Problema pratico: Test statistico = regola di decisione

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Problema pratico: Test statistico = regola di decisione"

Transcript

1 La verifica delle ipotesi statistiche Problema pratico: Quale, tra diverse situazioni possibili, riferite alla popolazione, è quella meglio sostenuta dalle evidenze empiriche? Coerenza del risultato campionario con un ipotesi specificata per la popolazione: se il risultato campionario si verrà a trovare talmente lontano dal valore teorizzato dall ipotesi fatta per θ da cadere in un insieme di valori ritenuti non coerenti (in quanto troppo poco probabili) con l ipotesi su θ, tale risultato avvalorerà la possibilità di ipotesi alternative a quella specificata. Test statistico = regola di decisione che ad ogni valore campionario associa una decisione sul parametro θ.

2 La logica della verifica delle ipotesi Punto di partenza: Informazione su un parametro Ipotesi sul parametro: θ = θ 0 Punto di arrivo: Campione Conferma l ipotesi Non conferma l ipotesi TEST Decisione sul valore del parametro ipotizzato : l ipotesi sul parametro è vera La vera distribuzione è centrata su θ 0 θ 0 H : l ipotesi sul parametro è falsa La vera distribuzione non è centrata su θ 0 θ

3 Richiamando gli intervalli di confidenza: Dati: un campione X,, X n, un parametro θ ed una statistica T n, il cui valore calcolato sul campione è t n La probabilità: ( θ θ ) P t + = α n ha un senso solo se il valore di θ è noto (nel qual caso non ha utilità)

4 Se θ è noto: Prima di estrarre il campione t n non è fisso bensì una v.c. (campionaria), quindi si può ragionare sulla probabilità che t n cada in un certo intervallo intorno a θ. A che scopo? Per stabilire se la nostra conoscenza su θ è avvalorata dall evidenza empirica (cioè dal campione) Esempio: t n = media campionaria σ N µ, n σ σ P µ zα Xn µ + zα = α n n µ z α σ n µ σ µ + zα X n L intervallo è fisso, perché è centrato su µ varia al variare del campione tra tutti i possibili campioni, µ è fisso

5 Le ipotesi statistiche Ipotesi statistica: affermazione che specifica completamente o parzialmente la distribuzione di probabilità di una v.c. X. Ipotesi nulla : Informazione sulla popolazione riconosciuta come valida fino a prima all esperimento campionario (valida fino a prova contraria): Ipotesi alternativa H: : θ = θ 0 Complemento all ipotesi nulla. È costituita da un singolo valore o da un insieme di valori possibili per θ e considerati alternativi a θ 0 : H : θ = θ H : θ < θ 0 H : θ > θ 0 H : θ θ 0 Ipotesi semplice Ipotesi unidirezionale Ipotesi bidirezionale Le ipotesi e H sono esaustive e disgiunte: o vale l una o vale l altra. In ogni caso la decisione è presa rispetto ad H0

6 Test e regole di decisione Il test permette di stabilire se le osservazioni campionarie debbano ritenersi coerenti con l ipotesi nulla oppure no Da un punto di vista operativo, effettuare il test significa definire una statistica, detta statistica-test test T n, la cui distribuzione campionaria sia nota, così che: campione casuale (X,, X n ) un valore numerico coerente con H0 non coerente con H0 Spazio campionario: insieme dei valori che la statistica-test può assumere Distribuzione campionaria: Distribuzione di probabilità della statistica-test

7 Come prendere la decisione Una volta calcolato il valore campionario t n della statistica-test, detto valoretest, si può seguire una delle due seguenti procedure alternative: Livello di significatività osservato: si cerca (sulle tavole) il p-value, ossia la probabilità di ottenere un valore di T n maggiore del valore osservato t n (P[T n > t n ]) p-value = grado di coerenza di p-value θ t n T n Regione critica: si fissa a priori il livello di significatività del test - α, che identifica sulla distribuzione della statistica-test due regioni: Regione di accettazione: insieme dei valori di T n coerenti con Regione di rifiuto (o regione critica): insieme di valori di T n non coerenti con? t n - α α θ t α T n Accettazione Rifiuto

