STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
|
|
- Irma Pellegrini
- 5 anni fa
- Visualizzazioni
Transcript
1 S.S.I.S TOSCANA F.I.M. -II anno STATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE PROBLEMA 1 Vogliamo valutare la percentuale p di donne fumatrici tra le donne in età fertile. Procediamo all estrazione di un campione casuale semplice dalla popolazione di riferimento Come possiamo utilizzare un preciso campione di ampiezza n, che ha dato h risposte affermative alla domanda: fumi più di un certo numero stabilito di sigarette, in media, al giorno?, per valutare o, più precisamente, stimare p? Se attribuissimo a p il valore p* =h/n, questo valore sarebbe una buona stima di p? Quando pensiamo di attribuire a p il valore p*, in realtà stiamo interpretando il dato campionario secondo un preciso modello probabilistico. Stiamo pensando ogni unità statistica del campione come una variabile aleatoria di Bernoulli che vale 1 con probabilità p e 0 con probabilità 1-p. Il risultato campionario, che rappresenta la frequenza relativa delle donne fumatrici nel campione, (x 1 + x 2 + +x n )/n = h/n è interpretato come la v.a. (X 1 + X 2 + +X n )/n, dove ciascuna v.a. X i è una variabile di Bernoulli di parametro p ed ogni variabile è indipendente dalle altre. Il valor medio di questa variabile aleatoria è E((X 1 + X 2 + +X n )/n) = p, la sua varianza è V((X 1 + X 2 + +X n )/n) = p(1-p)/n. Quindi la media campionaria ci fornirà in media il valore vero di p, ed inoltre si osserva che la varianza intorno a tale valor medio diminuisce al crescere dell ampiezza campionaria n. Si potrebbe osservare che il modello probabilistico adottato è binomiale, la variabile X 1 + X 2 + +X n è distribuita secondo una binomiale di parametri p ed n, che potrebbe sembrare poco idoneo ad un campionamento casuale, in cui non si penserebbe mai di sorteggiare con rimessa, ma piuttosto senza rimessa e quindi secondo un modello ipergeometrico. D altra parte la popolazione da cui effettuare il campionamento è pensata talmente grande da ritenere praticamente nulla la probabilità di sorteggiare più di una volta uno stesso individuo e quindi di poter ragionevolmente adottare un modello binomiale.
2 ALCUNE OSSERVAZIONI E DEFINIZIONI Il campione è interpretato secondo un preciso modello probabilistico che lo vede come una variabile aleatoria vettoriale, la cui legge congiunta può dipendere da uno o più parametri. Nella maggior parte dei casi, la variabile aleatoria vettoriale è pensata composta da variabili aleatorie indipendenti tra loro e quindi la legge congiunta è prodotto delle leggi marginali delle singole variabili aleatorie. Del resto, il campionamento casuale comporta una indipendenza di risultato tra le varie unità statistiche del campione. Abbiamo già detto che una statistica è, in senso tecnico, una quantità numerica calcolata a partire dal campione, quindi possiamo dire che una statistica è una funzione delle osservazioni campionarie. Una statistica utilizzata per ricavare stime di un parametro θ (da cui la legge congiunta della variabile aleatoria, che interpreta il campione secondo un preciso modello probabilistico, dipende) si dice uno stimatore di θ. Una statistica ed, in particolare, uno stimatore, sono quindi variabili aleatorie. DEFINIZIONE 1 Uno stimatore θ* di un parametro incognito θ si dice corretto o non distorto se il suo valore medio coincide con il parametro stesso: E(θ*) = θ DEFINIZIONE 2 Se abbiamo due stimatori θ 1 e θ 2 non distorti dello stesso parametro θ si dice che θ 1 è più efficiente di θ 2 se la varianza di θ 1 è minore di quella di θ 2. DEFINIZIONE 3 Si dice che θ* è uno stimatore consistente di θ se, all aumentare della dimensione del campione, la probabilità che θ* si discosti da θ tende ad essere nulla. Vale a dire ε>0 lim P( θ n * - θ < ε) = 1 dove con θ n * si è indicato lo stimatore e la sua dipendenza dalla dimensione n del campione.
