decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no.
|
|
- Agnello Amato
- 8 anni fa
- Visualizzazioni
Transcript
1 LA VERIFICA D IPOTESI Alla base dell inferenza statistica vi è l assunzione che i fenomeni collettivi possano essere descritti efficacemente mediante delle distribuzioni di probabilità. Abbiamo già considerato il problema della stima in cui, sulla base di un campione di osservazioni, si avanzano delle valutazioni su aspetti incogniti della distribuzione generatrice dei dati in popolazione. Nei problemi di verifica delle ipotesi procediamo, invece, in questo modo: avanziamo un ipotesi sulla distribuzione generatrice dei dati in popolazione (es: µ 0, p = 0.5, X e Y sono indipendenti in distribuzione); X decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no. Si tratta di una classe di problemi molto rilevante, in quanto le ipotesi formulate sulla distribuzione generatrice dei dati possono avere profonde implicazioni sulla comprensione di un fenomeno o sulle decisioni operative che lo riguardano. 1
2 Congetture e confutazioni Nella concezione prevalente dell epistemologia contemporanea, una teoria scientifica consiste in un ipotesi su un certo aspetto della realtà che può essere falsificata sulla base di osservazioni empiriche. Una teoria scientifica deve quindi essere in grado di identificare un insieme di risultati sperimentali a lei incompatibili, osservati i quali la teoria decade, ossia viene falsificata. Questo approccio, detto appunto falsificazionista, è stato sistematizzato nell opera di K.Popper (si veda ad esempio Congetture e Confutazioni, 1969) Nello studio dei fenomeni collettivi questo schema deve essere adattato al fatto che le conclusioni che possiamo trarre dall osservazione di un campione non sono mai certe ma probabili.
3 Esempio 1 Nella presentazione dell esempio sullo studio della scomposizione della devianza abbiamo incontrato l ipotesi: H 0 = il numero di pezzi prodotti in una catena di montaggio è indipendente in media dal sesso Supponiamo di aver osservato che ( ) ( ) M npezzi S = m = e M npezzi S = f = 86.7 e che 1 1 Dev(Y) % Entro % Tra % Totale % Cosa possiamo dire sull ipotesi fatta? L evidenza fornita dai dati non è abbastanza chiara per affermare che l ipotesi è vera, visto che si basa su di un solo campione. La natura delle conclusioni che possiamo trarre dall osservazione campionaria è provvisoria, aperta cioè ad ulteriori conferme (che renderanno maggiormente plausibile la loro verità) o ad evidenze contrarie (che orienteranno le nostre convinzioni verso l idea che siano false). 3
4 Esempio - Un applicazione industriale (caso ipotetico) Una linea di produzione metallurgica produce lastre dello spessore programmato di 15mm e varianza 1 mm. Ogni ora vengono estratte e misurate 10 lastre. Se lo spessore medio delle lastre si allontana dal valore programmato i macchinari vengono fermati e ritarati. Ciò comporta un costo considerevole e va limitato ai soli casi in cui effettivamente la laminatrice sia starata. Si osservano i seguenti dati: per cui x = 15.7 Lastra I II III IV V Spessore (X) Lastra VI VII VIII IX X Spessore (X) E il caso di fermare gli impianti e procedere alla ritaratura, oppure la differenza osservata tra spessore programmato e spessore osservato nel campione può essere ascritta al solo caso? 4
5 Breve sommario Nell esempio citato ci siamo fatti un opinione informale circa la verità dell ipotesi che stiamo verificando. Questa opinione si basa sul livello di coerenza tra i dati osservati e l ipotesi stessa. In alcuni casi questa opinione sarà chiara e la conclusione da trarre abbastanza evidente. In altri la decisione è più incerta e apparentemente più soggettiva. La teoria statistica dei test rappresenta una formalizzazione del criterio intuitivo di valutazione della verità di un ipotesi sulla base della sua coerenza con i dati osservati. Una teoria formalizzata è utile perché: Consente di trarre conclusioni coerenti nei casi in cui l evidenza che forniscono i dati non sia schiacciante in un senso o nell altro; La sua natura formalizzata rende le decisioni riguardo alla verità di H 0 intersoggettivamente condivisibili; questo non significa che siano oggettive, ma gli elementi di soggettività sono condivisi e sotto controllo. 5