8 Regione critica per un test statistico con ipotesi alternativa unidirezionale:? t n : θ = θ 0 H : θ > θ 0 - α α θ 0 t α T n Accettazione Rifiuto Regione critica per un test statistico con ipotesi alternativa bidirezionale: t n : θ = θ 0 H : θ θ 0 α/ - α α/ -t α/ θ 0 t α/ T n Rifiuto Accettazione Rifiuto

9 Errori di I e II specie Indipendentemente dalla regola adottata, il test porta sempre a dover scegliere tra due possibili decisioni, e H e a poter commettere due possibili errori: rifiutare un ipotesi vera Vera Falsa accettare un ipotesi falsa Accetto Ok Errore di II specie Rifiuto Errore di I specie Ok Esempio: : piove Piove Non piove Ombrello SI Ombrello NO Ok Danno più grave Danno meno grave Ok N.B.: non esiste la decisione giusta!!! c è sempre il rischio di sbagliare, ma è possibile gestirlo e controllarlo QUANTIFICANDOLO

10 Rischio di errori di I e II specie Vera Falsa : θ = θ 0 H : θ = θ Accetto Rifiuto Ok Errore di I specie Errore di II specie Ok vera α Vera Falsa θ 0 Accetto Rifiuto - α α β - β β falsa θ Definizioni: α = probabilità di errore di I specie = livello di significatività - α = probabilità di accettare correttamente (affidabilità del test) β = probabilità di errore di II specie - β = potenza del test = probabilità di rifiutare correttamente (varia al variare di θ, quindi può essere determinato solo se H è un ipotesi semplice )

11 Approccio conservativo del test L ipotesi nulla è quella che, se vera, lascia invariate le cose L errore di I specie è considerato più grave di quello di II specie Mai lasciare la via vecchia ( ) per la nuova (H ) Esempi: fino ad EVIDENTE prova contraria : vecchio farmaco migliore del nuovo H : nuovo farmaco migliore del vecchio : assoluzione H : condanna Il vecchio è migliore Il nuovo è migliore Innocente Colpevole Vecchio Ok Danno meno grave Assolvo Ok Danno meno grave Nuovo Danno più grave ok Condanno Danno più grave ok È per questo che: L ipotesi nulla e l ipotesi alternativa non sono equivalenti ai fini della decisione, nel senso che il test non è mai conclusivo circa H, ma concerne solo la possibilità che dal campione si possa pervenire al rifiuto o al non rifiuto di.

12 Verifica di ipotesi sulla media µ X ~ N(µ, σ ) σ nota L elemento che determina la decisione sono i valori critici Con essi va confrontato il valore-test (valore della statistica-test calcolata sul campione) I valori critici sono ottenuti dalla distribuzione della statistica-test, fissato il livello di significatività desiderato per il test Per la media: Xn µ P zα zα = α σ n Valori critici Statistica-test

13 Esempio La frequenza cardiaca dei maschi giovani sani segue una distribuzione Normale con media µ = 7 battiti al minuto (bpm) e varianza σ = 64. Si misura la frequenza cardiaca su un campione di 5 atleti maschi e si ottiene una media pari a 68,7 bpm. Si verifichi, ad un livello di significatività del 5%, che la frequenza cardiaca degli atleti è diversa da quella della popolazione di tutti i maschi sani. Soluzione test sulla media, bilaterale distribuzione normale, varianza nota σ = 64 σ = 8 = 68,7 α = 0,05 α/ = 0,05 n = 5 Ipotesi Statistica test Valori critici Regola di decisione Valore test (v test ) Decisione : µ = 7 H : µ 7 X test ± z = ±,96 α µ = σ n -,96 v test,96 si accetta v test -,96 oppure v test,96 si rifiuta 68,7 7 vtest = =, ,06 -,96 si rifiuta

