Esercitazioni di Statistica
|
|
- Lorenza Pugliese
- 8 anni fa
- Visualizzazioni
Transcript
1 Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti in un industria meccanica sia una variabile aleatoria normale con valore atteso non noto µ, e varianza σ Si supponga, inoltre, che il valore medio del diametro degli anelli prodotti riscontrato nel tempo sia 100 (pollici). Il direttore di produzione sospetta che una variazione del tasso di umidità alteri il processo produttivo fecendo aumentare il diametro degli anelli prodotti. Dopo aver selezionato casualmente 64 anelli prodotti in condizioni di elevata umidità e misurato il loro diametro, il direttore riscontra un valore medio di 106. Si assuma che egli decida di verificare l ipotesi nulla H 0 : µ 100 contro l alternativa H 1 : µ > 100, avendo fissato un valore di significatività α a) Si determini la regione di accettazione e la regione critica corrispondenti a tale test. b) Può il direttore concludere che il diametro medio degli anelli prodotti sia aumentato? Soluzione X diametro di un anello, X N(µ, 256), x 106, n64, α 0.05 Ipotesi H 0 : µ 100 H 1 : µ > 100, 1
2 a) Per risolvere il problema dobbiamo costruire una statistica test, che sia funzione dei dati campionari. Poiché la deviazione standard è nota si può utilizzare come statistica test, sotto l ipotesi nulla, la media campionaria standardizzata, statistica ottimale (di massima verosimiglianza) per questo tipo di test (l unico valore che ci fornisce il problema è infatti la media campionaria): T n X µ 0 σ/ n N(0, 1) dnorm(x, ) x Il test è un test unidirezionale, con ipotesi alternativa composita. Dato il sistema di ipotesi, respingiamo l ipotesi nulla per valori elevati della statistica test. Per scegliere il valore critico z α dobbiamo tenere in considerazione il valore di α richiesto. Poiché α 0.05 Φ(z 0.05 ) z α 1.645, allora le regioni di accettazione e critica saranno: R.A. : x µ 0 σ/ n R.C. : x µ 0 σ/ n > b) Il valore osservato della statistica test, sotto l ipotesi nulla, risulta t n x µ 0 σ/ n /
3 Il valore osservato della media campionaria standardizzata appartiene alla regione critica: 3 R.C. e quindi possiamo rifiutare l ipotesi nulla, data l evidenza contenuta nel campione. Il livello di significatività osservato (p-valore o p-dei-dati) risulta molto inferiore a Infatti: x 100 P r( x > 106/µ 100) P r( > 256/ /64 ) P r(z > 3) Esercizio 2 Sia X una variabile aleatoria distribuita come una v.a. gaussiana con parametri E(X) µ e V ar(x) 3. Sia estratto, inoltre, un campione casuale i.i.d. (X 1, X 2, X 3 ), per verificare l ipotesi nulla rispetto all alternativa H 0 : µ 2 Data la seguente regione critica: H 1 : µ 1. R.C. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 < 1.2}, a) calcolare α (la probabilità di commettere un errore di primo tipo), b) calcolare β (la probabilità di commettere un errore di secondo tipo). Soluzione La regione critica è definita in funzione di una statistica test, quindi il primo passo da effettuare determinare la distribuzione della statistica test (T (x) 2X 1 2X 2 X 3 ). Poiché X si distribuisce come una normale, e il campione è estratto in modo casuale, per la proprietà riproduttiva della normale: T (X) 2X 1 2X 2 X 3 N(µ; 27), poiché e E(T (X)) 2µ 2µ µ µ, Var(T (X)) Var(2X 1 2X 2 X 3 ) 4Var(X 1 ) 4Var(X 2 ) Var(X 3 ) 9Var(X) 27. 3
4 a) La probabilità α di commettere un errore di primo tipo (rifiutare un ipotesi nulla vera) è data da: α P (errore di I tipo) P (respingere H 0 H 0 ) P (2X 1 2X 2 X 3 < 1.2 µ 2) ( 2X1 2X 2 X 3 µ P < 1.2 µ ) µ P (Z < ) P (Z < 0.15) Φ( 0.15) 1 Φ(0.15) b) Poiché la regione critica è la regione di accettazione sarà: R.C. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 < 1.2}, R.A. : (x 1, x 2, x 3 ) : 2x 1 2x 2 x 3 1.2}. La probabilità β di commettere un errore del secondo tipo (non respingere un ipotesi di base che è falsa) è data da: β P (errore di II tipo) P (non respingere H 0 H 1 ) P (2X 1 2X 2 X µ 1) P r( 2X 1 2X 2 X 3 µ 1.2 µ µ 1) P r(z ) P r(z 0.038) 1 Φ(0.038) Esercizio 3 In un campione di 15 cavi elettrici la resistenza media risulta di 28.5 (ohm), con varianza campionaria pari a 16. Il responsabile della produzione afferma che un innovazione nel processo produttivo abbia fatto aumentare la resistenza media, fino ad allora valutata 25 (ohm). Assumendo una probabilità di errore di primo tipo 0.025, si verifichi l ipotesi del responsabile. Si assuma che la resistenza sia distribuita secondo una normale. Soluzione X resistenza, ˆσ S 4, x 28.50, n15, α Ipotesi H 0 : µ 25 H 1 : µ > 25 4
