AFFIDABILITA DEI SISTEMI E CONTROLLO STATISTICO DI QUALITA
|
|
- Aureliana Bondi
- 5 anni fa
- Visualizzazioni
Transcript
1 PROVA SCRITTA DI AFFIDABILITA DEI SISTEMI E CONTROLLO STATISTICO DI QUALITA 7 Marzo Si ha il seguente sistema di imballaggio di lattine di alluminio: C F A B D E G H A: Cupping (lamiera svolta e stampata); B: Lavaggio; C-D-E: Stampa; F: Riempimento; G:trasporto; H: Riempimento. Si vuole stimare la probabilità che il processo funzioni per un giorno senza rompersi. Si assuma che le componenti del sistema abbiano le seguenti probabilità di funzionare senza rompersi: P(A)=0.995; P(B)=0.99; P(C)=P(D)=P(E)=0.95; P(F)=P(H)=0.90; P(G)=0.98. Si assuma che le componenti funzionino in maniera indipendente l una dall altra. Si calcoli la probabilità che il processo funzioni senza interruzione per un giorno. 2. Un campione di 100 componenti è sottoposto alla prova di durata per 500 ore e i tempi di insuccesso dei 12 componenti che si sono guastati durante il test sono i seguenti: 6, 21, 50, 84, 95, 130, 205, 260, 270, 370, 440 e 480 ore. Costruire un modello teorico che descriva il tempo di vita del componente. Sottoporlo a verifica statistica. Calcolare il tempo di vita medio teorico in base al modello scelto e confrontarlo con il tempo di vita campionario. Determinare la mediana teorica e confrontarla con quella empirica valutata sui dati. 3. Un componente di un motore per aerei viene prodotto con un procedimento di microfusione. Il vano di apertura del pezzo prodotto è un parametro della produzione. La tabella mostra le misurazioni per questo vano effettuate su 18 sottogruppi in cinque momenti diversi del ciclo di produzione (le misure sono in 10^(-3) inch). Il processo è in controllo statistico? a) Con una carta CUMSUM è possibile visualizzare eventuali anomalie? (a.a. 13/14)
2 b) Determinare e commentare gli indici di capacità del processo sapendo che i limiti di controllo imposti dall azienda sono 30 e 36 (a.a. precedenti). Gruppi I II III IV V La tavola riporta gli effetti di due fattori (tipo di vetro e tipo di fosforo) sulla luminosità di un tubo televisivo. La grandezza misurata è la corrente in microampere necessaria per raggiungere un cento livello di luminosità. Effettuare un ANOVA per stabilire se i livelli dei fattori inducono risposte diverse nella luminosità. Condurre anche una analisi statistica delle interazioni. Fosforo Vetro Livello 1 Livello 2 Livello Livello
3 Soluzione 1. Abbiamo 4 sistemi in parallelo:,,,. Il sottosistema è formato dai sottosistemi, in parallelo. Il sottosistema è formato dai sottosistemi e in parallelo, dove è formato dai sottosistemi in parallelo. La probabilità che il sistema funzioni senza rompersi è. Bisogna allora calcolare. Il sottosistema è formato da 3 sottosistemi in parallelo: non funziona se non funzionano tutti e tre. Quindi avendo indicato con l evento complementare di (analogamente per gli altri) si ha: = =0.05^3. Pertanto =1-0.05^3. Allo stesso modo = e =1- =1-0.98*0.90. Pertanto P(sistema funzioni senza rompersi)=0.995*0.99*(1-0.05^3)*[1-0.10*(1-0.98*0.90)] In R: > affa< > affb<-0.99 > affc<-0.95 > affd<-0.95 > affe<-0.95 > afff<-0.90 > affh<-0.90 > affg<-0.98 > afftot<-affa*affb*(1-(1-affc)^3)*(1-(1-affg*affh)*(1-afff)) > afftot [1] I tempi di vita vengono assegnati ad un vettore tempi: > tempi<-c(6,21,50,84,95,130,205,260,270,370,440,480) Verifichiamo se i dati provengono da un modello gaussiano: > qqnorm(tempi) > qqline(tempi)
4 Dal grafico l andamento non appare lineare. Lo Shapiro-test non rigetta l ipotesi di gaussianità. > shapiro.test(tempi) Shapiro-Wilk normality test data: tempi W = , p-value = Tuttavia per confrontare la bontà di adattamento con gli altri modelli teorici, conviene misurare la distanza tra modello empirico e modello teorico mediante il KS test e poi, in caso di non rigetto, scegliere il modello teorico con distanza inferiore dal modello empirico. > ks.test(tempi, "pnorm", mean(tempi), sd(tempi)) One-sample Kolmogorov-Smirnov test data: tempi D = , p-value = alternative hypothesis: two-sided Verifichiamo se i dati provengono da un modello esponenziale. Effettuiamo un PPP dei dati: > x<-sort(tempi) > index<-seq(1,12,1) > cdf<-(index-0.3)/12.4 > z<-log(1/(1-cdf)) > plot(x,z,type='p',xlab='dati',ylab='trasf.log.cdf',main='prob.plotting esponenziale') >