6 La teoria della verifica di ipotesi (test d ipotesi) La verifica di ipotesi ha come obiettivo quello di prendere una decisione (rifiuto / accetto) su un ipotesi H 0 riguardante la distribuzione generatrice dei dati. Noi consideriamo solo problemi parametrici, ossia problemi in cui gli unici elementi incogniti sono alcuni (uno o più) parametri che la caratterizzano (e l ipotesi è su questi elementi) la famiglia di appartenenza della distribuzione di prob. della pop. è nota L ipotesi nulla H 0 è un affermazione relativa ad uno o più parametri. Ad es.: H0 : θ = θ0; H0 : θ < θ0; H0 : θ θ0 Questa ipotesi rappresenta lo status quo ("null hypotesis" = nessuna ipotesi) ed è preesistente all osservazione dei dati campionari (spessore programmato spessore osservato). E ritenuta vera fino a prova contraria e viene rifiutata solo se i risultati campionari mostrano con decisione la sua falsità. 6
7 L ipotesi alternativa H 1 è un affermazione che contraddice l ipotesi nulla, viene spesso detta ipotesi di ricerca, perché solitamente implica che una qualche azione debba essere intrapresa. Esempio 1 (continua) - Consideriamo la linea di produzione di lastre d acciaio discussa in precedenza. Un possibile sistema di ipotesi è dato da: H : µ = 15 H : µ > 15 Si noti che si tratta di test unilaterale 0 1 Regione di accettazione e regione di rifiuto Indichiamo con D l insieme delle decisioni possibili: { rifiuto (accetto ); accetto (rifiuto ) } D = H H H H Un test statistico δ è una regola per associare a ciascun campione s S una decisione: δ : S D 7
8 Il test viene sviluppato a partire da una statistica campionaria T (detta statistica test) la cui distribuzione è nota se H 0 è vera (in gergo sotto H 0 ). Nei test statistici che studieremo, le statistiche test saranno sempre stimatori dei parametri su cui vertono le ipotesi. Ciò non rappresenta tuttavia una regola normativa generale per la costruzione dei test. In pratica si tratta quindi di confrontare il valore di una stima con un valore ipotetico del parametro a cui la stima si riferisce Il fatto di conoscere la distribuzione di T sotto H 0 ci permetterà di calcolare se il valore stimato è molto o poco probabile sotto H 0 Esempio 1 (continua): Supponiamo che per lo spessore delle lastre prodotte (X) sia ragionevole ipotizzare che X (, ) N µ σ con 1 σ noto ( σ = ). 8
9 Si avrà che, sotto H 0 : 1 X N 15, ovvero che 0 Z = = N ( 0,1 ) X µ σ n X 0.1 La distribuzione della media campionaria è nota sotto H 0 ed è quindi una possibile statistica test (T = X ). E ragionevole rifiutare H 0 se il valore di Z è molto più grande di 0 ossia se z h con h 0 (analogamente: se X è molto più grande di 15 + h 0,1) Dobbiamo fissare h. Un criterio potrebbe essere quello di voler accettare H 0 quando H 0 è vera, ossia imporre ( H H ) = ossia ( Z h) Pr accetto è vera Pr = 1 La condizione scritta è verificata solo se h = + tale scelta non è ragionevole Implicherebbe di accettare H 0 sempre e quindi anche ( ) Pr accetto H H è falsa =
10 Occorre un compromesso Ad esempio possiamo imporre che Pr( rifiuto è vera ) H H α 0 0 = con 0 α 1 E ragionevole fissare un α piccolo così da mantenere bassa la probabilità di intervenire sul processo produttivo (rif. H 0 ) nel caso in cui in realtà non ce ne sia bisogno (H 0 vera, H 0 : µ=15) Possiamo quindi imporre che ( Z h) determinare h usando le tavole: ( Z h) = implica ( Z h) Pr 0.05 Pr = A questo punto sono in grado di Pr = 0.95 Cerco sulle tavole della Normale il valore 0.95 e vado a vedere sui bordi a che valore di h corrisponde. Notiamo che questo uso della tavola è inverso rispetto a quello che abbiamo imparato nelle lezioni precedenti. 10
