Sei sulla pagina 1di 37
CHE COS’E’ LA PROBABILITA’ La probabilità è la MISURA dell’incertezza di un evento, cioè come

CHE COS’E’ LA PROBABILITA’

CHE COS’E’ LA PROBABILITA’ La probabilità è la MISURA dell’incertezza di un evento, cioè come noi
CHE COS’E’ LA PROBABILITA’ La probabilità è la MISURA dell’incertezza di un evento, cioè come noi

La probabilità è la MISURA dell’incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza.

• La SCALA di Probabilità varia tra 0.00 e 1.00.

• La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00 = .50 = Evento 1.00
• La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00 = .50 = Evento 1.00

0.00 =

.50 = Evento

1.00 =

Evento

massimamente

Evento

Impossibile

incerto

Certo

CHE COS’E’ LA PROBABILITA’ Gli statistici Misurano la Probabilità di un evento come: Il rapporto

CHE COS’E’ LA PROBABILITA’

CHE COS’E’ LA PROBABILITA’ Gli statistici Misurano la Probabilità di un evento come: Il rapporto tra
CHE COS’E’ LA PROBABILITA’ Gli statistici Misurano la Probabilità di un evento come: Il rapporto tra

Gli statistici Misurano la Probabilità di un evento come:

Il rapporto tra i casi (teoricamente) favorevoli all’evento ed i casi (teoricamente) possibili. La frequenza relativa dell’evento in un esperimento (cioè, quante volte si verifica l’evento relativamente ad un certo numero di repliche di un esperimento). Il grado di fiducia che un individuo ha sul verificarsi di un evento (cioè, quanto egli è disposto a scommettere sull’evento).

DISTRIBUZIONE DI PROBABILITA’ I possibili risultati di un esperimento costituiscono uno spazio campionario di n

DISTRIBUZIONE DI PROBABILITA’

DISTRIBUZIONE DI PROBABILITA’ I possibili risultati di un esperimento costituiscono uno spazio campionario di n
DISTRIBUZIONE DI PROBABILITA’ I possibili risultati di un esperimento costituiscono uno spazio campionario di n

I possibili risultati di un esperimento costituiscono uno spazio campionario di n eventi A ciascun evento possiamo associare la probabilità del suo verificarsi

possiamo associare la probabilità del suo verificarsi DISTRIBUZIONE DI PROBABILITA’ definita da tutti i

DISTRIBUZIONE DI PROBABILITA’ definita da tutti i possibili risultati e le corrispondenti probabilità

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE La distribuzione NORMALE è rappresentata da una particolare curva continua a forma campanulare
DISTRIBUZIONE NORMALE La distribuzione NORMALE è rappresentata da una particolare curva continua a forma campanulare
DISTRIBUZIONE NORMALE La distribuzione NORMALE è rappresentata da una particolare curva continua a forma campanulare

La distribuzione NORMALE è rappresentata da una particolare curva continua a forma campanulare (gaussiana)

Y

μ X
μ
X
Risposta ad un Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p n=1
Risposta ad un Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p n=1

Risposta ad un Item Vero-Falso: k= “Totale Risposte Corrette” con p=0.5

Risposta ad un Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p n=1 Item
p n=1 Item 0.5 0 1 k
p
n=1 Item
0.5
0
1
k
Risposta a 4 Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.375
Risposta a 4 Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.375

Risposta a 4 Item Vero-Falso: k= “Totale Risposte Corrette” con p=0.5

Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.375 0.25 .0625 • • •

p

0.375

0.25

.0625

• • • • • 0 1 2 3 4 k
0
1
2
3
4
k

n=4 Item

Risposta a 10 Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.246
Risposta a 10 Item Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.246

Risposta a 10 Item Vero-Falso: k= “Totale Risposte Corrette” con p=0.5

Vero-Falso: k = “Totale Risposte Corrette” con p =0.5 p 0.246 0.205 .0117 0.44 0.010 0.001

p

0.246

0.205

.0117

0.44

0.010

0.001

n=10 Item • • • • • • • • • • • 0 1
n=10 Item
• •
0
1
2
3
4
5
6
7
8
9
10
k

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Per qualsiasi valore x che la variabile può assumere, attraverso la funzione si calcola
DISTRIBUZIONE NORMALE Per qualsiasi valore x che la variabile può assumere, attraverso la funzione si calcola
DISTRIBUZIONE NORMALE Per qualsiasi valore x che la variabile può assumere, attraverso la funzione si calcola

