Carte di controllo per attributi
|
|
- Eloisa Messina
- 8 anni fa
- Visualizzazioni
Transcript
1 Carte di controllo per attributi Il controllo per variabili non sempre è effettuabile misurazioni troppo difficili o costose troppe variabili che definiscono qualità di un prodotto le caratteristiche dei prodotti non sono misurabili In questi casi si utilizza il controllo per attributi che si basa sulla formulazione di un giudizio qualitativo sulle unità prodotte che vengono classificate in conformi oppure non conformi. 1
2 Carta di controllo per frazione di unità non conformi - Carta p Dato un campione di numerosità n sia d il numero di unità risultate difettose. Se 0 < p < 1 è il livello di difettosità del processo produttivo e se indichiamo con D la v.c. che conta il numero di difetti in un campione di numerosità n abbiamo P (D = d) = ( n d ) p d (1 p) n d, d = 0, 1,..., n ed è distribuita approssi- La frazione di non conformi è definita da ˆp = D n mativamente come una gaussiana ˆp N ( p, p(1 p) n ) Se non si conosce p si estraggono m campioni di numerosità n si calcola per ogni campione la ˆp i = d i n e quindi si stima p con p = mi=1 d i mn = mi=1 ˆp i m 2
3 I limiti di controllo per la carta 3-sigma e per la carta di probabilità sono rispettivamente UCL = p + 3 CL = p LCL = p 3 p(1 p) n p(1 p) p(1 p) UCL = p + z 1 α/2 n CL = p p(1 p) LCL = p z 1 α/2 n Se LCL risulta negativo si pone uguale a zero. Le carte di controllo per la frazione di difettosi tengono sotto controllo sia la media che la variabilità del processo produttivo. n 3
4 Esempio: (Montgomery). Consideriamo i dati relativi alla produzione di contenitori per succo d arancia che vengono prodotti a partire da fogli di cartone grezzo. Si ispezionano le confezioni finali per controllare che non perdano liquido. Vi sono m = 30 campioni di n = 50 unità ciascuno. Sulla base di questo primo campionamento si stimano i limiti di una carta di controllo 3-sigma. I valori centrale, UCL e LCL sono riportati nel grafico alla pagina seguente. Si notano un valore centrale piuttosto elevato (oltre il 20% di pezzi difettosi) e due punti fuori controllo (il 15-esimo e il 23-esimo campione). Individuato il motivo si tolgono questi due campioni e si ricalcolano i limiti di controllo per la carta. Si noti che nel secondo calcolo vi è ancora un punto fuori controllo. Non avendo trovato nessuna causa apparente del motivo si lascia il punto tra i campioni. Resta il fatto che la percentuale di pezzi difettosi è troppo elevata e occorre apportare qualche modifica al processo produttivo. 4
5 Carta p per D[Trial] Group summary statistics UCL LCL Group Number of groups = 30 Center = LCL = StdDev = UCL = Number beyond limits = 2 Number violating runs = 0 5
6 Carta p senza i punti fuori controllo Group summary statistics UCL LCL Group Number of groups = 28 Center = LCL = StdDev = UCL = Number beyond limits = 1 Number violating runs = 0 6
7 La carta porta a concludere che il processo è sotto controllo con una media p = di frazione di pezzi difettosi. Una percentuale decisamente alta. Dopo alcuni accorgimenti volti a migliorare il processo di produzione sono raccolti altri 24 campioni sempre di numerosità 20 e i risultati sono rappresentati nel grafico seguente. Si nota un vistoso abbassamento della frazione di difettosi. La carta segnala un punto fuori controllo in basso (non genera preoccupazione) e un campione che viola il numero di sequenze tutte dalla stessa parte. A questo punto un test per la verifica dell uguaglianza delle due proporzioni nel primo gruppo di 30 campioni e nel secondo di 24 dovrebbe confermare il cambiamento avvenuto. Se il test conferma l ipotesi che la proporzione di non conformi è diminuita si procede a ricalcolare i nuovi livelli della carta p. 7
8 p Chart for D.trial[ out] and D[!trial] Calibration data in D.trial[ out] New data in D[!trial] Group summary statistics UCL LCL Group Number of groups = 52 Center = StdDev = LCL = UCL = Number beyond limits = 2 Number violating runs = 1 8
9 Carta p per D[!Trial] Group summary statistics UCL LCL Group Number of groups = 24 Center = LCL = 0 StdDev = UCL = Number beyond limits = 0 Number violating runs = 0 9
