se vale zero indica che la distribuzione simmetrica rispetto alla media Statistica

descrittiva
se positivo denota una coda verso destra
se negativo denota una coda verso sinistra
indici
coefficiente di curtosi
indici (o misure) di posizione
n
media campionaria di n osservazioni x
curt=1 xi x 4
1, x2, ..., xn
n i=1

n
misura quanto la distribuzione appuntita
x=1 x
n
i
i=1
correlazioni
per k campioni x ripetuti ciascuno con frequenza fi k
covarianza
x=1 x f
n
i
i
di n osservazioni congiunte di 2 variabili {(x1,y1), (x2,y2), ..., (xn,yn)}: i=1
n
n
propriet
=1 x

x y
xy
n
i
x yi y = 1 n
i
i
x y
Posto y
i=1
i=1
i= a xi b :
y= a x
se
m
ediana m
d
i n
o
sservazioni x
xy 0 x e y sono direttamente correlate: a valori grandi (piccoli) di 1 x2 ... xn
x corrispondo valori grandi (piccoli) di y;
se n dispari: m= x n 1 /2
se xy 0 x e y sono inversamente correlate: a valori grandi (piccoli) x
di x corrispondo valori piccoli (grandi) di y;
se n pari: m= n/2 x n/2 1
2
se xy=0 x e y sono incorrelate;
moda
coefficiente di correlazione
punto di massimo della distribuzione di frequenza
xy
una distribuzione con un solo punto di massimo detta unimodale
xy=
; 1

xy 1
una distribuzione con pi punti di massimo detta plurimodale
x y
indice normalizzato, adimensionale ed invariante per trasformazioni indici di
dispersione
lineari delle variabili
v arianza d
i n
o
sservazioni x
regressione lineare
1, x2, ..., xn
n
retta y= a x b che meglio approssima la nuvola di punti x , y i
i
2=1 x
n
i
x 2


xy
xy
i=1
a= 2 ; b= y x 2
per k campioni x


ripetuti ciascuno con frequenza fi
x
x
k
k
2=1 x
= 1 x 2 f
valori stimati
n
i
x 2 f i
n
i
i
x 2
i=1
i=1
yi= a xi b
propriet
rappresentano i valori stimati di y a partire dalla retta di regressione posto y
2
2
lineare
i= a xi b : = a 2
y
x
deviazione standard o scarto quadratico medio
residui
r
= 2
i= yi
yi
differenza tra i valori reali e stimati
ra
nge d
i n
o
sservazioni x1 x2 ... xn
valore previsto
differenza tra massima e minima osservazione
y
range= x
0=
a x 0 b
n x 1
x0 un valore diverso dai valori xi gi osservati p
-esimo quantile (o 100p-esimo percentile) di d
i
cambiamento di scala
n
o
sservazioni x1 x2 ... xn log y = a log x b
p 0,1 , si considera il numero np
y=e b x a
se np non intero: k l'intero successivo , Q p= xk devianza totale
x
se np intero: k = np , Q
k xk 1
n
p =
2
DEV
= DEV
DEV
=
y
TOT
REG
RES
i y 2
quartili
i=1
n
n
Q1 primo quartile: quantile per p = 0.25
DEV REG= yi y 2 ; DEV RES= yi yi 2
Q2 secondo quartile: quantile per p = 0.5 (= mediana) i =1
i=1
Q3 terzo quartile: quantile per p = 0.75
coefficiente di determinazione
differenza interquartile (IQR InterQuartile
DEV
DEV
2
REG
RES

Range)
R 2=
=1
= y ;
DEV
DEV
0 R 21
2
IQR= Q
TOT
TOT
y
3 Q 1
tanto pi esso si avvicina ad uno tanto pi la funzione di regressione indici di forma
trovata buona.
coefficiente di asimmetria (skewness)
n
sk= 1 xi x 3
n i=1

Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
1
Probabilit
propriet
P =1
definizioni
P =0
eventi elementari
P A =1 P A
tutti i possibili esiti di un esperimento aleatorio
P A B = P A P B P A B

evento
P A
P
n=1
n =
An , con Ai A j= se i j
n =1
ogni sottoinsieme di uno spazio campionario discreto
probabilit classica
spazio campionario
la probabilit di un evento il rapporto dei casi favorevoli ed il numero insieme di tutti
gli eventi elementari; pu essere:
dei casi possibili
discreto
posto di N elementi k (k = 1, 2, .., N) e
se gli elementi sono un numero finito o un'infinit numerabile
P { k} = p , eventi elementari equiprobabili , A evento P { k} = pk
qualunque
continuo
P A = P { } = p A= A= A
se pi numeroso (ad esempio: tutti i numeri reali in un certo
k
N
A

k
intervallo)
A il numerodi elementi di A
linguaggio
permutazione di n oggetti
insiemi
eventi
ogni allineamento di n oggetti distinti in n caselle

