) > tα, ν Problema: resistenza allo scoppio di bottiglie - Hp: dati esempio precedente, ma con σ incognota SUPPONIAMO DI AVER TROVATO: s = 0.7 t0 = t0.05, 4 = =
20 Distribuzione t 0
21 Esempio: CONFRONTO TRA MEDIE (VARIANZA NON NOTA) N DI OTTANO DELLA BENZINA 1 È UGUALE AL N DI OTTANO DELLA BENZINA? H0: µ1 = µ H1: µ1 µ x = 90.1 s = BENZINA 1: BENZINA : x = 90.8 s = 1.03 SUPPONIAMO: σ1 = σ n1 = 8 n = 10 (n1 1)S1 + (n 1)S S = = n1 + n 16 SP = P per α = 0.01 t 0.005, 16 =.91 1
22 x1 x t0 = = = sp n1 n 8 10 per α = 0.05 t 0.05, 16 =.1 Essendo t0 = 1.35 <.1 si può affermare che: NON ESISTE EVIDENZA STATISTICA CHE INDICHI CHE LE DUE BENZINE ABBIANO N DI OTTANO DIVERSO.
23 TEST SULLA VARIANZA (distribuzione normale) CASO DEL CONFRONTO TRA DUE VARIANZE H 0: σ1 = σ CRITERIO DI RIFIUTO H0 F(1 α/),(n 1),(n 1) H 1: σ1 σ 1 > F0 > F( α/),(n 1),(n 1 S1 F0 = S PARAMETRO (SNEDECOR) F(1 α/),(n 1),(n 1) 1 F( α/),(n1 1),(n 1) Per stabilire se vi è differenza di variabilità fra due popolazioni da ciascuna delle quali si è estratto un campione. 3 1)
24 Es.: TEST SULLA VARIANZA DEL N DI OTTANO DEI DUE TIPI DI BENZINA H 0: σ1 = σ H 1: σ1 σ S F0 = = = 1.7 (VAL. SPERIMENTA LE) S 1.03 n1 = 8 n = 10 F0.05,7,9 = 4.0 F0.975,7,9 = 1 F0.05,9,7 = 1 = NON SI PUÒ RIFIUTARE L IPOTESI DI UGUAGLIANZA DELLE 4 VARIANZE.
25 α = 0.05 Distribuzione F 5
26 α = 0.05 Distribuzione F 6
27 α = 0.01 Distribuzione F 7
28 STIMA PER INTERVALLI UNO STIMATORE PER L INTERVALLO DI UN PARAMETRO È UN INTERVALLO RANDOM (CASUALE) IN CUI IL VALORE VERO DEL PARAMETRO CADE CON UN CERTA PROBABILITÀ Es.: STIMA DI INTERVALLO DELLA MEDIA : L µ U L, U RAPPRESENTANO I LIMITI DI UN INTERVALLO TALE CHE P{ L µ U }= 1 - α L U INTERVALLO AL (1 - α)% DI CONFIDENZA es.: α = % dove α = LIVELLO DI SIGNIFICATIVITÀ 8
29 Es.: RESISTENZA DI UN ACCIAIO DA COSTRUZIONE N σr (N / mm) x = N mm s= (x i x) n 1 per α = 5% g. d. l. = 15 = 16.6 N mm t 0.975, 15= ±.131 = ± µ In questo caso siamo interessati a non avere valori troppo bassi: occorre quindi stabilire il valore di resistenza che viene superato nel 95% dei casi per α = 5% g. d. l. = 15 t 0.95, 15= = nel 95% dei casi
30 INTERVALLO DI CONFIDENZA PER LA VARIANZA α = 0.05 ( n 1) s ( n 1 ) s σ χ α /, n 1 χ 1 α /, n 1 χ 0.05, 15 = 7.49 χ 0.975, 15 = (16 1)16.6 (16 1)16.6 σ σ σ χ α, ν
31 Percentili della distribuzione χ 31
32 Verifica della normalità di una distribuzione Esempio: controllo sulla precisione di una macchina che trancia barre di acciaio L = 100 cm. m = s = Test del χ 3
