L istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un
|
|
- Irma Pieri
- 6 anni fa
- Visualizzazioni
Transcript
1 Gli istogrammi L istogramma è una rappresentazione grafica di una distribuzione di frequenza di una certa grandezza, ossia di quante volte in un insieme di dati si ripete lo stesso valore. Esistono diversi tipi di istogrammi: quelli più comuni in Fisica sono gli istogrammi a barre e gli istogrammi a intervalli. In un sistema di assi cartesiani si riporta sull asse delle ascisse il valore ( discreto o continuo ) della grandezza in esame ( bin ) e in ordinata la frequenza con cui si presenta questo valore.
2 L istogramma dei nomi degli studenti presenti può essere descritto tranquillamente da un istogramma a barre. L istogramma dei voti riportati ad un esame universitario ( oppure all esame di maturità è un altro esempio di istogramma a barre. Se con l indice x k indichiamo il voto e con n k indichiamo quanti studenti hanno ottenuto come voto k, in corrispondenza di k si stacca un segmento, parallelo all asse delle ordinate e proporzionale a n k. Possiamo avere ad esempio per un totale N di 100 studenti la seguente distribuzione:
3 Naturalmente vale la relazione = N Possiamo però preferire affermare che ad esempio il voto 24/30 sia stato ottenuto
4 dal 30% degli studenti e per questo introduciamo la frazione che è la frazione dei 100 studenti che hanno ottenuto il voto x k. Si dice che le frazioni F k specificano la distribuzione dei voti, dal momento che descrivono come i voti sono distribuiti fra i possibili valori. =
5 Naturalmente =1 e questa relazione viene detta condizione di normalizzazione. Possiamo anche dire che la probabilità che uno dei 100 studenti abbia superato l esame, per esempio, con 24/30 è del 30% e così via. Attenzione : Per una serie di misure non è idoneo un istogramma a barre a causa dell errore di misura. Quando diciamo che una distanza fra due punti, misurata con un doppio
6 decimetro con scala millimetrata, è, per esempio, 6,0 mm intendiamo dire che la distanza è compresa fra 5,5 e 6,5 mm e pertanto conviene fare un istogramma a intervalli. Sull asse delle ordinate si traccia sempre la frequenza o la frazione mentre sull ascissa si stacca un segmento pari ad almeno il doppio dell errore di sensibilità e si disegna una curva a gradini come in figura, che mostra un istogramma mono e bidimensionale, con la x espressa in unità arbitrarie.
7
8 Talora, in un grafico ad intervalli, si preferisce porre sull asse delle ordinate non F k ma f k =F k /Δx ( con Δx uguale alla larghezza di ogni intervallo ). In questo modo il prodotto f k Δx rappresenta l area del rettangolino avente come base Δx e come altezza f k e vale F k. Se adesso abbiamo infiniti intervalli, larghi ognuno un infinitesimo dx, l area totale vale con k che varia fra 1 e l.
9 In termini matematici, diremo che l area totale è data dall integrale definito di f(x) per dx, esteso ad Ω( insieme di definizione della x ): ( ) Nel fare questo abbiamo difatti sostituito una curva a gradini con una curva continua e la distribuzione che abbiamo così ottenuta si chiama distribuzione limite. Questo integrale vale 1 perché rappresenta la probabilità che si abbia un qualsiasi valore di x fra i tutti i valori possibili.