Per qualsiasi valore x che la variabile può assumere, attraverso la funzione si calcola la y corrispondente, cioè la probabilità

2 1 ⎛ x − ⎞ μ i Y 1 − ⎜ ⎟ 2 y
2
1 ⎛ x − ⎞
μ
i
Y
1
2
y =
e
σ
i
σ π
2
y
i
μ
x i
X
DISTRIBUZIONE NORMALE CRESCENTE per - ∞ < x < μ e DECRESCENTE per μ<x<+∞ due

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE CRESCENTE per - ∞ < x < μ e DECRESCENTE per μ<x<+∞ due punti
DISTRIBUZIONE NORMALE CRESCENTE per - ∞ < x < μ e DECRESCENTE per μ<x<+∞ due punti

CRESCENTE per -<x<μ e DECRESCENTE

per μ<x<+∞ due punti di flesso a ± σ da μ Y Punti di flesso
per μ<x<+∞ due punti di flesso a ± σ
da μ
Y
Punti di flesso
1
y =
μ
σ π
2
Media=Moda=Mediana
Asintotica
-∞
μ-σ μ μ+σ
X +∞
DISTRIBUZIONE NORMALE La curva NORMALE è definita dai parametri μ e σ famiglia di distribuzioni

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE La curva NORMALE è definita dai parametri μ e σ famiglia di distribuzioni normali
DISTRIBUZIONE NORMALE La curva NORMALE è definita dai parametri μ e σ famiglia di distribuzioni normali

La curva NORMALE è definita dai parametri μ e σ famiglia di distribuzioni normali con medie e deviazioni standard diverse

Y

normali con medie e deviazioni standard diverse Y μ 1 ≠ μ 2 ≠ μ 3

μ 1 μ 2 μ 3 σ 1 σ 2 σ 3

μ

2

μ

1 μ 3

X

DISTRIBUZIONE NORMALE famiglia di distribuzioni normali con una diversa media e con la stessa deviazione

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE famiglia di distribuzioni normali con una diversa media e con la stessa deviazione standard
DISTRIBUZIONE NORMALE famiglia di distribuzioni normali con una diversa media e con la stessa deviazione standard

famiglia di distribuzioni normali con una diversa media e con la stessa deviazione standard

Y

μ 1 ≠μ 2 ≠μ 3 σ 1 =σ 2 =σ 3 μ 2 μ
μ 1 ≠μ 2 ≠μ 3
σ 1 =σ 2 =σ 3
μ 2
μ
X
1 μ 3
DISTRIBUZIONE NORMALE Qualsiasi siano i parametri μ e σ , l’area della porzione di curva

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Qualsiasi siano i parametri μ e σ , l’area della porzione di curva delimitata
DISTRIBUZIONE NORMALE Qualsiasi siano i parametri μ e σ , l’area della porzione di curva delimitata

Qualsiasi siano i parametri μ e σ, l’area della porzione di curva delimitata dalla media e un ordinata espressa in termini di deviazioni standard è costante μ+σ= 34.13% della distribuzione μ+2σ= 47.73% della distribuzione μ+3σ= 49.86% della distribuzione

μ + σ = 34.13% della distribuzione μ +2 σ = 47.73% della distribuzione μ +3

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Porzioni della distribuzione comprese tra ± 1,2,3 deviazioni standard da μ (in %) Y
DISTRIBUZIONE NORMALE Porzioni della distribuzione comprese tra ± 1,2,3 deviazioni standard da μ (in %) Y
DISTRIBUZIONE NORMALE Porzioni della distribuzione comprese tra ± 1,2,3 deviazioni standard da μ (in %) Y

Porzioni della distribuzione comprese tra ± 1,2,3 deviazioni standard da μ (in %)

Y

99.73% 95.46% 68.26% μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ X
99.73%
95.46%
68.26%
μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ
X

STANDARDIZZAZIONE

STANDARDIZZAZIONE PUNTI Z Consentono riferire una misura ad una scala standard con media uguale a zero
STANDARDIZZAZIONE PUNTI Z Consentono riferire una misura ad una scala standard con media uguale a zero
STANDARDIZZAZIONE PUNTI Z Consentono riferire una misura ad una scala standard con media uguale a zero

PUNTI Z

Consentono riferire una misura ad una scala standard con media uguale a zero e deviazione standard uguale a 1.