14 Esempio La quantità di merci in transito negli aeroporti italiani si distribuisce normalmente con una media pari a 8,7 (migliaia di tonnellate) e uno scarto quadratico medio pari a 8. In un campione di 0 aeroporti viene registrato un valore medio pari a 5. Utilizzando un livello di significatività dell %: a) Verificare l ipotesi che il transito medio di merci sia rimasto invariato; b) Verificare l ipotesi che il transito medio di merci non sia diminuito Soluzione a) test sulla media, bidirezionale distribuzione normale, varianza nota σ = 8 = 5 α = 0,0 α/ = 0,005 n = 0 Ipotesi Statistica test Valori critici Regola di decisione Valore test (v test ) Decisione : µ = 8,7 H : µ 8,7 X test µ = σ n ± z = ± z = ±,58 α 0,005 -,58 v test,58 si accetta H0 v test -,58 oppure v test,58 5 8,7 vtest = =, ,58 -,07,58 si accetta H0 si rifiuta H0

15 b) test sulla media, unidirezionale distribuzione normale, varianza nota Ipotesi Statistica test Valore critico : µ = 8,7 H : µ < 8,7 X test µ = σ n z = z =,33 α 0,0 Regola di decisione v test -,33 v test < -,33 si accetta H0 si rifiuta H0 Valore test (v test ) Decisione 5 8,7 vtest = =, ,07 -,33 si accetta H0

16 Verifica di ipotesi sulla media µ X ~ N(µ, σ ) σ non nota Xn µ P tα t n α = α n s n Valori critici Statistica-test Come scegliere la statistica-test per la media? X ~ N no n > 30 no??? si si σ noto no X µ s n ~ t n si X µ σ n ( ) ~ N 0,

17 Esempio La frequenza cardiaca dei maschi giovani sani segue una distribuzione Normale con media µ = 7 battiti al minuto (bpm). Si misura la frequenza cardiaca su un campione di atleti maschi e si ottiene una media pari a 68,7 bpm ed una varianza corretta pari a 75,. Si verifichi, ad un livello di significatività del 5%, che la frequenza cardiaca degli atleti è diversa da quella della popolazione di tutti i maschi sani. Soluzione test sulla media, bidirezionale distribuzione normale, varianza non nota s = 75, s = 8,67 = 68,7 α = 0,05 α/ = 0,05 n = Ipotesi : µ = 7 H : µ 7 Statistica test test = µ s n 0 Valori critici Regola di decisione Valore test (v test ) Decisione ± t0,05; = ±,0 -,0 v test,0 si accetta v test -,0 oppure v test,0 si rifiuta 68,7 7 3,3 vtest = = =,3 8, 67,5 -,0 -,3,0 si accetta

18 Verifica di ipotesi sulla proporzione π p P π zα z α = α ( π π) n Valori critici Statistica-test

19 Esempio In una scommessa con un amico, lanciando 00 volte una moneta si sono ottenute 54 teste. Abbiamo il sospetto che l amico ci abbia ingannati utilizzando una moneta truccata. Si verifichi questa ipotesi ad un livello di significatività del 0%. Soluzione test sulla proporzione, bidirezionale (unidirezionale) α = 0,0 p =0,54 n=00 Ipotesi Statistica test Valori critici Regola di decisione : π = 0,5 H : π 0,5 (H : π > 0,5) p π0 test = π π ( ) 0 0 n ± z0,05 =, 645 ( z0, =,8 ) -,645 v test,645 si accetta v test -,645 oppure v test,645 si rifiuta ( ) v test,8 si accetta v test >,8 si rifiuta Valore test (v test ) 0,54 0,50 ( ) 0,50 0,50 00 = 0,80 Decisione -,645-0,8,645 si accetta (0,80 <,8 si accetta H0)

20 Verifica di ipotesi sulla differenza tra medie X e Y ~ N no n e n y > 30 no??? si si σ X e σ Y note no σ X = σ Y si no ( X Y) ( µ µ y ) s n s + n y y ~ t ( n + ny ) si ( X Y) ( µ µ y ) s + n n y ~ t ( n + ny ) no σ X = σ Y si ( X Y) ( µ µ y ) σ + n n y ( ) ~ N 0, ( X Y) ( y ) µ µ σ σ + y n n y ( ) ~ N 0, s = ( ) ( ) s n + s n X X Y Y n + n Stimatore corretto dello sqm comune y