P
, intero spazio campionario
evento certo
n= n!= n n1 n2 32
propriet di n! (n fattoriale)
, insieme vuoto
evento impossibile
0!=1
insieme A
l'evento si verifica
n! = n1 !
insieme
A complementare di A
l'evento non si verifica
n
n!
A B , (unione)
si verifica almeno uno dei due eventi
= n n1 n2 m 1 , con m n m!
A B , (intersezione)
gli eventi si verificano simultaneamente
disposizione di n oggetti in k posti
A B , ( sottrazione = A B )
si verifica A e non si verifica B
ogni allineamento di k oggetti scelti tra n oggetti distinti in k posti D
A B=
n , k= n n1 n2 n k 1 , con 1 k n
, eventi disgiunti
gli eventi sono incompatibili
Dn ,n= Pn= n!
B A ( B incluso in A )
B implica A
disposizione con ripetizione di n oggetti in k
propriet eventi A, B, C sottoinsiemi di
posti
A A= A
ogni allineamento di k oggetti scelti tra n oggetti e ripetibili, in k posti A A= A
D = nk , con k1
n , k
A B= B A
combinazione di n oggetti di classe k
A B= B A
ogni sottoinsieme di k elementi dell'insieme di n oggetti
A B C = A C C
(modi per scegliere k oggetti tra n)
A B C = A C C
Dn,k
n n1 n2 n k 1
A B C = A B A C
C
,
n , k=
= n =
P
k
k!
A B C = A B A C
k
con n1 ; 0 k n
A= A
A=
coefficiente Binomiale
A =
n = n = Cn,k ; n = n ; n = n =1
A = A
k
n k
1
0
n
A A=
combinazione con ripetizione di k oggetti scelti
A A=
fra n
A
B = A B
ogni gruppo formato di k oggetti scelti fra n, che possono essere ripetuti
A
B = A B
(modi per disporre k oggetti uguali in n posti)

A = A
Cn ,k= n k1 = n k1
k
n1
p
robabilit su

permutazione con ripetizione di n oggetti uguali
P : P [0,1]
fra loro a gruppi
(allineamento in n posti di n oggetti)
P
=
n!
k 1, k 2,. .. kr
k ! k ! k !
1
2
r
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
2
probabilit condizionata
legge (o distribuzione) di una v.a.
probabilit dell'evento A, condizionata a B
applicazione che associa ad ogni intervallo I il numero: P X I = P { :
X I}
P A B
P A B = P B
densit discreta di X
funzione che ad ogni valore assunto da X associa la probabilit che X
propriet
assuma quel valore
P A B = P B A = P A B PB= P B A P A
p
P B A P A
X x k = P X = x k
P A B =
propriet
P B
P A B =1 P A B
probabilit dell'evento X I :
probabilit totali
P X I = p x , purch la serie converga X
k
n
x I
k
P A = P A B P B , j
j
v.a. indipendenti
j=1
con n B
se scelti n intervalli I I , I
1,
2,
n
si ha
j=1
j= , B i B j= per i j , P B j 0 per ogni j P X
caso notevole:
1 I 1, X 2 I 2, , X n I n = P X 1 I 1 P X 2 I 2 P
X n I n
P A = P A B P B P A B P B , valore atteso, o
media , o speranza matematica
con { B , B} partizione di
= EX = x p x , per X discreta
formula di Bayes
X
k
X
k
k
P A B
P B
k P Bk
, per ogni k
t
k A =

f
n
X = EX =
X t dt
, per X continua
P A B

j P B j
j=1
propriet
indipendenza di eventi
E aX b = a EX b , con a , b
E X
eventi A, B indipendenti
1 X 2 X n = EX 1 EX 2 EX n E X
,
lo sono se soddisfano una delle seguenti condizioni
1 X 2 X n = EX 1 EX 2 EX n con X X
v.a. indipendenti
P A B = P A P B
1,
2, , X n
P A B = P A
Ef X = f x p x , purchla serie converga P B A = P B
k
X
k
k
famiglia di eventi indipendenti
E aX
n eventi A
1 b = aEX 1 b , per ogni a , b per v.a. continue
1, A2, ..., An costituiscono una famiglia di eventi indipendenti
se per ogni sottofamiglia di r eventi ( 2 r n ), la probabilit di E g X
g t f t dt , per g : per v.a. continue
intersezione di questi r eventi uguale al prodotto delle probabilit di 1 =
X 1

ciascuno di essi:
P A
varianza
i A j = P Ai P A j , per ogni coppia di indici i j
P A
X v.a. discreta:
i A j An = P Ai P A j P A n
2
data una famiglia di eventi indipendenti, anche sostituendo alcuni A
X = VarX = E X EX 2 = E X 2 EX 2
i
X v.a. continua:
con i complementari
Ai , rimane una famiglia di eventi indipendenti.
Affidabilit di un sistema
2
t 2 f
t f
X = VarX = E X 2 EX 2=
X t dt
X t dt 2


componenti in serie
propriet
il sistema funziona se e solo se funzionano tutti i componenti
VarX 0
affidabilit (probabilit che il sistema funzioni)
VarX = E X 2 EX 2
a= a 1 a 2 an
Var c =0 , per ogni costante c
componenti in parallelo
Var aX b = a 2 VarX , per ogni a ,b
il sistema funziona se e solo se funziona almeno un componente
VarX = x
x 2 p
affidabilit (probabilit che il sistema funzioni)
k EX 2 p X x k = k X xk EX 2
k
k
a=1 1 a
Var X
,
1 1 a 2 1 an
1 X 2 X n = VarX 1 VarX 2 VarX n con X indipendenti
variabili aleatorie e modelli probabilistici
i
deviazione standard o scarto quadratico medio
variabili aleatorie