5 Il parametro del modello esponenziale viene determinate mediante MLE: > library('mass') > lambda<-fitdistr(tempi,"exponential") > lambda$estimate rate Con il KS test, la distanza tra modello teorico e modello empirico risulta: > ks.test(tempi, "pexp", lambda$estimate) One-sample Kolmogorov-Smirnov test data: tempi D = , p-value = alternative hypothesis: two-sided Verifichiamo se i dati provengono da un modello di Weibull. Effettuiamo un PPP dei dati: > x<-log(sort(tempi)) > z<-log(log(1/(1-cdf))) > plot(x,z,type='p',xlab='log Dati',ylab='Log log cdf',main='probability plotting paper Weibull')
6 Il metodo MLE non converge in questo caso: > fitdistr(tempi,"weibull") Errore in fitdistr(tempi, "weibull") : optimization failed E possibile stimare i parametri dalla retta di regressione per le coppie log,log log 1 x 1 F ( x ) poiché i coefficienti sono β, β logα con β parametro di forma e α parametro di scala. > result<-lm(z ~ x) > summary(result) Call: lm(formula = z ~ x) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-09 *** x e-09 *** --- Signif. codes: 0 *** ** 0.01 *
7 Residual standard error: on 10 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 10 DF, p-value: 2.499e-09 Quindi β = , β logα = β = , α = Con questi parametri, effettuando il KS test, la distanza tra modello teorico e modello empirico risulta: > ks.test(tempi, "pweibull", , ) One-sample Kolmogorov-Smirnov test data: tempi D = 0.147, p-value = alternative hypothesis: two-sided > Tra i tre modelli conviene scegliere il modello esponenziale perché la distanza tra il modello empirico e quello teorico è inferiore. A conferma di questa scelta, effettuiamo l istogramma e sovrapponiamo ad esso la curva densità stimata: > hist(tempi, freq=f) > hist(tempi, col="blue", freq=f) > lines(density(tempi), col="red", lwd=3)
8 Avendo stimato i parametri del modello dai dati, la media teorica e quella campionaria coincidono e sono pari all inverso del parametro lambda del modello esponenziale: La mediana dei dati è calcolata come: > summary(tempi) Min. 1st Qu. Median Mean 3rd Qu. Max mentre quella teorica si ottiene imponendo che R( M ) = 0.50 dove R indica la funzione di affidabilità, ossia > -log(0.50)/ [1] Per stabilire se il processo è in controllo statistico è necessario costruire la carta X-bar. Useremo poi la carta R per l escursione poiché le taglie dei sottogruppi sono costanti e inferiori a 10. Verifichiamo se il campione è gaussiano: > setwd(" ") > carta<-matrix(scan('tabella.txt'),ncol=1,byrow=true) Read 90 items > qqnorm(carta) > shapiro.test(carta) Shapiro-Wilk normality test data: carta W = , p-value =
9 Ci sono molti dati che si ripetono: questo spiega l andamento a gradini del grafico. Tuttavia lo Shapiro-test non rigetta l ipotesi di legge gaussiana. I dati sono stati inseriti nel file tabella.txt > carta<-matrix(scan('tabella.txt',n=18*5),18,5,byrow=true) Read 90 items Per costruire la carta X-bar, viene richiamato il package qcc. > library(qcc) Package 'qcc', version 2.2 Type 'citation("qcc")' for citing this R package in publications. > obj<-qcc(carta,type='xbar')
10 Il processo non è in controllo statistico: oltre i limiti vanno i sottogruppi 6, 8, 17, come è possibile ricavare stampando il contenuto di obj. > str(obj) List of 11 $ call : language qcc(data = carta, type = "xbar") $ type : chr "xbar" $ data.name : chr "carta" $ data : num [1:18, 1:5] attr(*, "dimnames")=list of 2....$ Group : chr [1:18] "1" "2" "3" "4" $ Samples: NULL $ statistics: Named num [1:18] attr(*, "names")= chr [1:18] "1" "2" "3" "4"... $ sizes : int [1:18] $ center : num 33.1 $ std.dev : num 2.51 $ nsigmas : num 3 $ limits : num [1, 1:2] attr(*, "dimnames")=list of 2....$ : chr ""....$ : chr [1:2] "LCL" "UCL" $ violations:list of 2..$ beyond.limits : int [1:3]