10 Esistono diverse distribuzioni limite ( quella normale o di Gauss, quella binomiale, quella di Poisson, quella del χ² ) di cui parleremo meglio nel secondo semestre. Queste distribuzioni sono caratterizzate ad esempio da un valore medio ( o valore atteso) definito da ( ) ( ) ( dove E(x) deriva dall inglese expectation value ) e da una varianza σ² definita come ( ) ( )
11 In laboratorio si avrà sempre un numero limitato di misure ( in termini statistici si ha un campione ). Non accadrà mai di poter effettuare infinite misure e conoscere così la popolazione e la sua funzione di distribuzione. Tuttavia vedremo che la migliore stima della media della popolazione è data dalla media aritmetica dei valori del nostro campione, costituito da n valori di x i =
12 Se conosciamo il numero di volte n i con cui si trova un certo valore x i, possiamo anche scrivere = = che, nel caso di n che tende all infinito, diventa il valore atteso della popolazione ( ) ( ) La migliore stima della varianza è data da s 2, definita come ( )
13 Capiremo più in là perché al denominatore c è n-1 al posto di n. Il valore di s 2 è un indice della dispersione dei valori intorno alla media. In particolare il valore di s (scarto quadratico medio ) può essere collegato alla precisione di uno strumento. Diremo che fra due strumenti quello più preciso è quello che ha un valore di s più piccolo. Alla grandezza s viene dato il nome anche di errore di precisione. Aumentare il numero di misure ( purché restino costanti le condizioni ambientali e sia sempre lo stesso lo sperimentatore ) fa sì che la media del campione approssimi sempre meglio la media della popolazione : infatti, al limite delle infinite
14 misure, campione e popolazione coincidono. Supponiamo ora di avere un primo campione di n misure, di cui determiniamo una media aritmetica e uno scarto quadratico medio. Se prendiamo un altro campione di n misure, avremo in generale una nuova media aritmetica e un nuovo s. Possiamo fare la distribuzione delle medie, che, vedremo, avrà una tipica distribuzione a campana, quella normale o di Gauss, centrata sulla media delle medie e una varianza data da σ²/n, dove n è la numerosità del campione.
15 La grandezza σ/ n viene chiamata deviazione standard della media e costituisce l incertezza con cui conosciamo la migliore stima del valore vero. Ecco perché, nei casi in cui si manifestano fluttuazioni statistiche che rendano possibile la stima di una media e di s, il risultato finale della misura viene dato come ± s/ n All aumentare di n, σ²/n tende a zero perché la media delle medie tende a coincidere con la media della popolazione. Per questo motivo la deviazione standard della media può diventare più piccola dell errore di sensibilità.
16 Invece all aumentare di n la stima di σ, ossia s, non tende a zero ma si riduce l incertezza Δs con cui determiniamo s. Si può dimostrare che ( Δs/s ) 2 = 1/ (2(n-1) ) e questo giustifica la regola di scrivere l errore con una, al più due cifre significative.
17 domanda : Un esempio Risposta :
18 Confronto tra errore di sensibilità ed errore di precisione. Abbiamo visto che la sensibilità di uno strumento è legata al numero di divisioni che riusciamo a tracciare su una scala. La precisione dipende da come è stato costruito lo strumento, con quali materiali e con quali cure. Spesso le esigenze di avere alta sensibilità e alta precisione sono in contrasto fra di loro.
19 Uno strumento, poco sensibile ma molto preciso, darà sempre la stessa lettura: il relativo istogramma sarà costituito da un solo bin e l errore sarà quello di sensibilità. Uno strumento, molto sensibile ma poco preciso, darà origine ad una dispersione di misure attorno al valore vero, tanto più larga quanto poco preciso è lo strumento. Per avere una stima attendibile del valore vero bisogna effettuare moltissime misure, con notevole impiego di tempo.
20 Un ragionevole compromesso è quello che vede l errore di sensibilità leggermente più piccolo della σ della distribuzione, in maniera tale che anche un numero limitato di misure si concentri intorno al valore vero e il relativo istogramma presenti pochi bin. Il fatto che l errore di sensibilità sia quasi uguale a σ fa sì che nella vita di ogni giorno si confonda sensibilità con precisione. Diciamo di avere al polso un orologio preciso al centesimo di secondo quando invece abbiamo un orologio sensibile a variazioni di tempo del centesimo di secondo. Questo ultimo esempio serve a far distinguere, nei casi in cui non è possibile evidenziare
21 fluttuazioni statistiche, il concetto di errore di sensibilità ed errore massimo. Questo ultimo definisce l intervallo massimo di variabilità di una misura. Ad esempio se in un regolo le divisioni sono troppo fitte, può essere impossibile apprezzare la mezza divisione e dare quindi un errore, maggiore di quello di sensibilità. Nel caso di un orologio bisogna tener conto dei tempi di reazione dello sperimentatore, che sono dell ordine del decimo di secondo, per cui la lettura di un tempo ha un errore massimo di 0,1 s e non di 0,01 s, come ci si aspetterebbe dall errore di sensibilità.
