Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
POLITECNICO DI MILANO
POLITECNICO DI MILANO
1
4/6/2017
POLITECNICO DI MILANO
Misura 1 16
oro (15.5 g/cm3)
(15.0 ± 1.5) 15
Misura 2 14
lega (13.8 g/cm3)
(14.0 ± 0.5) 13
POLITECNICO DI MILANO
2
4/6/2017
POLITECNICO DI MILANO
Cifre significative
POLITECNICO DI MILANO
3
4/6/2017
Cifre significative
POLITECNICO DI MILANO
POLITECNICO DI MILANO
4
4/6/2017
Discrepanza
Misura di A: 15 1
Discrepanza = 25 – 15 = 10
Misura di B: 25 2
Misura di C: 16 8
Discrepanza = 26 – 16 = 10
Misura di D: 26 9
POLITECNICO DI MILANO
Discrepanza
30 30
B D
20 Discrepanza = 10 20 Discrepanza = 10
A C
10 10
0 0
POLITECNICO DI MILANO
5
4/6/2017
POLITECNICO DI MILANO
Valore accettato
330
A
Valore accettato Velocità misurata da A = 329 5 m/s
POLITECNICO DI MILANO
6
4/6/2017
POLITECNICO DI MILANO
Tipologie di errore
Relativamente a:
POLITECNICO DI MILANO
7
4/6/2017
Tipologie di errore
Perturbazioni esterne
POLITECNICO DI MILANO
Tipologie di errore
Valore Vero
POLITECNICO DI MILANO
8
4/6/2017
POLITECNICO DI MILANO
Accuratezza e Precisione
- PRECISE
- ACCURATE
POLITECNICO DI MILANO
9
4/6/2017
Accuratezza e Precisione
VALORE MISURATO DI x = x dx
N.B L’incertezza assoluta dx non è in grado di indicare la
precisione di una misura
POLITECNICO DI MILANO
Accuratezza e Precisione
Lunghezza x = 50 1 cm
dx 1 cm
Incertezza relativa = = = 0.02
x 50 cm
Lunghezza x = 50 cm 2%
N.B L’incertezza assoluta dx ha la stessa unità di misura
di x.
L’incertezza relativa è adimensionale !
POLITECNICO DI MILANO
10
4/6/2017
POLITECNICO DI MILANO
Propagazione dell’errore
POLITECNICO DI MILANO
11
4/6/2017
Propagazione dell’errore
POLITECNICO DI MILANO
Propagazione dell’errore
POLITECNICO DI MILANO
12
4/6/2017
Propagazione dell’errore
q = Bx
dq = |B| dx
POLITECNICO DI MILANO
Propagazione dell’errore
q = xn
dq dx
= n
q x
POLITECNICO DI MILANO
13
4/6/2017
Propagazione dell’errore
dq dq dq
dq dx1+ dx2 + … + dx
dx1 dx2 dxn n
POLITECNICO DI MILANO
Propagazione dell’errore
Altri Casi
- Se solo una delle misure con cui calcolare q fosse affetta da
incertezza (es. x2) allora si avrebbe:
dq
dq dx2
dx2
2 2 2
dq dq dq
dq = dx1 + dx2 + … + dxn
dx1 dx2 dxn
POLITECNICO DI MILANO
14
4/6/2017
Elementi di Statistica
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
15
4/6/2017
Statistica:
Disciplina che si occupa di COLLEZIONARE, ANALIZZARE
ed INTERPRETARE dati estratti da una POPOLAZIONE
(es. concentrazione di un inquinante aerodisperso).
1) COLLEZIONARE:
Obiettivo Ottimizzazione raccolta dati = minimo
numero sperimentazioni / osservazioni (selezione
campione);
2) ANALIZZARE ed INTERPRETARE
Obiettivo Trarre inferenze sulla popolazione
analizzando i dati estratti da essa.
POLITECNICO DI MILANO
POLITECNICO DI MILANO
16
4/6/2017
VARIABILE CASUALE:
Variabile Y (es. concentrazione = caratteristica di interesse) il cui
valore (= valore argomentale, y) non è noto prima di una
sperimentazione/osservazione.
