Stima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
|
|
- Ida Rizzi
- 4 anni fa
- Visualizzazioni
Transcript
1 Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione di ampiezza n. 1
2 Stima dei parametri Alla prima estrazione è associata la v.c. X 1 ~f(x 1 ) Alla seconda estrazione è associata la v.c. X f(x ). E così via fino a X n In tal modo abbiamo n v.c. indipendenti e identicamente distribuite.
3 Stima dei parametri La v.c. (X 1, X,.., X n ) è l esperimento campionario. La n-upla (x 1, x,.., x n ) è la realizzazione della v.c. multipla esperimento. 3
4 Stima dei parametri La probabilità del verificarsi congiunto della n-upla dei risultati, data l indipendenza delle v.c. X i (i=1,., n) è il prodotto delle probabilità dei singoli risultati (probabilità o densità di probabilità). 4
5 Stima dei parametri La v.c. multipla (X 1, X,.., X n ) ha probabilità (o densità): L( x, x,..., x ) = f( x ) f( x )... f( x ) 1 n 1 Le f( ) sono uguali per tutte le v.c. n 5
6 Stima dei parametri L(.) è la verosimiglianza del campione e rappresenta la probabilità che si realizzi proprio «quel» campione in quell ordine. 6
7 Stima dei parametri La f(x) dipende da certi parametri θ, pertanto possiamo scrivere f(x, θ). I parametri θ non sono noti e costituiscono l oggetto della stima da effettuare. 7
8 Metodo della Massima Verosimiglianza Dato un campione casuale (x 1, x,, x n ) di determinazioni della v.c. X, la sua funzione di verosimiglianza che dipende dal parametro θ è L = f x1 f x f x n ( θ) (, θ) (, θ)... (, θ) 8
9 Metodo della Massima Verosimiglianza Per mettere in maggior rilievo il fatto che la variabile è θ, noto il campione, riscriviamo: L θ = f θ x1 f θ x f θ x n ( ) (, ) (, )... (, ) 9
10 Metodo della Massima Verosimiglianza La stima di Massima Verosimiglianza (MV) di θ è quel che rende massima la ( θ) = ( θ, ) ( θ, )... ( θ, ) Solitamente per la massimizzazione si usa lll l θ, x che è resa massima dal medesimo valore θ 1 L f x f x f x n θ 10
11 Esempio di una normale univariata Sia X~N(μ,σ ). Le funzioni di densità probabilità di ogni v.c. i=1,.,n del campione è 1 1 f( Xi) = exp ( X i µ ) σ π σ 11
12 Esempio di una normale univariata Ottenuto il campione, la funzione di verosimiglianza diventa n L( θ) = f( θ, x ) = i= 1 i n n 1 1 = exp ( x µ ) i σ π σ i= 1 1
13 Esempio di una normale univariata Tenendo ora conto che in questo caso il parametro θ è costituito dal seguente vettore θ µσ =, si può passare al logaritmo della funzione di verosimiglianza come segue 13
14 Esempio di una normale univariata n 1 log L, ; x = nlog nlog x ( µσ ) σ π ( ) i µ Prendendo le derivate parziali di σ i = 1 ( µσ x) log L, ; E ponendole uguali a zero si ottengono le seguente sistema di equazioni 14
15 Esempio di una normale univariata n n 1 1 x = ˆ i σ σˆ i= ( x µ ) = ˆ ˆ4 i σ σ i= 1 n
16 Esempio di una normale univariata Che risolto fornisce le seguenti soluzioni n 1 ˆ µ = xi = x n i= 1 E ˆ σ 1 n = xi x = s n i= 1 ( ) 16
17 Processo AR(1) gaussiano Sia X t = c+ φx t-1 + a t Dove {a t } i.i.d. N(0,σ ) Il vettore di parametri da stimare è β = (c, φ, σ ) 17
18 Processo AR(1) gaussiano La media µ del processo stazionario è E(X t ) = E(c + φx t-1 + a t ) E(X t ) = E(c) + φe(x t-1 ) + E(a t ) µ= c + φ µ µ - φ µ = c µ= c/1-φ 18
19 Processo AR(1) gaussiano Pertanto E(X 1 ) = c + φe(x 0 ) + E(a 1 ) µ= c + φ µ µ - φ µ = c µ = c/1-φ c = µ (1-φ) 19
