Introduzione alle Control Charts e alla statistica robusta
|
|
- Placido Salvatore
- 6 anni fa
- Visualizzazioni
Transcript
1 Introduzione alle Control Charts e alla statistica robusta Relatore M. Bazzotti Dalmine,
2 Bibliografia essenziale ISO 17025:2005, chapter ISO :2014 Control Charts Part 1: General Guidelines ISO :2013 Control Charts Part 2: Shewhart control charts ISO :2012. Control charts Part 3: Acceptance control charts ISO :2011. Control charts Part 4: Cumulative sum charts ISO 7873:1993 Control charts for arithmetic average with warning limits ISO/TS 13530:2009. Water quality Guidance on analytical quality control for chemical and physicochemical water analysis
3 Corso ANGQ : Calcolo dell'incertezza di misura nelle prove elettriche L'utilizzo delle carte di controllo per assicurare la qualità dei risultati di prova
4 ISO/IEC 17025:2005 Requirements 5.9 Assuring the quality of test and calibration results The laboratory shall have quality control procedures for monitoring the validity of tests and calibrations undertaken. The resulting data shall be recorded in such a way that trends are detectable and, where practicable, statistical techniques shall be applied to the reviewing of the results.
5 ISO/IEC 17025:2005 Requirements [5.9.1] This monitoring shall be planned and reviewed and may include, but not be limited to, the following: a) regular use of certified reference materials and/or internal quality control using secondary reference materials; b) participation in interlaboratory comparison or proficiency-testing programmes; c) replicate tests or calibrations using the same or different methods; d) retesting or recalibration of retained items; e) correlation of results for different characteristics of an item Quality control data shall be analysed and, where they are found to be outside pre-defined criteria, planned action shall be taken to correct the problem and to prevent incorrect results from being reported.
6 ISO : nd Ed.
7 Bisogno delle Control Chart Le Carte di controllo sono uno strumento fondamentale di controllo statistico di processo (SPC). Esse forniscono un metodo grafico semplice utilizzabile per 1. indicare se il processo è stabile, cioè operante all'interno di un sistema stabile di cause random (casuali), noto anche come di variabilità intrinseca e indicato come «stato di controllo statistico» 2. stimare l'ampiezza della variabilità intrinseca del processo.
8 Carta di controllo Grafico completo di limiti di controllo sul quale è tracciata una misura statistica di una serie ordinata di campioni per gestire il processo rispetto a detta misura limite di controllo o CL = Control Limit: valore statistico che definisce un livello di stabilità previsto per una certa caratteristica Di solito esistono 1 o 2 limiti, superiore e inferiore: UCL=upper CL ; LCL= lower CL.
9 Z-chart Z-chart è la carta di controllo per dati continui (variabile) per valutare il processo in termini del sottogruppo standardizzato variato normale: z = (valore - target) / dispersione trasforma i dati in una distribuzione normalizzata con deviazione standard unitaria
10 Simboli n subgroup size [taglia del sottogruppo] p proportion or fraction of units R subgroup range R average of subgroup ranges s subgroup standard deviation s average of subgroup standard deviations x individual value x average of subgroup individual values
11 Processo sotto controllo In sostanza, quando un processo è «sotto controllo statistico» («in control») è possibile prevedere in modo affidabile il comportamento di tale processo, mentre quando cause speciali (o assegnabili) entrano nel sistema, il processo è soggetta ai risultati di queste cause e il risultato non può essere previsto senza informazioni circa la loro presenza e l'effetto.
12 Processo fuori controllo Un processo che non si trovi in stato di controllo statistico è detto di essere «fuori controllo» e richiede un intervento per riportarlo in tale stato. La carta di controllo serve semplicemente a identificare una mancanza di controllo.
13 Stabilità e instabilità Variazioni dovute a cause occasionali o casuali avvengono in modo casuale e si trovano di solito a obbedire certe leggi statistiche. In sostanza, quando un processo è "in controllo statistico" è possibile prevedere in modo affidabile il comportamento di tale processo. Invece quando cause speciali (o assegnabili) entrano nel sistema, il processo è soggetto agli effetti di queste cause e il risultato non può essere previsto senza informazioni circa la loro presenza e l entità dell effetto.
14 Accettanza di un processo Le carte di controllo possono anche essere usate per valutare l'accettabilità di un processo. Quando il processo è in controllo statistico, è possibile determinare, con rischi controllati di errori decisionali, se l'uscita del processo soddisfa o meno i requisiti di prodotto o servizio. Questo è più efficace quando la variabilità del processo è piccola rispetto alla tolleranza definita dalle specifiche.
15 Shewhart Cart Dr. Walter Shewhart, 1924 padre della carta di controllo come mezzo grafico per l'applicazione dei principi statistici al controllo di processo. Riconosce due tipi di variabilità. 1) variabilità casuale dovuto a «casualità» (cause comuni o naturali) che sono insite e incontrollabili. La somma dei contributi di tutti questi cause casuali identificabili è misurabile e si presume essere intrinseca al processo => si convive.
16 Shewhart Cart 2) «cause speciali» di variabilità che sono innaturali, sistematiche e controllabili. Il cambiamento può essere loro attribuito se si scopre che non fanno parte integrante del processo. Esse possono, almeno teoricamente, essere eliminate. Questo tipo di variabilità rappresenta un cambiamento reale del processo. Le cause possono essere attribuibile a questioni come la mancanza di uniformità in un materiale, uno strumento rotto, difetti di lavorazione o di procedure, prestazioni irregolari di apparecchiature, o cambiamenti ambientali.
17 Processo sotto controllo Un processo è detto di essere in controllo statistico, o semplicemente «sotto controllo», quando varia solo per «cause naturali». Quando si determina questo livello di variabilità, si può assumere che ogni deviazione da esso sia il risultato di cause speciali che devono essere identificate ed eliminate.
18 Carte continue e discrete Le carte di controllo possono essere utilizzati sia per dati «variabili» o per «attributi». I dati variabili rappresentano osservazioni su una scala continua di misura. Attributi dati rappresentano osservazioni (classificate o numerabili) ottenuti notando la presenza (o assenza) o la frequenza di occorrenza di alcune caratteristiche (ottenute da conteggio). I risultati sono poi espressi in termini di frequenze o proporzioni. I due tipi differiscono per la diversa distribuzione statistica: GAUSSIANA o di POISSON.
19 Grafico di Shewhart consente di visualizzare una misura statistica ottenuta da dati variabili o attributi. La carta di controllo richiede dati da sottogruppi razionali da prendere ad intervalli approssimativamente regolari dal processo.