11 ..$ violating.runs: num(0) - attr(*, "class")= chr "qcc" - Per costruire la carta dell escursione, i parametri di input sono: > obj1<-qcc(carta,type='r') Nella carta R, c è un fuori controllo statistico in corrispondenza del sottogruppo 9. > str(obj1) List of 11 $ call : language qcc(data = carta, type = "R") $ type : chr "R" $ data.name : chr "carta" $ data : num [1:18, 1:5] attr(*, "dimnames")=list of 2....$ Group : chr [1:18] "1" "2" "3" "4" $ Samples: NULL $ statistics: Named num [1:18] attr(*, "names")= chr [1:18] "1" "2" "3" "4"... $ sizes : int [1:18] $ center : num 5.83 $ std.dev : num 2.51 $ nsigmas : num 3 $ limits : num [1, 1:2] attr(*, "dimnames")=list of 2
12 ....$ : chr ""....$ : chr [1:2] "LCL" "UCL" $ violations:list of 2..$ beyond.limits : int 9..$ violating.runs: num(0) - attr(*, "class")= chr "qcc" a) Per effettuare il grafico della carta CUMSUM, il comando in R è: > cusum(carta) da cui si evince che il processo è fuori controllo statistico per i sottogruppi 8,9,10 e 17 e 18. b) Per gli indici di capacità del processo, > process.capability(obj,spec.limits=c(30,36)) Process Capability Analysis Call: process.capability(object = obj, spec.limits = c(30, 36)) Number of obs = 90 Target = 33 Center = LSL = 30 StdDev = USL = 36
13 Capability indices: Value 2.5% 97.5% Cp Cp_l Cp_u Cp_k Cpm Exp<LSL 11% Obs<LSL 12% Exp>USL 12% Obs>USL 16% Poichè sia Cp che Cpk sono entrambi inferiori a 1, il processo non è in grado di produrre entro I limiti di specifica. Come si evince anche dal grafico. E centrato, difatti Cp_u e CP_l sono quasi uguali. Inoltre sia la percentuale attesa di prodotti non conformi che quella stimata dai dati è consistente. 4. Si tratta di un ANOVA a due fattori, di cui ciascuno a due livelli, con repliche. Gli effetti sono fissi. I dati sono stati inseriti nel file anova.txt > datianova<-read.table('anova.txt',header=true)
14 > attach(datianova) Nel file I livelli del vetro sono stati etichettati con a e b, mentre quelli del fosforo con I e II. > boxplot(dati~fosforo*vetro, col=c("red","blue","yellow","green"),main=('boxplot Fosforo vs Vetro')) Dal Box-plot si evince che per il fattore vetro, le medie dei livelli dovrebbero essere statisticamente diverse. > qqnorm(dati) > qqline(dati) Dal qqnorm i dati non sembrano seguire un andamento gaussiano. Infatti lo Shapiro test non rigetta l ipotesi di gaussianità con un p-value (0.068) che è al limite della regione di rigetto. C è da aspettarsi che i residui possano fallire l ipotesi di provenienza da popolazione gaussiana.
15 Prima di procedere con l ANOVA bisogna effettuare il test sulla uguaglianza delle varianze. > bartlett.test(dati~fosforo*vetro) Bartlett test of homogeneity of variances data: dati by fosforo by vetro Bartlett's K-squared = , df = 1, p-value = Esaminiamo le interazioni per via grafica: > interaction.plot(fosforo, vetro, dati,col=c('red', 'blue'),lwd=4,ylab='media dei dati') per via numerica:
16 vetro fosforo Dati Convenzione Medie , b 301, a ab 245 Effvetro: ( )/2-(286,67+301,67)/2=-54,17 Efffosforo: (301,66+245)/2-(286,66+235)/2= 12,5 Effvetro/fosforo: (286,66+245)/2-(301,66+235)/2=-2.5 da cui si evince che sicuramente il vetro ed il fosforo hanno effetto sulle medie. E infine con l anova: > results<-aov(dati~fosforo*vetro) > summary(results) Df Sum Sq Mean Sq F value Pr(>F) fosforo * vetro e-06 *** fosforo:vetro Residuals Signif. codes: 0 *** ** 0.01 * Dall ANOVA si evince che c è assenza di interazione. Le medie dei livelli per vetro e fosforo sono diverse. Non c è bisogno di eseguire il Tukey test perché si tratta di soli due livelli. Quindi l esito dell ANOVA è sufficiente. Siccome i livelli sono fissi, l analisi dei residui si effettua sottraendo ad ogni dato la media del livello corrispondente. La tavola delle medie è riportata nel seguito:
17 vetro fosforo Medie livello 1 livello 2 livello , livello Medie 260, ,3333 da cui residui vetro residui fosforo livello 1-14,17 19,17 0,83 34,17-9,17 24,17 5,83-30,83 15,83-25,83 0,83-20,83 livello 2-10,00 26,67-5,00 36,67 0,00 21,67 20,00-13,33 0,00-33,33-5,00-38,33 Effettuiamo il qqnorm ed il test Shapiro per entrambe le colonne: > qqnorm(resvetro)
18 > shapiro.test(resvetro) Shapiro-Wilk normality test data: resvetro W = , p-value = > qqnorm(resfosforo)
19 > shapiro.test(resfosforo) Shapiro-Wilk normality test data: resfosforo W = , p-value = L analisi dei residui rigetta l ipotesi di gaussianità per i residui sul fosforo. Quindi il modello ANOVA non può essere validato.