20 Processo AR(1) gaussiano Var (X 1 ) = γ(0) = E(X 1 - µ) = E(c + φx 0 + a 1 - µ) = = E[µ (1- φ) - µ + φx 0 + a 1 ] = = E[µ - µφ - µ + φx 0 + a 1 ] = = E[ φ(x 0 - µ)] + E(a 1 ) + + E [a 1 φ(x 0 - µ)]= 0
21 Processo AR(1) gaussiano γ(0) = φ γ(0) + σ a γ(0) - φ γ(0) = σ a γ(0)(1- φ ) = σ a γ(0) = σ a/(1- φ ) 1
22 Processo AR(1) gaussiano Pertanto la funzione di densità di X 1 è [ x c (1 φ) ] 1 1 f( x1; β ) = exp ( π σ (1 ) σ 1 ) a φ a φ
23 Processo AR(1) gaussiano Il problema della costruzione della funzione di verosimiglianza per questo modello è che le variabili X i non sono indipendenti come le v.c. che compongono l esperimento che si è visto in precedenza. Infatti esse sono legate dal modello AR(1) e la loro autocovarianza non è nulla 3
24 Processo AR(1) gaussiano Al fine di risolvere questo problema e giungere poi alla costruzione della funzione di verosimiglianza si possono considerare le distribuzioni condizionate f(x i x i-1 ;β). 4
25 Processo AR(1) gaussiano Si pone quindi X 1 =x 1 e si costruisce la f(x x i ;β). Con questa posizione si ottiene: [ x c (1 φ) ] 1 1 f( x1; β ) = exp ( π σ (1 ) σ 1 ) a φ a φ 5
26 Processo AR(1) gaussiano Si pone quindi X 1 =x 1 e si costruisce la f(x x i ;β). Con questa posizione dal modello X = c+ φx 1 + a si ottiene: E(X x 1 ) = E(c + φx 1 + a t ) = c + φx 1 E(X - c + φx 1 x 1 ) = E(a t ) = σ 6
27 Processo AR(1) gaussiano E da ciò segue che la distribuzione di X x 1 ) è f( X x ; β ) = 1 exp [ x c φx ] πσ σ a a 7
28 Processo AR(1) gaussiano E così via, condizionando X 3 x, X 4 x 3.. f( X x, x,...; β ) = 1 exp [ X c φx ] t t t 1 t πσ σ a a t 1 8
29 Processo AR(1) gaussiano La funzione di verosimiglianza dell intero campione diventa f( x, x,... x ; β) f( x ; β) f( X x ; β) 1 n 1 t t 1 i= n = 9
30 Processo AR(1) gaussiano Il problema che sorge a questo punto è che il sistema delle derivate parziali rispetto ai parametri che dovrebbe essere risolto per stimare gli stessi è formato da equazioni non lineari. Quindi non è possibile trovare stime dei parametri in via analitica 30
31 Processo AR(1) gaussiano Per i processi della famiglia AR è possibile seguire un altra strada: la verosimiglianza condizionata. In tal caso x 1 è considerato un dato e non una v.c. 31
32 Stima massima verosimiglianza condizionata La funzione da massimizzare diventa Ossia f( X, X,..., X x ; β = f( X x ; β) 3 n 1 t t 1 t= n 1 log f( X,..., Xn x1; β) = log π + n ( x c φx ) n n 1 log t t 1 σ a t= σ a 3
33 Processo MA(1) Anche in questo caso, condizionando rispetto ai valori iniziali di a t il calcolo della funzione di verosimiglianza di un MA(1) si semplifica molto. Comunque si deve applicare un metodo di ottimizzazione numerica perché lo stimatore non è lineare. 33
34 Processo MA(1) Si consideri un MA(1) gaussiano X t = a t - θa t-1 Dove {a t } N(0,σ a) β=(θ, σ a) 34
35 Processo MA(1) Se a t-1 fosse noto con certezza {X t a t-1 } N(- θa t-1,σ a) Assumendo a 0 =0 {X 1 a 0 } N(0,σ a) 35
36 Processo MA(1) Data l assunzione a 0 =0 e l osservazione X 1 = x 1 Il valore di a 1 risulta essere: Di seguito 1 1 E si può ottenere la serie â = x aˆ = xθaˆ 1 aˆ ˆ 1, a,..., an { } 36
37 Processo MA(1) La densità condizionata della t-esima v.c. è: f( xx x... x, a = 0; β ) = t t 1 t πσ a a exp σ t a 37
38 Processo MA(1) Prendendo il logaritmo, si ha n n log f( x,..., x a 0; β) log( π) log( σ ) n t 1 n 0 = = a t= 1 σ a Massimizzare quest ultima equivale a minimizzare il numeratore della sommatoria. Si tratta di un approssimazione che vale se il modello è invertibile a 38