22 Errori sistematici Un altro tipo di incertezza, da cui può essere affetta una nostra misura, è quella sistematica. Principali cause : Difetto di funzionamento dello strumento ( in particolare difetto di taratura o mancato azzeramento) Errate condizioni d impiego Interazione tra strumento e sistema di misura A causa degli errori sistematici, uno strumento può essere molto preciso ma poco accurato. La distribuzione delle misure sarà molto stretta ma centrata su un valore diverso dal valore vero.
23 In generale è impossibile correggere gli errori sistematici, a meno che non ci si accorga di un mancato azzeramento dello strumento per cui si possono a posteriori correggere le letture. Per questo motivo le grandi scoperte in Fisica hanno bisogno di essere confermate dalle misure, effettuate da ricercatori indipendenti, possibilmente in laboratori differenti e con differenti procedimenti. Le figure seguenti, tratte dal Taylor, ci aiutano a capire la differenza fra errori statistici ( o casuali ) ed errori sistematici.
24 Il tiro a segno.
25
26 Cenni sulla distribuzione normale o di Gauss La funzione di distribuzione normale è un esempio di distribuzioni di probabilità. Ha una forma a campana ed è data da Il suffisso X indica il valore centrale delle x, mentre σ è legata alla larghezza della distribuzione. Il termine
27 fa sì che l integrale definito di G X,σ per dx fra - e + ( intervallo di variabilità della x ) sia uguale ad 1 e sia rispettata la condizione di normalizzazione. Si può dimostrare che, se con x f indichiamo la coordinata x dei punti di flesso, X-x f = σ. Si può dimostrare che il valore atteso di x è proprio X. Si può dimostrare che σ² coincide con la varianza della popolazione.
28 Si può dimostrare che la probabilità di avere una x compresa fra X-σ e X+σ è circa il 68,3%, quella di avere una x compresa fra X-2σ e X+2σ è circa il 95,4%, quella di avere x compresa fra X-3σ e X+3σ è circa il 99,7%. In generale è possibile calcolare P( entro t σ ) ossia la probabilità di avere una x compresa fra X-tσ e X+tσ mediante la cosiddetta funzione degli errori. L appendice A del Taylor presenta una tabella di questa funzione.
29 Importanza della funzione di distribuzione normale. Accade che una serie di misure ripetute della stessa grandezza fisica, effettuate da uno stesso sperimentatore in condizioni ambientali costanti, tende, all aumentare del numero di misure, a distribuirsi secondo la distribuzione normale.
30 Le cose vanno come se ci fossero moltissime cause di piccolissime fluttuazioni statistiche, alcune delle quali tendano a sovrastimare il valore vero e altre a sottostimarle.
31 Errore massimo o errore statistico? Quando si ha una serie di misure ripetute, prima di effettuare calcoli di media e scarto quadratico medio, conviene sempre prima disegnare un istogramma. Una chiara evidenza che le fluttuazioni statistiche non siano sommerse dall errore di sensibilità è quando l istogramma presenta quattro bin. Quando i bin sono tre è bene che essi siano ben popolati e non accada ad esempio che uno dei tre bin abbia solo uno o due eventi. Nell esempio del Severi, mostrato in figura, c è il caso molto delicato di un
32 istogramma con due soli bin. Se facciamo l ipotesi che la larghezza di un bin sia pari a due volte l errore di sensibilità, le fluttuazioni statistiche sono nascoste dall errore di sensibilità: il valore di s è inferiore all errore di sensibilità. Si può però dire che il valore vero cada nell intervallo compreso fra M 2 (G) e M 2 (G)+( M 3 (G)- M 2 (G)) /2 con
33 un incertezza pari a metà dell errore di sensibilità. Questo discorso non è in contraddizione con quanto detto prima perché stiamo cercando di dare il valore dell incertezza- sia pure non statistica ma massima- della posizione del valore centrale della gaussiana nascosta dall errore di sensibilità.