3 PROBLEMA 2-A ERRORI DI MISURA Supponiamo di effettuare delle prove di laboratorio in cui vengono rilevate n misure di una grandezza incognita, nelle stesse condizioni e indipendentemente l una dall altra, con uno strumento di misurazione la cui precisione è nota. E noto che la curva sperimentale delle misure è ben rappresentata da una densità gaussiana di varianza σ 2 nota (perché dipendente dalla precisione dello strumento di misurazione) e di media µ incognita (in quanto esprime il valore medio della grandezza incognita). Sia x la generica misura effettuata, essa viene dunque interpretata come 1 una v.a. X di densità f(x) = 2πσ exp (x-µ)2 2σ 2 Le n misure effettuate sono interpretate come una v.a. vettoriale di densità congiunta data dal prodotto delle densità marginali, essendo le variabili indipendenti: f(x 1, x 2,..., x n ) = 1 2πσ n exp Σ i (x i µ) 2 2σ 2 Come stimatore del parametro µ possiamo usare la media campionaria µ*= Σ 1 x i /n Si ha E(µ*) = µ, quindi lo stimatore è non distorto, e V(µ*) = σ 2 /n da cui si ottiene che lo stimatore è consistente. Il procedimento per cui si usa come stimatore di un parametro incognito la funzione analoga calcolata sul campione si dice METODO DEI MOMENTI ALTRO METODO: STIMATORI DI MASSIMA VEROSIMIGLIANZA Funzione di verosimiglianza: la funzione del parametro che, nel modello probabilistico adottato, fornisce il valore di probabilità da attribuire al risultato osservato. Si sceglie come valore di stima del parametro quello in corrispondenza del quale tale probabilità è massima, vale a dire, quello in corrispondenza del quale il risultato ottenuto è più verosimile.
4 PROBLEMA 2-B ERRORI DI MISURA CON σ 2 INCOGNITA e µ NOTA Effettuiamo n misure indipendenti di una grandezza nota con uno strumento di misura di precisione incognita, ai fini di valutare appunto la precisione dello strumento. Abbiamo ancora una distribuzione gaussiana di cui, però, stavolta è nota la media ed incognita la varianza. Procedendo con il metodo dei momenti (ma anche con il metodo di massima verosimiglianza si otterrebbe, in questo caso, lo stesso stimatore) si adotta come stimatore di σ 2 lo stimatore s 2 = Σ i (x i -µ) 2 /n, vale a dire la varianza campionaria. Si può dimostrare che lo stimatore è non distorto e consistente. PROBLEMA 2-C ERRORI DI MISURA CON σ 2 INCOGNITA e µ INCOGNITA Effettuiamo n misure indipendenti di una grandezza incognita con uno strumento di misura di cui non è nota la precisione. Abbiamo ancora una distribuzione gaussiana di cui, però, non è nota né la media né la varianza. Per stimare µ adottiamo, come nel problema 2-A, come stimatore la media campionaria µ*= Σ 1 x i /n Se per stimare σ 2 adottassimo, come nel problema 2-B, la varianza campionaria, lo stimatore s 2 = Σ i (x i -µ ) 2 /n risulterebbe consistente, ma distorto. Dimostriamo che lo stimatore è distorto. Utilizziamo la relazione E(X 2 ) = µ 2 + σ 2, si ha s 2 = Σ i (x i -µ ) 2 /n = Σ i (x i ) 2 /n (µ ) 2, quindi E(s 2 ) = E(Σ i (x i ) 2 /n) E((µ ) 2 ) = µ 2 + σ 2 - σ 2 /n -µ 2 = (n-1)/n σ 2 Dunque, per ottenere uno stimatore non distorto, dobbiamo moltiplicare per n e dividere per n-1 la varianza campionaria, ottenendo s 2 * = Σ i (x i -µ ) 2 /(n-1) A differenza del problema 2-B, qui la media non è nota e quindi la dobbiamo stimare con la media campionaria, introducendo quindi una relazione algebrica tra le n variabili. Diciamo quindi che questa statistica ha n-1 gradi di libertà.