21 Esempio Gli pneumatici di due diverse marche, X e Y, di uguale prezzo, sono garantiti dalle case costruttrici per la stessa durata media di km e una deviazione standard di.000 km, uguale per le due marche. Da un campione di 4 utilizzatori della marca X risulta una durata media di Km, mentre da uno di 9 utilizzatori della marca Y risulta una durata media di Km. Supponendo che la durata degli pneumatici si distribuisca secondo una legge Normale, si verifichi se esiste tra le due marche una differenza significativa al 5%. Soluzione test sulla differenza tra medie, bidirezionale distribuzione Normale, varianze note uguali Ipotesi : µ = µ Y H : µ X µ Y α = 0,05 n X =4 n Y =9 X, Y ~ N = y = σ X = σ Y =.000 Statistica test test = ( X Y) ( µ µ y ) σ + n n y Valori critici Regola di decisione Valore test (v test ) Decisione ± z0,05 = ±,96 -,96 v test,96 si accetta v test -,96 oppure v test,96 si rifiuta vtest = =, ,93 < -,96 si rifiuta

22 Esempio Gli pneumatici di due diverse marche, X e Y, di uguale prezzo, sono garantiti dalle case costruttrici per la stessa durata media di km e la stessa varianza incognita. Da un campione di 4 utilizzatori della marca X risulta una durata media di Km ed una varianza pari a , mentre da uno di 9 utilizzatori della marca Y risulta una durata media di Km ed una varianza pari a Supponendo che la durata degli pneumatici si distribuisca secondo una legge Normale, si verifichi se esiste tra le due marche una differenza significativa al 5%. Soluzione test sulla differenza tra medie, bidirezionale distribuzione Normale, varianze non note uguali α = 0,05 = y = n Y =9 n X =4 X ~ N s = X s = Y

23 Ipotesi : µ = µ Y H : µ X µ Y Statistica test test = ( X Y) ( µ µ y ) s + n n y con: s = ( ) ( ) s n + s n X X Y Y n + n y Valori critici ± t0,05; = ±,08 Regola di decisione -,08 v test,08 si accetta v test -,08 oppure v test,08 si rifiuta s + = = 038, Valore test (v test ) Decisione vtest = = =,87 038, , ,87 < -,08 si rifiuta

24 Esempio Gli pneumatici di due diverse marche, X e Y, di uguale prezzo, sono garantiti dalle case costruttrici per la stessa durata media di km ma con varianze diverse e incognite. Da un campione di 4 utilizzatori della marca X risulta una durata media di Km ed una varianza pari a , mentre da uno di 9 utilizzatori della marca Y risulta una durata media di Km ed una varianza pari a Supponendo che la durata degli pneumatici si distribuisca secondo una legge Normale, si verifichi se esiste tra le due marche una differenza significativa al 5%. Soluzione test sulla differenza tra medie, bidirezionale distribuzione Normale, varianze non note diverse α = 0,05 = y = n Y =9 n X =4 X ~ N s = X s = Y

25 Ipotesi : µ = µ Y H : µ X µ Y Statistica test test = ( X Y) ( µ µ y ) s n s + n y y Valori critici Regola di decisione ± t0,05; = ±,08 -,08 v test,08 si accetta v test -,08 oppure v test,08 si rifiuta Valore test (v test ) Decisione vtest = =, ,9 < -,08 si rifiuta

26 Esempio Nelle regioni italiane si misura il livello di inquinamento ambientale con il numero di denunce emesse dalla popolazione residente. Nelle 0 regioni del Nord risultano in media 9. denunce mentre nelle del Centro- Sud la media è Verificare l ipotesi che le due aree geografiche sono caratterizzate dallo stesso livello di inquinamento al livello di significatività del 5% y Valore test Valori critici g.d.l. α Decisione: ± Si accetta : µ - µ Y = 0 H : µ X - µ Y 0 IC 95% ( µ -µ y ) = [ -.39 ; 3.76 ] Contiene lo 0

27 La spezzata delle medie X AREA Geografica Y Classi di REDDITO Totale Medie NORD CENTRO SUD Totale

28 Decomposizione della varianza La varianza di X è data dalla somma di due componenti: varianza esterna = varianza delle medie di gruppo varianza interna = media delle varianze di gruppo Se: G = numero di gruppi; µ j = media dell j-esimo gruppo; n j = numerosità dell j-esimo gruppo (j =,.,G); Quanto differiscono le medie tra loro e rispetto alla media generale? allora: ossia: σ = σ + µ µ ( ) G G n n j j j j n j = n j = V A R IA N Z A V A R IA N Z A IN T E R N A E S T E R N A σ TOT = σ INT + σex T