5 Per risolvere il problema dobbiamo costruire una statistica test, che sia funzione dei dati campionari. Poiché la deviazione standard non nota si può utilizzare come statistica test la media campionaria studentizzata, che utilizza una stima non distorta della varianza (S 2 ): T n X µ 0 S/ n t n 1 dt(x, 14) x Il test è un test unidirezionale, con ipotesi nulla e alternativa composite. L ipotesi nulla composita non comporta un cambiamento della regola di decisione, ma solo che il livello di significatività α, diventa la massima probabilità di commettere un errore del I tipo. Poiché i valori del parametro assunti sotto l ipotesi alternativa si trovano a destra dei valori del parametro sotto l ipotesi nulla, respingiamo l ipotesi nulla per valori elevati della statistica test, in particolare per valori superiori al valore critico t 14,α. Poiché α P (t 14 t 14,α ) t 14,α 2.145, allora le regioni di accettazione e critica saranno: R.A. : x µ 0 S/ n R.C. : x µ 0 S/ n >
6 Il valore osservato della statistica test, sotto l ipotesi nulla, risulta t n x µ 0 S/ n / Essendo 3.39 > 2.145, la statistica test campionaria cade nella regione critica, quindi, data l evidenza campionaria si può rifiutare l ipotesi nulla con un livello di significatività del 2.5%. Il responsabiledella produzione non andrà smentito. Esercizio 4 Il tempo X che un lavoratore impiega per raggiungere il luogo di lavoro segue la legge Normale con media µ e varianza σ 2 entrambe incognite. Si estrae un campione di ampiezza n 10 avente media x 12 e varianza S a) Trovare un intervallo di confidenza per µ al livello 1 α b) Verificare l ipotesi H 0 : µ 13 contro l alternativa H 1 : µ 13, al livello α c) Cambierebbe la decisione precedente se il livello diventasse α 0.01? Soluzione a) Il primo punto dell esercizio richiede di costruire un intervallo di confidenza per la media della popolazione in cui la varianza ignota. La distribuzione di riferimento è una t di student con n 1 gradi di libertà. In questo caso non si può utilizzare l approssimazione alla distribuzione Normale poiché n non è sufficientemente elevato. ] S S 95%CI [l 1, l 2 ] [ x t n 1;α/2 n ; x t n 1;α/2 n ] S S [ x t 9;0.025 n ; x t 9;0.025 n [ ; ] [9.14; 14.86] Ciò significa che il tempo medio che impiega un lavoratore è compreso nell intervallo [9.14;14.86] con un livello di confidenza del 95%. b) Il secondo punto del problema propone il seguente test statistico H 0 : µ 13 H 1 : µ 13. 6
7 Il test sopra è un test bidirezionale, quindi dal confronto tra ipotesi nulla e ipotesi alternativa possiamo dire che la regione critica sarà del tipo: R.C. : x µ 0 S/ n > t 9,0.025, quindi, in caso di test bidirezionale, abbiamo due regioni critiche, che si trovano nelle code della statistica test, corrispondenti a valori molto piccoli, o molto grandi della statistica. Il valore critico si trova risolvendo l uguaglianza sotto: P (t n 1 < t n 1,α/2 ) P (t n 1 > t n 1,α/2 ) α/ t n 1,α/ Quindi la regione di rifiuto è data da: x µ0 S/ R.C. : > n x µ 0 S/ < n Si può ora calcolare il valore della statistica test sotto l ipotesi nulla: t n x µ 0 S/ n / Visto che il valore osservato della statistica test non appartiene alla regione critica, si può concludere affermando che il campione non offre una sufficiente evidenza per rigettare l ipotesi nulla H 0. La stessa risposta si sarebbe potuta dare senza eseguire ulteriori calcoli, ma solo utilizzando l intervallo di confidenza calcolato sopra, al livello del 95%. Poiché l intervallo contiene il valore 13, il campione non offre