STATISTICA. I modelli probabilistici, III

Documenti analoghi
Statistica Inferenziale

Indice Aspetti generali sul campionamento da popolazioni finite Campionamento probabilistico Disegno campionario semplice

Dall'analisi dei prospetti informativi diffusi dalla Borsa di Paperopoli Gastone ricava le seguenti informazioni sul rendimento dei tre titoli:

ESAME DI STATISTICA Nome: Cognome: Matricola:

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

Esercizio 1. Proprietà desiderabili degli stimatori (piccoli campioni)

Esercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.

2a descrivere i materiali

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

STATISTICA IX lezione

Il campionamento statistico. prof. C.Guida

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

STATISTICA INFERENZIALE

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/03/2011

Generazione di Numeri Casuali- Parte 2

Carta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016

Università del Piemonte Orientale. Corsi di Laurea Triennale di area tecnica. Corso di Statistica Medica

p k q n k = p n (k) = n 12 = 1 = ,1208. q = 1 2 e si ha: p 12 (8) =

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)

Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008

Analisi della varianza

Analisi di dati di frequenza

Facoltà di Economia Corso di laurea in Economia Aziendale Statistica Esercitazione 1 - Modulo II

Esercitazioni di statistica

INCERTEZZA DI MISURA

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Prelazione. Lista delle Figure. Lista delle Tabelle

Corso di Automazione Industriale 1. Capitolo 4

Quantificare la variabilità dei processi ecologici

Temi di Esame a.a Statistica - CLEF

Statistica descrittiva

4. Confronto tra medie di tre o più campioni indipendenti

1. Distribuzioni campionarie

11. Analisi statistica degli eventi idrologici estremi

STATISTICA GIUSEPPE DE NICOLAO. Dipartimento di Informatica e Sistemistica Università di Pavia

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

Il confronto fra proporzioni

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Statistica Applicata all edilizia: alcune distribuzioni di probabilità

Facciamo qualche precisazione

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A Alberto Perotti, Roberto Garello

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale

1. Richiami di Statistica. Stefano Di Colli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva

TEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI

Statistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 7

3. Confronto tra medie di due campioni indipendenti o appaiati

STATISTICA SOCIALE Corso di laurea in Scienze Turistiche - A.A. 2007/2008 Esercizi di riepilogo - 14 dicembre 2007

Inferenza statistica

La distribuzione Gaussiana

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a Corso di Statistica Medica. Inferenza sulle medie

l insieme delle misure effettuate costituisce il campione statistico


ANALISI DI CORRELAZIONE

Esercizio 1. Svolgimento

Statistica corso base Canale N Z prof. Francesco Maria Sanna. Prove scritte di esame a.a

La variabile casuale Binomiale

R - Esercitazione 5. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. Lunedì 2 Dicembre Università Roma Tre

Statistiche campionarie

Corso di Laurea in Ingegneria Informatica Anno Accademico 2014/2015 Calcolo delle Probabilità e Statistica Matematica

Statistica per l azienda (1)

Esercitazione n.4 Inferenza su varianza

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica

Il controllo statistico di processo

ˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1

Corso di Psicometria Progredito

R - Esercitazione 1. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. 30 Settembre Università Roma Tre

PROBABILITÀ E DECISIONI IN MEDICINA: I TEST DIAGNOSTICI

Corso di Statistica. Corso di Laurea in Ingegneria Edile. Ingegneria Tessile. Docente: Orietta Nicolis

MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE

Politecnico di Milano - Anno Accademico Statistica Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C

Metodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Esercizi di Calcolo delle Probabilità e Statistica Matematica

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti)

7. Si confronti la variabilità del carattere età nel gruppo dei maschi ed in quello delle femmine.

Statistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Statistica. Lezione 6

Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli

Probabilità II Variabili casuali discrete

Verifica di ipotesi

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Tasso di interesse e capitalizzazione

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5

matematica probabilmente

I Metodi statistici utili nel miglioramento della qualità 27

STATISTICA (I MODULO INFERENZA STATISTICA) Esercitazione I 27/4/2007

LEZIONI DI STATISTICA

Analisi Statistica Spaziale

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Transcript:

STATISTICA I modelli probabilistici, III

~, ~, ~, ~, ~,

~, ~, ~, ~, ~, ~, ~, ~ 2,2 2 ~, 2

~, ~, ~, ~, ~,,,, ~, ~, ~,

MA E TANTO, TANTO COMODA ~, ~, ~, ~, ~,,,, ~, ~,,

MA E TANTO, TANTO COMODA ~, ~, campione casuale: repliche dell esperimento, sempre nelle stesse condizioni ~, (estrazioni con reimmissione) ~, ~,,,, ~, ~,,

un incisoimportante se <,< si ha che < e < < <

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge?