BIN = 15 um l [um] Minimum um. Data_31misure_ l [um] Maximum Points 102, , um 1.3 um
1 2 Data_31misure_070318 BIN = 15 um Minimum 80 Maximum Sum 120 3176,7 Points Mean Median 31 102,47419 102,9 102.5 um RMS Std Deviation Variance Std Error 102,7225 7,2559846 52,649312 1,3032133 7.3 um
DettagliOsservazioni e Misura. Teoria degli errori
Osservazioni e Misura ella misura di una grandezza fisica gli errori sono inevitabili. Una misura non ha significato se non viene stimato l errore. Teoria degli errori La teoria degli errori cerca di trovare
DettagliDistribuzione normale
Distribuzione normale istogramma delle frequenze di un insieme di misure relative a una grandezza che varia con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliPropagazione delle varianze, conosciuta come propagazione degli errori.
Propagazione delle varianze, conosciuta come propagazione degli errori. Siano x 1, x 2, x n n variabili casuali e poniamo,, ) = y ( ) Supponiamo inoltre nota la matrice delle covarianze delle x e vogliamo
DettagliStatistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliLaboratorio di Chimica Fisica. Analisi Statistica
Università degli Studi di Bari Dipartimento di Chimica 9 giugno F.Mavelli- Laboratorio Chimica Fisica - a.a. 3-4 F.Mavelli Laboratorio di Chimica Fisica a.a. 3-4 Analisi Statistica dei Dati Analisi Statistica
DettagliAnalisi statistica delle incertezze casuali. Dott. Claudio Verona
Analisi statistica delle incertezze casuali Dott. Claudio Verona Errori casuali Errori casuali e sistematici Un errore si dice casuale se viene commesso per semplice casualità (esso può essere trattato
DettagliDistribuzione Normale. Dott. Claudio Verona
Distribuzione Normale Dott. Claudio Verona Rappresentazione di valori ottenuti da misure ripetute Il primo problema che si riscontra nelle misure ripetute più volte è trovare un metodo conveniente per
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
Dettaglitabelle grafici misure di
Statistica Descrittiva descrivere e riassumere un insieme di dati in maniera ordinata tabelle grafici misure di posizione dispersione associazione Misure di posizione Forniscono indicazioni sull ordine
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliProgramma della parte introduttiva: Lezione 5
Programma della parte introduttiva: Lezione 5 Cap. 3 Presentazione e confronto tra misure Cap. 4 Propagazione delle incertezze Cap 5 Misure ripetute e stimatori Cap.6 Organizzazione e presentazione dei
DettagliSignificato probabilistico di σ: su 100 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo
Significato probabilistico di σ: su 1 misure, 68.3 hanno probabilità di cadere nell intervallo x σ, x +σ, 95.5 nell intervallo x σ, x + σ e 99.7 nell intervallo x 3 σ, x + 3 Se si considerano campioni
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure relative a una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata
DettagliDistribuzione Normale
Distribuzione Normale istogramma delle frequenze di un insieme di misure di una grandezza che può variare con continuità popolazione molto numerosa, costituita da una quantità praticamente illimitata di
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Si sono diverse distribuzioni di probabilità: quelle di cui parleremo sono la distribuzione binomiale, quella di Poisson, quella uniforme, quella normale, quella del χ² e la
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliSTIME STATISTICHE. Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 2/2
p. 1/1 INFORMAZIONI Prossime lezioni Giorno Ora Dove 10/02 14:30 P50 11/02 14:30 Laboratorio (via Loredan) 17/02 14:30 P50 23/02 14:30 P50 25/02 14:30 Aula informatica (6-7 gruppi) 02/03 14:30 P50 04/03
DettagliFISICA. Elaborazione dei dati sperimentali. Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica
FISICA Elaborazione dei dati sperimentali Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica LA MISURA GLI STRUMENTI DI MISURA Gli strumenti di misura possono essere analogici o digitali.