5 GRADI DI LIBERTA Siano (x 1, x 2,..., x n ) un campione di n misure e g una statistica g:r n R, si dirà che a g corrispondono n gradi di libertà se in g non compare nessuna relazione che lega fra loro le variabili (X 1, X 2,..., X n ), al contrario n-k gradi di libertà se nella definizione di g sono presenti k relazioni tra le variabili. In tal caso è possibile espicitare dalle relazioni k variabili in funzione delle restanti n-k e definire g:r n-k R. INTERVALLI DI CONFIDENZA Il metodo fornisce sia informazioni sul valore del parametro incognito che sul grado di attendibilità della stima stessa, vale a dire la sua precisione. Il metodo si basa sulla determinazione, in base ai dati campionari, di due valori L 1 e L 2 in modo tale che P(L 1 θ L 2 ) = α (α di solito scelto come 0.9, 0.95, 0.99) α è appunto detto livello di confidenza. Si osserva che L 1 e L 2, essendo funzioni dei dati, sono di fatto delle statistiche ed, in particolare, degli stimatori. Ci possono essere infiniti modi di determinare L 1 e L 2, di solito si limita la ricerca agli intervalli di confidenza centrali, vale a dire gli intervalli per cui si ha P(L 1 θ)= P(L 2 θ) = (1-α)/2 Un intervallo di confidenza fornisce un metodo di stima che, applicata un gran numero di volte, dà luogo ad una conclusione corretta in media nell α100% dei casi. Si osserva che all aumentare del livello di confidenza aumenta l ampiezza dell intervallo; per ridurre l ampiezza dell intervallo, a parità di livello di confidenza, si aumenta (se possibile) l ampiezza del campione. INTERVALLO DI CONFIDENZA PER LA MEDIA µ DI UNA GAUSSIANA DI VARIANZA σ 2 NOTA Si eseguono, come nel problema 2-A, n misure di una grandezza di misura incognita con uno strumento di precisione nota, stavolta, invece di una stima puntuale, vogliamo determinare un intervallo in cui il valor medio incognito verrà a cadere con probabilità assegnata α. Il modello probabilistico adottato è quello gaussiano, per cui la media campionaria Σ 1 x i /n è interpretata come una v.a. gaussiana Σ 1 X i /n di media µ e
6 varianza σ 2 /n. L intervallo di confidenza cercato è centrale. Si osserva che la v.a. (Σ 1 X i /n µ )/(σ/ n) è gaussiana standard, perciò se poniamo P(-a (Σ 1 x i /n µ )/(σ/ n) a)= α, siamo in grado di determinare a dalle tavole della gaussiana standard e quindi possiamo ottenere P(Σ 1 x i /n aσ/ n µ Σ 1 x i /n + aσ/ n)= α Quindi l intervallo di confidenza è dato da [Σ 1 x i /n aσ/ n, Σ 1 x i /n + aσ/ n ] ESEMPIO Supponiamo di avere rilevato un campione casuale di 50 osservazioni per una grandezza vista come una variabile aleatoria di legge gaussiana di media incognita e varianza nota σ 2 =4, e di avere ottenuto una media campionaria µ* = 20. Vogliamo determinare un intervallo di confidenza centrale al livello α = 0.95 per la media µ. Inseriamo i dati nell intervallo precedentemente determinato [Σ 1 x i /n aσ/ n, Σ 1 x i /n + aσ/ n ] = [20 a2/ 50, 20 + a 2/ 50] resta da determinare a dalle tavole della normale ridotta, cercando il valore a per cui la funzione di ripartizione Φ(a)= 0.975, quindi a=1.96. Dunque otteniamo l intervallo [19.45, 20.55] OSSERVAZIONE: Qualunque sia la legge di probabilità del modello che interpreta i dati statistici, per il teorema centrale di convergenza la legge di distribuzione della media campionaria delle n osservazioni di un campione casuale, per n grande, è ben approssimata da una normale di media µ = E(Σ 1 X i /n) e varianza σ 2 =Var(Σ 1 X i /n). Perciò, per campioni casuali di taglia n grande, l intervallo precedentemente trovato per la media rappresenta una buona approssimazione qualunque sia la legge di X. INTERVALLO DI CONFIDENZA PER LA MEDIA µ DI UNA GAUSSIANA DI VARIANZA σ 2 INCOGNITA Si procede come nel caso precedente, con la differenza che, non conoscendo la