11 I due valori più prossimi a 0.95 che trovo sono e corrispondenti a 1.64 e Semplificando assumo che il valore corrispondente a 0.95 sia il punto medio tra i due ( ) / =. Se il valore osservato di altrimenti l accetto. z x 15 = è maggiore di rifiuto H 0 (accetto H 1 ) 0.1 Poichéx = 15.7 abbiamo che z = =.6 e quindi rifiuto H Nel linguaggio della statistica si dice che la differenza osservata tra la media aritmetica campionaria e la media teorica (H 0 ) è significativa al livello del 5%. 11
12 Schematizziamo quanto abbiamo imparato attraverso l Esempio si individua H 0 si individua una statistica test T t ( X X X ) = 1,,..., n la cui distribuzione di probabilità sia nota sotto H 0 (nell Esempio: la media campionaria X ) è possibile individuare valori di T poco probabili sotto H 0 (e quindi valori di T "vicini" ad H 1 ) e valori di T molto probabili sotto H 0 (e quindi valori di T "lontani" da H 1 ) decidiamo di rifiutare H 0 se osserviamo nel campione un valore di T compreso tra i valori di T poco probabili; il valore di T nel campione osservato lo indichiamo con T = t x, x,..., x. oss ( ) 1 n Fissata la probabilità α, è possibile individuare una soglia h tale che: ( ) Poiché tale soglia dipende da α, possiamo dire che h h α Pr T h = α Nota: In pratica, nell esempio 1 abbiamo utilizzato la media campionaria standardizzata come statistica test (in quanto è per Z che disponiamo dei valori tabulati) 1
13 L esempio che abbiamo discusso ci ha fornito alcune idee fondamentali per capire il funzionamento dei test statistici. Esse possono tuttavia essere generalizzate: 1. Abbiamo visto che non è possibile trovare una regola di scelta esente da errore. Per risolvere il problema abbiamo imposto: Pr( rifiuto è vera ) H H = α 0 0 α viene detto livello di significatività del test e l errore a cui fa riferimento è l errore di I tipo. Avremmo potuto, in alternativa, imporre un vincolo del tipo: Pr accetto H H è falsa = β ( ) 0 0 (errore del II tipo; la probabilità 1 è detta potenza del test ). β Tuttavia la scelta basata sull errore di I tipo è quella universalmente adottata nella teoria dei test si assume che l errore più grave è quello del I tipo (e quindi quello per cui fissare una certa probabilità di commetterlo) cioè l errore che si commette quando si rifiuta H 0, se H 0 è vera (implica un azione.). 13
14 I test che presenteremo sono basati su scelte delle statistiche test tali da rendere β il più piccolo possibile una volta fissato il livello di significatività α (valori usuali di α: 0.05, 0.01).. Un ipotesi è: semplice se consiste nell assegnare ad un parametro un valore puntuale (es.: µ = 15); composta se supponiamo che il parametro appartenga ad un insieme più ampio di valori (es.: µ > 15). Considereremo soprattutto test con H 0 semplici e H 1 composte; tuttavia questo scenario non rappresenta che un caso particolare. 3. Il test sviluppato nell esempio 1 è unilaterale, ossia H 1 considera l allontanamento da H 0 solo in un senso. In alcuni contesti è utile considerare test bilaterali: H : µ = µ H : µ µ
15 Esempio 1 (sviluppo generale, test bilaterale) Supponiamo di voler stabilire una procedura generale di decisione (arresto della produzione sull esame di un campione di lastre per scostamento dalle specifiche programmate) adattabile a tutti i campioni che vengono periodicamente raccolti. Poiché la procedura deve essere generale, consideriamo sia il caso in cui la media si scosti dal livello programmato per eccesso che per difetto. µ µ La procedura generale sarà quindi un test bilaterale: H0 : = 15 H1 : 15 e che Supponiamo che X N ( µ, σ ) σ = 1 (noto), α = 0.05 Rifiuteremo H 0 se il valore di x (ovvero di z) è estremo per eccesso o per difetto rispetto a 15 ( h1, h ). 15