DettagliL analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta
L analisi dei dati Primi elementi Metodo dei minimi quadrati Negli esperimenti spesso si misurano parecchie volte due diverse variabili fisiche per investigare la relazione matematica tra le due variabili.
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 25/02 14:30 Aula informatica (4 gruppi) Martedi 02/03 14:30 P50 Giovedi 04/03 14:30 Aula informatica (4 gruppi) Martedi 09/03 14:30 P50 p.
DettagliSperimentazioni di Fisica I mod. A Statistica - Lezione 2
Sperimentazioni di Fisica I mod. A Statistica - Lezione 2 A. Garfagnini M. Mazzocco C. Sada Dipartimento di Fisica G. Galilei, Università di Padova AA 2014/2015 Elementi di Statistica Lezione 2: 1. Istogrammi
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliFISICA. Marco Laveder OBIETTIVI GENERALI DEL CORSO CONTENUTO DEL CORSO
FISICA Marco Laveder (laveder@pd.infn.it) OBIETTIVI GENERALI DEL CORSO Introdurre alcune leggi fondamentali della Fisica con esempi, problemi ed esperienze di laboratorio. Capire l importanza del METODO
DettagliNona lezione : Risposta : 3 ; 5 ; 3 ; 3 ( vedi Severi, cap.ii, 6 )
Nona lezione : Il miglior modo di riprendere i concetti espressi al primo semestre è quello di esaminare e rispondere alle domande della prova intercorso 2012-2013. Esercizio 1 : Scrivere il numero di
Dettaglip. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali.
p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica che sia affetta da errori casuali. p. 1/2 STIME STATISTICHE Consideriamo il caso della misura di una grandezza fisica
Dettagli17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS
17. LA DISTRIBUZIONE NORMALE E LA FUNZIONE DI GAUSS 17.1 LA DISTRIBUZIONE DEI DATI Nel trattare gli errori casuali abbiamo utilizzato il concetto di media aritmetica ed il concetto di deviazione standard
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliCapitolo 2. La misura
Capitolo 2 La misura 1 Gli strumenti di misura Possono essere digitali o analogici: la risposta di uno strumento digitale varia con discontinuità (a scatti) al variare della grandezza misurata e appare
DettagliRICHIAMI DI CALCOLO DELLE PROBABILITÀ
UNIVERSITA DEL SALENTO INGEGNERIA CIVILE RICHIAMI DI CALCOLO DELLE PROBABILITÀ ing. Marianovella LEONE INTRODUZIONE Per misurare la sicurezza di una struttura, ovvero la sua affidabilità, esistono due
DettagliAnalisi statistica delle incertezze casuali. Dott. Claudio Verona
Analisi statistica delle incertezze casuali Dott. Claudio Verona Analisi statistica delle incertezza casuali Le misure ottenute con strumenti di misura, come detto, sono inevitabilmente affette da errori.