La trasformazione dei valori x i in valori z i significa esprimere i valori come distanza dalla media in termini di deviazioni standard (cioè, usare la deviazione standard come unità di misura)

Il segno del punteggio z indica immediatamente la posizione del soggetto sopra (+) o sotto la media (-)

STANDARDIZZAZIONE PUNTI Z Il punto z i indica la distanza dalla media del valore x
STANDARDIZZAZIONE PUNTI Z Il punto z i indica la distanza dalla media del valore x

STANDARDIZZAZIONE

PUNTI Z

STANDARDIZZAZIONE PUNTI Z Il punto z i indica la distanza dalla media del valore x i

Il punto z i indica la distanza dalla media del valore x i dell’i-esimo soggetto, distanza espressa in deviazioni standard. Per calcolare i punti z:

z

i

=

x

i

M

s

STANDARDIZZAZIONE PUNTI Z Esempio: In un test di percezione visiva la media è 21.25 con
STANDARDIZZAZIONE PUNTI Z Esempio: In un test di percezione visiva la media è 21.25 con

STANDARDIZZAZIONE

PUNTI Z

STANDARDIZZAZIONE PUNTI Z Esempio: In un test di percezione visiva la media è 21.25 con una
Esempio: In un test di percezione visiva la media è 21.25 con una deviazione standard
Esempio:
In un test di percezione visiva la media è
21.25 con una deviazione standard di
6.74. Trasformare in punti z i seguenti
punteggi ottenuti da 6 soggetti dislessici.
Sogg.
123456
8
14
17
20
25
28

x i

STANDARDIZZAZIONE PUNTI Z Si standardizzano i punteggi: z = 5 8 − 21.25 6.74 17
STANDARDIZZAZIONE PUNTI Z Si standardizzano i punteggi: z = 5 8 − 21.25 6.74 17

STANDARDIZZAZIONE

PUNTI Z

STANDARDIZZAZIONE PUNTI Z Si standardizzano i punteggi: z = 5 8 − 21.25 6.74 17 −

Si standardizzano i punteggi:

z =

5

8

21.25

6.74

17

21.25

6.74

=− 1.97

=− 0.63

25

21.25

6.74

= 0.56

=

=

z =

6

14

21.25

20

6.74

21.25

6.74

=−

1.10

0.18

=−

28

21.25

6.74

= 1.00

z =

1

z = 1 z 2

z 2

z =

3

z = 3 z 4

z 4

STANDARDIZZAZIONE PUNTI Z 8 14 17 20 2 1 . 2 5 25 28 x
STANDARDIZZAZIONE PUNTI Z 8 14 17 20 2 1 . 2 5 25 28 x

STANDARDIZZAZIONE

PUNTI Z

STANDARDIZZAZIONE PUNTI Z 8 14 17 20 2 1 . 2 5 25 28 x i

8

14

17

20

21.25

25

28

x i

z i

-1.97 -1.10 -0.63 -0.18

0

0.56

1.00

(MEDIA)

Il soggetto n°6 con 25 è circa mezza deviazione standard sopra la media e dista da questa circa la metà rispetto al soggetto n°7. Il soggetto n°1 con 8 è circa due deviazioni standard sotto la media e dista da questa circa il doppio rispetto al soggetto n°2.