10 Scelta di n nelle carte di controllo per frazione di non conformi Dopo aver stimato p con un controllo del 100% della produzione se p è molto piccolo allora n deve essere molto grande per poter osservare almeno un difetto. Infatti se p = 0.01 e n = 8 abbiamo che UCL = p + 3 p(1 p)/n = Se si dovesse osservare una non conformità si avrebbe ˆp = 1/8 = e quindi il punto cadrebbe oltre UCL e il processo sarebbe considerato fuori controllo. Per evitare ciò si può ricorrere a due procedure. Possiamo scegliere n affinché la probabilità di osservare una non conformità sia almeno superiore ad un livello γ fissato P (D 1) γ. Dall approssimazione della Binomiale con la Poisson ricaviamo D(D = k) = ( n) p k (1 p) n k e npnpk k k!, n log(1 γ) Da cui per γ = 0.95 e p = 0.01 ricaviamo n 300. p 10
11 Un altro approccio consiste nello scegliere n in modo che la carta si accorga di un cambiamento di specificata entità. Ad esempio se vogliamo che sia segnalato un punto come fuori controllo quando la frazione di non conformi è pari a p 1 > p allora deve essere ponendo δ = p 1 p ricaviamo p + 3 p(1 p) n p 1 9p(1 p) n δ 2 Se, a titolo d esempio, vogliamo determinare uno scostamento da p = 0.01 a p 1 = 0.05 abbiamo, δ = 0.04 e ricaviamo n 56. A volte ci si vuole anche garantire di avere un LCL positivo in modo da andare a ispezionare quei casi di frazione di non conformi molto bassi. In tal caso deve essere scelto n in modo che p(1 p) p 3 0 da cui n 9 1 p n p Ad esempio per p = 0.01 ricaviamo n 891, per p = 0.05, n
12 Carta di controllo per numero di unità non conformi - Carta np Invece che costruire la carta per la frazione di non conformi p possiamo costruire direttamente la carta per il numero di non conformità. I limiti della carta 3-sigma e di probabilità, rispettivamente, sono i seguenti UCL = np + 3 CL = np LCL = np + 3 np(1 p) np(1 p) UCL = np + z 1 α/2 np(1 p) CL = np LCL = np z 1 α/2 np(1 p) Non conoscendo p si provvederà a stimarlo. 12
13 Dimensione campionaria variabile Capita spesso che la dimensione campionaria sia diversa. In questo caso 3 sono gli approcci che si possono seguire. Il primo consiste nel considerare le linee della carta variabili (poco consigliato). Il secondo consiste nel costruire la carta basandosi sul valore medio di n calcolato come segue n = 1 m m n i i=1 e utilizzando come stima di p la seguente p = mi=1 d i mi=1 n i I limiti di controllo per la carta 3-sigma sono UCL = p + 3 CL = p LCL = p 3 p(1 p) n p(1 p) n 13
14 Il terzo metodo consiste nell utilizzare i valori standardizzati. campione si calcolano i valori Per ogni z i = ˆp i p p(1 p), i = 1, 2,..., m n i dove ˆp i è la frazione di non conformi nel gruppo i-esimo e a p dobbiamo sostituire una sua stima. La carta ha come linea centrale zero, mentre come UCL e LCL rispettivamente 3 e 3. 14
15 Curva operativa caratteristica La curva OC descrive la probabilità di accettare erroneamente un punto come sotto controllo quando invece non lo è, in funzione dello scostamento dal valore fissato p 0. Si tratta quindi di calcolare la probabilità di commettere un errore di secondo tipo (β) al variare di p β(p) = P (ˆp < UCL p) P (ˆp < LCL p) = P ( ˆD < nucl p) P (D < nlcl p) dove D segue la distribuzione Binomiale con parametri n e p. Fissati i limiti UCL e LCL avremo una curva per ogni numerosità campionaria n. Ad esempio per la carta con limiti LCL=0 e UCL= dobbiamo calcolare β(p) = P ( ˆD < p) P (D < 50 0 p) = P (D < 12.2 p) = P (D 12 p) Mentre per la carta con limiti LCL= e UCL= dobbiamo calcolare β(p) = P (D < 19 p) P (D 2 p) 15
16 Riportiamo il grafico per la carta di pagina 9 Curva Caratteristica n == 50 β(p) p 16
17 Riportiamo il grafico per la carta di pagina 8 Curva Caratteristica n == 50 β(p) p 17
18 Dalla curva OC ricaviamo, se il processo è sotto controllo, con valore della CL p = 0.215, β(p) = da cui α = e ARL 0 = = Per cui si avrà un segnale di falso allarme in media ogni 339 campioni. Se invece il valore di riferimento si sposta a p = 0.3 abbiamo β = e ARL = 1 1 β = = Per cui dovremo aspettare in media 12 campioni prima di avere un segnale di fuori controllo. Se il valore si sposta a p = 0.4 abbiamo β = e ARL = 1 1 β = = Per cui dovremo aspettare in media 2 campioni prima di avere un segnale di fuori controllo. 18