una sufficiente evidenza per rigettare l ipotesi nulla che la media sia 13. c) La risposta del test non cambia, poiché, se si diminuisce il livello dell errore di primo tipo, si ha come risultato che la regione di accettazione aumenta e, quindi, quella di rifiuto si contrae. In altre parole, se il test non rifiutava l ipotesi nulla per un livello α 0.05, a maggior ragione non lo rifiuterà ad un livello α Esercizio 5 Un agenzia di disoccupazione sostiene che l età media di quelli che ricevono un sussidio di disoccupazione è di 37 anni con una deviazione standard di 10 anni. Un associazione di consumatori vuole testare questa ipotesi, dato che sospetta che l età media sia differente. Vengono intervistati in modo casuale 400 individui che ricevono il sussidio, e si ottiene un età media di 36 anni. Usando un livello di significatività dell 1% può l unione dei consumatori respingere l ipotesi fatta dall agenzia di disoccupazione? 7
8 Soluzione X età dei sussidiati, σ 10, x 36, n400, α 0.01 Ipotesi H 0 : µ 0 37 H 1 : µ 0 37 Il test èun test bidirezionale, quindi la regione di rifiuto sarà data dall unione di due regioni, quelle corrispondenti a valori molto alti o molto bassi della statistica test. La statistica test utilizzata in questo caso è la media campionaria standardizzata. Poich X non è distribuita secondo una normale, anche la media campionaria X non sarà distribuita secondo una normale, ma si può applicare il Teorema del Limite Centrale, dato che: Le n osservazioni X i sono indipendenti ed identicamente distribuite, derivando da un campionamento casuale semplice; E[X i ] 37 < ; V ar[x i ] 100 <. e quindi: T n X µ 0 σ/ n N(0, 1) al crescere di n. (Si noti che, anche se non avessimo conosciuto la varianza nella popolazione di riferimento (σ 2 ), e avessimo dovuto utilizzare una sua stima corretta (S 2 ), la distribuzione della statistica test sopra sarebbe stata ugualmente approssimativamente normale, per il Teorema del Limite Centrale.) Nel caso sopra, di un sistema di ipotesi bidirezionale, la regione critica sarà: Poiché R.C. : x µ 0 σ/ n > z α/2, α 0.01 α/ Φ(z ) z α/ , allora la regione di critica sarà: R.C. : x µ 0 σ/ n > 2.575, 8
9 Il valore della statistica test nel campione, sotto l ipotesi nulla, è : t n x µ 0 σ/ n / Dato che il valore della statistica test non ricade nella regione critica, l evidenza campionaria non permette di rifiutare l ipotesi nulla che l età media di coloro che ricevono un sussidio sia uguale a 37, con un livello di significatività effettivo di circa l 1%. Esercizio 6 Si vuole indagare sulla proporzione π di pezzi difettosi prodotti in un processo produttivo. A tale scopo si osservano 400 pezzi, 240 dei quali risultano difettosi. a) Si proponga una opportuna regione critica per verificare l ipotesi nulla H 0 : π 0.5 contro l ipotesi alternativa H 1 : π < 0.5, ponendo α b) Si decida a favore o contro H 0 sulla base della realizzazione campionaria osservata. Soluzione Xdifettosità Ber(π); ˆp 240/ ; α 0.01; n400. Il problema propone il seguente test statistico H 0 : π 0.5 H 1 : π < 0.5. a) Per testare questa ipotesi si utilizza la statistica test T n ˆp π 0 π0 (1 π 0 )/n N(0, 1), ossia la media campionaria standardizzata per una popolazione di Bernoulli. Per il teorema del limite centrale, per n sufficientemente elevato, quando π π 0, la statistica test avrà una distribuzione approssimativamente normale. Il test è unidirezionale, quindi dal confronto tra ipotesi nulla e ipotesi alternativa, poiché i valori ipotizzati sotto l ipotesi nulla si trovano a destra, rispetto ai valori sotto l alternativa, possiamo dire che la regione critica, e la regione di accettazione saranno del tipo: R.C. : ˆp π 0 π0 (1 π 0 )/n < z α 9