33 Valori limiti normalizzati della classe: F(-1.37) = F(-0.69) = Numero di unità che teoricamente cadono nella classe, NT: NT = [F(-0.69) - F(-1.37)] * N = ( ) * 50 = 8 H0: gli scarti tra frequenze reali (rilevate) (FR) e teoriche (FT) sono casuali Parametro statistico: χ 0 Criterio di rifiuto: χ 0 > χ α,ν 33
34 CIFRA di MERITO per ciascuna classe: Valori desunti: -taglia del campione -media -dev. stand. Gradi di libertà = No. di valori indipendenti (No. Classi) - No. Valori desunti G.d.L. = 6-3 = < χ (α=0.1, G.d.L. =3) = 6.5 Si accetta H0 34
35 ANALISI DELLA VARIANZA (ANOVA) 1. CONSENTE DI ANALIZZARE LE DIFFERENZE TRA MEDIE DI O PIÙ GRUPPI.. CONSENTE DI ANALIZZARE ESPERIMENTI PIÙ COMPLESSI: - ISOLARE DIVERSE CAUSE DI VARIABILITÀ, - STIMARE L ERRORE SPERIMENTALE. Es.: RESISTENZA DI BARRE DI ACCIAIO DA CEMENTO ARMATO PROVENIENTI DA 3 DIVERSI FORNITORI (oppure che abbiano subito diversi TRATTAMENTI) GRUPPI o TRATTAMENTI H0 : NON ESISTE UNA DIFFERENZA x.j media SIGNIFICATIVA FRA I 3 GRUPPI Parametro statistico: F0 Criterio di rifiuto: F0 > Fα,ν1,ν 35
36 IDENTITA': xij x = (xij x.j ) + (x.j x ) (*) xij = singole misure x = media generale x.j = media valori di una colonna = xij n il punto indica la somma rispetto a i Elevando al quadrato entrambi i membri della (*) e sommando rispetto a i e j si ottiene: ij ( xij x ) = ij ( xij x. j ) + n j ( x. j x ) = SS T SS W + SSB (o SSE ) SS T = variazione totale SS W = variazione all' interno dei gruppi (SSE, errore random) SSB = variazione tra i gruppi 36
37 T SST = ij x ij N 1 T SSB = jtj n N dove: T = somma di tutte le N misure Tj = x.j = somma delle misure j-esima colonna Tj T = 8196 T 8196 c= = = N 15 37
38 VARIAZIONE TOTALE : SS T = ij x ij c = = = VARIAZIONE TRA GRUPPI: somma dei quadrati delle deviazioni delle medie di gruppo (trattamento) rispetto alla media generale: SSB = + + c = SS W = SS T SSB =
39 TABELLA PER L ANALISI DELLA VARIANZA FONTE DI VARIAZIONE SOMMA QUADRATI G. D. L. VARIANZA TRATTAMENTO SSB = (*) 3 1 = MSB = ERRORE SSE = (**) 15 3 = 1 MSE = TOTALE SST = (***) 15 1 = 14 F0 p (*) N DEI GRUPPI - 1 MSB = SSB / G.D.L. (**) N MISURE TOTALI N DEI GRUPPI (***) N MISURE TOTALI - 1 MSE = SSE / G.D.L F0 = MSB / MSE 39
40 ESSENDO F0 (VAL. SPERIMENTALE) < F0.05,, 1 SI PUÒ AFFERMARE CHE NON ESISTE SIGNIFICATIVA FRA I LOTTI DI BARRE: UNA DIFFERENZA SI ACCETTA L IPOTESI : NON C È DIFFERENZA A LIVELLO DI SIGNIFICATIVITÀ α = 0.05 F0: rapporto tra la maggiore e la minore delle due varianze. Se F0 è significativo, ma la varianza entro i gruppi è maggiore di quella tra i gruppi, si devono sospettare irregolarità di campionamento, che possono invalidare l esperimento. 40