2
X = X= VarX
variabile aleatoria (v.a.) discreta
covarianza
una qualunque funzione:
Cov X ,Y = E X EX Y EY = E XY EX EY , X :

con X , Y v.a. con varianza finita
X I , con I un'abbreviazione di { : X I }
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
3
propriet
Binomiale di parametri n e p
Cov X , X = VarX
X ~ B n , p
Cov X ,c =0 , per ogni costantec
conta il numero complessivo di successi ottenuti in n prove (estrazione Cov X ,Y =
Cov Y , X
con reimissione)
Cov X Y , Z = Cov X , Z Cov Y ,Z
p k =
X
n pk 1 p n k, k=0,1,2,... ,n Cov Y ,Y Z = Cov X ,Y Cov
X ,Z
k
Cov aX , Y = aCov X ,Y
EX = np ; VarX = np 1 p
Cov X ,aY = aCov X ,Y
1 2p
1
sk X =
6p 1 p
; curt X =3
Var X Y = VarX VarY 2Cov X ,Y
np 1 np
np 1 p
Cov X ,Y VarX VarY dis.Cauchy Swartz
il numero di oggetti di tipo K che si trovano in un campione di n oggetti correlazione
estratti con reimmissione da un insieme di N oggetti che contiene K
due v.a. con varianza finita si dicono incorrelate se:
oggetti di un tipo e (N-K) oggetti di un'altro :
Cov X , Y =0
K
X ~ B n ,

in tal caso:
N
Var X Y = Var X Var Y
processo di Bernoulli illimitato
coefficiente di correlazione di X, Y
sequenza infinita di prove

Cov

XY
X ,Y , dove
Binomiale negativa di parametri -n e p
XY

1

XY 1
X Y
VarX VarY
X ~ B n , p
se
conta il numero di insuccessi che si ottengono prima di ottenere n XY vicino a zero: X
e Y sono quasi indipendenti
se
successi
XY positivo: ad X grande corrisponder in genere una Y grande se
p
XY negativo: ad X grande corrisponder in genere una Y piccola X k = n
k1 pn 1 p k , k=0,1,2,...
k
se XY=1 le v.a. sono una funzione lineare dell'altra: Y = aX b 1 p
standardizzata di X
EX = n
; VarX = n 1 p
p
p 2
una v.a. ottenuta da una v.a. X con media e varianza finite:
X
il numero Y di prove necessarie per ottenere n successi:
X =
X
X
P Y= k = P X n= k = P X = k n = k1 pn 1 p k n, EX
=0 ; Var X=1
k n
disuguaglianza di Cebicev
per k = n ,n 1, n 2,. ..
sia X una v.a. di valore atteso
2
Geometrica di parametro p
X e varianza
finite, allora per
X
X
ogni 0 :
~ G p
conta il numero di prove necessarie per ottenere il primo successo P X
1
X
X
p
2 , ovvero
X k = p 1 p k 1 , per k=1,2,3,...
EX = 1
P X = P X 1 1
; VarX = 1 p
p
X
X
X
X
X
X
p 2
2
Geometrica traslata di parametro p
processo di Bernoulli
X ~ G ' p
sequenza di esperimenti di Bernoulli indipendenti di uguale parametro conta il numero di
insuccessi prima del primo successo p
pX k = p 1 p k , per k=0,1,2,. ..
esperimento bernulliano o prova di Bernoulli
EX =1 p ; VarX = 1 p
un esperimento aleatorio che pu avere solo due esiti possibili: p
p 2

successo : con probabilit p
Ipergeometrica di parametri (N, K, n)

insuccesso : con probabilit (1-p)
X ~ G N , K , n , con N k ; N n p il parametro della prova di Bernoulli
conta il numero di oggetti di tipo K che si trovano in un campione di n processo di
Bernoulli limitato
oggetti estratti senza reimmissione da un insieme di N oggetti che contiene K oggetti di
un tipo e (N-K) oggetti di un altro.
il numero di prove finito
bernulliana di parametro p
K N K
k
n k
X ~ B p
pX k =
descrive l'esito di ogni prova di Bernoulli
N , con 0 k n ; k K ; n k N K
p
n
X 1 = p ;
pX 0 =1 p
EX = p
K
K
; VarX = p 1 p
K
EX = n
; VarX = n
1 N n
N
N
N
N 1
la probabilit di ottenere, in n prove, una particolare sequenza di k
approssimazione Binomiale
successi e (n-k) insuccessi :
per N (e quindi K) molto grandi (N > 10n) come se estraessimo con pk 1 p n k
reimissione:
la probabilit di ottenere, in n prove, almeno un successo :
K
X
1 1 p n
~ G N , K , n X ~ B n ,
, per N
N
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
4
K
densit di Cauchy
pX k n pk 1 p n k , per N , p=
k
N
f t =
1
X
1 t 2
EX = np ; VarX = np 1 p N n
N 1
b
P a X b =1
=1/ arctan b arctan a
N n (fattore di correzione per la popolazione finita (< 1)) a 1 t 2
N 1
densit Normale Standard
P
oisson di parametro >
0
curva a campana di Gauss, o curva degli errori
Y ~ P
0 , con 0
f t = 1 e t 2/2
permette di descrivere quantitativamente situazioni in cui non abbiamo X
2
accesso ai valori di N e p, ma possediamo un unica informazione
b
1
numerica: il parametro (numero medio di arrivi)
P a X b =
e t 2/2 dt
a 2
p k =e k
Y
k! , per k=0,1,2,
funzione di ripartizione di X (f.d.r.)
EY = ; VarY =
equivale alla densit discreta nel caso continuo
1
1
F
sk X =
X t : [ 0,1 ]
; curt X =3