39 Inferenza sul modello Sia β=(φ,θ) e ˆβ la stima di β, questa si distribuisce come una normale multivariata, con vettore delle medie pari ad β e matrice di varianze e covarianze V( ˆβ ). 39
40 Inferenza sul modello La stima di quest ultima risulta essere: ˆ V ( β) = ˆ σ ( σ ) a Al fine di verificare ipotesi statistiche, formulate sui parametri del modello, è possibile utilizzare il seguente test. ββ i j 40
41 Inferenza sul modello L ipotesi da sottoporre a verifica sia: H 0 : β i =0 da confrontare con l ipotesi alternativa: H 1 : β i 0 41
42 Inferenza sul modello data l ipotesi di normalità (asintotica) emessa su e la stima della varianza, la statistica da utilizzare è una t di Student, costruita nel modo seguente: t = ˆ β 0 i ˆ σ ββ i j con n-(p+q+1) g.d.l 4
43 Inferenza sul modello Se il parametro del modello sottoposto a verifica viene giudicato non significativamente diverso da zero, ossia si considera che la stima di tale parametro sia risultata diversa da zero solo per effetto del caso, l operatore che corrisponde a tale parametro deve essere escluso dal modello ed il modello stesso deve essere ristimato nella sua nuova forma 43
IL 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
DettagliMODELLO DI REGRESSIONE LINEARE. le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza,
MODELLO DI REGRESSIONE LINEARE le ipotesi del modello di regressione classico, stima con i metodi dei minimi quadrati e di massima verosimiglianza, teorema di Gauss-Markov, verifica di ipotesi e test di
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 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
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
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
DettagliUniversità di Pavia Econometria. Richiami di teoria delle distribuzioni statistiche. Eduardo Rossi
Università di Pavia Econometria Richiami di teoria delle distribuzioni statistiche Eduardo Rossi Università di Pavia Distribuzione di Bernoulli La variabile casuale discreta Y f Y (y; θ) = 0 θ 1, dove
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliAnalisi multivariata per osservazioni appaiate. Analisi multivariata per osservazioni appaiate
Introduzione Notazione Modello additivo Verifica d ipotesi Sia X una variabile q-dimensionale, a valori reali, non degenere, osservata in k tempi diversi (τ 1, τ 2,..., τ k ), sulle stesse n unità statistiche
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
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2017.html
DettagliAnalisi Statistica Multivariata Modulo Modelli Statistici
Analisi Statistica Multivariata Modulo Modelli Statistici Gianna Monti 8 novembre 013 1 Approfondimenti 1 1.1 Esercizi Esercizio 1 Galton e il suo allievo Karl Pearson condussero alcuni studi in merito
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliECONOMETRIA: Laboratorio I
ECONOMETRIA: Laboratorio I Luca De Angelis CLASS - Università di Bologna Programma Laboratorio I Valori attesi e varianze Test di ipotesi Stima di un modello lineare attraverso OLS Valore atteso Data una
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
DettagliTutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016
Tutorato di Complementi di Analisi Matematica e Statistica 30 maggio 2016 Esercizi possibili di probabilità e statistica Notazioni: U(a, b) è la distribuzione di probabilità uniforma nell intervallo (a,