varianza, si deve utilizzare, al posto di σ 2, la varianza stimata dai dati campionari s 2 * = Σ i (x i -µ ) 2 /(n-1). Si dimostra (vedi Appendice) che la v.a. (Σ 1 X i /n µ )/(s*/ n) è distribuita secondo una legge di densità di Student con n-1 gradi di libertà. Quindi posto P(-a (Σ 1 x i /n µ )/(s*/ n) a)= α, siamo in grado di determinare a utilizzando le tavole di una Student con n-1 gradi di libertà. Una volta determinato a, si ottiene P(Σ 1 x i /n as*/ n µ Σ 1 x i /n + as*/ n)= α Quindi l intervallo di confidenza è dato da [Σ 1 x i /n as*/ n, Σ 1 x i /n + as*/ n ]
7 ESEMPIO Supponiamo di avere rilevato un campione casuale di 50 osservazioni per una grandezza vista come una variabile aleatoria di legge gaussiana di media e varianza incognita, e di avere ottenuto una media campionaria µ* = 20 ed inoltre Σ i (x i -µ ) 2 = 500. Vogliamo determinare un intervallo di confidenza centrale al livello α = 0.95 per la media µ. Inseriamo i dati nell intervallo precedentemente determinato [Σ 1 x i /n as*/ n, Σ 1 x i /n + as*/ n ]= [20 a sqr(500/(49)(50)), 20 + a sqr(500/(49)(50)] resta da determinare a dalle tavole della Student con 49 gradi di libertà, cercando il valore a per cui la funzione di ripartizione vale 0.975, quindi a=2.04. Dunque otteniamo l intervallo [19.08, 20.92] INTERVALLO DI CONFIDENZA PER LA VARIANZA σ 2 DI UNA GAUSSIANA DI MEDIA µ NOTA Tenendo conto che la v.a. Σ i (X i -µ) 2 /σ 2 è distribuita (vedi Appendice) secondo una legge chi-quadrato con n gradi di libertà, possiamo ottenere un intervallo di confidenza per σ 2 nel modo seguente: P(a Σ i (x i -µ) 2 /σ 2 b) = α, dove a e b sono determinati dalle tavole della legge chi-quadrato con n gradi di libertà, in modo tale che P(Σ i (x i -µ) 2 /σ 2 a)=p(σ i (x i -µ) 2 /σ 2 b)= (1-α)/2, dunque si ottiene P(Σ i (x i -µ) 2 /b σ 2 Σ i (x i -µ) 2 /a)= α e quindi l intervallo di confidenza [Σ i (x i -µ) 2 /b, (Σ i (x i -µ) 2 /a] ESEMPIO: Supponiamo di avere un campione casuale di 15 osservazioni relative ad una grandezza vista come una variabile aleatoria di media nota µ = 8 e varianza incognita, e di avere ottenuto che Σ i (x i -µ) 2 = Vogliamo determinare un intervallo di confidenza centrale per la varianza σ 2 al livello α= 0.9. Inseriamo i dati nell intervallo precedentemente determinato [Σ i (x i -µ) 2 /b, (Σ i (x i -µ) 2 /a] = [17.3/b, 17.3/a] Restano da determinare a e b dalle tavole della chi-quadro con 15 gradi di libertà con a tale che la corrispondente funzione di ripartizione F 15 (a) =0.05 e b tale che F 15 (b)=0.95, si ottiene a=7.26 e b=25, da cui l intervallo [17.3/25, 17.3/7.26] [0.692, 2.383] INTERVALLO DI CONFIDENZA PER LA VARIANZA σ 2 DI UNA GAUSSIANA DI MEDIA µ INCOGNITA A differenza dal caso precedente, qui non è nota la media µ, quindi dobbiamo utilizzare al posto di µ la media campionaria µ*.
8 Tenendo conto che la v.a. Σ i (X i -µ*) 2 /σ 2 è distribuita (vedi Appendice) secondo una legge chi-quadrato con n-1 gradi di libertà, possiamo ottenere un intervallo di confidenza per σ 2 analogamente al caso precedente: P(a Σ i (x i -µ*) 2 /σ 2 b) =, dove a e b sono determinati dalle tavole della legge chi-quadrato con n 1 gradi di libertà, in modo tale che P(Σ i (x i -µ*) 2 /σ 2 a)=p(σ i (x i -µ*) 2 /σ 2 b)= (1-α)/2, dunque si ottiene P(Σ i (x i -µ*) 2 /b σ 2 Σ i (x i -µ*) 2 /a) )= α e quindi l intervallo di confidenza [Σ i (x i -µ*) 2 /b, (Σ i (x i -µ*) 2 /a] ESEMPIO: Supponiamo di avere un campione casuale di 15 osservazioni relative ad una grandezza vista come una variabile aleatoria gaussiana di media e varianza incognita, e di avere ottenuto che Σ i (x i -µ*) 2 = Vogliamo determinare un intervallo di confidenza centrale per la varianza σ 2 al livello α= 0.9. Inseriamo i dati nell intervallo precedentemente determinato [Σ i (x i -µ) 2 /b, (Σ i (x