F X t = P X t , per ogni t
t
propriet
F
f
X t =
X y dy
, per X continua
se X ~ P

i
0 i
allora:
X X X ~ P
1
2
n
0 1
2
n
F t = p x , per X discreta X
X
k
approssimazione della Binomiale
x t
k
per N molto grande e p molto piccolo:
propriet
X ~ B N , p Y ~ P Np , P X = k P Y = k
se t
, X t
0
1 t 2
1 X t 2 , P X t 1 P X t2 ,
F
processo Poisson di intensit
X t monotona crescente
F
permette di calcolare probabilit di eventi che accadono in un certo X t 1
per t
intervallo di tempo diverso da quello su cui abbiamo informazioni di F X t 0 per
t
partenza;
F X b F X a = P X b P X a = P a X b , posto
= t con numero medio di arrivi nell'unit di tempo, il con a , b , a b
numero X
la f.d.r. di una v.a. continua sempre una funzione continua
t di arrivi nell'intervallo di tempo [0, t ] dato da X ~ P
nei punti in cui la densit continua; in questi punti derivabile: t
0 t
'

F t = f t
t k
X
X
p k =e t
X
q
uantile
-e
simo (q
t
k!
, per k =0,1,2,
)
EX = t
= t
P X q = , con q a ,b , 0,1
t
; VarX t


variabili aleatorie continue
variabili aleatorie legate al processo di
densit continua fx
Poisson
determina la legge della v.a. continua X;
una densit di probabilit
le
gge Esponenziale di parametro
P X I f
Y ~ Esp , con 0
x t dt
, con I
misura l'istante del primo arrivo in un processo di Poisson X
I
t di
intensit , o il tempo di attesa tra due arrivi successivi;
f :
f
l'unico modello adeguato a rappresentare il tempo di vita di un
x
; f x t 0 , per ogni t ; x t dt=1

apparecchio non soggetto ad usura
propriet
FY t =1e t , per t 0
P X = t =0 , per ogni t (la probabilit che assuma un F t =0 , per t0
Y
valore fissato nulla (integrale di un punto))
f Y t = e t , per t 0
P X a = P X a
f t =0 , per t 0
P a X b = P a X b
Y
1
1
esempi di densit continue
E Y = ; VarY = 2
densit uniforme
sk X =2 ; curt X =9
f t = 1 I
t , a ,b , a b
stimatore non distorto per legge Esponenziale
X
b a a,b
n1
n1
I
U = T
= n
con a ,b t =1 , per t a , b
n
I
t =0 , per t a ,b (funzione indicatrice)
X
a ,b
i
i=1
P X J = 1 I
a , b J
b a a,b t dt= 1
b a
J
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
5

n
n
1
= 1 = 1
, stima di
modello Normale
n


n X
X
n
legge Normale standard
i
i=1
Z ~ N 0,1
le
gge Gamma di parametri n (intero positivo) e
1
t
y 2
(intero positivo)
F
e 2 dy
Z t =

t
2
Y ~ n ,
t 2
misura l'istante dell'ennesimo arrivo in un processo di Poisson X
1
2
t di
f
e
Z t =
t
intensit
2
n1
E Z =0 ; Var Z =1
F
e t t k , per t
Y t =1
0
propriet
k=0
k !
F
t =1 t , simmetria
Y t =0 ,
per t0
calcoli con i quantili
f
tn1e t , per t
Y t = e t t n 1 = C
0 ,
n1 !
n ,
posto z quantile -esimo della legge Normale standard:
f Y t =0 , per t 0
z = z 1
n
C
P Z z =
n , = n1 !
P Z z
=
1
n
n
E Y =
P Z z
; Var Y = 2
1 /2 =
P Z z 1 /2 =
le
gge Gamma di parametri r e (
reali positivi)
le
gge Normale (o gaussiana) di media e