20 Limiti della carta di Shewhart I limiti di controllo (UCL e LCL) sulla carta di Shewhart sono posti a distanza di 3 sigma da ambo i lati della linea centrale (CL), dove sigma è la deviazione standard della popolazione (nota o stimata).
21 3 σ = 99,7% [Gaussiana] Sotto l'assunto che la statistica sia distribuita normalmente il limite 3 sigma indica che il 99,7% dei valori sarà incluso entro i limiti di controllo, purché il processo sia sotto controllo statistico. Interpretato in un altro modo, vi è un rischio dello 0,3%, ovvero una media di tre volte su 1000, che il punto sia oltre l UCL o il LCL.
22 Fase 1 e Fase 2 Fase 1: stadio iniziale in cui si raccolgono dati storici per popolare la nostra carta di controllo e tracciare le linee di controllo (LC, UCL, LCL) Fase 2: stadio di mantenimento in cui si ottengono ulteriori dati dal processo per mantenere l'affidabilità delle stime dei parametri di uscita. Detta anche «fase di monitoraggio». Quando si individuano cause speciali e si adottano azioni correttive, si eliminano i dati passati e si rideterminano i parametri di controllo ripartendo dalla Fase 1.
23 Fase 1 Si ottiene la migliore stima del misurando dal valore atteso determinando i contributi con statistica di Tipo B (GUM) metodo Bottom-Up: Y f ( X ) f ( X, X,... X ) 1 2 N Poniamo CL= i «valore atteso» e l incertezza tipo u(x i ) dai dati disponibili in letteratura Si espande l incertezza di misura per il C.L. accettato dal Laboratorio (95,5%) usando la distribuzione rettangolare: U( i ) = k p u( i ) ove k p è un fattore di copertura che va individuato (k p =2)
24 Fase 1 - continuazione
25 Fase 1 - continuazione Si traccia il grafico Z-chart dei punti trovati Vm/Va ,01 0, ,010 1,005 [Vcc]m/[Vcc]a 2014 [Vac]m/[Vac]a 2014 UCL 1,000 LCL 0,995 CL 0,990
26 Fase 2 Si ripetono le misure periodicamente e si stimano gli z-score peggiori valutandone i discostamenti: 0 < Z-score < 2 sotto controllo 2 < Z-score < 3 segnale di WARNING Z-score > 3 segnale di ACTION Lo Z-score peggiorativo diventa la «figura di merito» del misurando
27 Amplificatore guastato GUADAGNO AMPLIFICATORE IFI 6189 Freq. [MHz] G [db] 2008 G [db] 2009 G [db] 2010 G [db] 2011 G [db] 2012 G [db] 2013 G [db] 2014 Unc. [db] CL Sigma UCL LCL 80,00 52,59 52,06 52,08 52,30 52,32 53,07 52,27 0,11 52,38 0,35 53,08 51,68 0,280 0,95 1,96 100,00 58,10 57,69 57,67 58,07 57,93 58,87 57,66 0,11 58,00 0,43 58,85 57,14 0,342 0,76 2,04 200,00 52,77 52,29 52,23 53,13 52,90 53,39 52,90 0,11 52,80 0,42 53,64 51,96 0,337 0,17 1,40 300,00 55,22 54,49 54,71 54,26 55,07 55,44 54,38 0,11 54,80 0,45 55,70 53,89 0,362 0,35 1,42 400,00 59,51 58,73 58,68 59,03 58,94 59,19 58,69 0,11 58,97 0,31 59,58 58,35 0,245 0,31 0,73 500,00 58,86 58,46 58,29 59,01 58,98 59,88 58,82 0,11 58,90 0,51 59,92 57,88 0,407 0,87 1,93 600,00 54,16 53,68 53,47 53,78 53,90 54,94 53,94 0,11 53,98 0,47 54,93 53,03 0,380 0,79 2,02 700,00 59,15 58,52 58,33 58,11 58,41 59,52 58,61 0,11 58,66 0,50 59,66 57,67 0,397 0,76 1,73 800,00 56,95 56,56 56,36 56,59 56,85 57,90 56,77 0,11 56,85 0,50 57,86 55,85 0,401 0,76 2,08 900,00 55,56 54,75 54,55 54,60 54,79 55,74 54,73 0,11 54,96 0,48 55,92 54,00 0,385 0,42 1, ,00 59,45 59,03 58,84 59,80 60,00 61,20 59,55 0,11 59,70 0,78 61,25 58,14 0,622 1,94 CONF. norm. RSQ z-scores ,00 60,00 59,00 58,00 57,00 56,00 55,00 54,00 53,00 G [db] ,00 51,00 80,00 800,00 UCL LCL
28 Kiviat Diagram G [db] 1000,00 80,00 61,00 59,00 57,00 100, ,00 800,00 55,00 53,00 51,00 49,00 47,00 200,00 300, UCL 700,00 400,00 LCL 600,00 500,00
29 Esempio del Surge Tensione Vi Unc. Polarità UCL LCL [kv] [db] CL Sigma Min Max ,40-3,60 0,12 1,0098 5,8E-02 0,893 1,126 ANNO Vm / Vi Lim. Sup. Lim. Inf. z-score Min Max ,08 1,10 0,90 1,15 0,893 1, ,98 1,10 0,90-0,51 0,893 1, ,97 1,10 0,90-0,64 0,893 1,126 Vm / Vi a -4 kv - N ,15 1,13 1,11 1,09 1,07 1,05 1,03 1,01 0,99 0,97 0,95 0,93 0,91 0,89 0,87 0, Vm/Vi UCL LCL Min. 2 Sigma Max. 2 Sigma CL
30 Anomalie statistiche
31 Monotonicità
32 Alternanza
33 Due tipi di Carte di controllo Ogni carta di controllo di Shewhart (sia variabili sia attributo) ha due distinte tipologie nel caso: a) non esistono valori prefissati dei parametri di processo; b) esistono valori prefissati dei parametri di processo. Valori prefissati = valori «target» o ottenuti da una autorità (ad es. centro primario di taratura, costruttore, ecc.).