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? 1512.57.013.07.5 5 11 g/l>10g/l è un risultato attendibile per tutta l acqua di Milano?

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea)

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 PROVIAMO A RAGIONARE g/l. COME CON LA CLINICA Sapendo che la legge DELLE impone FIGLIE una FEMMINE. soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea)

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea) 1. Usiamoil valore di riferimento di legge per ~,1.6

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea) 1. Usiamoil valore di riferimento di legge per ~,1.6 2.,,, variabili i.i.d, ~ ~,.

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di 10 g/l, si può affermare che l'acqua potabile di Milano non è a norma di legge? Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea) 1. Usiamoil valore di riferimento di legge per ~,1.6 2.,,, variabili i.i.d. ~ ~,. 3. >11 1 11,10, 1.6 50.08112525

Esempioall arsenico Durante le verifiche sulla qualità dell'acqua potabile di Milano si è misurata la quantità presente nell'acqua di arsenico, ottenendo i seguenti valori campionari: 15, 12.5, 7.0, 13.0, 7.5 g/l. Sapendo che la legge impone una soglia massima per l arsenico di SE A MILANO E RISPETTATO IL LIMITE 10 g/l, si può affermare che l'acqua potabile di Milano non è a DI LEGGE, LA PROBABILITA CHE LA norma di legge? MEDIA DI UN CAMPIONE DI 5 DATI SIA è DELL 8% Sia la variabile che descrive la quantità di arsenico in un campione di acqua milanese. Supp. ~, con incognitae 1.6 g/l(semplificazione momentanea) 1. Usiamoil valore di riferimento di legge per ~,1.6 2.,,, variabili i.i.d. ~ ~,. 3. >11 1 11,10, 1.6 50.08112525

per la media Siano,,, variabili casuali i.i.d media campionaria: v.c. cheprediceilvaloredellamedia aritmetica dei dati nel campione

per la media Siano,,, variabili casuali i.i.d media campionaria: v.c. cheprediceilvaloredellamedia il della aritmeticadeidatinelcampione. dati campione E unostimatoredellamedia,,, successione di v.a. i.i.dcon media finita.

Facciamoun saltoin media 0.0 0.4 0.8 0 20 40 60 80 100 n 0 20 40 60 80 100 n media 0.0 0.4 0.8 media 0.0 0.4 0.8 0 20 40 60 80 100 n 0 20 40 60 80 100 n media 0.0 0.4 0.8

per la media Siano,,, variabili casuali i.i.d media campionaria Se ~, ~, stimatore di Se ~ ~ 1, stimatore di

per la media Siano,,, variabili casuali i.i.d media campionaria Se ~, ~, Se ~ ~ 1, Se & ~,

per la media Siano,,, variabili casuali i.i.d media campionaria Se ~, ~, Se ~ ~ 1, Teo. Centrale del Limite Se ~??? & > ~,

Facciamoun saltoin Istogramma Istogramma Medie 0 5 10 15 20 Medie Frequenze relative 0.0 0.5 1.0 1.5 2.0 Density 0 1 2 3 4 5 6 0.2 0.3 0.4 0.5 0.6 0.7

Facciamoun saltoin R Frequenze relative 0.0 0.5 1.0 1.5 2.0 Istogramma Conoscendola distribuzione dello stimatoreconosciamola precisione della stima Density 0 1 2 3 4 5 6 Istogramma 0.2 0.3 0.4 0.5 0.6 0.7 Medie 0 5 10 15 20 Medie

,,, i.i.d,, potenziali risultati che l esperimento può dare, in generale non noti,,, stimadi media campionaria stimatoredi modellodi tuttele possibilistimedi, prima di estrarre il campione. Permette di dire quanto è buona la stima data da

,,, i.i.d,, media campionaria stimatoredi modellodi tuttele possibilistimedi, prima di estrarre il campione. Permette di dire quanto è buona la stimadata da

,,, i.i.d,, media campionaria stimatoredi 1 1

,,, i.i.d,, media campionaria stimatoredi indipendenti 1 1

,,, i.i.d,, media campionaria stimatoredi Se è noto, vaa zero per campioni sempre più grandi più grande è il campione e maggiore è la precisione dello stimatore(e della stima).

,,, i.i.d,, media campionaria stimatoredi { } varianza campionaria 1 1 stimatore di { }

,,, i.i.d, ~,, o MODELLO (stimatore) DATI (stime) media campionaria stimatore di, ~, varianza campionaria 1 1 stimatoredi { } 1 1 1 ~ 1

,,, i.i.d, ~, 1 media campionaria varianza campionaria MODELLO (stimatore) stimatore di, 1 1 stimatore di 1 { 1 } DATI (stime) 1 1 1

Dal nostrotest

Dal nostrotest