Y ~ r ,
v arianza
2
descrive il tempo di vita di un apparecchio la cui propensione al guasto cresce col tempo,
fino al limite
X ~ N , 2
f
tr1 e t , per t
rappresenta bene gli errori di approssimazione
Y t = C r ,
0
f
t
Y t =0 ,
per t 0
F X t =

r
r

E Y =
t 2
; Var Y = 2
1
t
1
f
e 2 2
X t =

=
assenza di memoria


2
P Y T t Y T = P Y t
EX = ; Var X = 2
P Y T t = P Y t P Y T
sk X =0 ; curt X =3
se una v.a. continua soddisfa questa propriet, allora ha legge
X
la v.a. Z =
ha legge Normale standard
Esponenziale se continua e legge Geometrica traslata se discreta

istantaneous failure rate (propensione istantanea propriet
al guasto)
posto X ~ N 2 , X ~ N 2 indipendenti: 1
1,
1
2
2,
2
f
2
2
Z t =
Y t
X X ~ N
1
2
1
2,
1
2
1 FY t
posto a ,b :
per la legge Esponenziale:
aX b~ N a b , a 2 2
1
1
1
Z t = , per t 0
relazione tra legge Normale e legge Normale standard
per la legge Gamma:
Z ~ N 0,1 Z ~ N , 2
tn1
n
tn1
X
Z t = Cn
=
X
n1
n1
~ N , 2
~ N 0,1
t k n1 ! t k

k=0
k!
k=0
k!
errori
densit di Weibull
Y = misura di una grandezza fisica
utile a rappresentare il tempo di vita di un apparecchio
= valore vero
posto Z t = c t si trova:
X = errore di misura
c t 1
= errore sistematico
F
1
, con
Y t =1e
1
Ec= errore casuale
c t 1
2= inacuratezza della misura
f
1
Y t = c t e
X ~ N , 2 , X = E
se 0 l'apparecchio invecchia
c
se 1 0 l'apparecchio migliora col tempo
Ec~ N 0, 2
se =0 si ritrova la legge Esponenziale
E E =0
c
EY =
media campionaria
se X ~ N
i
, 2 sono v.a. indipendenti ed identicamente
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
6
distribuite (i.i.d.):

sk
3

2
X =
= E [ X 3]
X
3 /2

n ~ N ,


n
2

E
X
2
c oefficiente di curtosi di una v.a. X con ' 4 finito
n = ; Var
X =
n
n
misura quanto la densit di X sia appuntita
media campionaria standardizzata
4

X
curt X =
= E [ X 4] , = EX , 2= Var X
2
S
n
, n


2
n=
=1,2,3,
/ n
teorema del limite centrale
statistica inferenziale
P S n t t per n , t
campionamento e stime
approssimazione Normale
definizioni
Date X
v.a.i.i.d. , EX = , VarXi= 2 con n abbastanza
i
i
grande:
modello statistico
famiglia di leggi di v.a., dipendenti da uno o pi parametri incogniti:

2
X

{ p
n N ,
ossia P
X
n
n t n t

X x ; : I }
un vettore di parametri
n
n
X
X
campione casuale di ampiezza n
i N n , n 2 ossia P
i t t n
i=1
i=1
n
estratto da una popolazione di densit p x ;
X
una ennupla di v.a.
approssimazione Normale di Gamma per n grande:
indipendenti e identicamente distribuite (i.i.d) X X
1,
2, , X n ,
Y ~ n ,
ciascuna avente legge p x ;
X
.
n n
Y N ,
stima di parametri e stimatori
2
stima puntuale dei parametri
F

stimare il valore vero del parametro (o dei parametri) a partire dal Y t = P Y
t t n
n
campione casuale
approssimazione Normale della Binomiale:
stima del parametro p della popolazione bernulliana
approssimazione utile in problemi di campionamento
p= x , con x valorieffettivamente osservati
n
i
NOTA: vale se: np 5 ; n 1 p 5
statistica T
Y ~ B n , p
Y N np ,np 1 p
una qualsiasi v.a. T funzione del campione casuale X X
1,
2, , X n
di ampiezza n estratto da una popolazione di legge p x ,
X
:
FY t = P Y t t np

, perv.a.continua
np 1 p
T = f X X
1,
2, , X n
, con f : n
stimatore del parametro
FY k = P Y k k 0.5 np

,
np 1 p
statistica che viene usata per stimare il valore del parametro
k=0,1,2, , n , per v.a. discreta
corretto (non distorto) se ET = altrimenti detto distorto momenti ed indici di
forma per v.a.
stima del parametro
= f x x
momento r-esimo di X
1,
2, , x n
, calcolato acampionamento eseguito
stimatore consistente
' = E X r
r
var T
stimatore corretto di
n 0 per n
, conT n

' = xr p x , per X discreta
valore atteso della media campionaria
r
k
X
k
k
E
X n=
'
xr f
r =
X x dx
, per X continua
varianza della media campionaria

2
momento r-esimo centrato di X
Var
X =
n
n
= E X EX r
r
legge dei grandi numeri
= x r p x , con = EX , per X discreta P {
X
r
k
X
k
n } 0 ,
per n
k

stime
r = x r f X x dx , per X continua
stima di 2= h
coefficiente di asimmetria (skewness) di una v.a.
n
X
con '
S 2 1 X X 2 , varianza campionaria
3 finito
n
n1
i
n
misura l'assimetria di X rispetto al valore atteso
i =1
a campionamento effettuato:
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
7
n
n
di legge N , 2 , allora:
s 2 1 x 2= 1 x 2 n 2
n
n1
i

xn
n
i
n
xn

X
i=1
1 i=1
1
n
~ t n1
stima popolazione Normale
S 2/ n
n
= xn
calcoli con i quantili
2= s 2
posto t
n
n quantile -esimo della legge t(n):
se nota:
P T t n =

n

P T t
2= 1 X 2
1 n =
n
i
P T t
i=1
1 /2 n =
stima popolazione Gamma
P T t
n =
1 /2
2
t
n1 z
, approssimazione per n 120