DISTRIBUZIONE NORMALE STANDARDIZZATA Trasformando i valori di x in punti z si ottiene una distribuzione

DISTRIBUZIONE NORMALE STANDARDIZZATA

DISTRIBUZIONE NORMALE STANDARDIZZATA Trasformando i valori di x in punti z si ottiene una distribuzione
DISTRIBUZIONE NORMALE STANDARDIZZATA Trasformando i valori di x in punti z si ottiene una distribuzione

Trasformando i valori di x in punti z si ottiene una distribuzione

STANDARDIZZATA con μ=0 e σ=1

1

2

π

1

z

2

Y =

f

() z

=

e

2

Y -3 -2 -1 0 +1 +2 +3 Z Y
Y
-3
-2
-1
0
+1
+2
+3
Z
Y
Y -3 -2 -1 0 +1 +2 +3 Z Y μ -3 σ μ -2 σ

μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ

X

Y -3 -2 -1 0 +1 +2 +3 Z Y μ -3 σ μ -2 σ

μ=0 σ=1

μ σ
μ σ
DISTRIBUZIONE NORMALE Data una variabile continua possiamo associare ai possibili valori la probabilità del loro

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Data una variabile continua possiamo associare ai possibili valori la probabilità del loro
DISTRIBUZIONE NORMALE Data una variabile continua possiamo associare ai possibili valori la probabilità del loro

Data una variabile continua possiamo associare ai possibili valori la probabilità del loro verificarsi La probabilità associata ai valori di una variabile continua è sempre definita entro un intervallo i cui estremi delimitano un’area

è sempre definita entro un intervallo i cui estremi delimitano un’area DISTRIBUZIONE DI PROBABILITA’ NORMALE

DISTRIBUZIONE DI PROBABILITA’ NORMALE

DISTRIBUZIONE NORMALE L’area si ottiene risolvendo un’integrale x 2 p ( x < x <

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE L’area si ottiene risolvendo un’integrale x 2 p ( x < x < x
DISTRIBUZIONE NORMALE L’area si ottiene risolvendo un’integrale x 2 p ( x < x < x

L’area si ottiene risolvendo un’integrale

x 2 p ( x < x < x ) = ∫ f ( x
x
2
p
( x
<
x
<
x
)
=
f
(
x
)
dx
1
2
x 1

Il valore che si ottiene è sempre compreso tra 0 e 1( probabilità) Moltiplicando tale valore per 100 si ottiene la percentuale della distribuzione compresa tra x 1 e x 2

Y Area totale ∞ sottesa alla curva p(−∞ < x < ∞) = ∫ f
Y
Area totale
sottesa
alla curva
p(−∞ < x < ∞) =
f (x)dx = 1
−∞
p(−∞ < x < ∞) = ∫ f (x)dx = 1 −∞ X x 1 p
X x 1 p ( −∞ < < x x ) = ∫ f (
X
x
1
p
(
−∞ < <
x
x
)
=
f
(
x
)
dx
1
−∞

Y Porzione di area sottesa alla curva

x

1

X

Y ∞ p ( x < x <∞ = ) ∫ f (x )dx 1
Y
p
(
x
<
x
<∞ =
)
f (x )dx
1
Porzione di
area sottesa
alla curva
x
1
x
1
X
Y
x
2
Porzione di
area sottesa
alla curva
p
(
x
<
x
<
x
)
=
f
(
x
)
dx
1
2
x
1
x 1
x 2
X
DISTRIBUZIONE NORMALE Per la curva normale standardizzata ( μ =0; σ =1) sono stati tabulati

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Per la curva normale standardizzata ( μ =0; σ =1) sono stati tabulati i
DISTRIBUZIONE NORMALE Per la curva normale standardizzata ( μ =0; σ =1) sono stati tabulati i

Per la curva normale standardizzata (μ=0; σ=1) sono stati tabulati i valori degli integrali per tutti i valori di z, cioè di tutte le aree comprese tra 0 (media) e un qualsiasi z

, cioè di tutte le aree comprese tra 0 (media) e un qualsiasi z DISTRIBUZIONE DI

DISTRIBUZIONE DI PROBABILITA’ NORMALE STANDARDIZZATA

Valore

di z

con la

1° cifra

decima

le

Valore di z con la 1° cifra decima le TAVOLA DI Z Riporta le aree comprese

TAVOLA DI Z

Valore di z con la 1° cifra decima le TAVOLA DI Z Riporta le aree comprese
Valore di z con la 1° cifra decima le TAVOLA DI Z Riporta le aree comprese