10 R.A. : ˆp π 0 π0 (1 π 0 )/n z α Il valore di z 0.01 è determinabile attraverso la seguente relazione:. α 0.01 Φ(z 0.01 ) z α 2.33, z α 2.33 Riassumendo si è trovato che la regione critica R.C. è data da: R.C. ˆp π 0 π0 (1 π 0 )/n < 2.33, e la regione di accettazione R.A. : ˆp π 0 π0 (1 π 0 )/n 2.33 b) Per decidere a favore o contro l ipotesi nulla si calcoli il valore della statistica test, dato il nostro campione, sotto l ipotesi nulla: t n ˆp π 0 π0 (1 π 0 )/n (1 0.5)/400 4 Dato che il valore osservato della media campionaria standardizzata appartiene alla regione di accettazione, non si può rigettare l ipotesi nulla in favore di quella alternativa, data l evidenza empirica. Esercizio 7 Il direttore dell Ospedale ABC, situato in un quartiere molto povero nei sobborghi di New York, sospetta che i neonati che nascono l abbiano un peso inferiore rispetto alla media nazionale (pari a 3.2 Kg), tale da dover richiedere un intervento di prevenzione sulla malnutrizione delle donne del quartiere. Il direttore decide allora di verificare l ipotesi nulla H 0 : µ 3.2 in alternativa all ipotesi H 1 : µ < 3.2. Il direttore misura, quindi, il peso (x 1, x 2,..., x 81 ) di 81 bambini scelti casualmente tra i neonati nell ultimo anno e riscontra che 81 i1 x i i1 x 2 i a) Proporre un opportuno stimatore non distorto per il parametro σ 2 e fornirne una stima. b) Calcolare l intervallo di confidenza a livello 1 α 0.9 per il parametro µ. 10
11 c) Scrivere l espressione analitica del p-valore corrispondente alla realizzazione campionaria osservata, per il set di ipotesi: H 0 : µ 3.2 e H 1 : µ < 3.2. Decidere, inoltre, se il direttore riterrà necessario un intervento di sanità pubblica contro la malnutrizione, avendo fissato α, il livello di significatività del test uguale a 0.1, o a Soluzione a) Il primo punto dell esercizio può essere risolto utilizzando come stimatore per σ 2 la varianza campionaria S 2. Calcoliamo prima la media campionaria x: x 1 81 x i 234.9/81 2.9, n i1 e poi lo stimatore per la varianza: S 2 1 n 1 [ n ] Xi 2 n X 2 e la corrispondente stima: S 2 [ n ] 1 x 2 i n x 2 n 1 i1 1 [ ] i1 1 ( ) 80 1 (320) b) Il secondo punto dell esercizio richiede di costruire un intervallo di confidenza per la media della popolazione in cui la varianza ignota. Poiché la distribuzione delle popolazione non è nota, per n sufficientemente grande, possiamo utilizzare come distribuzione di riferimento per la quantità pivot una normale standard. 90%CI [l 1, l 2 ] [ x z α/2 S n ; x z α/2 S n ] [ ] 9 ; [2.535; 3.265]. 9 11
12 c) L esercizio richiede anche il calcolo del p-valore. Il p-valore può essere interpretato come il più piccolo livello di confidenza che conduce a rifiutare l ipotesi nulla (assumendo quest ultima come vera). Il p-valore è dato dalla probabilità che, quando µ µ 0, la statistica test assuma valori minori del valore osservato nel campione, P (T n < t n µ µ 0 ), dove T n una generica statistica test X µ 0 S/, e t n n il particolare valore assunto dalla statistica test nel campione estratto, sotto l ipotesi nulla, ossia quel valore che si ottiene sostituendo alla media campionaria il valore realizzato (2.9), a µ il valore ipotizzato sotto l ipotesi nulla, e alla varianza campionaria il valore ottenuto nel campione: P (T n < t n µ 3.2) ( ) X µ0 P S/ < n 2/9 P (Z < 1.35) 1 Φ(1.35) 0.09, Da notare che il risultato p 0.09 < α 0.1 implica che ci troviamo nella regione critica per un test al livello del 10%, mentre p 0.09 > α 0.05 implica che ci troviamo nella regione di accettazione di H 0 ad un livello di significatività del 5%. p 0.09, infatti, il minimo livello di significatività per il quale l ipotesi nulla può essere respinta. Esercizio 8 (Cicchitelli) Per la generica voce di un inventario di un impresa mercantile sia X la variabile casuale valore inventariato - valore certificato. Un certificatore contabile estrae a sorte un campione di 120 voci ottenendo x 25.3, S Sia µ la media di X nella popolazione. a) Si sottoponga a verifica l ipotesi che µ 0 contro l alternativa µ > 0, cioè che l inventario è gonfiato, con α 0.01; b) Si calcoli il p-valore; c) Si calcoli la probabilità di errore di secondo tipo β nel caso di ipotesi alternativa H 1 : µ 10. Soluzione a) Trattandosi di un campione di dimensione elevata, si può ricorrere all approssimazione normale e considerare S 2 una buona stima della varianza della 12