34 Carta di controllo per dati continui Albero decisionale
35 Z-score in Statistica [1/2] La fortuna dello Z-score in statistica è legata alla sua capacità di uniformare i dati provenienti da più distribuzioni e confrontarli grazie alla Standardizzazione statistica. La Standardizzazione statistica è il procedimento che riconduce una variabile aleatoria distribuita secondo una media μ e varianza σ², ad una variabile aleatoria con distribuzione standard, ossia μ=0 e varianza σ=1. Z X
36 Z-Score in Economia Storicamente l indice Z-Score nasce nel 1968 come modello previsionale per studiare la probabilità di fallimento di 66 aziende USA basandosi su solo 8 parametri del loro bilancio Lo Z-Score è un indice che serve per determinare con tecniche statistiche le probabilità P di fallimento di una società: P è alta, se lo Z-Score è < 1,79; P è bassa se lo Z-Score è > 3. L accuratezza (livello di confidenza) è del 95,5 %.
37 Z-score in Statistica [2/2] Il procedimento prevede di sottrarre alla variabile aleatoria la sua media e dividere il tutto per la deviazione standard (σ), ovvero utilizzando la formula utile a trovare i punti zeta (Z-score o Standard score): Z X Quindi Z-score è calcolato per un valore singolo e indica la distanza di quel valore dal valor medio in unità di deviazione standard
38 Proprietà dello Z-score Z-score positivo indica un valore sopra la media Z-score negativo indica un valore sotto la media Z-score è il numero di σ tra X e μ X X Z 0 X X Z 0 Z X Z X
39 Proprietà dello Z-score Z-score crescenti sono valori via via più lontani dalla media X Z cresce al crescere di X Z-score =0 indica la media: X Z 0 X
40 Distribuzione Gaussiana Standard Si immagini di aver calcolato per ogni punto dei dati lo Z-score, si avrà un nuovo set con alcune proprietà: Il valor medio è 0 e la Standard deviation è 1 Lo Z-score di ognuno dei nuovi valori è il valore stesso (Z 0 / 1 = Z) Se i dati originali avevano distribuzione Gaussiana, anche la distribuzione dei loro Z-score è gaussiana: Z-distribution
41 Robustezza statistica La statistica robusta è un campo della statistica che sviluppa metodi per la stima e l'inferenza con buone proprietà di stabilità in presenza di deviazioni dal modello parametrico assunto. Aspetti salienti: Stimatori pesati stima robusta in presenza di valori anomali e dati mancanti.
42 Z-Distribution (Gaussian)
43 Z-Distribution La cosa utile della Z-distribuzione è che i suoi valori (essendo Z-score) possono essere consultati direttamente in Z-tabelle e quindi convertiti in probabilità. Naturalmente, è sempre possibile convertire i valori originali in Z-score, come e quando si desideri
44 Definizione rigorosa Una statistica si dice robusta se produce risultati inferenziali che sono relativamente insensibili a modifiche nelle assunzioni del modello statistico. L'inferenza statistica (o statistica inferenziale) è il procedimento per cui si inducono le caratteristiche di una popolazione dall'osservazione di una parte di essa, detta campione Modello statistico è la famiglia di distribuzione di probabilità che si presume approssimi sufficientemente bene (o addirittura contenga), il meccanismo probabilistico che ha generato i dati disponibili. La specificazione di un modello statistico dipende dall obiettivo dell analisi e dalle informazioni che a priori si hanno sulla popolazione da cui i dati sono tratti e sul tipo di campionamento
45 Esempio di statistica non robusta Esistenza terrena di 6 avi del sig. Rossi V(1)=70 ; V(2)=74 ; V(3)=79 ; V(4)=80 ; V(5)=81 ; V(6)=85 La statistica ha μ= 78,2 e σ = 5,3 Se V(7) = 0 (morte prematura) si avrà una nuova statistica con μ= 67 e σ = 30,0! La statistica è chiaramente NON robusta, in quanto è molto sensibile ad un dato inatteso!
46 Proprietà dello Z-score Z-score può essere un qualsiasi numero intero o frazione senza limiti Z-score si utilizza solo se la distribuzione è simmetrica (come la Gaussiana) Si può convertire Z-Score in probabilità effettiva usando le Z-tables (solo per dati normalmente distribuiti)
47 Proprietà della Z-Distribution Metà dei dati della Z-distribution sono negativi, ovvero sono sotto la media μ=0 Metà dei dati della Z-distribution sono positivi, ovvero sono sopra la media μ=0 Se si sommano tutti i dati della Z-distribution si ottiene il valore 0
48 Significato della Z-Table Ogni valore della Z-Table per z indica l area sotto la Z-distribution alla sinistra di z. Il significato statistico è la probabilità cumulativa della Z-distribution : Area = P ( z Z-score) Esempio di Tabella per Z-Score negativo e positivo Z-score 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 3,4 P(z -3,49) P(z -3,48) P(z -3,47) P(z -3,46) P(z -3,45) P(z -3,44) P(z -3,43) P(z -3,42) P(z -3,41) P(z -3,40) Z-score 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 P(z 0,0) P(z 0,01) P(z 0,02) P(z 0,03) P(z 0,04) P(z 0,05) P(z 0,06) P(z 0,07) P(z 0,08) P(z 0,09)
49 Z-Table (negative) Z-score 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 3,4 0,0002 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 3,3 0,0003 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0005 0,0005 0,0005 3,2 0,0005 0,0005 0,0005 0,0006 0,0006 0,0006 0,0006 0,0006 0,0007 0,0007 3,1 0,0007 0,0007 0,0008 0,0008 0,0008 0,0008 0,0009 0,0009 0,0009 0,0010 3,0 0,0010 0,0010 0,0011 0,0011 0,0011 0,0012 0,0012 0,0013 0,0013 0,0013 2,9 0,0014 0,0014 0,0015 0,0015 0,0016 0,0016 0,0017 0,0018 0,0018 0,0019 2,8 0,0019 0,0020 0,0021 0,0021 0,0022 0,0023 0,0023 0,0024 0,0025 0,0026 2,7 0,0026 0,0027 0,0028 0,0029 0,0030 0,0031 0,0032 0,0033 0,0034 0,0035 2,6 0,0036 0,0037 0,0038 0,0039 0,0040 0,0041 0,0043 0,0044 0,0045 0,0047 2,5 0,0048 0,0049 0,0051 0,0052 0,0054 0,0055 0,0057 0,0059 0,0060 0,0062 2,4 0,0064 0,0066 0,0068 0,0069 0,0071 0,0073 0,0075 0,0078 0,0080 0,0082 2,3 0,0084 0,0087 0,0089 0,0091 0,0094 0,0096 0,0099 0,0102 0,0104 0,0107 2,2 0,0110 0,0113 0,0116 0,0119 0,0122 0,0125 0,0129 0,0132 0,0136 0,0139 2,1 0,0143 0,0146 0,0150 0,0154 0,0158 0,0162 0,0166 0,0170 0,0174 0,0179 2,0 0,0183 0,0188 0,0192 0,0197 0,0202 0,0207 0,0212 0,0217 0,0222 0,0228 1,9 0,0233 0,0239 0,0244 0,0250 0,0256 0,0262 0,0268 0,0274 0,0281 0,0287 1,8 0,0294 0,0301 0,0307 0,0314 