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
Dettaglilezione n. 6 (a cura di Gaia Montanucci) Verosimiglianza: L = = =. Parte dipendente da β 0 e β 1
lezione n. 6 (a cura di Gaia Montanucci) METODO MASSIMA VEROSIMIGLIANZA PER STIMARE β 0 E β 1 Distribuzione sui termini di errore ε i ε i ~ N (0, σ 2 ) ne consegue : ogni y i ha ancora distribuzione normale,
DettagliContenuti: Capitolo 14 del libro di testo
Test d Ipotesi / TIPICI PROBLEMI DI VERIFICA DI IPOTESI SONO Test per la media Test per una proporzione Test per la varianza Test per due campioni indipendenti Test di indipendenza Contenuti Capitolo 4
DettagliCONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI
CONFRONTO TRA LA MEDIE DI DUE CAMPIONI INDIPENDENTI ipotesi sul confronto tra le medie di due campioni indipendenti Obiettivo: decidere, attraverso il confronto tra le medie dei due campioni indipendenti,
DettagliModelli lineari generalizzati
Modelli lineari generalizzati Estensione del modello lineare generale Servono allo studio della dipendenza in media di una variabile risposta da una o più variabili antecedenti Vengono attenuate alcune
DettagliAnalisi delle componenti principali
Analisi delle componenti principali Serve a rappresentare un fenomeno k-dimensionale tramite un numero inferiore o uguale a k di variabili incorrelate, ottenute trasformando le variabili osservate Consiste
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
DettagliSTIMA DEI PARAMETRI. METODO DEI MOMENTI.
STIMA DEI PARAMETRI. Esistono diversi metodi per la stima dei parametri: Metodo grafico di interpolazione su carta probabilistica. Metodo dei momenti. Metodo della massima verosimiglianza. Metodo degli
DettagliSequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di:
Teoria dei Fenomeni Aleatori AA 01/13 Sequenze (Sistemi) di Variabili Aleatorie Se consideriamo un numero di variabili aleatorie, generalmente dipendenti si parla equivalentemente di: N-pla o Sequenza
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
DettagliComputazione per l interazione naturale: fondamenti probabilistici (2)
Computazione per l interazione naturale: fondamenti probabilistici (2) Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 5 Abbiamo visto: Modelli probabilistici nel continuo Distribuzione uniforme continua Distribuzione
DettagliStatistica Inferenziale Soluzioni 3. Verifica di ipotesi
ISTITUZIONI DI STATISTICA A. A. 007/008 Marco Minozzo e Annamaria Guolo Laurea in Economia del Commercio Internazionale Laurea in Economia e Amministrazione delle Imprese Università degli Studi di Verona
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
DettagliUniversità di Pavia Econometria. Richiami di Statistica. Eduardo Rossi
Università di Pavia Econometria Richiami di Statistica Eduardo Rossi Università di Pavia Campione casuale Siano (Y 1, Y 2,..., Y N ) variabili casuali tali che le y i siano realizzazioni mutuamente indipendenti
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliI VETTORI GAUSSIANI E. DI NARDO
I VETTOI GAUSSIANI E. DI NADO. L importanza della distribuzione gaussiana I vettori di v.a. gaussiane sono senza dubbio uno degli strumenti più utili in statistica. Nell analisi multivariata, per esempio,
DettagliEsercizi di riepilogo Lezioni
Esercizi di riepilogo Lezioni 16-17-18 1 Es1: Statistiche del secondo ordine [Pap, 9-2] Si ha un processo X con Determinare media, varianza, e covarianza delle v.a. Z=X(5) e W=X(8) Il processo X è stazionario?