19 Carte di controllo per numero di non conformità per unità - Carta c Si è interessati al numero totale di difetti per unità prodotta (ad esempio il numero di falle in un tessuto). L ipotesi su cui si basa la costruzione di tali carte è che la v.c. che descrive il numero di difetti abbia la distribuzione di Poisson con parametro c che rappresenta il numero medio di difetti nell unità di misura prefissata. P (X = x) = cx x! e c, x = 0, 1, 2,... La carta di controllo con limiti 3-sigma sfrutta l approssimazione della Poisson alla Gaussiana N(c, c). Questa approssimazione vale se c = np nel caso in cui cresce n e contemporaneamente diminuisce p mantenendo costante il prodotto np. I limiti della carta sono dunque i seguenti UCL = c + 3 c CL = c LCL = c 3 c dove c = c i /m, essendo c i il numero di difetti nell unità i. 19
20 Esempio: (Montgomery). Si considerano il numero di non conformità riscontrate su 26 campioni costituiti da 100 circuiti stampati. La stima di c è data da c = = I limiti della carta sono rappresentati nella figura seguente. c Chart for x[trial] Group summary statistics UCL LCL Group Number of groups = 26 Center = LCL = StdDev = UCL = Number beyond limits = 2 Number violating runs = 0 20
21 Si osservano due punti fuori controllo, le unità 6 e 20. Individuate le cause si tolgono i punti e si ricalcolano i limiti di controllo della carta. La nuova carta è rappresentata di seguito. La stima di c è data da c = = UCL c Chart for x[inc] Group summary statistics LCL Group Number of groups = 24 Center = LCL = StdDev = UCL = Number beyond limits = 0 Number violating runs = 0 21
22 Carte di controllo per frazione di non conformità per unità - Carta u Si basa sul calcolo del numero medio di non conformità per unità di riferimento. Se vengono rilevate c difformità in n unità di riferimento avremo che il numero medio di tali difformità per unità di riferimento è I limiti della carta sono i seguenti dove ū = ui m e u i = c i n u = c n UCL = ū + 3 CL = ū LCL = ū 3 ū n ū n è il numero medio di non coformità per unità. 22
23 Esempio: (Montgomery). Si considerano il numero di non conformità registrate sull unità di riferimento posta pari a 5 computer. I dati forniscono una stima ū = Il grafico seguente mostra la carta. UCL u Chart for x Group summary statistics LCL Group Number of groups = 20 Center = 1.93 LCL = StdDev = UCL = Number beyond limits = 0 Number violating runs = 0 23
24 Curva operativa caratteristica - Carta c In questo caso si deve calcolare l errore di seconda specie β al variare di c. Indicata con X la v.c. di Poisson che conta il numero di difetti per unità prodotta β(c) = P (X < UCL c) P (X < LCL c) Ad esempio per la carta a pagina 21 con limiti LCL= 6.36 e UCL=32.97 dobbiamo calcolare β(c) = P (X < c) P (X < 6.36 c) = β(c) = P (X 32 c) P (X 6 c) Al variare di c. 24
25 Curva Caratteristica β(p) c 25
26 Dalla curva OC ricaviamo, se il processo è sotto controllo, con valore della CL c = 19.67, β(c) = da cui α = e ARL 0 = = Per cui si avrà un segnale di falso allarme in media ogni 247 campioni. Se invece il valore di riferimento si sposta a c = 24 abbiamo β = e ARL = 1 1 β = = Per cui dovremo aspettare in media 21 campioni prima di avere un segnale di fuori controllo. Se il valore si sposta a c = 32 abbiamo β = e ARL = 1 1 β = = Per cui dovremo aspettare in media 2 campioni prima di avere un segnale di fuori controllo. 26
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni
DettagliControllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni
Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliGESTIONE INDUSTRIALE DELLA QUALITÀ A
GESTIONE INDUSTRIALE DELLA QUALITÀ A Lezione 10 CAMPIONAMENTO (pag. 62-64) L indagine campionaria all interno di una popolazione consiste nell estrazione di un numero limitato e definito di elementi che
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliPRODUZIONE DI LENTI A CONTATTO
1 PRODUZIONE DI LENTI A CONTATTO Per monitorare il processo di produzione di un determinato tipo di lenti a contatto viene misurato, ad intervalli di tempo regolari di h 15 minuti, il diametro X (in mm)
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliIl campionamento statistico
Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliLE CARTE DI CONTROLLO (4)
LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliGestione Industriale della Qualità
Gestione Industriale della Qualità 8-II-6 esempio A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n = c = n = c = 4 Si valuti la qualità media risultante
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliEsercitazioni di Statistica
Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti
DettagliCalcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo.