POLITECNICO DI MILANO
DATO:
Elemento statistico di base. Risultato di una
sperimentazione/osservazione atta a determinare il valore
(y) assunto da una variabile casuale Y (sia discreta sia
continua).
POPOLAZIONE:
Insieme di tutte le osservazioni possibili per una data variabile
casuale Y in analisi.
CAMPIONE:
Insieme di osservazioni che rappresentano solo una parte della
popolazione in analisi.
POLITECNICO DI MILANO
17
4/6/2017
Elementi di Statistica
POLITECNICO DI MILANO
Integrazione: Probabilità
PROBABILITA’ di ACCADIMENTO p:
POLITECNICO DI MILANO
18
4/6/2017
Integrazione: Probabilità
PROBABILITA’ di ACCADIMENTO:
E’ la probabilità di ottenere il dato E come risultato di una
sperimentazione.
N° osservazioni che danno origine a E
Pr (E) =
N° tot osservazioni possibili
Essa viene espressa come frequenza di accadimento di lungo
termine :
PrE lim nE
N N
dove nE/N è la frequenza di accadimento di E (numero di volte in cui
si è verificato E dopo N sperimentazioni).
Esempi:
Pr(Testa) = 1/2 (E = Testa al lancio di una moneta)
Pr(3) = 1/6 (E = 3 nel lancio di un dado 6)
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
19
4/6/2017
POLITECNICO DI MILANO
Esempio 1.
Qual è la POPOLAZIONE di Y = “somma del punteggio ottenuto
dal lancio di 2 dadi”?
p(2)
p(4)
POLITECNICO DI MILANO
20
4/6/2017
Y p(y)
Risulta la seguente funzione di distribuzione di probabilità:
2 1/36
3 2/36
p(y)
4 3/36
7/36 5 4/36
6/36 6 5/36
5/36
7 6/36
4/36
8 5/36
3/36
2/36 9 4/36
1/36 10 3/36
0 11 2/36
2 3 4 5 6 7 8 9 10 11 12 Y
12 1/36
1
POLITECNICO DI MILANO
Noti tutti i possibili valori (y) che può assumere una variabile
casuale discreta Y e la sua funzione di distribuzione di
probabilità (p(y)) è possibile ricavare il VALORE ATTESO di
Y(μ), cioè quel valore che caratterizza la posizione della
curva p(y) lungo l’asse y.
POLITECNICO DI MILANO
21
4/6/2017
1 2 1
2 3 ... 12 7
36 36 36
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
22
4/6/2017
POLITECNICO DI MILANO
F(y) - lim F y 0
y
1
- lim F y 1
y
POLITECNICO DI MILANO
23
4/6/2017
P y1 Y y2 PY y2 PY y1
F y2 F y1
POLITECNICO DI MILANO
P y1 Y y2 PY y2 PY y1
F y2 F y1
F(y)
F(y2)
F(y1)
y1 y2 y
POLITECNICO DI MILANO
24
4/6/2017
POLITECNICO DI MILANO
P y1 Y y2 F y2 F y1 f y dy
y1
f(y)
y1 y2 y
POLITECNICO DI MILANO
25
4/6/2017
Elementi di Statistica
POLITECNICO DI MILANO
POLITECNICO DI MILANO
26
4/6/2017
σ 2 V(Y) E{(Y - μ) 2 }
Si definisce DEVIAZIONE STANDARD di una popolazione
la RADICE QUADRATA della varianza.
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
27
4/6/2017
Stima di parametri
POLITECNICO DI MILANO
Stima di parametri
STIMATORE (o STATISTICO):
POLITECNICO DI MILANO
28
4/6/2017
Stima di parametri
POLITECNICO DI MILANO
Stima di parametri
POLITECNICO DI MILANO
29
4/6/2017
Stima di parametri
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
30
4/6/2017
- CONTAMINAZIONE DA ERRORE
- CONSISTENZA
- EFFICIENZA
- ROBUSTEZZA
- DIFFICOLTA’ DI CALCOLO
POLITECNICO DI MILANO
- CONTAMINAZIONE DA ERRORE
Sia b la stima di un parametro β di una popolazione, stima
ricavata utilizzando n valori sperimentali, yi (i = 1, n).