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,
DettagliSTATISTICA INDUTTIVA: STIMA DI PARAMETRI STIMA PUNTUALE
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
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
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliProprietà asintotiche dello stimatore OLS
Università di Pavia Proprietà asintotiche dello stimatore OLS Eduardo Rossi Sequenze Consideriamo un infinita sequenza di variabili indicizzate con i numeri naturali: X 1, X 2, X 3,...,X N,... = {X N }
DettagliVettore (o matrice) casuale (o aleatorio): vettore (o matrice) i cui elementi sono variabili aleatorie
Variabili (vettori e matrici) casuali Variabile casuale (o aleatoria): Variabile che può assumere un insieme di valori ognuno con una certa probabilità La variabile aleatoria rappresenta la popolazione
DettagliMinimi quadrati vincolati e test F
Minimi quadrati vincolati e test F Impostazione del problema Spesso, i modelli econometrici che stimiamo hanno dei parametri che sono passibili di interpretazione diretta nella teoria economica. Consideriamo
DettagliE n 1 n. n i. n 2. n 2 ( n
Lezione n. 7 7.1 Ancora sulle proprietà degli stimatori Esempio 7.1 [continua dall Esempio 6.1] Studiare varianza e MSE dei due stimatori e verificare se T n raggiunge il limite di Cramer- Rao. Soluzione.
DettagliCampionamento La statistica media campionaria e la sua distribuzione. Paola Giacomello Dip. Scienze Sociali ed Economiche Uniroma1
Campionamento La statistica media campionaria e la sua distribuzione 1 Definisco il problema da studiare: es. tempo di percorrenza tra abitazione e università Carattere: tempo ossia v.s. continua Popolazione:
DettagliELEMENTI DI STATISTICA INFERENZIALE ELEMENTI DI STATISTICA INFERENZIALE
ELEMENTI DI STATISTICA INFERENZIALE 133. ELEMENTI DI STATISTICA INFERENZIALE In questo paragrafo verranno illustrati alcuni elementi di Statistica che sono essenziali per procedere alla costruzione di
DettagliPROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati
PROBABILITÀ E STATISTICA - 23 Giugno 2017 Scrivere le risposte negli appositi spazi. Motivare dettagliatamente le risposte su fogli allegati 1. - Un urna contiene 2 palline bianche e 28 nere; da essa vengono
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
DettagliStima dei parametri. I parametri di una pdf sono costanti che caratterizzano la sua forma. r.v. parameter. Assumiamo di avere un campione di valori
Stima dei parametri I parametri di una pdf sono costanti che caratterizzano la sua forma r.v. parameter Assumiamo di avere un campione di valori Vogliamo una funzione dei dati che permette di stimare i
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.