29 A cosa serve scomporre la varianza? n. bot Media e varianza costanti Varianza delle medie σ et = 0 Media delle varianze σ int = σ Stesso comportamento tra le due distribuzioni: CH MM scelta il numero di bottiglie acquistate è lo stesso per chi sceglie le due marche n. bot Medie diverse, varianza costante Varianza delle medie σ et 0 Media delle varianze σ int < σ Diverso comportamento tra le due distribuzioni: CH MM scelta il numero di bottiglie acquistate è diverso a seconda della marca scelta

30 Rapporto di correlazione di Pearson η Y X 0 Classe j ma h- - h tot y n n n h n. y n n n h n.... y. i n.... ij.. ni.... y k n k n k n kh nk. tot n. n. n.j n.h n Quando X è quantitativo: σ η = = r ( µ µ ) i i EXTX i= X Y σ c X ( ˆ j µ X ) n j j= n Quando Y è quantitativo: σ η = = c ( µ µ ) j Y j EXTY j= Y X σ r Y ( yi µ Y ) ni i= n N.B.: Su una tabella mista è possibile misurare anche l indipendenza assoluta con l indice del χ

31 Proprietà e interpretazione 0 η X Y η = X Y 0 Perfetta indipendenza in media: le medie delle distribuzioni condizionate di X sono tutte uguali tra loro ed uguali alla media generale (µ X ) η = X Y Perfetta dipendenza in media: le varianze delle distribuzioni condizionate di X sono nulle. Ad ogni modalità di Y corrisponde una sola intensità di X che presenta frequenza non nulla ηy X ηx Y L indice non è simmetrico (salvo eccezioni)

32 Esempio Fatturato (Y) Settore Merceologico (X) >500 Totale Alimentari 5 3 Bevande Healt Care 6 Ice Packaging Totale X 4 modalità Y 5 classi ( aperte) σ η = = r ( µ µ ) i Y i EXTY i= Y X σ c Y ( ŷj µ Y ) n j j= n. Media generale di Y: ( ) µ = h Y ŷjn j = = n j= ,96 Nota: Il valore centrale della prima classe (aperta) è stato ottenuto considerando che, nella successione di valori del carattere fatturato, i valori più bassi sono di poco superiori a 00 (che si assume, quindi, come estremo inferiore della classe); quello dell ultima classe è ottenuto considerando come estremo superiore della classe il valore massimo effettivamente osservato: ( )/ = 56

33 . Medie di Y condizionate alle modalità di X c ŷjnj j= ( ) µ = = = n 348, 48 c yjnj j= ( ) µ = ˆ = = 66,67 n 3 c 3 ŷjn3j 3 j= ( ) µ = = = n 384,33 c 4 ŷjn4j 4 j= ( ) µ = = = n 4 4

34 3. Confronto tra le medie condizionate µ = 348, 48 µ = 66,67 µ = 3 384,33 µ = 4 4 Commento: si può vedere che le medie delle distribuzioni condizionate differiscono dalla media generale di Y, quindi i due caratteri non sono indipendenti in media. Ma quanto è forte il legame di dipendenza in media?

35 r ( i Y ) i ( ) ( ) i= c j= 4. Calcolo del numeratore dell indice µ µ n = 348, , ,67 394, ( ) ( ) + 384,33 394, , 96 4 = ,4 5. Calcolo del denominatore dell indice ( j Y ) j ( ) ( ) ŷ µ n = , , ( ) ( ) ( ) , , ,96 8 = Calcolo dell indice r ( µ µ ) σ i Y ni EXTY i= ,4 η = = = = Y X σ c Y ( ŷj µ Y ) n j j= 0,03 La dipendenza in media del carattere FATTURATO dal carattere SETTORE MERCEOLOGICO è praticamente nulla ossia: il fatturato in media non dipende dal settore merceologico