41 Elaborazione software MINITAB Probabilità di accettare H0 41
42 CONTROLLO DI ACCETTAZIONE SPC PROCESSO FORNITORE C. A. SCAMBIO PROCESSO CLIENTE SCOPO: - SAGGIARE LOTTI PER DECIDERNE LA DESTINAZIONE - NON STIMARE LA QUALITÀ DI UN LOTTO NON FORNISCE ALCUNA FORMA DIRETTA DI C.Q. ACCETTARE / RIFIUTARE LOTTI USO PRINCIPALE: STRUMENTO DI CERTIFICAZIONE PER ASSICURARE CHE IL RISULTATO DI UN PROCESSO SIA CONFORME AI REQUISITI RICHIESTI. 4
43 ESISTONO 3 MODI PER INTRAPRENDERE L ACCERTAMENTO DI UN LOTTO: - ACCETTAZIONE SENZA ISPEZIONE - ISPEZIONE 100% - Controllo di Accettazione IL C.A. CONVIENE QUANDO: LA VERIFICA È DISTRUTTIVA COSTO ISPEZIONE 100% ELEVATO ISPEZIONE 100% IMPOSSIBILE O TROPPO LUNGA TASSO DI ERRORE ISPETTIVO ELEVATO ECCELLENTE IMMAGINE QUALITÀ DEL FORNITORE 43
44 VANTAGGI: MENO COSTOSO MENO ISPEZIONI. MINOR MANEGGIAMENTO DEL PRODOTTO MENO DANNI. MINOR NUMERO DI PERSONE COINVOLTE. MENO ERRORI DI ISPEZIONE. RIFIUTO INTERO LOTTO MOTIVAZIONE NEL FORNITORE. SVANTAGGI: ACCETTARE LOTTI CATTIVI E RIFIUTARE LOTTI BUONI. MINORE INFORMAZIONE SUL PRODOTTO / PROCESSO. RICHIEDE UNA PIANIFICAZIONE E UNA DOCUMENTAZIONE DELLA PROCEDURA DI CAMPIONAMENTO. 44
45 ATTIVAZIONE DI UNA PROCEDURA DI C.A. - ESISTE UN LOTTO; - ESISTE UNA FASE DI SCAMBIO; - NECESSITÀ DI CONTROLLARE LA QUALITÀ DEL LOTTO. PIANI CAMPIONARI PER L ACCETTAZIONE: VARIABILI / ATTRIBUTI FORMAZIONE DEL LOTTO: - LOTTI OMOGENEI; - PREFERIBILMENTE GRANDI. CAMPIONAMENTO CASUALE 45
46 ELEMENTI DI PIANO CAMPIONARIO - DIMENSIONE DEL LOTTO: N - NUMEROSITÀ DEL CAMPIONE: n - NUMERO DI ACCETTAZIONE: c d c A d>c R CAPACITÀ DI SELEZIONE DEL PIANO Pa Probab. di accettazione Pa 1.0 p1 CURVA OC IDEALE pi 1 Frazione di elementi difettosi nel lotto Operativa Caratteristica CURVA OC REALE pi 46
47 Esempio DIMENSIONE LOTTO: N = 100 DIMENSIONE CAMPIONE: n = 10 NUMERO DI ACCETTAZIONE: c = 1 Pa = P(0) + P(1) N DI GRUPPI CHE SI POSSONO FORMARE CON n CAMPIONI ESTRATTI DA UN LOTTO DI N ELEMENTI: N! n! ( N n )! N in categorie D elementi difettosi B elementi buoni nel campione di n PROBABILITÀ di AVERE d ELEMENTI DIFETTOSI: D! B! d! ( D d )! b! ( B b)! P(d ) = N! n! ( N n )! 47 d b
48 Se D = 4 B = 96 FRAZIONE ELEMENTI DIFETTOSI NEL LOTTO si ha: P(0) P(1) Pa P(0) = 0.65 P(1) = 0.30 P a = 0.95: Pa pi
49 Pa Pa c3 > c n > n1 c > c1 n1 pi pi c1 CLIENTE FORNITORE: PRECISARE I RISCHI α : RISCHIO DEL FORNITORE β: RISCHIO DEL CLIENTE LQA : LIVELLO QUALITÀ ACCETTABILE LQT: LIVELLO QUALITÀ TOLLERABILE Pa 1 - α = Pa)MAX = 95% 1 α = 0.05 RISCHIO FORNITORE β = 0.1 LQA Es.: 1% LQT 6% RISCHIO CLIENTE 49