DettagliEsperimentazioni di Fisica 1. Prova in itinere del 12 giugno 2018
Esperimentazioni di Fisica 1 Prova in itinere del 1 giugno 018 Esp-1 Prova in Itinere n. - - Page of 6 1/06/018 1. (1 Punti) Quesito L incertezza da associare alle misurazioni eseguite con un certo strumento
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,
DettagliLa curva di regressione è il luogo dei punti aventi come ordinate le medie condizionate
Correlazione e regressione Correlazione: le due variabili casuali sono considerate in modo per così dire simmetrico. Regressione: una delle due variabili dipende dall'altra, che per così dire la precede
DettagliStatistica Applicata all edilizia: il modello di regressione
Statistica Applicata all edilizia: il modello di regressione E-mail: orietta.nicolis@unibg.it 27 aprile 2009 Indice Il modello di Regressione Lineare 1 Il modello di Regressione Lineare Analisi di regressione
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
DettagliRegressione multipla
Regressione multipla L obiettivo è costruire un modello probabilistico per spiegare la variabile y tramite più di una variabile indipendente x 1, x 2,..., x k. Esempio: Per un efficiente progettazione
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
DettagliEsercizi su leggi Gaussiane
Esercizi su leggi Gaussiane. Siano X e Y v.a. indipendenti e con distribuzione normale standard. Trovare le densità di X, X +Y e X, X. Mostrare che queste due variabili aleatorie bidimensionali hanno le
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
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
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
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,
Dettaglic) Ancora in corrispondenza allo stesso valore di p e ponendo Y = minorazione, fornita dalla diseguaglianza di Chebichev, per la probabilita
Laurea Triennale in Matematica Corso di Calcolo delle Probabilita I A.A. 00/00 (Docenti: M. Piccioni, F. Spizzichino) a prova di esonero 6 giugno 00 Risolvere almeno tre dei seguenti esercizi.. Indichiamo
DettagliAnalisi della disponibilità d acqua. Valutazione dell impianto attraverso il calcolo di un indice economico (criterio)
Analisi della disponibilità d acqua Valutazione dell impianto attraverso il calcolo di un indice economico (criterio) Approccio diverso a seconda del criterio di valutazione Nel caso di criterio statistico
Dettaglicon distribuzione gaussiana standard e si ponga
Laurea Triennale in Matematica, Università La Sapienza Corso di Probabilità, AA 6/7 Prova di Esonero Maggio 7 Testi e soluzioni degli esercizi proposti Siano Z, Z, Z variabili aleatorie indipendenti e
DettagliLa verifica delle ipotesi
La verifica delle ipotesi Se abbiamo un idea di quale possa essere il valore di un parametro incognito possiamo sottoporlo ad una verifica, che sulla base di un risultato campionario, ci permetta di decidere
DettagliCOGNOME.NOME...MATR..
STATISTICA 29.01.15 - PROVA GENERALE (CHALLENGE) Modalità A (A) ai fini della valutazione verranno considerate solo le risposte riportate dallo studente negli appositi riquadri bianchi: in caso di necessità
DettagliRichiami di Statistica
Università di Pavia Richiami di Statistica Eduardo Rossi Popolazione e campione casuale Un idea centrale della statistica è che un campione sia una rappresentazione della popolazione. Si possono sfruttare
DettagliEsercitazioni di Statistica Matematica A Lezione 7. Variabili aleatorie continue
Esercitazioni di Statistica Matematica A Lezione 7 Variabili aleatorie continue.) Determinare la costante k R tale per cui le seguenti funzioni siano funzioni di densità. Determinare poi la media e la
DettagliIntroduzione all inferenza statistica, II lezione
T (X) è sufficiente? (2) Introduzione all inferenza statistica, II lezione Carla Rampichini Dipartimento di Statistica Giuseppe Parenti - Firenze - Italia carla@ds.unifi.it - www.ds.unifi.it/rampi/ TEOREMA
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
Dettagli1. variabili dicotomiche: 2 sole categorie A e B
Variabile X su scala qualitativa (due categorie) modello di regressione: variabili quantitative misurate almeno su scala intervallo (meglio se Y è di questo tipo e preferibilmente anche le X i ) variabili
DettagliIl modello di regressione lineare multipla con regressori stocastici
Università di Pavia Il modello di regressione lineare multipla con regressori stocastici Eduardo Rossi Il valore atteso condizionale Modellare l esperimento casuale bivariato nel quale le variabili casuali
DettagliStatistica 2. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo
Statistica 2 Esercitazioni Dott. L 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it
DettagliAnalisi di Regressione Multipla
Analisi di Regressione Multipla Stima OLS della relazione Test Score/STR : TestScore! = 698.9.8 STR, R =.05, SER = 18.6 (10.4) (0.5) E una stima credibile dell effetto causale sul rendimento nei test di
DettagliRichiami di probabilità e statistica
Richiami di probabilità e statistica Una variabile casuale (o aleatoria) X codifica gli eventi con entità numeriche x ed è caratterizzata dalla funzione di distribuzione di probabilità P(x) : P(x)=Pr ob[x
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
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
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
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
DettagliCampionamento 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.