i -µ) 2 /a] = [17.3/b, 17.3/a] Restano da determinare a e b dalle tavole della chi-quadro con 14 gradi di libertà con a tale che la corrispondente funzione di ripartizione F 14 (a) =0.05 e b tale che F 14 (b)=0.95, si ottiene a=6.57 e b=23.7, da cui l intervallo [17.3/23.7, 17.3/6.57] [0.73, 2.63] INTERVALLO DI CONFIDENZA PER IL PARAMETRO p DI UNA BINOMIALE Se i dati campionari (x 1, x 2,..., x n ) sono interpretati come v.a. (X 1, X 2,..., X n ) Bernoulliane di parametro p incognito, per determinare un intervallo di confidenza centrale per il parametro p, si procede nel modo seguente: uno stimatore efficiente e non distorto per p è p*=σ 1 x i /n; per il teorema del limite centrale p*=σ 1 X i /n, interpretato come v.a., tende a diventare, per n grande, normale di media p e varianza p(1-p)/n, perciò p*-p per n grande è approssimativamente gaussiana standard, p(1-p)/n quindi sarebbe possibile dalle tavole della gaussiana standard determinare p*-p a in modo tale che P(-a p(1-p)/n a) = α
9 è opportuno però, per arrivare ad un intervallo di confidenza per p, sostituire alla varianza p(1-p) un suo stimatore, ad esempio, lo stimatore p*(1-p*), ottenendo P( -a p*-p p*(1-p*)/n a)=p(p* -a p*(1-p*)/n p p* + a p*(1-p*)/n ) = α E quindi l intervallo di confidenza al livello α [p* a p*(1-p*)/n, p* + a p*(1-p*)/n ] L intervallo trovato è valido solo per n piuttosto grande. Talvolta si preferisce utilizzare come stima della varianza, invece dello stimatore p*(1-p*), il valore massimo della varianza, che si ottiene per p=0.5. ESEMPIO: In un campione casuale di 250 individui, estratto da una data popolazione molto ampia, 72 hanno mostrato una certa caratteristica C. Determinare un intervallo di confidenza al livello 0.9 per la percentuale p effettiva nella popolazione degli individui che presentano C. Si ottiene p*=72/ , utilizziamo l intervallo [p* a p*(1-p*)/n, p* + a p*(1-p*)/n ] dove resta da determinare a dalle tavole della normale ridotta in modo tale che Φ(a)=0.95, otteniamo a=1.65 e dunque l intervallo [0.240, 0.335] Se per la varianza avessimo utilizzato il valore p=0.5, invece di p*, avremmo ottenuto l intervallo [0.236, 0.340], leggermente più ampio del precedente APPENDICE Se (X 1, X 2,..., X n ) sono v.a. gaussiane standard, tra loro indipendenti, la v.a (X X ,+X n 2 ) si dimostra essere distribuita secondo una legge di densità chi-quadrato con n gradi di libertà. Se (X 1, X 2,..., X n ) sono v.a. gaussiane di media µ e di varianza σ 2, tra loro indipendenti, la variabile aleatoria Σ i (X i -µ) 2 /σ 2 è ancora distribuita secondo una legge di densità chi-quadrato con n gradi di libertà (infatti ogni variabile X i è stata standardizzata).
10 Se la media µ non è nota e al suo posto si utilizza lo stimatore µ* corrispondente alla media campionaria, la v.a Σ i (X i -µ*) 2 /σ 2 si dimostra essere distribuita secondo una legge chi-quadrato con n-1 gradi di libertà. Si dimostra inoltre che la v.a T = W, dove W è una v.a gaussiana Z/n standard e Z una chi-quadrato con n gradi di libertà, è distribuita secondo una legge di Student con n gradi di libertà. Se (X 1, X 2,..., X n ) sono v.a. gaussiane di media µ e di varianza σ 2, tra loro indipendenti, la v.a. W = µ* µ ( µ* indica la media σ/ n campionaria) è una gaussiana standard, abbiamo già detto che Σ i (X i -µ*) 2 /σ 2 è distribuita secondo una chi-quadrato con n-1 gradi di libertà, per cui risulta evidente che la v.a. µ* µ T = σ/ n Σ i (X i µ*) 2 σ 2 (n-1) = (µ* µ) è una t di Student con n-1 gradi di libertà n(n-1) Σ i (X i µ*) 2 = (µ* µ)/s*/ n
Campionamento e stima di parametri
Sia X una variabile aleatoria associata a un dato esperimento. Ripetiamo l esperimento n volte, ottenendo una famiglia di valori sperimentali della v.a. X : X = (X 1, X 2,..., X n ) ogni X i é una v.a.