50 QUALITÀ MEDIA IN UNA FORNITURA DI PIÙ LOTTI QMR : QUALITÀ MEDIA RISULTANTE È DATA DALLA FRAZIONE DI ELEMENTI DIFETTOSI ESISTENTI NEI LOTTI ACCETTATI. QMR = Pa pi + (1 Pa ) = Pa pi PI PA QMR VALORI CALCOLATI per: N = 100 n = 10 c= 1 QMR MAX (QMR) LQMR pi
51 PIANI DOPPI n 1, n ampiezza campioni c1, c soglie di accettazione 1 campione n1 : a se d1 c1 r se d 1 > c campione n : c 1 < d1 c se a se d + d1 c r se d + d 1 > c 51
52 PIANI MULTIPLI n1, n,, nk ampiezza campioni c1, c,, ck soglie di accettazione τ1, τ,, τk soglie di rifiuto 1 campione n1 : a se d1 c1 r se d1 τ1 campione n : c1 < d1 < τ1 se a se d1 + d c r se d 1 + d τ 3 campione n3 : se c < d1 + d < τ. 5
53 PIANI SEQUENZIALI RAPPRESENTANO L ESTREMIZZAZIONE DEI PIANI MULTIPLI IN QUANTO IL SINGOLO ELEMENTO ESTRATTO COSTITUISCE LO SPUNTO PER UN MOMENTO DECISIONALE. SI SCEGLIE UN ELEMENTO DEL LOTTO E SI PRENDE UNA DECISIONE DOPO CIASCUNA PROVA DI CONTROLLO DEL SINGOLO ELEMENTO. SE IL N CUMULATIVO DEI DIFETTOSI (x) NEL CAMPIONE CONTROLLATO INCLUDENDO IN QUESTO L ULTIMO SCELTO È: IL LOTTO È RESPINTO ) x > x ) x x1 IL LOTTO È ACCETTATO ) x1 < x x SI SCEGLIE UN ALTRO ELEMENTO DA CONTROLLARE RINVIANDO LA DECISIONE AL PROSSIMO RISULTATO x > x1 53
Analisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliQuantificare la variabilità dei processi ecologici
Scopo ecologia Quantificare la variabilità dei processi ecologici Comprensione dei meccanismi fondamentale per identificare gli effetti del disturbo antropico e per prevenire alterazioni su scala globale
DettagliEsercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.
Statistica Matematica A Esercitazione # 6 DUE MEDIE CON VARIANZE NOTE: Esercizio # Le ditte A e B producono sfere luminose. Una volta attivata la reazione chimica che rende luminosa una di queste sfere,
DettagliInferenza statistica
Inferenza statistica Si tratta di un complesso di tecniche, basate sulla teoria della probabilità, che consentono di verificare se sia o no possibile trasferire i risultati ottenuti per un campione ad
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
DettagliVerona, 16/04/2010 Controllo in accettazione secondo la norma UNI ISO UNI 2859
Verona, 16/04/2010 Controllo in accettazione secondo la norma UNI ISO UNI 2859 Ing. Gianni Campatelli Accademia Italiana del Sei Sigma Agenda 1. Contesto normativo 2. Campionamento per variabili ed attributi
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche 1. Esercizio (1 marzo 211 n.