36 Il test F Ipotesi: :µ i = µ j i,j =,, G le medie sono uguali in tutti i gruppi H : µ i µ j almeno una media differisce dalle altre H Dev 0 Se le medie sono uguali, la varianza tra i gruppi è nulla: = Più le medie differiscono, più: Statistica test: Dev EXT Dev 0 INT ( ) ( ) Dev TOT Dev Dev EXT / G P > F G ;n G; α = α Dev INT / n G EXT INT = Dev TOT Statistica-test Valore critico Più basso è il rapporto, più realistica è l'ipotesi nulla Più elevato è il rapporto, meno realistica è l'ipotesi nulla

37 Fatturato e settore merceologico :µ i = µ j i,j =,, G le vendite medie sono uguali in tutti i settori H : µ i µ j almeno una media differisce dalle altre ANOVA univariata FATT Fra gruppi Entro gruppi Totale Somma dei Media dei quadrati df quadrati F Sig , ,4,36, , , ,30 49 F Decisione: 0,807 0,36 σ σ EXT INT Basso valore di F = bassa σ EXT = medie vicine Il p-value è molto alto: Si accetta l ipotesi di vendite medie uguali tra i settori, confermata dal campione osservato.

38

39 ANOVA Source DF Sum of squares Mean squares F Pr > F Fra gruppi < 0,000 Entro gruppo Totale Il p-value è molto basso: Si rifiuta l ipotesi reddito medio uguale nelle tre le aree geografiche.

40 Verifica di ipotesi sull indipendenza tra due caratteri ( n n ) n i j ij ij ij χ ( r ) ( c ) ( n n ) ij ij P χ α ( ) ( ) = α ; r c i j n ij Statistica-test Valore critico La variabile χ è continua, non può essere negativa e varia tra zero e infinito. La sua forma e il suo centro dipendono dal numero di gradi di libertà. La sua forma funzionale è: f(;g) = ep g g Γ g g= g=4 g=

41 Verifica di ipotesi sull indipendenza tra due caratteri VOTO VOTO Totale Meno di e lode OCCUPAZIONE ATTUALE Non occupato Precario Occ. stabile Totale χ ( n ) ij n ij = = n i j ij 3,84 : X ed Y indipendenti H : X ed Y non indipendenti α = 0,05 Distribuzione del chi-quadro -α χ 0,05;6 =,59 α Ipotesi Statistica test Valore critico Regola di decisione : χ = 0 H : χ > 0 test ( n ij nij ) = n i j ij χ 0,05; 6 =,59 v test,59 si accetta v test >,59 si rifiuta 3,84 Zona di accettazione,59 Zona di rifiuto ( n ) ij n ij n i j ij Valore test (v test ) Decisione ( n ij nij ) vtest = = 3,84 n i j ij 3,84 <,59 si accetta

42 FASI DELLA DEFINIZIONE DEL MODELLO Specificazione del modello: scelta del tipo di funzione da utilizzare per descrivere un fenomeno; definizione delle ipotesi di base Stima dei parametri: uso di stimatori dei parametri caratteristici della funzione scelta Verifica: della significatività delle stime del rispetto delle ipotesi di base (rimozione delle ipotesi, analisi dei residui) Uso del modello: ai fini per i quali è stato specificato (descrittivi, previsivi, ecc.) 4

43 IPOTESI DI BASE DEL MODELLO DI REGRESSIONE Ipotesi deboli: Necessarie perché le stime godano di proprietà ottimali, ossia siano non distorte e a varianza minima (BLUE, Teorema di Gauss-Markow). y i = α + β i + ε i. E(ε i ) = 0 3. var(ε i ) = var(y i ) = σ 4. cov(ε i, ε j ) = 0 (i j) 5. X nota e senza errore Varianza costante, omoschedasticità Assenza di autocorrelazione X non stocastica Ipotesi forte: Necessaria per verificare la significatività delle stime 6. ε N(0, σ) La varianza di ε (o di y) σ rientra tra i parametri da stimare Se ci fosse correlazione tra gli errori significherebbe che esistono altri fattori oltre a X ad influenzare Y, esclusi dal modello. Inoltre implicherebbe un legame anche tra le y i L ipotesi distribuzionale (6) è fondamentale nella fase inferenziale 43