La stima b è non contaminata da errore (“unbiased”)
se:
E{b} β
ovvero il valore atteso di b (= stimatore inteso come nuova
variabile casuale avente una propria PDF) è pari al
valore atteso β della popolazione in analisi.
POLITECNICO DI MILANO
31
4/6/2017
- CONTAMINAZIONE DA ERRORE
Esempio:
La media aritmetica campionaria
n
y i
y i 1
n
è una stima non contaminata da errore se lo sono tutti i
valori sperimentali yi utilizzati per il suo calcolo.
Infatti risulta:
n n
_ i E{y i } nμ
y
E{y} E i1 i1 μ
n n n
POLITECNICO DI MILANO
- CONSISTENZA
Una stima b di un parametro β è consistente se
all’aumentare del numero delle osservazioni effettuate
tende sempre di più al valore β.
- EFFICIENZA
Poiché la stima b è una variabile casuale, anch’essa
possiede una varianza che rappresenta la dispersione
di b intorno al valore atteso β.
Più la varianza di b è piccola, più i valori di b sono
concentrati intorno al suo valore atteso.
Uno stimatore è perciò più efficiente di un altro se ha una
varianza minore.
POLITECNICO DI MILANO
32
4/6/2017
- EFFICIENZA
Esempio:
Se una popolazione ha una PDF NORMALE, si può
dimostrare che la varianza della media aritmetica è pari
a: _
_ σ
2
V{ y} E ( y μ) 2
n
mentre la varianza della mediana è pari a:
πσ 2 π _
V{m y } E (m y μ) 2 V{ y}
2n 2
Perciò la media aritmetica, per una popolazione avente pdf
normale, è una stima del parametro β di posizione
centrale più efficiente della mediana.
POLITECNICO DI MILANO
- ROBUSTEZZA
POLITECNICO DI MILANO
33
4/6/2017
- ROBUSTEZZA
Esempio:
La media aritmetica non è uno stimatore robusto perché
basta che uno solo dei dati sperimentali sia contaminato
da errore (aberrante) per modificarne il valore in
maniera consistente.
POLITECNICO DI MILANO
- ROBUSTEZZA
- 3.115
- 3.116
POLITECNICO DI MILANO
34
4/6/2017
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
35
4/6/2017
_ y i
y i
n
- E’ una stima consistente del parametro μ.
- E’ una stima non contaminata da errore di μ se lo sono
tutte le osservazioni yi.
- Non è una stima robusta. Infatti basta un solo outlier per
inficiare la stima.
- E’ lo stimatore più efficiente del parametro μ se la pdf è
simmetrica.
- Richiede poco tempo di calcolo (i dati vengono letti una
sola volta).
POLITECNICO DI MILANO
2) MEDIANA
N=7 my = 6
2.5 3.5 5 6 7.5 8 8.5
y
POLITECNICO DI MILANO
36
4/6/2017
2) MEDIANA
POLITECNICO DI MILANO
3) MEDIA GEOMETRICA
POLITECNICO DI MILANO
37
4/6/2017
POLITECNICO DI MILANO
5) MODA
POLITECNICO DI MILANO
38
4/6/2017
OSSERVAZIONI
POLITECNICO DI MILANO
Elementi di Statistica
POLITECNICO DI MILANO
39
4/6/2017
Stimatori di dispersione
1) VARIANZA CAMPIONARIA
s2 i 1
n 1
- s2 è una stima non contaminata da errore di σ2.
POLITECNICO DI MILANO
Stimatori di dispersione
1) VARIANZA CAMPIONARIA
POLITECNICO DI MILANO
40
4/6/2017
Stimatori di dispersione
2) mad2
POLITECNICO DI MILANO
Stimatori di dispersione
(yi y) 2
s i 1
n 1
- s è una stima contaminata da errore di σ.
Infatti:
E{s}
c
POLITECNICO DI MILANO
41
4/6/2017
Stimatori di dispersione
POLITECNICO DI MILANO
Stimatori di dispersione
POLITECNICO DI MILANO
42
4/6/2017
Stimatori di dispersione
POLITECNICO DI MILANO
Stimatori di dispersione
POLITECNICO DI MILANO
43