16 Sfruttando la simmetria della Normale dovremo determinare un unico h tale che: ( ) ( ) Pr Z h H = Pr Z h H = α 0 0 In questo modo la probabilità complessiva di rifiutare H 0 quando è vera, somma ad α. Poiché α = 0.05, α / = Dalle tavole il valore di h per cui ( Z h) Pr = è h = 1.96 Se, su un nuovo campione di controllo della produzione, osservassimo x = 14.6, si avrebbe che: z = = = 1.6 Poiché -1.96< 1.6 < 1.96 accetto H Nota - A parità di α, i test bilaterali sono meno severi (tendono più spesso ad accettare H 0 ) rispetto a quelli unilaterali. La regione di rifiuto viene infatti divisa in parti, include porzioni più estreme delle code della Normale e consente quindi di accettare valori più lontani da H 0 rispetto al caso unilaterale. 16
17 Valore P (o p-value) La decisione sull'ipotesi H 0, può essere anche calcolando il p-value (detto anche livello di significatività osservato). p-value : probabilità di osservare un valore della statistica test uguale o più estremo del valore ottenuto dal campione, sotto l ipotesi nulla. Ad esempio se ci si riferisce ad una statistica test distribuita come una normale standardizzata si ha che: p-value= P( Z > z oss H 0 ) La regola decisionale per rifiutare H 0 è la seguente: Se il p-value è α, l ipotesi nulla non è rifiutata. Se il p-value è < α, l ipotesi nulla è rifiutata. E una quantità che misura l evidenza fornita dai dati contro l ipotesi nulla: minore è il valore del p-value, più è forte l evidenza contro l ipotesi nulla. 17
18 Con riferimento all esempio precedente: p-value= P(Z -1,6 H 0 ) = 1-P(Z 1,6 H 0 )= 1-0,896 = 0,1038 poichè 0,1038 0,05 accetto H 0 Corrispondenza tra: z < z < z accetto H 0 e p value > α accetto H 0 α oss α 18
19 Verifica di ipotesi sulla media di un carattere normale - σ incognito Abbiamo già discusso un problema simile nell esempio riguardante lo spessore delle lastre metalliche. Tuttavia nell esempio abbiamo introdotto un ipotesi: che in pratica è possibile avanzare solo molto raramente. σ noto Se σ è incognito, una soluzione possibile consiste nell impiegare lo stimatore S e quindi la sua stima s : t X 0 = che si distribuisce come una t di Student con 1 S µ n n gdl. 19
20 Esempio Effetti di un messaggio pubblicitario Un campione di 10 individui è stato sottoposto, per un certo periodo, ad un messaggio pubblicitario relativo alla marca di merendine GNAMMI. Alla fine del periodo viene rilevato la variazione della spesa settimanale per l acquisto delle merendine in oggetto: Ind.: I II III IV V VI VII VIII IX X X Nell ipotesi che la variazione della spesa segua una distribuzione di tipo normale, vogliamo verificare se la pubblicità ha avuto qualche effetto oppure no. µ µ Definiamo il sistema di ipotesi: H0 : = 0 H1 : > 0 Si noti che in H 0, che svolge un ruolo centrale, ipotizziamo l inefficacia del messaggio: solo se i dati mostrano una forte evidenza contraria l abbandoneremo. Fissiamo in α = 0.05 il livello di significatività del test. Calcoliamo il valore osservato della statistica T. 0
21 Sulla base dei dati otteniamo le seguenti stime: x = s = s n = / Standardizzando x otteniamo che: t oss = = /10 Si tratta, in questo caso, di un test unilaterale e quindi dovrò cercare sulle tavole il valore di h tale che ( ) Pr t h H α = n 1 0 con α=0,05 h = Poiché 1.75 < 1.833, accetto H 0 1
22 Conclusioni relative alla verifica di ipotesi sulla media di un carattere distribuito in modo normale µ > µ 0, sistemi di ipotesi del tipo H0 : µ = µ 0 H1 : µ < µ 0 µ µ σ non noto: si testano utilizzando la statistica test: X µ 0 t = t n 1 t di Student con n-1 gdl. S / n Se X N ( µ, σ ) - σ noto: (caso piuttosto raro in pratica) si testano utilizzando la statistica test X µ 0 Z = N ( 0,1) σ / n Se n è grande (per fissare una regola approssimativa possiamo dire se n 30) allora la differenza tra t e Z è piccola e possiamo dire che, approssimativamente X µ 0 N ( 0,1) S / n
23 Verifica di ipotesi sulla media di un carattere non normale - test asintotico I risultati mostrati finora non sono più validi se l assunzione di normalità della variabile di interesse non è valida. In tal caso, posto che n sia abbastanza elevato, è possibile richiamare il teorema del Limite Centrale per cui, sotto H 0, la statistica test X µ n 0 S n N(0,1) Le regioni di accettazione e rifiuto sono le stesse descritte in precedenza per popolazioni di tipo normale. 3