Prova scritta di Affidabilità dei sistemi e controllo statistico di qualità
Prova scritta di Affidabilità dei sistemi e controllo statistico di qualità 1. a) La funzione di affidabilità è: Soluzioni 28 Gennaio 2016 = = 4. b) La probabilità che il sistema si guasti tra 0.4 e 1.4
DettagliProva scritta di Affidabilità dei sistemi e Controllo statistico di qualità. 11 Giugno 2014
Prova scritta di Affidabilità dei sistemi e Controllo statistico di qualità 11 Giugno 2014 1. Supponiamo che un sistema sia formato da 3 blocchi connessi in parallelo. Il tempo di vita del sistema A è
DettagliPROVA SCRITTA DI AFFIDABILITA DEI SISTEMI E CONTROLLO STATISTICO DI QUALITA 9 Maggio 2014
PROVA SCRITTA DI AFFIDABILITA DEI SISTEMI E CONTROLLO STATISTICO DI QUALITA 9 Maggio 2014 1. Le funzioni di perdita sono di tipo NB stocastico. Il coefficiente K è 1,8 ottenuto dal costo previsto per la
DettagliLABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE
LABORATORIO 5. ANALISI DELLA VARIANZA AD UN CRITERIO DI CLASSIFICAZIONE 5.1 ESEMPIO DI ANOVA AD UNA VIA In un esperimento un gruppo di bambini è stato assegnato a caso a 3 trattamenti, allo scopo di determinare
DettagliProva scritta di Affidabilità dei sistemi e controllo statistico di qualità
Prova scritta di Affidabilità dei sistemi e controllo statistico di qualità 18 Febbraio 2016 1. La probabilità di errore nella trasmissione di una cifra binaria attraverso un certo canale di comunicazione
DettagliRegressione. Monica Marabelli. 15 Gennaio 2016
Regressione Monica Marabelli 15 Gennaio 2016 La regressione L analisi di regressione é una tecnica statistica che serve a studiare la relazione tra variabili. In particolare, nel modello di regressione
Dettagli27 Marzo (a) Formulare una ipotesi sul modello tempo di vita di questa valvola e sottoporla a verifica.
Prova scritta di Affidabilità dei sistemi e Controllo statistico di qualità 27 Marzo 20 Tempo di lavoro: 2 ore. Gli esercizi vanno svolti in un file word. Riportare su questo file sia i grafici che eventuali
DettagliAnalisi della regressione
Analisi della regressione L analisi della regressioneè una tecnica statistica per modellare e investigare le relazioni tra due (o più) variabili. Nella tavola è riportata la % di purezza di ossigeno, rilasciata
DettagliProva scritta Affidabilità dei sistemi stocastici e controllo statistico di qualità 28 Marzo 2013
Prova scritta Affidabilità dei sistemi stocastici e controllo statistico di qualità 28 Marzo 2013 1. Un azienda che produce batterie per cellulari sta effettuando dei test per confrontare tre tipi diversi
DettagliSoluzioni della prova scritta del 6 Marzo 2013 (a.a. 2012/2013)
Soluzioni della prova scritta del 6 Marzo 2013 (a.a. 2012/2013) 1. Per monitorare se la produzione è in controllo statistico costruiamo una carta p. Se x è il vettore dei dati assegnati, le percentuali
DettagliAnova e regressione. Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011
Anova e regressione Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Universitá degli Studi di Perugia 22 marzo 2011 Nella sperimentazione agronomica e biologica in genere è normale organizzare
DettagliSoluzione degli esercizi di riepilogo sul controllo statistico di qualità e sull ANOVA.
Soluzione degli esercizi di riepilogo sul controllo statistico di qualità e sull ANOVA.. Si tratta di un ANOVA a due fattori senza repliche. Gli effetti sono fissi sia sulle righe che sulle colonne. Effettuiamo
DettagliStatistiche di sintesi
Esercizio 2 E stato condotto uno studio per valutare la variazione della pressione sistolica in funzione dell etá. I dati sono riportati nel file sbp.xls. Effettua un analisi di regressione e disegna gli
Dettagli0.1 Percorrenza e Cilindrata
0.1 Percorrenza e Cilindrata Iniziamo ora un analisi leggermente più complessa basata sempre sui concetti appena introdotti. Innanzi tutto possiamo osservare, dal grafico ottenuto con il comando pairs,
DettagliLaboratorio di Statistica Aziendale Modello di regressione lineare multipla
Laboratorio di Statistica Aziendale Modello di regressione lineare multipla Michela Pasetto michela.pasetto2@unibo.it Definizione del modello OLS (semplice) L obiettivo della regressione lineare è di valutare
DettagliIl modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009)
Il modello di regressione (VEDI CAP 12 VOLUME IEZZI, 2009) Quesito: Posso stimare il numero di ore passate a studiare statistica sul voto conseguito all esame? Potrei calcolare il coefficiente di correlazione.