1
1
= xn


; r= xn
2
2
s 2
s 2
n
n
approssimazione di quantili tramite
leggi
interpolazione lineare
legge Chi quadro con n gradi di libert
y= mx q ,
equazione della rettache passa per i punti { q
1
1, t q 1 } , { q 2, t q 2 }
Y ~ X 2 n Y ~ n ,
t q t q
2 2
t x = t q 2

1 x q , con q x q


1
1
1
2
X
q q
i sono v.a. indipendenti, ciascuna di legge N(0,1)
2
1
n 1 t
f t = c t 2 e 2 , per t 0
legge di fisher con m e n gradi di libert
Y
n
f t =0 , per t 0
X ~ F m , n ; con X = U / m , U ~ X 2 m , V ~ X 2 n
Y
EY = n ; Var Y = 2n
V / n
propriet
propriet
1
posto Y
~ F n ,m
1 ~ X 2 n 1 , Y 2 ~ X 2 n 2 indipendenti: X
Y Y ~ X 2 n n
1
2
1
2
P X F m ,n =
intervallo a cui una v.a. di legge Chi quadro appartiene con probabilit

:
1
1
P
=1
P X 2 n Y X 2 n =
X
F m ,n
1
1
2
2
1
= F
approssimazione Normale di Chi quadro per n grande
F
1 n , m
m , n
2
X 2 n N n , 2n , per n grande S 1 = F m1, n1
2
P Y t t n
S 2

2n
in
tervallo di confidenza al livello del 100
%
per
X 2 n z 2n n


h()
approssimazioni
Sia X X , X
1,
2,
n
un campione casuale estratto da una
Sia X , X , X
i
2,
n un campione casuale estratto da una popolazione
popolazione di densit f x ; ; siano T
X
1= t 1 X 1,
2, , X n ,
di legge N , 2 , allora:
T
X
2 = t 2 X 1,
2, , X n due statistiche, e sia h una funzione n
X i ~
del parametro che si vuole stimare; fissato un numero 0,1 ,
X 2 n

l'intervallo aleatorio (T1, T2) si dice intervallo di confidenza al 100%
i=1
n
per h() se:
Xi Xn ~ X 2 n1
P T h T =
1
2
i=1

a campionamento eseguito l'intervallo (t1,t2) si dice calcolato al
n1 S 2 n
campione;
~ X 2 n1
2
h() appartiene all'intervallo (t1, t2) con una confidenza del 100%; t
S 2 e
X sono tra loro indipendenti
1 e t2 sono detti limiti di confidenza
n
n
intervallo di confidenza per la media
legge t di student a n gradi di libert
(di una popolazione Normale o popolazione qualsiasi con n grande
T ~ t n ; con T = Z
, Z ~ N 0,1 , Y ~ X 2 n
n30 )
Y / n


=
X z
=
X E , con varianza nota
n
1 / 2 n
n
f t = c 1 t 2 n 1 2 , pert
T
n
n
2
ET =0 , tranne per n=1 per cui nonesiste finito
=
X t
n1 Sn , convarianzaincognita
n
1
n
per t la t di student tende alla Normale standard
2
approssimazioni
Sia X , X , X
i
2,
n un campione casuale estratto da una popolazione
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
8
stima dell'ampiezza per limitare l'errore E0
H0
H1
rifiutare H0 se
n= t 2
=
z z

n1 2 , con varianza nota
1 / 2
0
0
1 / 2
E 20

z z
intervallo di confidenza per la frequenza p
0
0
1
valido per una popolazione bernoulliana e per grandi campioni

z
0
0
z 1


n30
1
X
test sulla media di una popolazione Normale di
p=
X z
n
; se: n 5 , n 1 5
n
1 /2 Xn n
xn
xn
varianza incognita
stima dell'ampiezza per limitare l'errore E0
t=
xn 0
sn / n
n= z 1 /2 2
2 E
H0
H1
rifiutare H0 se
0
E
=
t t
0 corrisponde a met dell'intervallo di confidenza.
0
0
1 /2 n1
test di ipotesi

t
0
0
t 1 n1
ipotesi statistica

t
0
0
t 1 n1
un'asserzione sul valore vero di un parametro incognito;
si dice semplice se specifica completamente il valore del parametro, test sulla frequenza
p di una popolazione
altrimenti si dice composta
bernoulliana
ipotesi nulla H0

x
z=
n p 0
H :
0
0
p 0 1 p 0 / n
ipotesi che si ritiene vera fino a prova contraria;
H
rifiuteremo H
0
H1
rifiutare H0 se
0 solo se i dati campionari forniranno una forte evidenza
statistica contro di essa
p= p
p
z
0
p 0
z 1 /2
ipotesi alternativa H1
p p
p p
z z
H :
0
0
1
1 0
ipotesi vera solo se H
p p
p p
z z
0 falsa
0
0
1
errore di tipo I
test sulla differenza di due medie con varianze
rifiutiamo H0 quando vera;
note
questo considerato l'errore pi grave
estraiamo due campioni n,m da due popolazioni normali indipendenti errore di tipo II
con varianze note;
accettiamo H0 quando falsa
questo test non va usato quando una varianza almeno 4 volte l'altra regione critica o
regione di rifiuto