24 Verifica di ipotesi su una frequenza test asintotico Una grossa azienda, sulla base della considerazione che un lavoratore soddisfatto lavora meglio e di più, decide di effettuare una politica di attenzione al lavoratore. L amministratore delegato dell azienda, sulla base dell esperienza, ritiene che il 70% dei lavoratori è soddisfatto di lavorare nell azienda in questione. Al fine di verificare tale ipotesi è plausibile, si effettua un indagine campionaria da cui emerge che, su un campione di 600 dipendenti, 406 si dichiarano soddisfatti. Si verifichi se l affermazione fatta dall amministratore può ritenersi corretta al livello di significatività dell 1% (α=0,01). Per decidere se l affermazione è vera è necessario scegliere tra le ipotesi: H : p = 0.70 H : p H : p = p H : p p ) ( Si noti che il carattere X (numero di soddisfatti in un campione di numerosità n) si distribuisce in modo binomiale Bin( n, p ); tuttavia poiché n = 600 è grande possiamo trattare X come se fosse Normale. In altre parole usiamo un argomento asintotico. 4
25 Fissiamo un livello di significatività severo α = La statistica test che utilizzeremo è la proporzione campionaria Pˆ X = standardizzata. n Nel caso in esame abbiamo che la stima di p sarà 406 p ˆ = = Possiamo quindi costruire la statistica test: W = p Pˆ p 0 ( 1 p ) 0 0 In base alle motivazioni addotte in precedenza, assumiamo che W N ( 0,1) è grande e la varianza del carattere in popolazione è nota sotto H 0. in quanto n 5
26 Il valore che W assume nel campione è: w oss pˆ p 0,68 0,70 0 = = = p (1 p ) / n 0, ,07 Cerchiamo sulle tavole della Normale standardizzata quel valore h tale per cui: ( ) ( ) Pr Z h H = Pr Z h H = α Poiché = 0.01, / = α α Il valore di h per cui ( Z h) Pr = è h =,575 Poiché -,575<-1,07 (valore osservato di W) <,575 accetto H 0. 6
27 Conclusioni relative alla verifica di ipotesi sulla proporzione e alcune considerazioni generali sui test asintotici. Per condurre il test relativo all ultimo esempio, abbiamo sfruttato il fatto, scoperto da de Moivre nell 700 che la distribuzione Binomiale converge alla Normale per n +. Non considereremo il problema di verifica di ipotesi su una frequenza per piccoli campioni. E un argomento che vale per molte altre distribuzioni oltre alla Binomiale e che possiamo invocare per effettuare delle verifiche di ipotesi sui parametri di distribuzioni non normali. In particolare abbiamo che X tende a distribuirsi in modo normale, per cui, se n è grande possiamo, qualunque sia la distribuzione del carattere, valutare le ipotesi basandoci sulla v.c. Z. Sottolineiamo che, se il campione è piccolo la distribuzione t di Student emerge solo se il carattere a cui si fa riferimento è Normale. Non considereremo il problema dei test sulla media di caratteri non normali per piccoli campioni. 7
28 Verifica dell ipotesi di differenza tra la medie di due popolazioni normali e indipendenti - varianze incognite Consideriamo il seguente problema. Si vuole valutare se l inserimento dell orario flessibile in un azienda con catena di montaggio genera una maggiore produttività misurata con un punteggio da 0 a 100. Viene condotto un esperimento in un reparto di operai. Il programma di orario flessibile viene svolto per 1 settimane su un campione di 10 operai selezionati in modo casuale (gruppo T), mentre sui rimanenti 1 si procede con l orario tradizionale (gruppo C). La produttività nei due gruppi a inizio periodo è uguale. Alla fine del periodo la produttività viene misurata per ciascun operaio con un punteggio tra 0 e 100 Gruppo T (si fless.) Gruppo C (no fless.) Abbiamo quindi due campioni distinti e indichiamo con 1) X T la produttività misurata nel gruppo sottoposto al trattamento e ) X C nell altro (gruppo di controllo ). 8