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 6 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI REGRESSIONE LINEARE: SPORT - COLESTEROLO ESERCIZIO 8: La tabella seguente
DettagliEsercitazione finale - corso R base Francesco Vidoli Ottobre 2018
Esercitazione finale - corso R base Francesco Vidoli Ottobre 2018 Passo 1: Leggere il file di input (il file si trova a questo indirizzo: https://fvidoli.weebly.com/uploads/2/3/0/8/ 23088460/dati_medici.csv),
DettagliMetodi statistici per la ricerca sociale ANOVA e ANCOVA in
Metodi statistici per la ricerca sociale ANOVA e ANCOVA in Alessandra Mattei Dipartimento di Statistica, Informatica, Applicazioni (DiSIA) Università degli Studi di Firenze mattei@disia.unifi.it LM 88
Dettagli20/01/2016 ANOVA ANALYSIS OF VARIANCE. Il gruppo di ingegneri responsabile del progetto decide di investigare 4 livelli di concentrazione del legno
ANOVA ANALYSIS OF VARIANCE 1 Il gruppo di ingegneri responsabile del progetto decide di investigare 4 livelli di concentrazione del legno 2 1 CONCENTRAZIONE=LIVELLI REPLICHE 5 10 15 20 1 7 12 14 19 2 8
DettagliAntonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR
Antonella Bodini Istituto di Matematica Applicata e Tecnologie Informatiche E. Magenes del CNR Materiale ad uso dei ricercatori che hanno seguito il corso di formazione interna in Statistica, edizione
DettagliSoluzioni prova scritta di Complementi di Probabilità e Statistica (29/06)
Soluzioni prova scritta di Complementi di Probabilità e Statistica (29/6). (a) Per costruire il box plot, vengono determinati minimo=,, massimo=,97, mediana=,455, I quartile=,3375 e III quartile=,745 dei
DettagliValidazione dei modelli. Strumenti quantitativi per la gestione
Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer file:///g:/il%20mio%20drive/2%20corsi/3%20sqg/labs/l5-validazione.html#(1) 1/27 Validazione dei modelli In questo esempio
Dettagli1. ISTOGRAMMI E GRAFICI DI ALCUNE DENSITA (COMPLEMENTO ALLA LEZIONE PRECEDENTE)
1. ISTOGRAMMI E GRAFICI DI ALCUNE DENSITA (COMPLEMENTO ALLA LEZIONE PRECEDENTE) Riprendiamo l esempio X = seq(-5,5,0.01) Y= dnorm(x) plot(x,y) Si poteva automatizzare la scelta delle X ponendo: X=rnorm(1000)
DettagliLaboratorio R Corso di Algebra e Modelli lineari (Anno Accademico )
Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 05-6) REGRESSIONE LINEARE SEMPLICE OPEN STATISTICA 8.44 Per 8 settimanali, appartenenti alla medesima fascia di prezzo e presenti in edicola
DettagliProva scritta di Complementi di Probabilità e Statistica 19 Luglio 2005 (consegnare solo il file word)
Prova scritta di Complementi di Probabilità e Statistica 19 Luglio 2 (consegnare solo il file word) La tabella si riferisce alla lunghezze di 4 sbarre di acciaio ottenute per taglio manuale con l ausilio
DettagliVARIETÀ. zona geografica A B C D
Anova a 2 vie con repliche (( chiarire che non devono essere esattamente nello stesso numero per ogni cella ovvero per le ripetizioni dei de fattori ma che excel li legge così) Esercizio-esempio 1 Il valore
DettagliEsercizio Dire quale variabile debba essere usata come regressore e quale sia la variabile risposta.
Esercizio 1 Il file elettr.txt contiene dei dati sui consumi in miliardi di kilowatt/ora (eleccons) e sul prodotto interno lordo in miliardi di dollari (gdp) su 30 paesi in un determinato anno. Il prodotto
DettagliANOVA 2. Monica Marabelli. 15 Gennaio 2016
ANOVA 2 Monica Marabelli 15 Gennaio 2016 ANOVA a una via Nella scorsa esercitazione abbiamo visto che nell Analisi della Varianza (ANOVA) si considerano le medie di una variabile dipendente (quantitativa)
DettagliANOVA 2. Silvia Parolo. January 16, 2015
ANOVA 2 Silvia Parolo January 16, 2015 Verifica degli assunti normalità dei residui entro gruppi omoschedasticità dei residui entro gruppi indipendenza dei residui entro gruppi Esempio è stato condotto
DettagliProva scritta di Affidabilità dei sistemi e controllo statistico di qualità. 3 Giugno 2013
Prova scritta di Affidabilità dei sistemi e controllo statistico di qualità 3 Giugno 013 1. Nella costruzione di una catapulta sono stati individuati 6 fattori: l elevazione anteriore, l asola nel fulcro
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica 4 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI 1 - STATISTICA DESCRITTIVA
DettagliVariabili indipendenti qualitative. In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli.
Variabili indipendenti qualitative Di solito le variabili nella regressione sono variabili continue In molte applicazioni si rende necessario l introduzione di un fattore a due o più livelli Ad esempio:
DettagliAncova: il modello lineare in generale
Ancova: il modello lineare in generale Massimo Borelli May 9, 2014 Massimo Borelli () Ancova: il modello lineare in generale May 9, 2014 1 / 18 Contenuti 1 L analisi della covarianza la notazione di Wilkinson
DettagliEsercizio 1 GRAFICO 1. X e Y sono indipendenti. X e Y non sono correlate. La correlazione tra X e Y è <1. X e Y sono perfettamente correlate
Esercizio 1 Osservare il grafico 1 riportato in figura che mette in relazione una variabile dipendente Y ed una variabile indipendente X e rispondere alle seguenti domande. 400 300 200 GRAFICO 1 100 0
DettagliAnalisi grafica residui in R. Da output grafico analisi regressionelm1.csv Vedi dispensa. peso-statura
Analisi grafica residui in R Da output grafico analisi regressionelm1.csv Vedi dispensa peso-statura 1) Il plot in alto a sinistra mostra gli errori residui contro i loro valori stimati. I residui devono
DettagliProva scritta di Complementi di Probabilità e Statistica. 7 Dicembre 2012
Prova scritta di Complementi di Probabilità e Statistica 7 Dicembre. Un ingegnere vuole investigare se le caratteristiche di una superficie metallica sono influenzate dal tipo di pittura usata e dal tempo
DettagliTest F per la significatività del modello
Test F per la significatività del modello Per verificare la significatività dell intero modello si utilizza il test F Si vuole verificare l ipotesi H 0 : β 1 = 0,, β k = 0 contro l alternativa che almeno