X
z= n
Y m
l'insieme R dei possibili risultati campionari che portano a rifiutare H0
2
2
data la regola di decisione: si rifiuti H seT X X , X I
X Y
0
1,
2,
n
:

n
n
R={ x x ,x :T x x , x I }
1,
2,
n
1,
2,
n
H
la probabilit di rifiutare H
0
H1
rifiutare H0 se
0 prima del campionamento:
P T X X , X I

1,
2,
n
X = Y
X Y
z z 1 /2
ampiezza del test (o livello di significativit)
X Y
X Y
z z 1
= sup
P T X X , X I

1,
2,
n
0

rappresenta la massima probabilit di rifiutare l'ipotesi nulla quando X Y
X Y
z z 1
questa vera;
test sulla differenza di due medie con varianze
va stabilito piccolo a priori prima di eseguire il campionamento
incognite
p-value
estraiamo due campioni n, m da due popolazioni normali indipendenti numero pari al
minimo livello di significativit a cui i dati campionari con varianze incognite;
consentono di rifiutare l'ipotesi nulla;
questo test non va usato quando una varianza almeno 4 volte l'altra se p-value = 0 siamo
praticamente certi di non sbagliare

X n
Y n
varianza campionaria pesata
t=
2 m1 S 2
media pesata delle varianze campionarie di due campioni n, m
1 1 n1 SX
Y
n
n
n m
n m2
X X Y Y
2
H
m1 S 2
i
n
i
n
0
H1
rifiutare H0 se
S 2= n1 S X
Y = i=1
i=1
n m2
n m2
X= Y
X Y
t t 1 /2 n m2
test sulla media di una popolazione Normale di
X Y
X Y
t t 1 n m2
varianza nota



X Y
X Y
t t 1 n m2
z=
xn
0
nel caso di campioni osservazioni accoppiate si considerano le
/ n
differenze delle medie
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
9
test su due frequenze di due popolazioni
k
bernoulliane indipendenti
classi
A1
A2
...
Ak

i =1
estraiamo due campioni n, m da due popolazioni bernoulliane
freq. rel. attese
p
p
1
2
...
pk
1
indipendenti X ~ B p , Y ~ B p
1
2
;
freq. ass. attese
np
np
1
2
...
npk
n
n
m
freq. ass.
questa procedura valida se x
y
N
N
i 5 ; i 5
osservate
1
2
...
N k
n
i=1
i=1

x
n
x
scarti quad.
np N 2
np N 2
np N 2
1
1
2
2
k
k
z=
n
ym
n m
ym
...
Q

con p=
pesati
np
np
np
1
1
n m
1
2
k
p 1 p
le classi andranno accorpate in maniera tale che le frequenze assolute n
m
attese siano tutte maggiori o uguali a 5;
H
Chi quadro calcolato dal campione:
0
H1
rifiutare H0 se
k
p
p
z
np N 2
i
i
1= p 2
1 p 2
z 1 /2
Q=
np
p
p
z
i =1
i
1 p 2
1 p 2
z 1
Q X 2 k1 per n , con p assegnate a priori i
p
p
z
1 p 2
1 p 2
z 1
Q X 2 k1 r per n , con p calcolate dopo i
inferenze su una varianza
aver stimato r parametri incogniti
fissato , si stabilisce la regola di decisione:
n1 s 2
2
X 2=
n
si rifiuti H se Q X
k 1 r
0
1
(si calcola tramite tabelle)
20
il p-value corrispondente al valore Q :
H
= P X Q , con X ~ X 2 k 1 r
0
H1
rifiutare H0 se
2= 2
2 2
X 2 X 2
n1 o X 2 X 2 n1
test Chi quadro di indipendenza
0
0
1 /2
/2
verifica l'indipendenza o meno di due variabili;
2 2
2 2
X 2 X 2 n1
si costruisce una tabella di contingenza di rs classi:
0
0
1
A
A
1
2
...
Ar Tot.
2 2
2
X 2
2
0
2 0
X n1
B
n
n
n
1
11
21
...
nr1
1
intervallo di confidenza
B
n
n
n
2
12
22
...
nr1
2

...
...
...
...
...
...
n1 s 2
n1 s 2
n
,
n
B
n
n
n
s
1s
2s
...
nrs
s
X 2
n1
X 2
n1
1
1
Tot.
n
n
1
2
...
nr n
2
2
inferenze su due varianze
si costruisce una tabella di rs classi:
A
A
estraiamo due campioni n, m da due popolazioni normali indipendenti 1
2
...
Ar
con medie incognite;
n n
n
n
B
1
1
2 n 1
...
r n 1
s 2
1
n
n
n
F = X
s 2
n
n
n
1 n 2
2 n 2
r n 2
Y
B 2
...
n
n
n
H0
H1
rifiutare H0 se
...
...
...
...
...
2 = 2 2 2 F F
n
n
n
X
Y
X
Y
1 /2 n1, m1
B
1 ns
2 n s
...
r ns
F F n1, m1
s
n
n
n
/2
ni n j
2 2 2 2 F F
ciascuna delle frequenze attese deve essere:
5
X
Y
X
Y
1 n1, m1
n
2 2 2 2 F F
si calcola il chi-quadro:
X
Y
X
Y
1 n1, m1
2
intervallo di confidenza
r
s
n ni n j
ij