29 In entrambi i casi supponiamo che il carattere sia distribuito in modo Normale. Supponiamo di voler sottoporre a test il sistema di ipotesi H : µ = µ H : µ > µ con α = T C 1 T C H 0 può essere riscritta come H : 0 0 µ µ = in cui D T C sappiamo, sotto l ipotesi di indipendenza che T C µ = µ µ è la media della variabile differenza D = XT X C di cui ( ) = µ µ ( ) = ( ) + ( ) E D V D V X V X T C T C Possiamo quindi procedere come se stessimo valutando il sistema di ipotesi H : µ = 0 H : µ > 0 0 D 1 D La statistica test è data in questo caso da X D = XT X C standardizzata. 9
30 T In particolare da: V ( X ) V ( X ) T σ σ C = C = n n si avrà V ( X ) V ( X ) V ( X ) T = +. D T C C V X V X σ Avanziamo l ipotesi: ( ) ( ) T = C = (omoschedasticità o uguale variabilità) Nota: il caso eteroschedastico è più complesso e non sarà trattato. Sviluppiamo il test nel caso (più usuale) di σ non noto deve quindi essere stimato sulla base dei dati campionari. Gli stimatori S T e S C sono entrambi stimatori corretti della varianza possiamo proporre un unico stimatore in forma di media pesata: ( ) + ( ) n 1 S n 1 S S pooled = n + n T T C C T C σ e quindi 30
31 Calcoliamo X T s T ed s C : X C X T X C x = n x = = nt 1 T T i, T i= x = n x = = nc 1 C C i, C i= 1 [ x ] T [ x ] C = =
32 767 = = = nt 1 1 M ( xt ) nt xi, T i= = = = nc 1 1 M ( xc ) nc xi, C i= 1 ( ) [ ] ( ) [ ] v ( x ) = M x x = T 1 T T v ( x ) = M x x = C 1 C C n s = s ( x ) = v ( x ) = = = T T T T nt n s = s ( x ) = v ( x ) = = = C C C C nc Una volta calcolati gli stimatori corretti delle varianza all interno di ciascuno dei due gruppi possiamo costruire lo stimatore pooled introdotto: ( ) ( ) nt 1 st + nc 1 sc spooled = = = n + n T C
33 Per stimare l errore standard della media σ σ = σ nt n + C nt n C x D della variabile differenza dato da utilizziamo lo stimatore: 1 1 spooled + nt n C Possiamo quindi calcolare il valore campionario della statistica test standardizzata: ( ) x D µ D 7.8 t = t = = = s pooled + nt n C T + C gradi di libertà, ossia il numero di osservazioni meno, numero dei gruppi che consideriamo nell esperimento. In questo caso la statistica t si distribuisce come una t di Student con ( n n ) Nel nostro caso ( n n ) T + = = 0 C 33
34 Il valore che leggiamo in corrispondenza di gdl = 0 e α = 0.05 è Poiché < 1.75 accetto H 0 Il risultato può apparire piuttosto sorprendente in quanto la media del gruppo che ha usufruito dell orario flessibile è nettamente più alta dell altro. Tuttavia la procedura di test porta a non rifiutare l ipotesi nulla per effetto della variabilità dei punteggi all interno dei gruppi. Essa è piuttosto elevata in rapporto alla dimensione campionaria piuttosto ridotta. Dal punto di vista scientifico la conclusione è che non abbiamo evidenza sufficiente per ritenere che l orario flessibile induca una maggiore produttività e che ulteriori osservazioni devono essere raccolte. 34
35 Test di indipendenza in distribuzione tra caratteri Nella prima parte del corso abbiamo introdotto l indice dipendenza in distribuzione tra una coppia di caratteri. χ come misura sintetica della Abbiamo inoltre osservato che: χ 0. χ = 0 corrisponde alla perfetta indipendenza in distribuzione. Questa situazione non è virtualmente mai osservabile analizzando un campione, in quanto, per effetto della selezione casuale, le frequenze osservate tenderanno a non riprodurre mai esattamente quelle teoriche di indipendenza, anche se i caratteri sono effettivamente (ossia in popolazione) indipendenti. Un valore elevato di χ indica la presenza di associazione effettiva tra caratteri. Tuttavia valore elevato è un concetto ambiguo, in quanto il valore di χ risente della dimensione del collettivo (e cresce, a parità dell intensità del legame di dipendenza al crescere di n). Abbiamo introdotto delle standardizzazioni di χ ( Φ e V) che ci permettono di rispondere su una base intuitiva alla domanda: lo scostamento delle frequenze osservate da quelle teoriche è ascrivibile al caso oppure evidenzia una caratteristica strutturale della popolazione? 35