DettagliTest d ipotesi Introduzione. Alessandra Nardi
Test d ipotesi Introduzione Alessandra Nardi alenardi@mat.uniroma2.it 1 Consideriamo il caso in cui la nostra variabile risposta sia continua Immaginiamo che obiettivo del nostro studio sia valutare il
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
Dettaglicostruzione di un modello a partire dai dati Quale modello potrebbe essere utilizzato per riprodurre dei dati simili a questi?
Inferenza statistica costruzione di un modello a partire dai dati segnale analogico in microvolt: 222 190 193 201 187 203 214 199 187 194 218 218 215 190 203 192 197 224 194 207 188 205 191 221 170 231
DettagliScritto del
Dip. di Ingegneria, Univ. Roma Tre Prof. E. Scoppola, Dott.M. Quattropani Probabilità e Statistica, 17-18, I semestre Settembre 18 Scritto del - 9-18 Cognome Nome Matricola Esercizio 1. Un urna contiene
DettagliSTATISTICA (modulo II - Inferenza Statistica) Soluzione Esercitazione I
Soluzione Esercitazione I Esercizio A. Si indichi con A i l evento la banca i decide di aprire uno sportello per il quale Pr(A i = 0.5 (e dunque Pr(A i = 0.5 per i =, 2, 3. Lo spazio degli eventi dato
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
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
DettagliStima puntuale di parametri
Probabilità e Statistica Esercitazioni a.a. 006/007 C.d.L.: Ingegneria per l Ambiente ed il Territorio, Ingegneria Civile, Ingegneria Gestionale, Ingegneria dell Informazione C.d.L.S.: Ingegneria Civile
DettagliFondamenti di comunicazioni elettriche (Ing. Elettronica - A.A )
Fondamenti di comunicazioni elettriche (Ing. Elettronica - A.A.-) Es. La variabile aleatoria ha densità di probabilità uniorme nell intervallo [,]. Trovare valor medio e varianza di. La densità di probabilità
DettagliEsercitazione: La distribuzione NORMALE
Esercitazione: La distribuzione NORMALE Uno dei più importanti esempi di distribuzione di probabilità continua è dato dalla distribuzione Normale (curva normale o distribuzione Gaussiana); è una delle
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. La variabile casuale normale Da un analisi di bilancio è emerso che, durante i giorni feriali
DettagliLaurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 2016/2017 Appello 15 Settembre 2017
Laurea Magistrale in Scienze Statistiche Finanziarie e Attuariali Econometria Finanziaria c.a. A.A. 206/207 Appello 5 Settembre 207. Sia r t il log-return di un asset e r m t il log-retun del mercato.
DettagliProva scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 2015/ Settembre 2016
Prova scritta di Probabilità e Statistica Appello unico, II sessione, a.a. 205/206 20 Settembre 206 Esercizio. Un dado equilibrato viene lanciato ripetutamente. Indichiamo con X n il risultato dell n-esimo
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
DettagliIdentificazione dei Modelli e Analisi dei Dati
Identificazione dei Modelli e Analisi dei Dati Prof. G. De Nicolao Prova scritta - 18 Giugno 2013 Cognome Nome Matricola Firma Compilare a penna questo foglio all inizio della prova. Durante lo svolgimento
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014. II Esonero - 10 Gennaio 2014
UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Laurea in Matematica ST410 - Statistica 1 - A.A. 2013/2014 II Esonero - 10 Gennaio 2014 1 2 3 4 5 6 7 8 Tot. Avvertenza: Svolgere ogni esercizio nello spazio assegnato,
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
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
Dettagli