DettagliErrori sistematici e casuali
Errori sistematici e casuali Errori Casuali Tempo di reazione nel far partire o fermare l orologio: Può essere sia in eccesso che in difetto (ad esempio partenza e arrivo), quindi l errore può avere segno
DettagliUniversity of Messina, Italy
ERRORI CASUALI ELL AALISI CHIMICA Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliAnalisi Statistica dei Dati Sperimentali. M. Trimarchi e P. La Rocca
Analisi Statistica dei Dati Sperimentali M. Trimarchi e P. La Rocca Misura delle Grandezze Fisiche Misure dirette Confronto con un campione dell unità di misura Lunghezze Metro Misure indirette Operazioni
Dettagliassuma valori in un determinato intervallo è data dall integrale della sua densità ( = )=
VARIABILI ALEATORIE CONTINUE Esistono parecchi fenomeni reali per la cui descrizione le variabili aleatorie discrete non sono adatte. Per esempio è necessaria una variabile aleatoria continua ovvero una
DettagliTeorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazion
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliElaborazione statistica di dati
Elaborazione statistica di dati 1 CONCETTI DI BASE DI STATISTICA ELEMENTARE 2 Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Per la presenza di errori casuali,
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliDistribuzione degli Errori di Misura. La distribuzione normale
Distribuzione degli Errori di Misura La distribuzione normale Errori casuali e sistematici Gli errori vengono generalmente suddivisi in due categorie: errori casuali ed errori sistematici. Gli errori casuali
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliPROBABILITA. Distribuzione di probabilità
DISTRIBUZIONI di PROBABILITA Distribuzione di probabilità Si definisce distribuzione di probabilità il valore delle probabilità associate a tutti gli eventi possibili connessi ad un certo numero di prove
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 75-585 278 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliMatematica Lezione 22
Università di Cagliari Corso di Laurea in Farmacia Matematica Lezione 22 Sonia Cannas 14/12/2018 Indici di posizione Indici di posizione Gli indici di posizione, detti anche misure di tendenza centrale,
DettagliPAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore
PAROLE CHIAVE Accuratezza, Accuracy, Esattezza, PRECISIONE, Precision, Ripetibilità, Affidabilità, Reliability, Scarto quadratico medio (sqm), Errore medio, Errore quadratico medio (eqm), Deviazione standard,
DettagliBreve ripasso di statistica
Breve ripasso di statistica D.C. Harris, Elementi di chimica analitica, Zanichelli, 1999 Capitolo 4 1 Il protocollo analitico Campionamento: 1. estrazione del campione dal lotto 2. conservazione e trasporto
DettagliTutta la scienza è fondata sulle misure (Helmholtz)
Tutta la scienza è fondata sulle misure (Helmholtz) L acquisizione di una osservazione come DATO SCIENTIFICO richiede che : osserviamo un fenomeno lo quantifichiamo correttamente lo confrontiamo con altri
DettagliRichiami di Matematica
Richiami di Matematica Tabelle: ci dicono qualcosa sulla relazione tra due grandezze. Tre esempi: grandezze direttamente proporzionali, inversamente proporzionali e proporzionali una al quadrato dell altra
DettagliTOPOGRAFIA 2013/2014. Prof. Francesco-Gaspare Caputo
TOPOGRAFIA 2013/2014 L operazione di misura di una grandezza produce un numero reale che esprime il rapporto della grandezza stessa rispetto a un altra, a essa omogenea, assunta come unità di misura. L
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2017-2018 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 7: Basi di statistica
Costruzione di macchine Modulo di: Progettazione probabilistica e affidabilità Marco Beghini Lezione 7: Basi di statistica Campione e Popolazione Estrazione da una popolazione (virtualmente infinita) di
DettagliSMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Campionamento 21/1/2005
SMID a.a. 2004/2005 Corso di Metodi Statistici in Biomedicina Campionamento 21/1/2005 Importanza del campionamento Permette di trarre conclusioni o fare previsioni limitando l'osservazione solo a un gruppo
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
DettagliIl Corso di Fisica per Scienze Biologiche
Il Corso di Fisica per Scienze Biologiche Ø Prof. Attilio Santocchia Ø Ufficio presso il Dipartimento di Fisica (Quinto Piano) Tel. 075-585 2708 Ø E-mail: attilio.santocchia@pg.infn.it Ø Web: http://www.fisica.unipg.it/~attilio.santocchia/
DettagliTutta la scienza è fondata sulle misure (Helmholtz)