44 RAPPRESENTAZIONE GRAFICA DEL MODELLO Y f(ε) E(Y X) = a + b 3 4 X Distribuzioni degli errori (intorno alla stima di Y): media 0, varianza costante, indipendenti, distribuiti Normalmente 44

45 VERIFICA DEL MODELLO Significatività dell R : R = 0 H : R > 0 Significatività di a e di b : β = 0 H : β 0 ( ) ( ) ( ) dev reg R n = = dev e n R test ;n b β = t test n sb F F a,,n- α : α = 0 H : α 0 a α = t test n sa α/ α/ -t a/,n- t a/,n- 45

46 Varianze della regressione Varianza dei residui: ( ) ( ) ev ( Y) Devianza dei residui: ( ) ( ) cod X,Y dev e R = = dev X d dev y s = n e i n i= ( ) ( ) cod X,Y dev ( e) = dev X s = errore standard della regressione Varianza di a: s s = a + n n i= ( ) i s a = errore standard della stima di α Varianza di b: s = s b n i= ( ) i s b = errore standard della stima di β 46

3. Confronto tra medie di due campioni indipendenti o appaiati

3. 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

Dettagli

Statistiche campionarie

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

Dettagli

Confronto tra gruppi (campioni indipendenti)

Confronto 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,

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food

Dettagli

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

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

Dettagli

Esercitazione n.2 Inferenza su medie

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

Dettagli

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Statistica. 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

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.

Dettagli

La logica statistica della verifica (test) delle ipotesi

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

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

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

LEZIONE n. 5 (a cura di Antonio Di Marco) LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,

Dettagli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

L 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

Dettagli

Metodi statistici per le ricerche di mercato

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

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

è decidere sulla verità o falsità

è decidere sulla verità o falsità I test di ipotesi I test di ipotesi Il test delle ipotesi consente di verificare se, e in quale misura, una determinata ipotesi (di carattere sociale, biologico, medico, economico, ecc.) è supportata dall

Dettagli

VERIFICA DELLE IPOTESI

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

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

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

Dettagli

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza Titolo della lezione Analisi dell associazione tra due caratteri: indipendenza e dipendenza Introduzione Analisi univariata, bivariata, multivariata Analizzare le relazioni tra i caratteri, per cercare

Dettagli

Statistica. Lezione 6

Statistica. 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

Dettagli

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

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

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO 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

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 L4, Corso Integrato di Psicometria - Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Rev. 18/04/2011 Inferenza statistica Formulazione

Dettagli

Inferenza statistica. Statistica medica 1

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

Dettagli

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

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città

Dettagli

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

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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

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

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

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

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA 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

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Test statistici di verifica di ipotesi

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

Dettagli

Test d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi

Test d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

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

Dettagli

Esercitazione n.4 Inferenza su varianza

Esercitazione 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

Dettagli

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

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

Dettagli

Elaborazione dei dati su PC Regressione Multipla

Elaborazione dei dati su PC Regressione Multipla 21 Elaborazione dei dati su PC Regressione Multipla Analizza Regressione Statistiche Grafici Metodo di selezione Analisi dei dati 21.1 Introduzione 21.2 Regressione lineare multipla con SPSS 21.3 Regressione

Dettagli

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

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

Dettagli

Corso di Psicometria Progredito

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

Dettagli

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente

Dettagli

Analisi di dati di frequenza

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

Dettagli

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

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

Dettagli

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/03/2011

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/03/2011 FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/3/2 ESERCIZIO (2+2+2+2) La seguente tabella riporta la distribuzione della variabile "Stato Civile"

Dettagli

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

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

Dettagli

Soluzioni Esercizi elementari

Soluzioni 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,

Dettagli

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

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

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

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

Dettagli

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

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

Dettagli

ESAME DI STATISTICA Nome: Cognome: Matricola:

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

Dettagli

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Metodi statistici per l economia (Prof. Capitanio) Slide n. 4. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Metodi statistici per l economia (Prof. Capitanio) Slide n. 4 Materiale di supporto per le lezioni. Non sostituisce il libro di testo Dipendenza di un carattere QUANTITATIVO da un carattere QUALITATIVO