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliGli intervalli di confidenza. Intervallo di confidenza per la media (σ 2 nota) nel caso di popolazione Gaussiana
Statistica Lez. 1 Gli intervalli di confidenza Intervallo di confidenza per la media (σ nota) nel caso di popolazione Gaussiana Sia X una v.c Gaussiana di media µ e varianza σ. Se X 1, X,..., X n è un
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliContenuto del capitolo
Capitolo 8 Stima 1 Contenuto del capitolo Proprietà degli stimatori Correttezza: E(Stimatore) = parametro da stimare Efficienza Consistenza Intervalli di confidenza Per la media - per una proporzione Come
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliI modelli probabilistici
e I modelli probabilistici Finora abbiamo visto che esistono modelli probabilistici che possiamo utilizzare per prevedere gli esiti di esperimenti aleatori. Naturalmente la previsione è di tipo probabilistico:
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Stima Puntuale Prof. Livia De Giovanni statistica@dis.uniroma.it Esercizio In ciascuno dei casi seguenti determinare quale tra i due stimatori S e T per il parametro θ è distorto
DettagliCalcolo delle Probabilità e Statistica Matematica: definizioni prima parte. Cap.1: Probabilità
Calcolo delle Probabilità e Statistica Matematica: definizioni prima parte Cap.1: Probabilità 1. Esperimento aleatorio (definizione informale): è un esperimento che a priori può avere diversi esiti possibili
DettagliSTATISTICA ESERCITAZIONE
STATISTICA ESERCITAZIONE Dott. Giuseppe Pandolfo 1 Giugno 2015 Esercizio 1 Una fabbrica di scatole di cartone evade il 96% degli ordini entro un mese. Estraendo 300 campioni casuali di 300 consegne, in
DettagliParametri e statistiche. Parametri e statistiche. Distribuzioni campionarie. Popolazione Parametri Valori fissi, Statistiche o Stimatori.
Parametri e statistiche Popolazione Parametri Valori fissi, spesso non noti Campione Statistiche o Stimatori Variabili casuali, le cui determinazioni dipendono dalle particolari osservazioni scelte Parametri
DettagliLE DISTRIBUZIONI CAMPIONARIE
LE DISTRIBUZIONI CAMPIONARIE Argomenti Principi e metodi dell inferenza statistica Metodi di campionamento Campioni casuali Le distribuzioni campionarie notevoli: La distribuzione della media campionaria
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 9 Abbiamo visto metodi per la determinazione di uno stimatore puntuale e casi per: Carattere con
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 Appello B - 5 Febbraio 2015 1 2 3 4 5 6 7 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2014/2015 II Esonero - 15 Gennaio 2015
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 014/015 II Esonero - 15 Gennaio 015 1 3 4 5 6 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 6 Abbiamo visto: Definizione di popolazione, di campione e di spazio campionario Distribuzione
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
DettagliCampionamento. Una grandezza fisica e' distribuita secondo una certa PDF
Campionamento Una grandezza fisica e' distribuita secondo una certa PDF La pdf e' caratterizzata da determinati parametri Non abbiamo una conoscenza diretta della pdf Possiamo determinare una distribuzione
DettagliTecniche di sondaggio
SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale Tecniche di sondaggio 24/1/2006 Nomenclatura Indicheremo con P una popolazione, con N la sua numerosità, con k la sua etichetta e con
DettagliCorso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio Esercizio 1
Corso di Statistica - Prof. Fabio Zucca IV Appello - 5 febbraio 2015 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994
DettagliStatistica Metodologica Avanzato Test 1: Concetti base di inferenza
Test 1: Concetti base di inferenza 1. Se uno stimatore T n è non distorto per il parametro θ, allora A T n è anche consistente B lim Var[T n] = 0 n C E[T n ] = θ, per ogni θ 2. Se T n è uno stimatore con
DettagliUNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
DettagliSTATISTICA APPLICATA Prof.ssa Julia Mortera. INTRODUZIONE al STATISTICA
STATISTICA APPLICATA Prof.ssa Julia Mortera INTRODUZIONE al CAMPIONAMENTO e all INFERENZA STATISTICA Inferenza Statistica Nell inferenza statistica si usano le statistiche campionarie per fare previsioni
DettagliEsercitazione 8 maggio 2014
Esercitazione 8 maggio 2014 Esercizio 2 dal tema d esame del 13.01.2014 (parte II). L età media di n gruppo di 10 studenti che hanno appena conseguito la laurea triennale è di 22 anni. a) Costruire un
DettagliPROVA SCRITTA DI STATISTICA (COD COD ) 7 luglio 2005 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A
PROVA SCRITTA DI STATISTICA (COD. 047 - COD. 403-37-377) 7 luglio 200 APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE SOLUZIONI MODALITÀ A Esercizio (9 punti) Supponiamo di aver osservato la seguente
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2009/2010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Ines Campa Probabilità e Statistica - Esercitazioni
DettagliIl Teorema del limite Centrale (TLC)
(TLC) Teorema. Sia X 1,..., X n un campione i.i.d. per una v.a. X, avente E(X ) = µ e Var(X ) = σ 2 entrambi finiti. Allora Z n = X µ σ 2 n n Y N(0, 1) Si noti che nel calcolare Z n ho standardizzato X.