0,0322 0,0329 0,0336 0,0344 0,0351 0,0359 1,7 0,0367 0,0375 0,0384 0,0392 0,0401 0,0409 0,0418 0,0427 0,0436 0,0446 1,6 0,0455 0,0465 0,0475 0,0485 0,0495 0,0505 0,0516 0,0526 0,0537 0,0548 1,5 0,0559 0,0571 0,0582 0,0594 0,0606 0,0618 0,0630 0,0643 0,0655 0,0668 1,4 0,0681 0,0694 0,0708 0,0721 0,0735 0,0749 0,0764 0,0778 0,0793 0,0808 1,3 0,0823 0,0838 0,0853 0,0869 0,0885 0,0901 0,0918 0,0934 0,0951 0,0968 1,2 0,0985 0,1003 0,1020 0,1038 0,1056 0,1075 0,1093 0,1112 0,1131 0,1151 1,1 0,1170 0,1190 0,1210 0,1230 0,1251 0,1271 0,1292 0,1314 0,1335 0,1357 1,0 0,1379 0,1401 0,1423 0,1446 0,1469 0,1492 0,1515 0,1539 0,1562 0,1587 0,9 0,1611 0,1635 0,1660 0,1685 0,1711 0,1736 0,1762 0,1788 0,1814 0,1841 0,8 0,1867 0,1894 0,1922 0,1949 0,1977 0,2005 0,2033 0,2061 0,2090 0,2119 0,7 0,2148 0,2177 0,2206 0,2236 0,2266 0,2296 0,2327 0,2358 0,2389 0,2420 0,6 0,2451 0,2483 0,2514 0,2546 0,2578 0,2611 0,2643 0,2676 0,2709 0,2743 0,5 0,2776 0,2810 0,2843 0,2877 0,2912 0,2946 0,2981 0,3015 0,3050 0,3085 0,4 0,3121 0,3156 0,3192 0,3228 0,3264 0,3300 0,3336 0,3372 0,3409 0,3446 0,3 0,3483 0,3520 0,3557 0,3594 0,3632 0,3669 0,3707 0,3745 0,3783 0,3821 0,2 0,3859 0,3897 0,3936 0,3974 0,4013 0,4052 0,4090 0,4129 0,4168 0,4207 0,1 0,4247 0,4286 0,4325 0,4364 0,4404 0,4443 0,4483 0,4522 0,4562 0,4602 0,0 0,4641 0,4681 0,4721 0,4761 0,4801 0,4840 0,4880 0,4920 0,4960 0,5000
50 Z-Table (positive) Z-score 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359 0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753 0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141 0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517 0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879 0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224 0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549 0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852 0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133 0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389 1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621 1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830 1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015 1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177 1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319 1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441 1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545 1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633 1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706 1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767 2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817 2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857 2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890 2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916 2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936 2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952 2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964 2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974 2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981 2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986 3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990 3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
51 Esempi con Z-scores I voti all esame di un professore sono distribuiti normalmente con μ=80 e σ=5. Qual è la probabilità che uno studente prenda 82 o meno? Qual è la probabilità che uno studente prenda 90 o più? Qual è la probabilità che uno studente prenda da 74 a 82?
52 Esempio 1 μ=80 e σ=5; P(X 82)? Trasformiamo in Z-score P(X 82) = P (Z (82-μ)/σ) P (Z (82-80)/5) = P (Z 0,4) = 0,6554 P(X 82) = 65,54 % 0,4 0,6554
53 Esempio 2 μ=80 e σ=5; P(X 90)? Trasformiamo in Z-score P(X 90) = P (Z (90-μ)/σ) P (Z (90-80)/5) = P (Z 2,0) = 1- P (Z 2,0) P(X 90) = 1 0,9772 = 0,0228 P(X 90) = 2,28 % 2,0 0,9772
54 Esempio 3 μ=80 e σ=5; P(74 X 82)? Noto che P(74 X 82) = P(X 82) - P(X 74) Trasformiamo in Z-score P (Z (82-80)/5) - P (Z (74-80)/5) = P (Z 0,4) P(Z -1,2) = 0,6554 0,1151 P(74 X 82) = 0,5403 P(X 90) = 54,03 % 0,4 0,6554 1,2 0,1151
55 Z-Score & Measurement Uncertainty Riscriviamo σ della nostra distribuzione come proveniente dalla dispersione dei valori del misurando dovuti a due contributi all incertezza di misura u e u xi i x u i 2 xi u 2
56 Interlaboratory Proficiency Test IPT sono programmi di garanzia della qualità statistica generalmente guidati da un coordinatore, che consentono ai laboratori di valutare le loro prestazioni nello svolgimento di prove normate i cui dati misurati sono confrontati con altri laboratori che partecipano allo stesso programma. Il rapporto di sintesi finale fornisce i risultati di tutti i laboratori (in forma anonima) e il loro trattamento statistico
57 ISO : 2005 Statistical methods for use in proficiency testing by interlaboratory comparisons Statistical methods for organizers to use to analyse the data obtained from proficiency testing schemes, and by giving recommendations on their use in practice by participants in such schemes and by accreditation bodies. ISO 13528:2005 can be applied to demonstrate that the measurement results obtained by laboratories do not exhibit evidence of an unacceptable level of bias. It is applicable to quantitative data but not qualitative data.
58 Statistica interlaboratorio Si assuma che il risultato della misurazione fornita dal laboratorio i-esimo ad una certa frequenza sia x i : questo valore è confrontato con il valore di riferimento X (noto a priori) del coordinatore per fornire la deviazione a priori i x i Al valore x i corrisponde una incertezza u xi = (U lab ) i /2 ove (U lab ) i è l incertezza estesa fornita dal laboratorio i-esimo. Al valore X corrisponde una deviazione standard σ nota ed un incertezza di misura estesa U ref = 2 u X nota. X
59 Statistica a posteriori Il risultato x i della misurazione fornita dal laboratorio i-esimo è confrontato anche con il valore di riferimento a posteriori x* * X assegnato dal coordinatore sulla base dei risultati ottenuti da tutti i laboratori attraverso la media robusta * delle deviazioni i = x i X calcolate precedentemente. A x* è associata la deviazione standard s* anch essa robusta.