Capitolo 1 9 Ottobre 00 Calcolo delle Probabilita, INGEGNERIA INFORMATICA, semestre II, laurea (ord. Leonardo. 000, Milano Esercizio 1.0.1 (svolto in classe [II recupero Ing. Matematica aa.00-0-rivisitato]nel
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliLe Carte di Controllo del Processo
ISI MANUALE PER CORSI QUALITÀ dispensa data modifica del livello Q-051 01.06.94 01 25.07.95 BLU Le Carte di Controllo del Processo MANUALE DI UTILIZZO ISI CARTE DI CONTROLLO pagina 2 di 13 Introduzione.
DettagliMacroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.
acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliRicerca di outlier. Ricerca di Anomalie/Outlier
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliEsercitazione n.1 (v.c. Binomiale, Poisson, Normale)
Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliIL COLLAUDO DI ACCETTAZIONE
IL COLLAUDO DI ACCETTAZIONE Il collaudo di accettazione 1 Popolazione Campione Dati MISURA Processo Lotto Campione DATI CAMPIONAMENTO INTERVENTO MISURA Lotto Campione DATI CAMPIONAMENTO INTERVENTO Il collaudo
DettagliSISTEMA di GESTIONE QUALITÀ Non Conformità ed Efficacia delle Azioni Correttive Preventive
SISTEMA di GESTIONE QUALITÀ Non Conformità ed Efficacia delle Azioni Correttive Preventive Il sistema di gestione della qualità a cui mi riferisco è quello relativo alla norma ISO-9001:2000. Prima di entrare
DettagliCircuito di pilotaggio ON OFF con operazionale
PREMESSA Circuito di pilotaggio ON OFF con operazionale A cura del Prof. Marco Chirizzi www.marcochirizzi.it Si supponga di dovere progettare un circuito di pilotaggio ON OFF in grado di mantenere un fluido
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliIl Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo
Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO Pasquale Iandolo Laboratorio analisi ASL 4 Chiavarese, Lavagna (GE) 42 Congresso Nazionale SIBioC Roma
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
DettagliLA MACCHINA FRIGORIFERA E LA POMPA DI
asdf LA MACCHINA FRIGORIFERA E LA POMPA DI CALORE 12 March 2012 Il ciclo di Carnot... "al contrario" Nell'articolo dedicato alla macchina termica, avevamo visto nel finale la macchina di Carnot e il ciclo
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliControllo di accettazione
Controllo di accettazione Introduzione Piano di campionamento singolo Curva operativa caratteristica Piano di campionamento con rettifica Piano di campionamento doppio Piano di campionamento sequenziale
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliELEMENTI DI DEMOGRAFIA
ELEMENTI DI DEMOGRAFIA 2. Caratteristiche strutturali della popolazione Posa Donato k posa@economia.unisalento.it Maggio Sabrina k s.maggio@economia.unisalento.it UNIVERSITÀ DEL SALENTO DIP.TO DI SCIENZE
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliTeoria dei Giochi. Anna Torre
Teoria dei Giochi Anna Torre Almo Collegio Borromeo 9 marzo 2010 email: anna.torre@unipv.it sito web del corso:www-dimat.unipv.it/atorre/borromeo2010.html TEOREMI DI ESISTENZA TEOREMI DI ESISTENZA Teorema
DettagliProposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014
Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,
DettagliPsicometria (8 CFU) Corso di Laurea triennale STANDARDIZZAZIONE
Psicometria (8 CFU) Corso di Laurea triennale Un punteggio all interno di una distribuzione è in realtà privo di significato se preso da solo. Sapere che un soggetto ha ottenuto un punteggio x=52 in una
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliInferenza statistica I Alcuni esercizi. Stefano Tonellato
Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,
DettagliPROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0)
PROCEDURA INVENTARIO DI MAGAZZINO di FINE ESERCIZIO (dalla versione 3.2.0) (Da effettuare non prima del 01/01/2011) Le istruzioni si basano su un azienda che ha circa 1000 articoli, che utilizza l ultimo
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliIl mercato di monopolio
Il monopolio Il mercato di monopolio Il monopolio è una struttura di mercato caratterizzata da 1. Un unico venditore di un prodotto non sostituibile. Non ci sono altre imprese che possano competere con
DettagliPotenza dello studio e dimensione campionaria. Laurea in Medicina e Chirurgia - Statistica medica 1