DettagliUlteriori Conoscenze di Informatica e Statistica
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it Indici di forma Descrivono le
DettagliArgomenti della lezione: Campionamento Stima Distribuzione campionaria Campione Popolazione Sottoinsieme degli elementi (o universo) dell '
Lezione 2 Argomenti della lezione: La statistica inferenziale: concetti di base Campionamento Stima Distribuzione campionaria Popolazione (o universo) Insieme di tutti gli elementi cui si rivolge il ricercatore
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliStatistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: silvia.figini@unipv.it Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliMetodi Statistici per il Marketing. #05 Elementi di statistica inferenziale e di teoria dei campioni
Corso di Metodi Statistici per il Marketing LUISS A.A. 2017-2018 #05 Elementi di statistica inferenziale e di teoria dei campioni 15 Marzo 2018 Alessio Guandalini (Docente: P. D Urso) #05 Elementi di statistica
DettagliDipartimento di Sociologia e Ricerca Sociale. Corso di Laurea in Sociologia. Insegnamento di Statistica (a.a ) dott.ssa Gaia Bertarelli
Dipartimento di Sociologia e Ricerca Sociale Corso di Laurea in Sociologia Insegnamento di Statistica (a.a. 2018-2019) dott.ssa Gaia Bertarelli Esercitazione n. 7 1. Utilizzando le tavole della distribuzione
DettagliINTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA
INTRODUZIONE ALLA STATISTICA PER LA RICERCA IN SANITA IRCBG 19027 Modulo Dal campione alla popolazione: l'inferenza e l'intervallo di confidenza IRCCS Burlo Garofolo Formazione, Aula A via dell Istria
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Intervalli di confidenza Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 4 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stimatore media campionaria Il tempo in minuti necessario a un certo impiegato dell anagrafe
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliSTIMA DELLA VARIANZA CAMPIONARIA
STIMA DELLA VARIANZA CAMPIONARIA Abbiamo visto che una stima puntuale corretta per il valore atteso µ delle variabili aleatorie X i è x n = (x 1 +.. + x n )/n. Una stima puntuale della varianza σ 2 delle
Dettaglilezione 4 AA Paolo Brunori
AA 2016-2017 Paolo Brunori dove eravamo arrivati - abbiamo individuato la regressione lineare semplice (OLS) come modo immediato per sintetizzare una relazione fra una variabile dipendente (Y) e una indipendente
DettagliLA MEDIA CAMPIONARIA 14-1
LA MEDIA CAMPIONARIA Prendiamo un urna e inseriamo 10 palline numerate da 0 a 9 (questa è la nostra popolazione ). La media dei 10 valori è 4.5 (questa è la media vera µ). La varianza dei 10 valori è 8.25
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2016/2017 Appello A - 27 Gennaio 2017
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2016/2017 Appello A - 27 Gennaio 2017 1 2 3 4 5 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliI appello di calcolo delle probabilità e statistica
I appello di calcolo delle probabilità e statistica A.Barchielli, L. Ladelli, G. Posta 8 Febbraio 13 Nome: Cognome: Matricola: Docente: I diritti d autore sono riservati. Ogni sfruttamento commerciale
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliP ( X n X > ɛ) = 0. ovvero (se come distanza consideriamo quella euclidea)
10.4 Convergenze 166 10.4.3. Convergenza in Probabilità. Definizione 10.2. Data una successione X 1, X 2,...,,... di vettori aleatori e un vettore aleatorio X aventi tutti la stessa dimensione k diremo
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
DettagliUlteriori Conoscenze di Informatica e Statistica
ndici di forma Ulteriori Conoscenze di nformatica e Statistica Descrivono le asimmetrie della distribuzione Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 ( piano) tel.: 06 55 17 72 17
DettagliTeoria dei Fenomeni Aleatori AA 2012/13
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2017/2018 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Intervalli di confidenza Marco Pietro Longhi Probabilità e Statistica
DettagliII Esonero - Testo B
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 2017-18, I semestre 29 Gennaio 2018 II Esonero - Testo B Cognome Nome Matricola Esercizio 1. (20%) Si
DettagliUniversità degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2014/2015 ST410 Statistica 1 Lezione 1 - Martedì 23 Settembre 2014 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
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
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliStatistica inferenziale
Statistica inferenziale Problema Nello studio delle distribuzioni teoriche di probabilità si suppone di conoscere i principali parametri della popolazione che esaminiamo (ad esempio la media, varianza).
Dettaglio Si sceglie il modello che meglio si adatta alla realtà osservata, cioè quello per il quale risulta più probabile la realtà osservata.