60 Statistica omogenea Attraverso la deviazione a priori i e la media robusta * delle deviazioni a posteriori abbiamo reso omogenei i dati raccolti con diversi metodi dai vari Laboratori nel circuito interlaboratorio. Adesso si introducono gli Z-Scores per i laboratori e il coordinatore come z x i s* x*
61 Z-Scores a priori e posteriori Adesso si introducono gli Z-Scores per ciascun laboratorio come i x u i 2 xi X u X 2 e lo Z-Score della statistica robusta a posteriori z x i s* x*
STATISTICHE DESCRITTIVE Parte II
STATISTICHE DESCRITTIVE Parte II INDICI DI DISPERSIONE Introduzione agli Indici di Dispersione Gamma Differenza Interquartilica Varianza Deviazione Standard Coefficiente di Variazione introduzione Una
DettagliIncertezza di Misura: Concetti di Base
Incertezza di Misura: Concetti di Base Roberto Ottoboni Dipartimento di Elettrotecnica Politecnico di Milano 1 Il concetto di misura Nella sua accezione più comune si è sempre inteso come misura di una
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
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
DettagliIl confronto fra medie
L. Boni Obiettivo Verificare l'ipotesi che regimi alimentari differenti non producano mediamente lo stesso effetto sulla gittata cardiaca Ipotesi nulla IPOTESI NULLA La dieta non dovrebbe modificare in
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
Dettaglia.a Esercitazioni di Statistica Medica e Biometria Corsi di Laurea triennali Ostetricia / Infermieristica Pediatrica I anno
a.a. 2007-2008 Esercitazioni di Statistica Medica e Biometria Corsi di Laurea triennali Ostetricia / Infermieristica Pediatrica I anno Dott.ssa Daniela Alessi daniela.alessi@med.unipmn.it 1 Argomenti:
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 18 febbraio 2016 (9.00/13.00)
DettagliLezioni del Corso di Fondamenti di Metrologia
Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia 11. Taratura nel settore dimensionale Indice Taratura di Calibri (UNI 9313) Taratura di comparatori (UNI 9191) Taratura di micrometri
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
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:
DettagliEsercitazioni di statistica
Esercitazioni di statistica Intervalli di confidenza Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 10 Dicembre 2014 Stefania Spina Esercitazioni di statistica 1/43 Stefania Spina
DettagliLezione 4 a - Misure di dispersione o di variabilità
Lezione 4 a - Misure di dispersione o di variabilità Abbiamo visto che la media è una misura della localizzazione centrale della distribuzione (il centro di gravità). Popolazioni con la stessa media possono
DettagliCAMPIONAMENTO - ALCUNI TERMINI CHIAVE
CAMPIONAMENTO - ALCUNI TERMINI CHIAVE POPOLAZIONE = qualsiasi insieme di oggetti (unità di analisi) di ricerca N = ampiezza della popolazione PARAMETRI = caratteristiche della popolazione [media, proporzione
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
DettagliConcetti principale della lezione precedente
Corso di Statistica medica e applicata 9 a Lezione Dott.ssa Donatella Cocca Concetti principale della lezione precedente I concetti principali che sono stati presentati sono: Variabili su scala nominale
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
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 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
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
DettagliLA LUNGHEZZA DEI GENI UMANI (Es4.1)
STATISTICA INFERENZIALE: le caratteristiche della popolazione complessiva sono indotte da quelle osservate su un campione estratto dalla popolazione stessa(esempio exit poll) PROBLEMA: dato un campione
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliSintesi dei dati in una tabella. Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6)
Sintesi dei dati in una tabella Misure di variabilità (cap. 4) Misure di forma (cap. 5) Statistica descrittiva (cap. 6) Sintesi dei dati Spesso si vuole effettuare una sintesi dei dati per ottenere indici
DettagliCircuiti Interlaboratorio: gestione dei risultati
Circuiti Interlaboratorio: gestione dei risultati M. Patriarca, A. Menditto Convegno L ACCREDITAMENTO DEI LABORATORI PER LA SICUREZZA ALIMENTARE 1 a edizione 2005-25-26 ottobre 2005, Aula Magna ISS Viale
DettagliProcedura operativa per il calcolo dell incertezza
Procedura operativa per il calcolo dell incertezza 1 Le procedure di seguito riportate vengono utilizzate per stimare l incertezza della preparazione dei materiali di riferimento da parte di ULTRA Scientific
DettagliCapitolo 6. La distribuzione normale
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliDistribuzioni di Probabilità
Distribuzioni di Probabilità Distribuzioni discrete Distribuzione uniforme discreta Distribuzione di Poisson Distribuzioni continue Distribuzione Uniforme Distribuzione Gamma Distribuzione Esponenziale
DettagliINCERTEZZA DI MISURA SECONDO NORME CEI
CORSO DI FORMAZIONE AMBIENTALE TECNICHE DI MISURA DEI CAMPI ELETTROMAGNETICI IN ALTA E BASSA FREQUENZA INCERTEZZA DI MISURA SECONDO NORME CEI Ing. Valeria Canè Servizio Agenti Fisici 1 UNA MISURA E un
DettagliAnalisi 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
DettagliELABORAZIONE STATISTICA DEI DATI NMR NEL PRIMO CONFRONTO INTERLABORATORIO RETELAB
Bari, 11 Novembre 2013 ELABORAZIONE STATISTICA DEI DATI NMR NEL PRIMO CONFRONTO INTERLABORATORIO RETELAB Dott.ssa Innovative Solutions S.r.l. Società Spin Off del Politecnico di Bari qualita@innovative-solutions.it
DettagliEsercitazioni di Metodologia
Esercitazioni di Metodologia Dott.ssa Gabriella Agrusti Università degli Studi Roma Tre Riprendiamo il discorso Centili Rango centile Punti z.. Punti T Repetita iuvant Il centile è il valore al di sotto
DettagliUniversità degli Studi di Cassino Facoltà di Ingegneria. Lezioni del Corso di Misure Meccaniche e Termiche. G.04 La Conferma Metrologica
Facoltà di Ingegneria Lezioni del Corso di Misure Meccaniche e Termiche G.04 La Conferma Metrologica Il termine Conferma metrologica non è presente nella norma UNI CEI EN ISO/IEC 17025. Per conoscere il
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 15: Metodi non parametrici 1 Metodi non parametrici Statistica classica La misurazione avviene con