Riporta le aree comprese tra μ=0 e z

2° cifra decimale di z

Z 0 1 2 3 4 5 6 7 8 9 0.0 z i 0.1
Z
0
1
2
3
4
5
6
7
8
9
0.0
z
i
0.1
p
(0
<
z
<
z
)
=
f
(
z
)
dz
i
0.2
0
0.3
.
area tra 0 e z i
.
1.0
1.1
.
.
.
3.9
0
z i
Esempio : Se z = 1.03 (0< z <1.03)=.3485 Z 0 1 2 3 4
Esempio : Se z = 1.03 (0< z <1.03)=.3485 Z 0 1 2 3 4

Esempio:

Se z = 1.03 (0<z<1.03)=.3485

Z 0 1 2 3 4 5 6 7 8 9 0.0 0.1 0.2 .
Z
0
1
2
3
4
5
6
7
8
9
0.0
0.1
0.2
.
.
.
1.0
1.1
.
.
.
3.9
1.03 p (0 < z < 1.03) = ∫ f ( z dz ) =
1.03
p (0
<
z
<
1.03)
=
f
(
z dz
)
=
.3485
0

.3485= area tra 0 e 1.03 (circa il 35% della distribuzione)

z < 1.03) = ∫ f ( z dz ) = .3485 0 .3485= area tra

0

1.03

z

1.03) = ∫ f ( z dz ) = .3485 0 .3485= area tra 0 e
TAVOLA DI Z Uso della Tavola di z : Per avere la probabilità associata ad

TAVOLA DI Z

TAVOLA DI Z Uso della Tavola di z : Per avere la probabilità associata ad un
TAVOLA DI Z Uso della Tavola di z : Per avere la probabilità associata ad un

Uso della Tavola di z:

Per avere la probabilità associata ad un intervallo i cui estremi sono valori x:

trasformazione delle x in punti z attraverso la tavola si risale all’area delimitata da questi valori. Questa area rappresenta la probabilità ad essi associata

Esempio a: Data una distribuzione con μ=100 e σ=10 qual è la probabilità che un
Esempio a: Data una distribuzione con
μ=100 e σ=10 qual è la probabilità che un
valore sia compreso tra la media e 110?
Si trasformano gli estremi dell’intervallo in
punti z: μ=100 z = 0
x=110
z =
1
Si cerca sulla tavola l’area tra 0
10
e z=1.00
1
p (100
< <
x
110)
=
p
(0
< <
z
1)
=
f
(
z dz
)
=
.3413
0

110

100 =

.3413 0 1 z
.3413
0
1
z

Esempio b: Qual è la probabilità che un valore sia compreso tra 90 e la media?

Si trasformano gli estremi dell’intervallo in punti z:

μ=100 z = 0;

p

90

100

z =

=

1

10

x=90

Si cerca sulla tavola l’area tra 0 e z=1.00 che data la simmetria della curva è identica a quella tra -1 e 0

(90

< <

x

100)

= −< <

p

z

(

1

0)

=

0 ∫ f ( z dz ) = .3413 .3413 − 1 -1 0 z
0
f
(
z dz
)
=
.3413
.3413
1
-1
0
z
Esempio c : Qual è la probabilità che un valore sia compreso tra 90 e
Esempio c : Qual è la probabilità che un valore sia compreso tra 90 e

Esempio c: Qual è la probabilità che un valore sia compreso tra 90 e 110?