13 popolazione. Il test è unilaterale del tipo con ipotesi alternativa Dunque H 1 µ > µ 0 nel nostro caso Standardizziamo x: R.C. z : z z α }, R.C. z : z z }. t n (25.3 0) 13240/ Dato che 2.41 > 2.326, l ipotesi nulla è da rifiutare. b) Il livello di significatività effettivo (p-valore), è ( ) X p P ( X µ µ 0) P S/ n /120 P (Z 2.41) L ipotesi nulla infatti è stata rifiutata al livello α 0.01, perchè p < α. c) Per determinare la probabilità di errore di seconda specie conviene esprimere la zona di rifiuto in unità originarie, ossia in termini di x. La zona di rifiuto in unità standardizzate è R.C. z : z 2.326}, possiamo quindi scrivere ( x 0) 13240/ , da cui si ottiene x c La zona di rifiuto è dunque R.C. x : x 24.4}. La probabilità di errore di seconda specie β è allora data da 13
14 ( X P ( X R.A. H 1 ) P ( X µ µ 10) P ) P ( Z S/ n 24.4 µ 1 S/ n P (Z 1.37) ) Esercizio 9 Supponiamo di effettuare un test sul parametro media µ di una popolazione normale. Consideriamo i due casi A) H0 : µ 3 H 1 : µ 4 B) H0 : µ 3 H 1 : µ 6 Una volta fissato il livello di significatività α, a) la regione di rifiuto dell ipotesi nulla è la stessa nei due casi; è più ampia nel caso A è più ampia nel caso B. b) la probabilità di commettere un errore di seconda specie β è la stessa nei due casi; maggiore nel caso A; maggiore nel caso B. Soluzione a) è la stessa nei due casi. b) maggiore nel caso A. Esercizio 10 In un test delle ipotesi il p-valore risulta pari a Vuol dire che rifiutiamo l ipotesi nulla se il livello di significatività è α 0.01, ma non se è α 0.05; se il livello di significatività è α 0.05, ma non se è α 0.01; ad entrambi i livelli di signficatività α 0.01 e α 0.05 Soluzione Se il livello di significatività è α 0.05, ma non se è α
15 Esercizio 11 Su 100 imprese è stata rilevato il numero di anni di attività: Anni Totale Imprese ) Verificare se, a livello α 0.05, la proporzione di imprese con meno di 6 anni sia pari al 45% e quelle con più di 10 anni sia pari al 25%. 2) Cosa si conclude a livello α 0.1? Soluzione 1) Possiamo riscrivere la tabella come Anni Totale Imprese Il sistema di ipotesi è il seguente: 0.45 se A < 6 H 0 : P (A) 0.30 se 6 A se A > 10 H 1 : altrimenti Sotto l ipotesi nulla, le frequenze attese ˆn i sono pari a Quindi, la statistica Q vale Anni Totale n p(x i ) Q k (n i n p(x i )) 2 i1 n p(x i ) (50 45)2 45 (20 30)2 30 (30 25) La regione critica e di accettazione sono: R.C. Q > χ 2 (k 1),α, R.A. Q χ 2 (k 1),α, Mettendo a confronto questo valore con il quantile χ 2 k 1,α χ2 2, si conclude che non si può escludere l ipotesi nulla. 2) il quantile χ 2 2,0.1 è pari a 4.61, quindi si rifiuta l ipotesi nulla. 15
16 Esercizio 12 Si ritiene che una variabile casuale X sia Normale con valor medio µ 174 e varianza σ Verificare l ipotesi con il test χ 2 con α 0.01 sulla base del seguente campione di numerosità n 400: X f requenza osservata f requenza attesa X < X < X < X < X Soluzione Le ipotesi sono: H 0 : XNormale(174, 16) H 1 : XnonNormale(174, 16). La frequenza attesa per ciascun intervallo è determinata mediante standardizzazione. Ad esempio: P (165 X < 170) P ( Z < 16 La regione critica e di accettazione sono: R.C. Q > χ 2 4, χ 2 (k 1),α, ) P ( 2.25 Z < 1) La statistica Q vale k (n i ˆn i ) 2 Q ˆn i i1 R.A. Q χ 2 4, χ 2 (k 1),α (7 4.8)2 4.8 ( ) ( )2 176 ( )2 ( ) Mettendo a confronto questo valore con il quantile χ 2 k 1,α χ2 4, si conclude che non si può rifiutare l ipotesi nulla. Esercizio 13 Si sono prelevati 100 campioni di acqua e si è proceduto al conteggio del numero di esemplari di un certo microorganismo, ottenendo la seguente distribuzione: Esemplari Campioni Verificare la conformità della distribuzione ottenuta ad una distribuzione di Poisson con una probabilità di errore di primo tipo α