DettagliProbabilità. Ing. Ivano Coccorullo
Ing. Ivano Coccorullo PROBABILITA Teoria della Eventi certi, impossibili e casuali Nella scienza e nella tecnologia è fondamentale il principio secondo il quale ogni volta che si realizza un insieme di
Dettagli5.9. Assicurazione qualità dei risultati Il laboratorio deve avere procedure di controllo qualità per monitorare la validità delle prove e o delle
5.9. Assicurazione qualità dei risultati Il laboratorio deve avere procedure di controllo qualità per monitorare la validità delle prove e o delle tarature eseguite. I dati risultanti devono essere registrati
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
1 STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
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
DettagliMetodologia di applicazione dei modelli di massima verosimiglianza per il trattamento dei dati missing
Metodologia di applicazione dei modelli di massima verosimiglianza per il trattamento dei dati missing Erminio A. Bonizzoni Congresso nazionale BIAS 9/3 aprile 9 Sesto Fiorentino Firenze Stimatori di Massima
DettagliImportanza delle incertezze nelle misure fisiche
Importanza delle incertezze nelle misure fisiche La parola errore non significa equivoco o sbaglio Essa assume il significato di incertezza da associare alla misura Nessuna grandezza fisica può essere
DettagliSENSORE PER LA MISURA DEL RUMORE (IL FONOMETRO)
SENSORE PER LA MISURA DEL RUMORE (IL FONOMETRO) Il fonometro è un dispositivo elettroacustico per la misura del livello di pressione sonora. La sua funzione principale p è quella di convertire un segnale
DettagliLETTI PER VOI: L uso delle tecniche di matching nella valutazione di efficacia di un farmaco. Cinzia Di Novi. Università Ca Foscari di Venezia,
LETTI PER VOI: L uso delle tecniche di matching nella valutazione di efficacia di un farmaco Cinzia Di Novi Università Ca Foscari di Venezia, Dipartimento di Economia Il matching statistico è sempre più
DettagliDETERMINAZIONE DEI DIAMETRI E CONTROLLO FRA LABORATORI
Gruppo Interregionale Fibre Coordinamento Tecnico Interregionale della Prevenzione nei Luoghi di Lavoro C.T.I.P.L.L. CLASSIFICAZIONE DI MMVFs DETERMINAZIONE DEI DIAMETRI E CONTROLLO FRA LABORATORI Studio
DettagliSTATISTICA DESCRITTIVA. Elementi di statistica medica GLI INDICI INDICI DI DISPERSIONE STATISTICA DESCRITTIVA
STATISTICA DESCRITTIVA Elementi di statistica medica STATISTICA DESCRITTIVA È quella branca della statistica che ha il fine di descrivere un fenomeno. Deve quindi sintetizzare tramite pochi valori(indici
DettagliMetodologie informatiche per la chimica
Metodologie informatiche per la chimica Dr. Sergio Brutti Metodologie di analisi dei dati Strumenti di misura Uno strumento di misura e un dispositivo destinato a essere utilizzato per eseguire una misura,
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
Dettaglivalore di a: verso l alto (ordinate crescenti) se a>0, verso il basso (ordinate decrescenti) se a<0;
La parabola è una particolare conica definita come è una curva aperta, nel senso che non può essere contenuta in alcuna superficie finita del piano; è simmetrica rispetto ad una retta, detta ASSE della
DettagliESERCITAZIONE DI LABORATORIO A: VERIFICA DI STRUMENTAZIONE DI LABORATORIO
ESERCITAZIONE DI LABORATORIO A: VERIFICA DI STRUMENTAZIONE DI LABORATORIO La prova ha come scopo quello di verificare se uno strumento, o una particolare funzione di misura di uno strumento multifunzione,
DettagliASPETTI STATISTICI. Master Universitario di II Livello Ricerca e Sviluppo Pre-Clinico e Clinico del Farmaco Modulo 4 Sviluppo Clinico dei Farmaci
Master Universitario di II Livello Ricerca e Sviluppo Pre-Clinico e Clinico del Farmaco Modulo 4 Sviluppo Clinico dei Farmaci ASPETTI STATISTICI Docente: Prof. Antonio MARZO e-mail: antoniop.marzo@libero.it
DettagliAccuratezza, precisione, tipi di errori e cifre significative dei dati analitici.
Accuratezza, precisione, tipi di errori e cifre significative dei dati analitici. Indice: 1. Lettura della buretta pag.2 2. Precisione ed Accuratezza pag.3 3. Tipi di errori pag.4 4. Affidabilità di una
DettagliLa Distribuzione Normale (Curva di Gauss)
1 DISTRIBUZIONE NORMALE o DISTRIBUZIONE DI GAUSS 1. E la più importante distribuzione continua e trova numerose applicazioni nello studio dei fenomeni biologici. 2. Fu proposta da Gauss (1809) nell'ambito
DettagliRISPOSTA ALLA SELEZIONE
RISPOSTA ALLA SELEZIONE Una volta valutati e scelti i riproduttori secondo criteri di selezione precisi, è necessario stimare la risposta ottenibile con un determinato progetto selettivo e verificare a
Dettagli12) Metodo dei minimi quadrati e linea di tendenza
12) Metodo dei minimi quadrati e linea di tendenza 43 Si supponga di avere una tabella di dati {y exp i} i=1,,n in funzione di altri dati {x i } i=1,,n che siano il risultato di una qualche misura sperimentale.
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
DettagliTOLLERANZE DIMENSIONALI DESIGNAZIONE DI FORI E ALBERI
TOLLERANZE DIMENSIONALI DESIGNAZIONE DI FORI E ALBERI Nel ciclo di lavorazione di un pezzo meccanico ci sono inevitabili errori che rendono impossibile il rispetto delle esatte misure riportate nel disegno.
DettagliMISURE DI SINTESI 54
MISURE DI SINTESI 54 MISURE DESCRITTIVE DI SINTESI 1. MISURE DI TENDENZA CENTRALE 2. MISURE DI VARIABILITÀ 30 0 µ Le due distribuzioni hanno uguale tendenza centrale, ma diversa variabilità. 30 0 Le due
Dettaglicodifica in virgola mobile (floating point)
codifica in virgola mobile (floating point) Del tutto simile a cosiddetta notazione scientifica o esponenziale Per rappresentare in modo compatto numeri molto piccoli o molto grandi e.g. massa dell elettrone
DettagliPrestazioni di accuratezza e precisione del sistema Accu-Chek Active. Introduzione. Metodo
Prestazioni di accuratezza e precisione del sistema Accu-Chek Active I. ACCURATEZZA L'accuratezza del sistema è stata valutata in conformità con ISO 15197. Introduzione Lo scopo dello studio era di determinare
DettagliStatistica descrittiva: misure di associazione
Statistica descrittiva: misure di associazione L analisi di regressione permette di esplorare le relazioni tra due insiemi di valori (p.e. i valori di due attributi di un campione) alla ricerca di associazioni.
DettagliUNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA. Prof.ssa Donatella Siepi tel:
UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525 2 LEZIONE Statistica descrittiva STATISTICA DESCRITTIVA Rilevazione dei dati Rappresentazione
Dettagli4.11 CONTROLLO DELLE APPARECCHIATURE
Unione Industriale 61 di 94 4.11 CONTROLLO DELLE APPARECCHIATURE PER PROVA, MISURAZIONE E COLLAUDO 4.11.1 Generalità Il capitolo indica le modalità con cui devono essere gestite le apparecchiature di controllo,
DettagliStatistica. Campione
1 STATISTICA DESCRITTIVA Temi considerati 1) 2) Distribuzioni statistiche 3) Rappresentazioni grafiche 4) Misure di tendenza centrale 5) Medie ferme o basali 6) Medie lasche o di posizione 7) Dispersione
DettagliLa definizione e i principi dell estimo
La definizione e i principi dell estimo 17.II.2009 La definizione della disciplina Secondo C. Forte e B. de Rossi (Principi di economia ed Estimo) l estimo è la parte della scienza economica definibile
DettagliEconometria. lezione 13. validità interna ed esterna. Econometria. lezione 13. AA 2014-2015 Paolo Brunori
AA 2014-2015 Paolo Brunori popolazione studiata e popolazione di interesse - popolazione studiata: popolazione da cui è stato estratto il campione - popolazione di interesse: popolazione per la quale ci
DettagliLezione 39: la legge di Ohm e i circuiti elettrici
Lezione 39 - pag.1 Lezione 39: la legge di Ohm e i circuiti elettrici 39.1. Il circuito elementare Nella scorsa lezione abbiamo rappresentato in modo più o meno realistico alcuni circuiti elettrici particolarmente
DettagliEQUAZIONI CON VALORE ASSOLUTO DISEQUAZIONI CON VALORE ASSOLUTO
EQUAZIONI CON VALORE AOLUTO DIEQUAZIONI CON VALORE AOLUTO Prima di tutto: che cosa è il valore assoluto di un numero? Il valore assoluto è quella legge che ad un numero (positivo o negativo) associa sempre
DettagliCapitolo 7. Distribuzioni campionarie. Statistica. Levine, Krehbiel, Berenson
Levine, Krehbiel, Berenson Statistica Capitolo 7 Distribuzioni campionarie Insegnamento: Statistica Applicata Corsi di Laurea in "Scienze e tecnologie Alimentari" Unità Integrata Organizzativa Agraria,
DettagliStrumenti di base per l analisi descrittiva della mortalità a livello locale
Strumenti di base per l analisi descrittiva della mortalità a livello locale Il ritorno informativo a disposizione delle Aziende ULSS Montecchio Precalcino, 22 marzo 2013 Elena Schievano, Francesco Avossa
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI I METODI PER IL CONFRONTO DI MEDIE (Campioni non indipendenti) Prof.ssa G. Serio, Prof. P. Trerotoli, Cattedra di Statistica Medica, Università di Bari
DettagliIndice Premessa................................... Cenni storici delle misure......................
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica La distribuzione delle statistiche campionarie Teorema del limite centrale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio (Scozzafava) Una ferrovia metropolitana
DettagliCONGRESSO NAZIONALE DEI LABORATORI ACCREDITATI E DEGLI ISPETTORI ACCREDIA
ACCREDIA L ente italiano di accreditamento CONGRESSO NAZIONALE DEI LABORATORI ACCREDITATI E DEGLI ISPETTORI ACCREDIA Le decisioni del Laboratory Committee di EA - European co-operation for Accreditation
DettagliPresentazione lab. Calcolo: Misura e teorie degli errori. Ferraro Morena 4 Aia
Presentazione lab. Calcolo: Misura e teorie degli errori Ferraro Morena 4 Aia Le Grandezze Fisiche In generale si definisce Grandezza qualsiasi entità che sia suscettibile di misurazione.. In particolare
DettagliTaratura statica. Laboratorio n. 3 a.a. 2004-2005. Sito di Misure: http://misure.mecc.polimi.it
Laboratorio n. 3 a.a. 2004-2005 Taratura statica Prof. Alfredo Cigada 02-2399.8487 alfredo.cigada@polimi.it Ing. Alessandro Basso 02-2399.8488 alessandro.basso@polimi.it Ing. Massimiliano Lurati 02-2399.8448
DettagliDIODO. La freccia del simbolo indica il verso della corrente.
DIODO Si dice diodo un componente a due morsetti al cui interno vi è una giunzione P-N. Il terminale del diodo collegato alla zona P si dice anodo; il terminale collegato alla zona N si dice catodo. Il
DettagliComune Fabriano. Protocollo Generale, Servizio Progettazione, Servizio Edilizia Privata. Progetto di Certificazione secondo le norme ISO 9000
Comune Fabriano Protocollo Generale, Servizio Progettazione, Servizio Edilizia Privata Progetto di Certificazione secondo le norme ISO 9000 Formazione per auditor interni 25 maggio 2009 1 SOMMARIO Il significato
DettagliDIMENSIONAMENTO CON LASTRE. SUPALUX-EA del rivestimento protettivo degli elementi strutturali in acciaio
DIMENSIONAMENTO CON LASTRE SUPALUX-EA del rivestimento protettivo degli elementi strutturali in acciaio Dimensionamento con lastre SUPALUX EA del rivestimento protettivo degli elementi strutturali in acciaio.