DettagliValidazione dei modelli Strumenti quantitativi per la gestione
Validazione dei modelli Strumenti quantitativi per la gestione Emanuele Taufer Validazione dei modelli Il data set Auto I dati Il problema analizzato Validation set approach Diagramma a dispersione Test
DettagliQuiz di verifica - Alberi e FC Strumenti Quantitativi per la gestione
Quiz di verifica - Alberi e FC Strumenti Quantitativi per la gestione Le domande 1-6 si riferiscono al seguente problema Un data set contiene i dati sui consumi di diversi tipi di automobili e alcune loro
DettagliProva scritta di Affidabilità dei sistemi e Controllo Statistico di Qualità. 1 Agosto 2013
Prova scritta di Affidabilità dei sistemi e Controllo Statistico di Qualità 1 Agosto 2013 1. Assegnata la seguente distribuzione doppia, determinare la legge di probabilità della v.a. Z=X+Y. Y\X 0 1 Totale
DettagliREGRESSIONE lineare e CORRELAZIONE. Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori
REGRESSIONE lineare e CORRELAZIONE Con variabili quantitative che si possono esprimere in un ampio ampio intervallo di valori Y X La NATURA e la FORZA della relazione tra variabili si studiano con la REGRESSIONE
DettagliEsercitazioni Infostat ConfInt
Esercitazioni Infostat ConfInt Matteo Re, Alessandro Di Domizio 3 Maggio 2019 1 Introduzione In questa esercitazione vedremo come stimare l intervallo di confidenza da un campione che assumiamo essere
Dettagli1. Esistono differenze nella resistenza tra le varie marche?
Laboratorio 10 Analisi della varianza 10.1 Analisi del dataset STURDY.DAT I dati riportati nel file sturdy.dat si riferiscono ad un esperimento effettuato per studiare la resistenza allo strappo di diverse
DettagliSTATISTICA. Esercitazione 5
STATISTICA Esercitazione 5 Esercizio 1 Ad un esame universitario sono stati assegnati in modo casuale due compiti diversi con i seguenti risultati: Compito A Compito B Numero studenti 102 105 Media dei
DettagliEsercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017
Esercitazione 5 - Statistica (parte II) Davide Passaretti 9/3/2017 Contents 1 Inferenza sulla regressione semplice 1 1.1 Test sulla pendenza della retta................................... 1 1.2 Test sull
DettagliProva scritta di STATISTICA. CDL Biotecnologie. (Programma di Massimo Cristallo - A)
Prova scritta di STATISTICA CDL Biotecnologie (Programma di Massimo Cristallo - A) 1. Un associazione di consumatori, allo scopo di esaminare la qualità di tre diverse marche di batterie per automobili,
DettagliDAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI
DAL CAMPIONE ALLA POPOLAZIONE: LA STIMA DEI PARAMETRI Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
DettagliStatistica 1- parte II
Statistica 1- parte II Esercitazione 5 Dott.ssa Antonella Costanzo 10/03/016 Esercizio 1. Analisi della varianza - ANOVA Per confrontare l efficacia di tre diete (A, B, C) si sono scelti 30 individui con
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
DettagliRegressione lineare semplice. Strumenti quantitativi per la gestione
Regressione lineare semplice Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/3a_rls.html#(1) 1/33 Regressione lineare (RL) La RL è uno degli
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Analisi dei dati quantitativi :
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. Analisi dei dati quantitativi :
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea
DettagliLivello di esposizione. animale Basso Moderato Alto
Esercizio -Esempio 1 (anova 2 vie con blocchi) I tassi respiratori (ispirazioni al minuto) sono stati misurati in otto animali usati per un esperimento, con tre livelli di esposizione al monossido di carbonio.
DettagliCAPITOLO 3 Esperimenti con un singolo fattore: l Analisi della Varianza
Douglas C. Montgomery Progettazione e analisi degli esperimenti 006 McGraw-Hill CAPITOLO 3 Esperimenti con un singolo fattore: l Analisi della Varianza Metodi statistici e probabilistici per l ingegneria
DettagliVariabili aleatorie. continue. Discreto continuo
Variabili aleatorie continue Discreto continuo.18 Uniforme discreta, n=11 n=21 n=11 n=6 n=51 n=51 Uniforme.16.14.12.1.8.6?.4.2 1 1 2 2 3 3 4 4 5 5 6 6 7 7 Per passare dal modello discreto al modello continuo
DettagliStatistica Applicata Corso di Laurea in Scienze Naturali a. a. 2016/2017
Statistica Applicata Corso di Laurea in Scienze Naturali a. a. 2016/2017 prof. Federico Plazzi 27 Febbraio 2017 Nome: Cognome: Matricola: Alcune indicazioni: La prova è constituita da cinque esercizi;
DettagliESERCITAZIONE A. Analisi di dati sperimentali PARTE 1: INFERENZA
Università degli Studi di Padova Facoltà di Scienze MM.FF.NN. Corso di Laurea Magistrale: Biologia Sanitaria Insegnamento: Statistica Applicata Docente: Prof.ssa Alessandra R. Brazzale Esercitatore: Dott.ssa
DettagliUniversità del Piemonte Orientale. Corso di laurea specialistica in biotecnologie mediche. Corso di Statistica Medica. Analisi dei dati quantitativi :
Università del Piemonte Orientale Corso di laurea specialistica in biotecnologie mediche Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale
DettagliPolitecnico di Milano - Scuola di Ingegneria Industriale. II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011
Politecnico di Milano - Scuola di Ingegneria Industriale II Prova in Itinere di Statistica per Ingegneria Energetica 7 Luglio 2011 c I diritti d autore sono riservati. Ogni sfruttamento commerciale non
DettagliRegressione lineare semplice
Regressione lineare semplice Strumenti quantitativi per la gestione Emanuele Taufer Regressione lineare (RL) La regressione lineare per i dati Advertising Analisi d interesse Regressione lineare semplice
DettagliFac-simile prova di esame
UNIVERSITÀ CA FOSCARI DI VENEZIA FACOLTÀ DI ECONOMIA Statistica Computazionale I Prof. Stefano Tonellato COGNOME.................................... NOME.................................... MATRICOLA....................................