17 Soluzione La variabile casuale di Poisson ha funzione di probabilità p(x, λ) e λ λx x!. Poiché il parametro λ da cui dipende la distribuzione di Poisson non è noto lo si stima con il corrispondente stimatore di massima verosimiglianza, ˆλ n i1 x i n X 186/ Le ipotesi sono: H 0 : XP oisson(1.8) H 1 : XnonP oisson(1.8) Le probabilità attese, nell ipotesi che la variabile casuale X che genera il campione sia una variabile casuale di Poisson, sono: e le numerosità attese: x i p(x i ) x i n p(x i ) Le ultime due frequenze risultano inferiori a 5 per cui le frequenze dei valori 5 e 6 vengono accorpate alla frequenza del valore 4. Le distribuzioni da confrontare, osservata e teorica, risultano: La statistica test vale: x i n(x i ) n p(x i ) Q k i1 (n i ˆn i ) 2 ˆn i ( ) (30 29)2 29 (25 27)2 27 ( )2 ( ) Mettendo a confronto questo valore con il quantile χ 2 k 1 1,α χ2 3, si conclude che l ipotesi nulla di conformità della distribuzione osservata ad una variabile casuale di Poisson può essere accettata. 17
18 dchisq(x, 3) x 18
Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test
STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliCorso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica
Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica Nome N. Matricola Ancona, 14 luglio 2015 1. Tre macchine producono gli stessi pezzi
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliUniversità degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni
DettagliPolitecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo
Politecnico di Milano - Anno Accademico 200-20 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Esercitazione 9 2 Giugno 20 Esercizio. In un laboratorio per il test dei materiali,
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliTema A. 1.2. Se due eventi A e B sono indipendenti e tali che P (A) = 1/2 e P (B) = 2/3, si può certamente concludere che
Statistica Cognome: Laurea Triennale in Biologia Nome: 26 luglio 2012 Matricola: Tema A 1. Parte A 1.1. Sia x 1, x 2,..., x n un campione di n dati con media campionaria x e varianza campionaria s 2 x
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliEsercitazione n.4 Inferenza su varianza
Esercizio 1 Un industria che produce lamiere metalliche ha ricevuto un ordine di acquisto di un grosso quantitativo di lamiere di un dato spessore. Per assicurare la qualità della propria fornitura, l
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliSTATISTICA INFERENZIALE
STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCarte di controllo per attributi
Carte di controllo per attributi Il controllo per variabili non sempre è effettuabile misurazioni troppo difficili o costose troppe variabili che definiscono qualità di un prodotto le caratteristiche dei
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Modelli di Variabili Aleatorie Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Sulla base della passata esperienza il responsabile della produzione di un azienda
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor
DettagliEsercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)
STATISTICA (2) ESERCITAZIONE 4 18.02.2013 Dott.ssa Antonella Costanzo Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni) Sia X una popolazione distribuita secondo la legge Bernoulliana
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliConcetto di potenza statistica
Calcolo della numerosità campionaria Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona Concetto di potenza statistica 1 Accetto H 0 Rifiuto H 0 Ipotesi Nulla (H
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
DettagliCapitolo 11 Test chi-quadro
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliLa logica statistica della verifica (test) delle ipotesi
La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi
DettagliELEMENTI DI STATISTICA
Dipartimento di Ingegneria Meccanica Chimica e dei Materiali PROGETTAZIONE E GESTIONE DEGLI IMPIANTI INDUSTRIALI Esercitazione 6 ORE ELEMENTI DI STATISTICA Prof. Ing. Maria Teresa Pilloni Anno Accademico
DettagliEsercizi riassuntivi di probabilità
Esercizi riassuntivi di probabilità Esercizio 1 Una ditta produttrice di fotocopiatrici sa che la durata di una macchina (in migliaia di copie) si distribuisce come una normale con µ = 1600 e 2 = 3600.