n
Q=
1
s 2
s 2
X
1
n
,
X
i =1 j=1
i n j
F
2
F
2
1 n1, m1 s
n1, m1 s
n
Y
1
Y
2
2
fissato , si stabilisce la regola di decisione:
test Chi quadro di adattamento
si rifiuti H
se Q X 2 r1 s1
0
1

ha lo scopo di verificare se certi dati empirici si adattino bene ad una (si calcola tramite
tabelle)
distribuzione teorica assegnata;
si costruisce la seguente tabella:
il p-value corrispondente al valore Q :
= P X Q , con X ~ X 2 r1 s1
Formulario di Probabilit e Statistica [2005-07-24] - Copyright 2005 Nicola Asuni
(info@tecnick.com www.tecnick.com)
*** ATTENZIONE: Non posso garantire che le seguenti informazioni siano corrette.
Usatele a vostro rischio. ***
10
Document Outline

Statistica descrittiva indici indici (o misure) di posizione media campionaria di n osservazioni
dispersione varianza di n osservazioni x1, x2, ..., xn propriet deviazione standard o scarto
xn p-esimo quantile (o 100p-esimo

InterQuartile Range) indici di forma coefficiente di asimmetria (skewness) coefficiente di curtosi
correlazioni covarianza coefficiente di correlazione regressione lineare valori stimati residui
valore previsto cambiamento di scala devianza totale coefficiente di determinazione Probabilit
definizioni eventi elementari evento spazio campionario discreto continuo linguaggio propriet
oggetti propriet di n! (n fattoriale) disposizione di n oggetti in k posti disposizione con
ripetizione di n oggetti in k posti combinazione di n oggetti di classe k coefficiente Binomiale
combinazione con ripetizione di k oggetti scelti fra n permutazione con ripetizione di n oggetti
uguali fra loro a gruppi probabilit condizionata probabilit dell'evento A, condizionata a B
propriet probabilit totali formula di Bayes indipendenza di eventi eventi A, B indipendenti
famiglia di eventi indipendenti Affidabilit di un sistema componenti in serie affidabilit
(probabilit che il sistema funzioni) componenti in parallelo affidabilit (probabilit che il
sistema funzioni) variabili aleatorie e modelli probabilistici variabili aleatorie variabile aleatoria
(v.a.) discreta legge (o distribuzione) di una v.a. densit discreta di X propriet v.a. indipendenti
valore atteso, o media , o speranza matematica propriet varianza propriet deviazione standard o
scarto quadratico medio covarianza propriet correlazione coefficiente di correlazione di X, Y
standardizzata di X disuguaglianza di Cebicev processo di Bernoulli esperimento bernulliano o
prova di Bernoulli processo di Bernoulli limitato bernulliana di parametro p Binomiale di
parametri n e p processo di Bernoulli illimitato Binomiale negativa di parametri -n e p
Geometrica di parametro p Geometrica traslata di parametro p Ipergeometrica di parametri (N,
K, n) appro
propriet esempi di densit continue densit uniforme densit di Cauchy densit Normale
-
Esponenziale legge Gamma di parametri n (intero positivo
istantanea al guasto) per la legge Esponenziale: per la legge Gamma: densit di Weibull modello
Normale legge Normale standard propriet calcoli con i quantili legge Normale (o gaussiana) di
media campionaria media campionaria standardizzata teorema del limite centrale
approssimazione Normale approssimazione Normale di Gamma per n grande: approssimazione
Normale della Binomiale: momenti ed indici di forma per v.a. momento r-esimo di X momento
r-
coefficien
definizioni modello statistico campione casuale di ampiezza n stima di parametri e stimatori
stima puntuale dei parametri stima del parametro p della popolazione bernulliana statistica T
campionaria varianza della media campionaria legge dei grandi numeri stime stima di stima
popolazione Normale stima popolazione Gamma leggi legge Chi quadro con n gradi di libert
propriet approssimazione Normale di Chi quadro per n grande approssimazioni legge t di
student a n gradi di libert approssimazioni calcoli con i quantili approssimazione di quantili
tramite interpolazione lineare legge di fisher con m e n gradi di libert propriet intervallo di
dell'ampiezza per limitare l'errore E0 intervallo di confidenza per la frequenza p stima
dell'ampiezza per limitare l'errore E0 test di ipotesi ipotesi statistica ipotesi nulla H0 ipotesi
alternativa H1 errore di tipo I errore di tipo II regione critica o regione di rifiuto ampiezza del
test (o livello di significativit) p-value varianza campionaria pesata test sulla media di una
popolazione Normale di varianza nota test sulla media di una popolazione Normale di varianza
incognita test sulla frequenza p di una popolazione bernoulliana test sulla differenza di due
medie con varianze note test sulla differenza di due medie con varianze incognite test su due
frequenze di due popolazioni bernoulliane indipendenti inferenze su una varianza intervallo di
confidenza inferenze su due varianze intervallo di confidenza test Chi quadro di adattamento test
Chi quadro di indipendenza