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

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

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

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

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

Dettagli

6. Modelli statistici: analisi della regressione lineare

6. Modelli statistici: analisi della regressione lineare BIOSTATISTICA 6. Modelli statistici: analisi della regressione lineare Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

STATISTICA IX lezione

STATISTICA 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

Dettagli

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST

TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica 1 Parte A 1.1 La formula µ = x ± s n

Dettagli

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Corso 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 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

Dettagli

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri

Dettagli

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

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

Dettagli

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

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

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. 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

Dettagli

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale

Piacenza, 10 marzo 2014 La preparazione della tesi di Laurea Magistrale Piacenza, 0 marzo 204 La preparazione della tesi di Laurea Magistrale ma questa statistica a che cosa serve? non vedo l ora di cominciare a lavorare per la tesi. e dimenticarmi la statistica!! il mio relatore

Dettagli

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

STATISTICA 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

Dettagli

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

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk

Dettagli

Il confronto fra proporzioni

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

Dettagli

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi LEZIONI DI STATISTCA APPLICATA Parte 2 Statistica inferenziale Variabili continue per categoriali Alessandro Valbonesi SARRF di Scienze ambientali Anno accademico 2010-11 CAPITOLO 4 - TEST STATISTICI CHE

Dettagli

Università del Piemonte Orientale. Corsi di Specialità. Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza

Università del Piemonte Orientale. Corsi di Specialità. Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corsi di Specialità Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea in biotecnologie

Dettagli

Corso 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 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

Dettagli

Facciamo qualche precisazione

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

Dettagli

Temi di Esame a.a. 2012-2013. Statistica - CLEF

Temi 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

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt

L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se

Dettagli

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no.

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no. LA VERIFICA D IPOTESI Alla base dell inferenza statistica vi è l assunzione che i fenomeni collettivi possano essere descritti efficacemente mediante delle distribuzioni di probabilità. Abbiamo già considerato

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

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

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

Dettagli

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test

Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che

Dettagli

Concetto di potenza statistica

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

Dettagli

Capitolo 11 Test chi-quadro

Capitolo 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

Dettagli

Istituzioni di Statistica e Statistica Economica

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

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

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

Dettagli

Inferenza statistica

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

Dettagli

Esercizi: i rendimenti finanziari

Esercizi: i rendimenti finanziari Esercizi: i rendimenti finanziari Operazioni algebriche elementari Distribuzione e dipendenza Teoria di probabilità Selezione portafoglio p. 1/25 Esercizio I Nella tabella sottostante relativa all indice

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

Istituzioni di Statistica e Statistica Economica

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

Dettagli

Appunti: Teoria Dei Test

Appunti: Teoria Dei Test Appunti: Teoria Dei Test Fulvio De Santis, Luca Tardella e Isabella Verdinelli Corsi di Laurea A + E + D + G + R 1. Introduzione. Il test d ipotesi è un area dell inferenza statistica in cui si valuta

Dettagli

Esercizi di riepilogo Statistica III canale, anno 2008

Esercizi di riepilogo Statistica III canale, anno 2008 Esercizio 1 - Esercizio 5 esame 22 giugno 2004 Esercizi di riepilogo Statistica III canale, anno 2008 Data la seguente distribuzione di 100 dipendenti di un azienda in base al tempo impiegato (in minuti)

Dettagli

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

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

Dettagli

METODOLOGIA CLINICA Necessita di: Quantificazione Formalizzazione matematica

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

Dettagli

Statistica Medica. Verranno presi in esame:

Statistica Medica. Verranno presi in esame: Statistica Medica Premessa: il seguente testo cerca di riassumere e rendere in forma comprensibile ai non esperti in matematica e statistica le nozioni e le procedure necessarie a svolgere gli esercizi

Dettagli

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA 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

Dettagli

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

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

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Statistica. Alfonso Iodice D Enza iodicede@unicas.it

Statistica. Alfonso Iodice D Enza iodicede@unicas.it Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 2 Outline 1 2 3 4 () Statistica 2 / 2 Misura del legame Data una variabile doppia (X, Y ), la misura

Dettagli

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)

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

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. 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

Dettagli

Corso di Automazione Industriale 1. Capitolo 4

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

Dettagli