DettagliValutazione d Azienda. Lezione 6 IL METODO PATRIMONIALE (Parte I)
Valutazione d Azienda Lezione 6 IL METODO PATRIMONIALE (Parte I) 1 Gli esempi numerici riportati sono tratti da Pozzoli, S. (2013), Valutazione d azienda. Ipsoa. 2 Utilità del metodo patrimoniale È il
DettagliFACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 21/09/2011
FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 1/9/11 ESERCIZIO 1 (+3++3) La seguente tabella riporta la distribuzione di frequenza dei valori di emoglobina nel sangue (espressi
DettagliQuadro riassuntivo di geometria analitica
Quadro riassuntivo di geometria analitica IL PIANO CARTESIANO (detta ascissa o coordinata x) e y quella dall'asse x (detta ordinata o coordinata y). Le coordinate di un punto P sono: entrambe positive
DettagliIntroduzione alla probabilità
Introduzione alla probabilità Osservazione e studio dei fenomeni naturali: a. Caso deterministico: l osservazione fornisce sempre lo stesso risultato. b. Caso stocastico o aleatorio: l osservazione fornisce
Dettagliconvertitore D/A convertitore A/D
n bit linee digitali N =2 n livelli range o dinamica tensione analogica d'ingresso IN IN convertitore D/A convertitore A/D OUT 1 filo linea analogica la tensione v out è quantizzata OUT n bit o N livelli
DettagliLa corrente alternata
La corrente alternata Corrente continua e corrente alternata Le correnti continue sono dovute ad un generatore i cui poli hanno sempre lo stesso segno e pertanto esse percorrono un circuito sempre nello
DettagliIntegrazione dei sistemi per la ricarica dei veicoli elettrici in ottica smart grid e il progetto Strade Verdi
Integrazione dei sistemi per la ricarica dei veicoli elettrici in ottica smart grid e il progetto Strade Verdi ing. Andrea Bianchin - Deval SpA ing. Davide Falabretti - Politecnico di Milano Workshop Tecnico
DettagliMetodi e tecniche di analisi dei dati nella ricerca psico-educativa Parte III
Laboratorio Metodi e tecniche di analisi dei dati nella ricerca psico-educativa Parte III Laura Palmerio Università Tor Vergata A.A. 2005/2006 MISURAZIONE Misurare le variabili Assegnazione di valori numerici
DettagliManage your risk! La volatilità nei mercati azionari: rischi e opportunità
Manage your risk! La volatilità nei mercati azionari: rischi e opportunità Volatilità: definizione La volatilità è una misura della dispersione delle variazioni dei prezzi delle attività finanziarie e
DettagliCodice binario. Codice. Codifica - numeri naturali. Codifica - numeri naturali. Alfabeto binario: costituito da due simboli
Codice La relazione che associa ad ogni successione ben formata di simboli di un alfabeto il dato corrispondente è detta codice. Un codice mette quindi in relazione le successioni di simboli con il significato
Dettagli2. Variabilità mediante il confronto di valori caratteristici della
2. Variabilità mediante il confronto di valori caratteristici della distribuzione Un approccio alternativo, e spesso utile, alla misura della variabilità è quello basato sul confronto di valori caratteristici
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
DettagliVedremo i concetti di:
1 Campionamento e distribuzioni campionarie Vedremo i concetti di: Popolazione e suoi parametri Campionamento da popolazioni finite Campionamento da popolazioni infinite Statistiche campionarie e loro
DettagliCorso di Laurea in Scienze e Tecnologie Biomolecolari. NOME COGNOME N. Matr.
Corso di Laurea in Scienze e Tecnologie Biomolecolari Matematica e Statistica II Prova di esame del 13/9/2012 NOME COGNOME N. Matr. Rispondere ai punti degli esercizi nel modo più completo possibile, cercando
DettagliMISURE DI TEMPERATURA
MISURE DI TEMPERATURA vuoto Termometro a gas a volume costante TEMPERATURA TERMODINAMICA La temperatura T R di un serbatoio è definita come segue. Sia R un serbatoio termico assegnato e sia R 0 un serbatoio
DettagliStatistica, a.a. 2010/2011 Docente: D. Dabergami Lezione 4
X N(m ; s ) f X x 1 e π σ xμ σ σ 0 m F X x x 1 π σ e tμ σ dt 1 0.5 EX μ VarX σ m La distribuzione normale permette di modellizzare moltissimi fenomeni aleatori (ad esempio misure di ogni genere), serve
DettagliIl test (o i test) del Chi-quadrato ( 2 )
Il test (o i test) del Chi-quadrato ( ) I dati: numerosità di osservazioni che cadono all interno di determinate categorie Prima di tutto, è un test per confrontare proporzioni Esempio: confronto tra numero
DettagliDispensa sulla funzione gaussiana
Sapienza Università di Roma Dipartimento di Scienze di Base e Applicate per l Ingegneria Sezione di Matematica Dispensa sulla funzione gaussiana Paola Loreti e Cristina Pocci A. A. 011-01 1 Introduzione:
DettagliAMOS Abilità e motivazione allo studio
AMOS Abilità e motivazione allo studio Cosa è un test? Un test consiste essenzialmente in una misurazione oggettiva e standardizzata di un campione di comportamento. La funzione fondamentale è quella di
DettagliCorso di REVISIONE AZIENDALE
Corso di REVISIONE AZIENDALE a.a. 2004-1 Corso di REVISIONE AZIENDALE - Modulo VI - Prof. Fabio Fortuna ffortuna@unich.it Anno accademico 2004- Corso di REVISIONE AZIENDALE a.a. 2004-2 La revisione gestionale
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
Dettaglidati e la loro significatività statistica con l utilizzo della calcolatrice per l analisi statistica dei dati.
Università degli Studi di Sassari Corso di Laurea in: Biotecnologie del Corso di: STATISTICA (CFU: 6) A.A. 2014/2015 Obiettivi formativi Fornire le conoscenze statistiche di base per la raccolta, l analisi,
DettagliLettura del RAPPORTO DI PROVA Maria Cesarina Abete
Lettura del RAPPORTO DI PROVA Maria Cesarina Abete Il controllo chimico degli alimenti: dal campionamento alla valutazione del risultato ARPA Piemonte, Torino 5 6 febbraio 2014 Definizione Il rapporto
DettagliEsercitazione # 3. Trovate la probabilita che in 5 lanci di un dado non truccato il 3 si presenti
Statistica Matematica A Esercitazione # 3 Binomiale: Esercizio # 1 Trovate la probabilita che in 5 lanci di un dado non truccato il 3 si presenti 1. mai 2. almeno una volta 3. quattro volte Esercizio #
DettagliDomanda di Accreditamento per Laboratori di prova
Titolo/Title Domanda di Accreditamento per Laboratori di prova Application for Accreditation of Testing Laboratories Sigla/Reference DA-02 Revisione/Revision 04 Data/Date Redazione Approvazione Autorizzazione
Dettagli