DettagliIl campionamento statistico
Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori
DettagliIl campionamento statistico. prof. C.Guida
Il campionamento statistico prof. C.Guida Per determinare le caratteristiche fondamentali di una popolazione statistica non è sempre necessario analizzare tutta la popolazione, ma risulta sufficiente esaminare
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
DettagliIL COLLAUDO DI ACCETTAZIONE
IL COLLAUDO DI ACCETTAZIONE Il collaudo di accettazione 1 Popolazione Campione Dati MISURA Processo Lotto Campione DATI CAMPIONAMENTO INTERVENTO MISURA Lotto Campione DATI CAMPIONAMENTO INTERVENTO Il collaudo
DettagliStatistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliSyllabus Start rev. 1.03
Syllabus Start rev. 1.03 Modulo 1 Concetti di base della qualità e della soddisfazione del cliente Il seguente Syllabus è relativo al Modulo 1 di EQDL Start, Concetti di base della qualità e della soddisfazione
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliVERIFICA 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
Dettagli7 Disegni sperimentali ad un solo fattore. Giulio Vidotto Raffaele Cioffi
7 Disegni sperimentali ad un solo fattore Giulio Vidotto Raffaele Cioffi Indice: 7.1 Veri esperimenti 7.2 Fattori livelli condizioni e trattamenti 7.3 Alcuni disegni sperimentali da evitare 7.4 Elementi
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliMISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
DettagliIl Metodo Scientifico
Unita Naturali Il Metodo Scientifico La Fisica si occupa di descrivere ed interpretare i fenomeni naturali usando il metodo scientifico. Passi del metodo scientifico: Schematizzazione: modello semplificato
DettagliVARIABILI ALEATORIE CONTINUE
VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliL indagine statistica
1 L indagine statistica DEFINIZIONE. La statistica è quella disciplina che si occupa della raccolta di dati quantitativi relativi a diversi fenomeni, della loro elaborazione e del loro utilizzo a fini
Dettagli1a) 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
DettagliIndice Aspetti generali sul campionamento da popolazioni finite Campionamento probabilistico Disegno campionario semplice
Indice 1 Aspetti generali sul campionamento da popolazioni finite.. 1 1.1 Rilevazionicensuarieerilevazionicampionarie... 1 1.2 Lineemetodologichediunarilevazionestatistica... 3 1.3 Popolazioni, etichette,
DettagliCorso 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
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliMetodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli
Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina
DettagliControllo 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
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliINTRODUZIONE 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;
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi
DettagliFacoltà 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
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliANALISI E GESTIONE DEI COSTI
ANALISI E GESTIONE DEI COSTI Dott.ssa Francesca Mandanici Le valutazioni di convenienza economica di breve periodo: l'analisi differenziale 18 NOVEMBRE 2010 Le applicazioni dell analisi della variabilità
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliCurva di Taratura.xls
Seconda fase: INDAGINI IN SITU PROVE SUL CALCESTRUZZO PROVE SCLEROMETRICHE COSTRUZIONE DELLE CURVE DI TARATURA: ESEMPIO Costruzione Curva di Taratura.xls Seconda fase: INDAGINI IN SITU PROVE SUL CALCESTRUZZO
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliTema 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
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliLA RISPOSTA DEI CONSUMATORI AL VOLANTINO CARTACEO E AL VOLANTINO DIGITALE
LA RISPOSTA DEI CONSUMATORI AL VOLANTINO CARTACEO E AL VOLANTINO DIGITALE Mauro Poli Direttore Affari Generali Gruppo Poli Parma, 24 ottobre 2014 L AZIENDA L identità del Gruppo Il Gruppo Poli è un azienda
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliSTATISTICA DESCRITTIVA UNIVARIATA
Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliSTATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia
STATISTICA GIUSEPPE DE NICOLAO Dipartimento di Informatica e Sistemistica Università di Pavia SOMMARIO V.C. vettoriali Media e varianza campionarie Proprietà degli stimatori Intervalli di confidenza Statistica
DettagliESAME 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
DettagliESERCIZI SVOLTI PER LA PROVA DI STATISTICA
ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI
DettagliCapitolo 11 Test chi-quadro
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova
Dettagli2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale
BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk
DettagliEsercitazione n.4 Inferenza su varianza
Esercizio 1 Un industria che produce lamiere metalliche ha ricevuto un ordine di acquisto di un grosso quantitativo di lamiere di un dato spessore. Per assicurare la qualità della propria fornitura, l
DettagliIl 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
DettagliIL CONTROLLO STATISTICO DEI PROCESSI
IL CONTOLLO STATISTICO DEI POCESSI Il controllo statistico dei processi 1 CONTOLLO STATISTICO DEL POCESSO VAIABILITA DEI POCESSI FATTOI INTENI MATEIALI MACCHINE STUMENTI DI TEST POCESSO OPEATOE TEMPO CONTOLLI
DettagliControllo di accettazione
Controllo di accettazione Introduzione Piano di campionamento singolo Curva operativa caratteristica Piano di campionamento con rettifica Piano di campionamento doppio Piano di campionamento sequenziale
DettagliITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
DettagliMetodi 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
DettagliTEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI
TEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica Parte A. Per verificare l efficacia di un farmaco
DettagliI 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
Dettaglidifferiticerti.notebook November 25, 2010 nov 6 17.29 nov 6 17.36 nov 6 18.55 Problemi con effetti differiti
Problemi con effetti differiti sono quelli per i quali tra il momento di sostentamento dei costi ed il momento di realizzo dei ricavi intercorre un certo lasso di tempo. Nei casi in cui il vantaggio è
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliElementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B
Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliConfronto tra gruppi (campioni indipendenti)
Confronto tra gruppi (campioni indipendenti) Campioni provenienti da una popolazione Normale con medie che possono essere diverse ma varianze uguali campioni: Test z or t sulla differenza tra medie 3,
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
Dettagli4. Confronto tra medie di tre o più campioni indipendenti
BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliI 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
DettagliSoluzioni Esercizi elementari
Soluzioni sercizi elementari Capitolo. carattere: itolo di Studio, carattere qualitativo ordinato modalità: Diploma, Licenza media, Laurea, Licenza elementare unità statistiche: Individui. carattere: Fatturato,
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliGli studi di bioequivalenza: cenni di statistica (*)
Gli studi di bioequivalenza: cenni di statistica (*) INTRODUZIONE La Statistica è una scienza i cui principi si basano sulla teoria delle probabilità e che si propone come scopo quello di sintetizzare
DettagliStatistica 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
DettagliPolitecnico 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,
DettagliANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliPROVA ESEGUITA DA: Ing. Roberto Grasso Uff. Consulenza Tecnica INDEX spa CLIENTE:
Ufficio Consulenza Tecnica RAPPORTO DI PROVA DATA DEL RILIEVO FONOMETRICO: 14 Marzo 2012 OGGETTO: Collaudo solaio San Giuseppe di Cassola PD PROVA ESEGUITA DA: Ing. Roberto Grasso Uff. Consulenza Tecnica
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliUniversità 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
DettagliCorso di Statistica. Corso di Laurea in Ingegneria Edile. Ingegneria Tessile. Docente: Orietta Nicolis
Corso di Statistica Corso di Laurea in Ingegneria Edile ed Ingegneria Tessile Docente: Orietta Nicolis Orario del corso: Martedì: dalle 16.00 alle 18.00 Giovedì: dalle 9.30 alle 11.30 Ricevimento: Mercoledì:
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
Dettaglil 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
DettagliModello Black-Scholes
Modello Black-Scholes R. Marfé Indice 1 Il modello Black Scholes 1.1 Formule di valutazione per le opzioni standard......... 3 1. Implementazione in VBA..................... 6 1 1 Il modello Black Scholes
DettagliStatistica Applicata all edilizia: alcune distribuzioni di probabilità
Statistica Applicata all edilizia: Alcune distribuzioni di probabilità E-mail: orietta.nicolis@unibg.it 7 marzo 20 Indice Indici di curtosi e simmetria Indici di curtosi e simmetria 2 3 Distribuzione Bernulliana
DettagliLEZIONE 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
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliConcetto 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
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliSyllabus: argomenti di Matematica delle prove di valutazione
Syllabus: argomenti di Matematica delle prove di valutazione abcdef... ABC (senza calcolatrici, senza palmari, senza telefonini... ) Gli Argomenti A. Numeri frazioni e numeri decimali massimo comun divisore,
Dettagli