Introduzione alla Statistica Nella statistica, anziché predire la probabilità che si verifichino gli eventi di interesse (cioè passare dal modello alla realtà), si osserva un fenomeno se ne estraggono
DettagliLEZIONI DI STATISTICA MEDICA
LEZIONI DI STATISTICA MEDICA Lezione n.11 - Principi dell inferenza statistica - Campionamento - Distribuzione campionaria di una media e di una proporzione - Intervallo di confidenza di una media e di
DettagliProbabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
DettagliEsercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 23/5/2017
Esercitazione 3 - Statistica II - Economia Aziendale Davide Passaretti 3/5/017 Contents 1 Intervalli di confidenza 1 Intervalli su un campione 1.1 Intervallo di confidenza per la media................................
DettagliCapitolo 8. Intervalli di confidenza. Statistica. Levine, Krehbiel, Berenson. Casa editrice: Pearson. Insegnamento: Statistica
Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 8 Intervalli di confidenza Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università
DettagliStima puntuale. Stimare: attribuire un valore plausibile ad una grandezza. (parametro) non misurabile esattamente.
Stima puntuale Stimare: attribuire un valore plausibile ad una grandezza (parametro) non misurabile esattamente. Stimatore del parametro θ: ogni statistica T = t(x 1, X 2,..., X n ) utilizzata per stimare
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliSOLUZIONI PROVA SCRITTA DI STATISTICA (cod. 4038, 5047, 371, 377) 8 settembre 2005
SOLUZIONI PROVA SCRITTA DI STATISTICA cod. 4038, 5047, 371, 377) 8 settembre 2005 MODALITÀ B APPROSSIMARE TUTTI I CALCOLI ALLA QUARTA CIFRA DECIMALE Esercizio 1. 7 punti) Su un collettivo di 13 nuclei
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliEsercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
DettagliIntervalli di confidenza
Probabilità e Statistica Esercitazioni a.a. 2006/2007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliProbabilità e Statistica
Probabilità e Statistica Intervalli di confidenza Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2018/2019 Marco Pietro Longhi Prob. e Stat. 1
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
DettagliDispensa di Statistica
Dispensa di Statistica 1 parziale 2012/2013 Diagrammi... 2 Indici di posizione... 4 Media... 4 Moda... 5 Mediana... 5 Indici di dispersione... 7 Varianza... 7 Scarto Quadratico Medio (SQM)... 7 La disuguaglianza
DettagliRegressione lineare. Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche.
Regressione lineare Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche Siano x ed y due variabili legate tra loro da una forma funzionale del
DettagliSTATISTICA A K (60 ore)
STATISTICA A K (60 ore) Marco Riani mriani@unipr.it http://www.riani.it STIMA PUNTUALE (p. 55) Il parametro è stimato con un unico valore Esempio: stima della share di un programma TV = % di spettatori
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini e Leonardo Bertini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini e Leonardo Bertini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente
DettagliTest delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
DettagliCenni di statistica statistica
Cenni di statistica La statistica è una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno in condizioni di incertezza o non determinismo, ovvero di non completa
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliUniversità degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2016/2017 ST410 Statistica 1 Lezione 1 - Mercoledì 28 Settembre 2016 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliUniversità degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1
Università degli Studi Roma Tre Anno Accademico 2017/2018 ST410 Statistica 1 Lezione 1 - Mercoledì 27 Settembre 2017 Introduzione al corso. Richiami di probabilità: spazi di probabilità, variabili aleatorie,
DettagliESERCIZIO 1. Soluzione. X =numero di passeggeri giornaliero
ESERCIZIO 1 La somma dei numeri di passeggeri di un autoservizio suburbano rilevati in 7 giorni scelti a caso è pari a 385. Si assuma un modello gaussiano per descrivere il numero giornaliero di passeggeri.
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
DettagliSOLUZIONI ESERCITAZIONE NR. 8 Test statistici
SOLUZIONI ESERCITAZIONE NR. 8 Test statistici ESERCIZIO nr. 1 Un campione casuale di dieci pazienti di sesso maschile in cura per comportamenti aggressivi nell ambito del contesto familiare è stato classificato
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2011/12
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 0/ Esercizio Prova scritta del 7/06/0 Siano X e Y due v.a. indipendenti, con distribuzione continua Γ(, ). Si trovino la distribuzione di X Y e di (X Y ). Esercizio
DettagliEsercizio 1. Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che:
Esercizio 1 Durante un inchiesta su 500 studenti frequentanti i corsi di Algebra (A), Fisica (F) e Statistica è stato rilevato che: A 329 F 186 S 295 AS 217 AF 83 FS 63 AFS 53 Determinare la partizione
Dettagli