Tutta la scienza è fondata sulle misure (Helmholtz) L acquisizione di una osservazione come DATO SCIENTIFICO richiede che : osserviamo un fenomeno lo quantifichiamo correttamente lo confrontiamo con altri
DettagliAggiorniamo pag. 24 della presentazione
Aggiorniamo pag. 24 della presentazione Il pendolo è un sistema che utilizzo per introdurre la teoria. Posso prevedere qual è il periodo di oscillazione del pendolo? T = 2π l g Prendo la legge e la verifico,
DettagliLa legge di Gauss degli errori come limite di una binomiale
Esiste una dimostrazione rigorosa dovuta a Laplace che la distribuzione degli scarti delle misure affette da errori casuali e indipendenti è la funzione normale di Gauss La legge di Gauss degli errori
DettagliCORSO DI LAUREA IN INFERMIERISTICA. LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità
CORSO DI LAUREA IN INFERMIERISTICA LEZIONI DI STATISTICA Parte II Elaborazione dei dati Variabilità Lezioni di Statistica VARIABILITA Si definisce variabilità la proprietà di alcuni fenomeni di assumere
DettagliLaboratorio di Calcolo Paola Gallo
Studio di una funzione Dopo aver calcolato limiti, massimi, minimi e flessi siamo in grado di stabilire noi quali estremi di variabilità e che passo dare alle mie x per poter visualizzare bene nel grafico
DettagliCapitolo 5 Confidenza, significatività, test di Student e del χ 2
Capitolo 5 Confidenza, significatività, test di Student e del χ 5.1 L inferenza Se conosciamo la legge di probabilità di un evento (a priori o a posteriori) possiamo fare delle previsioni su come l evento
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliCapitolo 2 Le misure delle grandezze fisiche
Capitolo 2 Le misure delle grandezze fisiche Gli strumenti di misura Gli errori di misura Il risultato di una misura Errore relativo ed errore percentuale Propagazione degli errori Rappresentazione di
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliDISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27
DISTRIBUZIONI DI PROBABILITA (parte 2) 1 / 27 Funzione di ripartizione per variabili casuali discrete 2 / 27 Data una variabile casuale discreta possiamo calcolare, analogamente al caso continuo, la probabilità
DettagliErrori di misura Teoria
Errori di misura Teoria a misura operazione di misura di una grandezza fisica, anche se eseguita con uno strumento precisissimo e con tecniche e procedimenti accurati, è sempre affetta da errori. Gli errori
DettagliTeoria degli Errori. Come si raccolgono, interpretano i dati e come si presentano i risultati di un esperimento?
Teoria degli Errori Come si raccolgono, interpretano i dati e come si presentano i risultati di un esperimento? Cosa significa che uno strumento èpiù preciso di un altro? Quando vale la pena di ripetere
DettagliCapitolo 10. La media pesata Calcolo della media pesata
Capitolo 0 La media pesata Supponiamo che una stessa grandezza sia stata misurata da osservatori differenti (es. velocità della luce) in laboratori con strumenti e metodi di misura differenti: Laboratorio
DettagliVARIABILI CASUALI CONTINUE
p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale continua può assumere tutti gli infiniti valori appartenenti ad un intervallo di numeri reali. p. 1/1 VARIABILI CASUALI CONTINUE Una variabile casuale
DettagliUniversity of Messina, Italy
ERRORI CASUALI NELL ANALISI CHIMICA 1 Errori casuali Gli errori casuali si incontrano tutte le volte che un sistema di misura viene usato al massimo della sua sensibilità. In queste circostanze i risultati
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliStatistica. Campione
1 STATISTICA DESCRITTIVA Temi considerati 1) 2) Distribuzioni statistiche 3) Rappresentazioni grafiche 4) Misure di tendenza centrale 5) Medie ferme o basali 6) Medie lasche o di posizione 7) Dispersione
Dettaglif (a)δa = C e (a a*)2 h 2 Δa
Distribuzione di Gauss Se la variabile non e` discreta ma puo` variare in modo continuo in un certo intervallo e ad ogni suo valore resta assegnata una probabilita` di verificarsi, dalla distribuzione
DettagliUniversità del Piemonte Orientale. Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia. Corso di Statistica Medica
Università del Piemonte Orientale Corso di Laurea Triennale di Infermieristica Pediatrica ed Ostetricia Corso di Statistica Medica Le distribuzioni teoriche di probabilità La distribuzione Normale (o di
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliUlteriori Conoscenze di Informatica e Statistica. Popolazione. Campione. I risultati di un esperimento sono variabili aleatorie.