DettagliI modelli lineari generalizzati: il modello di Poisson
I modelli lineari generalizzati: il modello di Poisson Massimo Borelli May 13, 2014 Massimo Borelli () I modelli lineari generalizzati: il modello di Poisson May 13, 2014 1 / 15 Contenuti 1 Motivazioni
DettagliModelli con predittori qualitativi e modelli con interazioni. Strumenti quantitativi per la gestione
Modelli con predittori qualitativi e modelli con interazioni Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/3d_viq.html#(1) 1/26 Utilizzare
DettagliTestare differenze tra gruppi: la Anova
Testare differenze tra gruppi: la Anova Massimo Borelli May 5, 2014 Massimo Borelli () Testare differenze tra gruppi: la Anova May 5, 2014 1 / 25 il dataset Table: il dataset tooth (N = 69). gender il1b
DettagliSTATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7:
esercitazione 7 p. 1/13 STATISTICA 1, metodi matematici e statistici Introduzione al linguaggio R Esercitazione 7: 20-05-2004 Luca Monno Università degli studi di Pavia luca.monno@unipv.it http://www.lucamonno.it
DettagliEsercitazioni. Apro nell editor del MATLAB un file con estensione txtin cui incollo i dati della matrice. >> esercizio1.
Esercitazioni 1 Esercizio 1:Due macchine riempiono bottiglie di plastica per un volume netto di 16 once (circa 450gr.). Vengono selezionati due campioni. Stabilire se ci sono differenze significative tra
DettagliANALISI DELLA VARIANZA
ANALISI DELLA VARIANZA Il data set coagulation contenuto nella libreria faraway contiene i tempi di coagulazione del sangue (misurato in secondi) di 24 animali sottoposti casualmente a quattro tipi di
DettagliESERCITAZIONE C. Analisi di dati sperimentali PARTE 3: REGRESIONE
Università degli Studi di Padova Facoltà di Scienze MM.FF.NN. Corso di Laurea Magistrale: Biologia Sanitaria/Biologia Molecolare Insegnamento: Statistica Applicata Docente: Prof.ssa Alessandra R. Brazzale
DettagliAnalisi della varianza a due fattori
Laboratorio 11 Analisi della varianza a due fattori 11.1 Analisi del dataset PENICILLIN.DAT I dati contenuti nel file penicillin.dat, si riferiscono ad un esperimento di produzione di penicillina tendente
DettagliEsperimenti longitudinali e misure ripetute. Massimo Borelli. Motivazioni. Un esempio tipicamente biotec. Anova sbagliate Anova r.m.
May 14, 2014 Contenuti 1 2 il peso delle gemelle: 1 misura > alice = 73.6 > ellen = 73.8 Le gemelle hanno lo stesso peso? Alice è laureata in matematica Ellen è laureata in statistica il peso delle gemelle:
DettagliEsercizio 8. Ne segue, ovviamente che le aree geografiche di riferimento sono Africa e America del Sud.
Esercizio 8 La Swiss Economic Research della Union Bank of Switzerland conduce un controllo periodico dei livelli dei prezzi e dei salari nella principali città del mondo. Una delle variabili rilevate
DettagliEsercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza
Esercitazione Statistica Computazionale B Modelli di regressione lineare semplice Verifica di ipotesi - Analisi della varianza 3 maggio 2005 Esercizio 1 Consideriamo l esempio del libro di testo Annette
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliSiete invitati a cambiare un po di parametri dell esercizio (es. aumentare Nrow; diminuire sig2; diminuire i coefficienti di X3 ed X4).
1. ALLINEAMENTO DI FATTORI, ESEMPI SINTETICI Esercizio. Creare una tabella con dati sintetici in cui sia percepibile il fenomeno dell allineamento ed esaminare le sue conseguenze. Consideriamo il modello
DettagliEsercizi di ripasso. Monica Marabelli. 22 Gennaio 2016
Esercizi di ripasso Monica Marabelli 22 Gennaio 2016 Esercizio 1 Tre diverse diete sono state testate per valutare la loro efficacia nel determinare una diminuzione di peso. Verifica se almeno una delle
DettagliStatistica parametrica e non parametrica. Gli intervalli di confidenza
Statistica parametrica e non parametrica Per un campione univariato Gli intervalli di confidenza MEDIA CAMPIONARIA MEDIA VERA 1 Gli intervalli di confidenza 3 Gli intervalli di confidenza 4 Una introduzione
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliUniversità del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica. Analisi dei dati quantitativi : Analisi della varianza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Analisi della varianza Università del Piemonte Orientale Corso di laurea in
DettagliEsercitazioni. a. Discreta, quantitativa numerica; b. nominale; c. quantitativa rapporto; d. nominale; e. nominale
Esercitazioni 1. Per ognuna delle seguenti variabili dire di che tipo di variabile si tratta e la scala di misura di riferimento: a. Numero di telefoni per famiglia. b. Tipo di telefono usato principalmente.