36 Voler rispondere a quest ultima domanda in modo rigoroso è equivalente a voler testare il sistema di ipotesi: n n n n H : n = i,j H : n n n ii i j ii i j 0 ij 1 ij per almeno un ij Possiamo sfruttare il risultato in base al quale, se le n osservazioni campionarie di X e Y costituiscono un campione casuale dalla popolazione oggetto di studio allora, sotto l ipotesi nulla H 0 la statistica campionaria χ H K ( n ' ) ij n ij = n' i= 1 j= 1 ij si distribuisce asintoticamente secondo una v.c. detta appunto χ, la cui distribuzione è caratterizzata da un solo parametro, p = ( K 1)( H 1), detto gradi di libertà che dipende dalla dimensione della tabella di frequenza analizzata (H: numero delle righe della tabella, K: numero delle colonne). 36
37 Esempio Consideriamo i dati relativi ad un indagine di customer satisfaction relativa a turisti che hanno scelto un viaggio in crociera (soddisfatti=si, insoddisfatti=no), ed hanno viaggiato in I, II o III classe. Il quesito che ci poniamo è se la soddisfazione dipende dalla classe in cui il turista ha viaggiato. Sulla base della tabella classe Sodd. I II III totale SI NO Totale Abbiamo calcolato χ = Vogliamo testare l ipotesi di indipendenza tra classe del biglietto e soddisfazione. Fissiamo un livello di significatività (errore del I tipo) pari a 0.01 α =. Esistono tavole statistiche per la distribuzione ( p) di h corrispondenti all espressione Pr( χ h) χ in cui è possibile reperire i valori = α al variare dei gdl p e di α. Ogni riga della tavola è intestata ad un valore dei gradi di libertà Ogni colonna è intestata ad un differente valore di α. 37
38 Tavole della distribuzione χ ( p) Probabilità p Unità 15 - Corso di Metodi statistici per l economia e per l azienda (prof. M.R. Ferrante), facoltà di Economia, sede di Forlì, Università di Bologna 38
39 Densità della variabile Chi quadrato al variare dei gradi di libertà p p=1 0.4 p= p=3 p=
40 Il test di indipendenza è sempre un test ad una sola coda (la destra) rifiuteremo H 0 solo in corrispondenza di valori sufficientemente elevati della statistica χ. Tornando all esempio, abbiamo che p =, poiché la tabella ha righe e 3 colonne. Il valore corrispondente a α = 0.01 è 9.1. Poiché > 9.1 concluderemo rifiutando l ipotesi nulla H 0 e accogliendo quella alternativa di dipendenza tra i due caratteri. Commenti Il test di indipendenza è asintotico, quindi affinché sia applicabile occorre che la numerosità campionaria sia adeguatamente grande (ad esempio n 50) e che in ciascuna delle celle della tabella a doppia entrata si abbia una frequenza teorica superiore a 5 (se questo non accade si possono fondere classi contigue di X e/o Y); La statistica χ tende a crescere al crescere di n. Ciò implica che per grandi campioni tendiamo sempre a rifiutare H 0 anche in presenza di scostamenti minimi dalla indipendenza teorica tra i caratteri. - A.A
Statistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
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
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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. 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
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,
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
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
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
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,
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
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
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
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
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
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
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
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 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
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
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
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.