Ulteriori Conoscenze di Informatica e Statistica Carlo Meneghini Dip. di fisica via della Vasca Navale 84, st. 83 (I piano) tel.: 06 55 17 72 17 meneghini@fis.uniroma3.it I risultati di un esperimento
DettagliIL PALLINOMETRO SCOPO
IL PALLINOMETRO SCOPO Verifica del fatto che gli errori casuali nella misura di una grandezza fisica ripetuta molte volte nelle stesse condizioni sperimentali seguono la distribuzione normale di Gauss.
DettagliESEMPIO: DISTRIBUZIONE UNIFORME CONTINUA fra a e b: si utilizza nei casi in cui nessun valore all'interno di un intervallo è preferito:
ESEMPIO: DISTRIBUZIONE UNIFORME CONTINUA fra a e b: si utilizza nei casi in cui nessun valore all'interno di un intervallo è preferito: f(x) = K () dalla proprietà di chiusura: f x dx = 1 *) segue f(x)
DettagliLa misura fornisce un numero ed una unità di misura. Questione dell unità di misura: analisi dimensionale
Presentazione dei calcoli e delle misure La fisica studia i fenomeni naturali, con osservazioni sceintifiche, misure di grandezze e verifiche di leggi. La misura fornisce un numero ed una unità di misura.
DettagliIntervallo di confidenza.
Intervallo di confidenza annarita.vestri@uniroma1.it campione inferenza popolazione Media Riportare sempre anche la deviazione standard Stima puntuale di Media, dev.standard, numerosità Qualche semplice
DettagliCorso Di CHIMICA ANALITICA II
Corso Di CHIMICA ANALITICA II CHIMICA ANALITICA QUANTITATIVA: determinazione di una specie chimica in funzione della sua concentrazione. CHIMICO ANALITICO: sviluppare nuovi metodi X analita (CAMPIONE):
DettagliIndice Premessa Cenni storici delle misure
Indice Premessa................................... 5 1 Cenni storici delle misure...................... 11 1.1 Il numero come misura...................... 13 1.2 I primi campioni di lunghezza..................
DettagliDistribuzione Gaussiana
Nella maggioranza dei casi (ma non in tutti) facendo un istogramma delle misure acquisite si ottiene una curva a campana detta normale o Gaussiana. G,, G,, d 1 e 2 1 Distribuzione Gaussiana 1 2 = Valor
DettagliTeorema del Limite Centrale
Teorema del Limite Centrale Problema. Determinare come la media campionaria x e la deviazione standard campionaria s misurano la media µ e la deviazione standard σ della popolazione. È data una popolazione
Dettagli05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
DettagliAppendice - Cenni di Teoria degli Errori
Appendice - Cenni di Teoria degli Errori 8.5 Definizione di errore e scarto quadratico medio Supponiamo di avere effettuato una misura di distanza e di avere ottenuto questa serie di risultati: 1 a misura
DettagliVerifica delle ipotesi
Statistica inferenziale Stima dei parametri Verifica delle ipotesi Concetti fondamentali POPOLAZIONE o UNIVERSO Insieme degli elementi cui si rivolge il ricercatore per la sua indagine CAMPIONE Un sottoinsieme
DettagliCorso in Statistica Medica
Corso in Statistica Medica Introduzione alle tecniche statistiche di elaborazione dati Distribuzione Normale Dott. Angelo Menna Università degli Studi di Chieti G. d Annunziod Annunzio Anno Accademico
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
Dettaglidistribuzione normale
distribuzione normale Si tratta della più importante distribuzione di variabili continue, in quanto: 1. si può assumere come comportamento di molti fenomeni casuali, tra cui gli errori accidentali; 2.
Dettagli