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliTest di ipotesi su due campioni
2/0/20 Test di ipotesi su due campioni Confronto tra due popolazioni Popolazioni effettive: unità statistiche realmente esistenti. Esempio: Confronto tra forze lavoro di due regioni. Popolazioni ipotetiche:
DettagliLaboratorio di Statistica 1 con R Esercizi per la Relazione. I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati
Laboratorio di Statistica 1 con R Esercizi per la Relazione I testi e/o i dati degli esercizi contassegnati da sono tratti dai libri consigliati nel corso. Esercizio 1. 1. Facendo uso dei comandi
DettagliModelli con predittori qualitativi e modelli con interazioni
Modelli con predittori qualitativi e modelli con interazioni Strumenti quantitativi per la gestione Emanuele Taufer Utilizzare variabili indipendenti qualitative (VIQ) Codifica binaria 0,1 Esempio: salari
DettagliSTATISTICA. Regressione-2
STATISTICA Regressione-2 Esempio Su un campione di =5unità sono state osservate due variabili, ed : x i 1 2 3 4 5 y i 1.5 2.5 3 2.5 3.5 1. Rappresentare l andamento congiunto di in funzione di mediante
DettagliModelli statistici: sessione 1
Modelli statistici: sessione 1 Francesco Lagona Università Roma Tre 1 R ed R Studio IDE R è un ambiente costituito da oggetti e librerie di comandi per la gestione e l analisi di dati statistici. R è disponibile
DettagliProva scritta di Statistica
Prova scritta di Statistica 5 Febbraio 2016 1. Da un indagine riguardante l utilizzo del telefono cellulare si sono ottenuti i seguenti risultati: Età No.telefonini Chiamate Spesa sett. Bluetooth 20 2
DettagliOld Faithful, Yellowstone Park. Statistica e biometria. D. Bertacchi. Dati congiunti. Tabella. Scatterplot. Covarianza. Correlazione.
Coppie o vettori di dati Spesso i dati osservati sono di tipo vettoriale. Ad esempio studiamo 222 osservazioni relative alle eruzioni del geyser Old Faithful. Old Faithful, Yellowstone Park. Old Faithful
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di Area Tecnica. Corso di Statistica Medica. Le distribuzioni teoriche di probabilità
Università del Piemonte Orientale Corsi di Laurea Triennale di Area Tecnica Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di Gauss) CdL Area Tecnica -
DettagliConfronto tra più di due campioni
Confronto tra più di due campioni La matrice dei dati Quando si esaminano più di due popolazioni, le informazioni sono u- sualmente organizzate sotto forma di matrice.,,, n ( ω ω ω ) 1 2 Pino, Maria,,Giacomo
DettagliLaboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 2011-12)
Laboratorio R Corso di Algebra e Modelli lineari (Anno Accademico 011-1) REGRESSIONE LINEARE SEMPLICE OPEN STATISTICA 8.44 Per 8 settimanali, appartenenti alla medesima fascia di prezzo e presenti in edicola
DettagliUniversità di Pavia Econometria Esercizi 5
Università di Pavia Econometria 2007-2008 Esercizi 5 Maggio, 2008 1. Una regressione lineare multipla di y su una costante, x 2 e x 3 produce i seguenti risultati: ŷ t = 4 + 0.4x t2 + 0.9x t3 con X X =
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliModelli non lineari e cross validazione. Strumenti quantitativi per la gestione
Modelli non lineari e cross validazione Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l3-temperature_max.html#(24) 1/28 Metodi
DettagliLABORATORIO DI PROBABILITA E STATISTICA
UNIVERSITA DEGLI STUDI DI VERONA LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi 4 ESERCIZI RIEPILOGATIVI PRIME 3 LEZIONI 1 - STATISTICA DESCRITTIVA VENDITE PC ESERCIZIO 1: La seguente tabella
DettagliIntroduzione alla Regressione Logistica
Introduzione alla Regressione Logistica Contenuto regressione lineare semplice e multipla regressione logistica lineare semplice La funzione logistica Stima dei parametri Interpretazione dei coefficienti
DettagliContrasti e confronti multipli
Contrasti e confronti multipli Andrea Onofri 25 gennaio 2012 Indice 1 Introduzione 1 2 I contrasti pianificati 2 Test di confronto multiplo 4 4 Limitazione delle MCP 5 5 Scegliere la MCP 7 Sommario Scopo
DettagliStatistica Compito A
Statistica Compito A Prova scritta del 3 Luglio 2015 1. Il seguente campione casuale si riferisce al numero di difetti riscontrati su 1 metro-quadrato di stoffa: 0 7 1 5 2 6 3 4 4 3 5 2 6 1 7 2 (a) Cosa
Dettagli