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
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
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
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
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
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
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
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
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -
DettagliEsercizio 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
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,
DettagliAPPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE
APPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE 1. Proporzionalità diretta e proporzionalità inversa Analizziamo le seguenti formule Peso Lordo = Peso Netto + Tara Ricavo = Utile + Costo Rata = Importo + Interesse
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
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
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
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
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:
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
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
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
DettagliCOMUNE DI RAVENNA GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI)
COMUNE DI RAVENNA Il sistema di valutazione delle posizioni del personale dirigente GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI) Ravenna, Settembre 2004 SCHEMA DI SINTESI PER LA
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
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
DettagliOSSERVAZIONI TEORICHE Lezione n. 4
OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 373 clienti di Tiemme Spa sede operativa di Piombino (errore di campionamento +/- 2%) rappresentativo
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in
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
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
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
DettagliTitolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza
Titolo della lezione Analisi dell associazione tra due caratteri: indipendenza e dipendenza Introduzione Analisi univariata, bivariata, multivariata Analizzare le relazioni tra i caratteri, per cercare
DettagliUn gioco con tre dadi
Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.
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
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
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
DettagliEsercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:
Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
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
DettagliI ricavi ed i costi di produzione
I ricavi ed i costi di produzione Supponiamo che le imprese cerchino di operare secondo comportamenti efficienti, cioè comportamenti che raggiungono i fini desiderati con mezzi minimi (o, che è la stessa
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
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,
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
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
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
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,
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliPROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO
PROGETTO INDAGINE DI OPINIONE SUL PROCESSO DI FUSIONE DEI COMUNI NEL PRIMIERO L indagine si è svolta nel periodo dal 26 agosto al 16 settembre 2014 con l obiettivo di conoscere l opinione dei residenti
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
DettagliLa teoria dell offerta
La teoria dell offerta Tecnologia e costi di produzione In questa lezione approfondiamo l analisi del comportamento delle imprese e quindi delle determinanti dell offerta. In particolare: è possibile individuare
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 795 clienti TIEMME SpA (errore di campionamento +/ 2%) rappresentativo della popolazione obiettivo,
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica
Università del Piemonte Orientale Corsi di Laurea Triennale di area tecnica Corso di Statistica Medica Campionamento e distribuzione campionaria della media Corsi di laurea triennale di area tecnica -
DettagliLaboratorio di Pedagogia Sperimentale. Indice
INSEGNAMENTO DI LABORATORIO DI PEDAGOGIA SPERIMENTALE LEZIONE III INTRODUZIONE ALLA RICERCA SPERIMENTALE (PARTE III) PROF. VINCENZO BONAZZA Indice 1 L ipotesi -----------------------------------------------------------
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
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
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....................................
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
Dettaglicome nasce una ricerca
PSICOLOGIA SOCIALE lez. 2 RICERCA SCIENTIFICA O SENSO COMUNE? Paola Magnano paola.magnano@unikore.it ricevimento: martedì ore 10-11 c/o Studio 16, piano -1 PSICOLOGIA SOCIALE COME SCIENZA EMPIRICA le sue
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
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti
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
Dettagli