DettagliAppunti: Teoria Dei Test
Appunti: Teoria Dei Test Fulvio De Santis, Luca Tardella e Isabella Verdinelli Corsi di Laurea A + E + D + G + R 1. Introduzione. Il test d ipotesi è un area dell inferenza statistica in cui si valuta
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 L4, Corso Integrato di Psicometria - Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Rev. 18/04/2011 Inferenza statistica Formulazione
DettagliEsercitazione n.2 Inferenza su medie
Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliAnalisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni
Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la
DettagliEsame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).
Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliSoluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)
Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliInferenza statistica
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione in base ad informazioni ricavate da un campione. Inferenza statistica: indurre
DettagliIL COLLAUDO DI ACCETTAZIONE
IL COLLAUDO DI ACCETTAZIONE Il collaudo di accettazione 1 Popolazione Campione Dati MISURA Processo Lotto Campione DATI CAMPIONAMENTO INTERVENTO MISURA Lotto Campione DATI CAMPIONAMENTO INTERVENTO Il collaudo
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
DettagliSTATISTICA INFERENZIALE PER VARIABILI QUALITATIVE
STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente
DettagliEsercizi del Corso di Statistica. Parte I - Variabili Aleatorie Continue
Esercizi del Corso di Statistica Parte I - Variabili Aleatorie Continue 1. Costruire la variabile uniforme U sull intervallo [a, b], con a IR e b IR. 2. Sia X una variabile aleatoria tale che: 0 x < 1
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliStatistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C
Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato
DettagliVerifica di ipotesi e intervalli di confidenza nella regressione multipla
Verifica di ipotesi e intervalli di confidenza nella regressione multipla Eduardo Rossi 2 2 Università di Pavia (Italy) Maggio 2014 Rossi MRLM Econometria - 2014 1 / 23 Sommario Variabili di controllo
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliPotenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1
Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo
DettagliEsercitazione n.1 (v.c. Binomiale, Poisson, Normale)
Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliLineamenti di econometria 2
Lineamenti di econometria 2 Camilla Mastromarco Università di Lecce Master II Livello "Analisi dei Mercati e Sviluppo Locale" (PIT 9.4) Aspetti Statistici della Regressione Aspetti Statistici della Regressione
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliIl campionamento statistico
Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori
Dettagli1 Modelli di variabili aleatorie continue
Modelli di variabili aleatorie continue. Variabili aleatorie continue uniformi (o rettangolari) Una v.a. X è detta uniforme (o rettangolare) sull intervallo [a, b] se la sua densità è data da se x [a,
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
DettagliOCCUPATI SETTORE DI ATTIVITA' ECONOMICA
ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971
DettagliControllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni
Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione
DettagliCorso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza
Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 28/05/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Nel gico del
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliCAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA
SOLUZIONI 7.1 7.2 7.3 7.4 7.5 a) X=6,3 minuti b) 3,7 minuti CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA a) Quantitativo,discreto b) P=502/1004=0,5 o 50% c) Età,tipo di lavoro,
DettagliTEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST
TEST DI AUTOVALUTAZIONE INTERVALLI DI CONFIDENZA E TEST I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica 1 Parte A 1.1 La formula µ = x ± s n
Dettagli