Esempio c : Qual è la probabilità che un valore sia compreso tra 90 e 110?
 

p(90<x<110)= p(90<x<100)+ p(100<x<110)

 

90 100

=− 1

   

110 100

=

1

z =

1

10

z =

2

10

p

(90

x

< <

100)

= −< <

p

z

(

1

0)

=

0

f

(

z dz

)

=

.3413

1

1

(100

< <

x

110)

(0

< <

z

1)

f

(

z dz

)

.3413

p

=

p

=

=

p(90<x<110)= p(-1<z<1)=

0

∫ (100 < < x 110) (0 < < z 1) f ( z dz )
 

.3413+.3413=.6824

-1

.6824

1

z

 

0

Esempio d: Qual è la probabilità che un valore sia minore di 110?

p(x<110)= p(-<x<100)+ p(100<x<110)

z =

110

100 =

10

1

0

p ( −∞ < < x 100) = −∞ < < p ( z 0)
p
(
−∞ < <
x
100)
= −∞ < <
p
(
z
0)
=
f
(
z dz
)
=
.5000
−∞
1
p
(100
< <
x
110)
=
p
(0
< <
z
1)
=
f
(
z dz
)
=
.3413
0
p(x<110) = p(z<1) =
.5000 + .3413 = .8413
.8413
0
1
z
Esempio e: Qual è la probabilità che un valore sia maggiore di 110? p(x>110)= p(100<x<∞)-
Esempio e: Qual è la probabilità che un
valore sia maggiore di 110?
p(x>110)= p(100<x<∞)- p(100<x<110)
z =
1
10
p (100
< <∞=
x
)
p
(0
< <∞=
z
)
f
(
z dz
)
=
.5000
0
1
p
(100
<
x
<
110)
=
p
(0
< <
z
1)
=
f
(
z dz
)
=
.3413
p(x>110) = p(z>1) =
.5000 - .3413 = .1587
0
.1587
0
1
z

110

100 =

Esempio f : Qual è la probabilità che un valore sia compreso tra 108 e
Esempio f : Qual è la probabilità che un valore sia compreso tra 108 e
Esempio f : Qual è la probabilità che un valore sia compreso tra 108 e

Esempio f: Qual è la probabilità che un valore sia compreso tra 108 e 110?

p(108<x<110)= p(100<x<110)- p(100<x<108)

108 100 − 110 100 − z = = 0.8 z = = 1 1
108 100
110 100
z =
= 0.8
z =
= 1
1
2
10
10
0.8
p
(100
<
x
<
108)
=
p
(0
<
z
<
0.8)
=
f
(
z dz
)
=
.2881
1
0
p
(100
< <
x
110)
=
p
(0
< <
z
1)
=
f
( )
z dz
=
.3413
.0532
p(108<x<110)= p(0.8<z<1)=
.3413 - .2881 = .0532
0
z
0
0.8
1
DISTRIBUZIONE NORMALE Se si conosce la porzione di area ( ovvero la probabilità associata) delimitata

DISTRIBUZIONE NORMALE

DISTRIBUZIONE NORMALE Se si conosce la porzione di area ( ovvero la probabilità associata) delimitata da
DISTRIBUZIONE NORMALE Se si conosce la porzione di area ( ovvero la probabilità associata) delimitata da

Se si conosce la porzione di area (ovvero la probabilità associata) delimitata da due valori (grezzi o standardizzati) di una distribuzione normale con N noto è possibile risalire alle frequenze teoriche comprese in quella porzione di area

f= Area × N

Esempio a : Data una distribuzione normale con N=1000, l’area compresa tra 0 e z
Esempio a : Data una distribuzione normale con N=1000, l’area compresa tra 0 e z

Esempio a: Data una distribuzione normale con N=1000, l’area compresa tra 0 e z = .3413. Quali sono le frequenze teoriche comprese nell’intervallo?

f = .3413 × 1000 = 341

comprese nell’intervallo? f = .3413 × 1000 = 341 Le frequenze comprese nell’intervallo tra la media

Le frequenze comprese nell’intervallo tra la media e z sono 341

nell’intervallo? f = .3413 × 1000 = 341 Le frequenze comprese nell’intervallo tra la media e

Esempio b: Data una distribuzione normale con N=1000, μ=100 e σ=10 quali sono le frequenze teoriche comprese tra 108 e 110?

Dall’esempio f sappiamo che:

x 1 =108 z 1 =0.8

x 2 =110 z 2 =1

: x 1 =108 z 1 =0.8 x 2 =110 z 2 =1 p (0.8 <
: x 1 =108 z 1 =0.8 x 2 =110 z 2 =1 p (0.8 <

p(0.8 < z <1) = .0532

f = .0532 × 1000 = 53