Potenza dello studio e dimensione campionaria Laurea in Medicina e Chirurgia - Statistica medica 1 Introduzione Nella pianificazione di uno studio clinico randomizzato è fondamentale determinare in modo
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliIndice di rischio globale
Indice di rischio globale Di Pietro Bottani Dottore Commercialista in Prato Introduzione Con tale studio abbiamo cercato di creare un indice generale capace di valutare il rischio economico-finanziario
DettagliEsercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test
STATISTICA (2) ESERCITAZIONE 6 05.03.2014 Dott.ssa Antonella Costanzo Esercizio 1. Verifica di ipotesi sulla media (varianza nota), p-value del test Il preside della scuola elementare XYZ sospetta che
DettagliANALISI GRAFICHE PER IL CONTROLLO DELLA QUALITA : ESEMPI DI APPLICAZIONI
ANALISI GRAFICHE PER IL CONTROLLO DELLA QUALITA : ESEMPI DI APPLICAZIONI (sintesi da Prof.ssa Di Nardo, Università della Basilicata, http://www.unibas.it/utenti/dinardo/home.html) ISTOGRAMMA/DIAGRAMMA
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
DettagliTutte le interrogazioni possono essere condotte su qualsiasi campo della banca dati (ad esempio, Forma, Frequenza, Lunghezza, ecc...).
ESEMPIO DI QUERY SUL FILE Formario_minuscolo Tutte le interrogazioni possono essere condotte su qualsiasi campo della banca dati (ad esempio, Forma, Frequenza, Lunghezza, ecc...). Durante l interrogazione,
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi
DettagliAlessandro Pellegrini
Esercitazione sulle Rappresentazioni Numeriche Esistono 1 tipi di persone al mondo: quelli che conoscono il codice binario e quelli che non lo conoscono Alessandro Pellegrini Cosa studiare prima Conversione
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliDomande a scelta multipla 1
Domande a scelta multipla Domande a scelta multipla 1 Rispondete alle domande seguenti, scegliendo tra le alternative proposte. Cercate di consultare i suggerimenti solo in caso di difficoltà. Dopo l elenco
DettagliEsercitazione di Laboratorio - Leve di 1-2 - 3 genere TITOLO ESERCITAZIONE: VERIFICA DELLE LEGGI DELLE LEVE
TITOLO ESERCITAZIONE: VERIFICA DELLE LEGGI DELLE LEVE PREREQUISITI RICHIESTI PER LO SVOLGIMENTO DELL ATTIVITÀ DI LABORATORIO L alunno deve conoscere la definizione di forza, la definizione di momento.
DettagliMetodi e Modelli Matematici di Probabilità per la Gestione
Metodi e Modelli Matematici di Probabilità per la Gestione Prova scritta del 30/1/06 Esercizio 1 Una banca ha N correntisti. Indichiamo con N n il numero di correntisti esistenti il giorno n-esimo. Descriviamo
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliLA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ
LA MASSIMIZZAZIONE DEL PROFITTO ATTRAVERSO LA FISSAZIONE DEL PREZZO IN FUNZIONE DELLE QUANTITÀ In questa Appendice mostreremo come trovare la tariffa in due parti che massimizza i profitti di Clearvoice,
DettagliIstituzioni di Statistica e Statistica Economica
Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo
DettagliCAPACITÀ DI PROCESSO (PROCESS CAPABILITY)
CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il
DettagliESERCIZIO N 4. Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240
ESERCIZIO N 4 Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240 PUNTO a CALCOLO MODA E QUARTILI La moda rappresenta quell'elemento del campione
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliOgni azienda ha la necessità di conoscere il proprio sistema dei costi sia per controllare la situazione esistente che per verificare il
Ogni azienda ha la necessità di conoscere il proprio sistema dei costi sia per controllare la situazione esistente che per verificare il raggiungimento degli obiettivi avendo come fine il mantenimento
DettagliDeterminare la grandezza della sottorete
Determinare la grandezza della sottorete Ogni rete IP possiede due indirizzi non assegnabili direttamente agli host l indirizzo della rete a cui appartiene e l'indirizzo di broadcast. Quando si creano
DettagliNormative sulla Tenuta dei Serramenti ad Aria, Acqua e Vento
UNI EN 12208 La tenuta all acqua di un serramento, descrive la sua capacità di essere impermeabile sotto l azione di pioggia battente e in presenza di una determinata velocità del vento. La norma, la UNI
DettagliL Analisi della Varianza ANOVA (ANalysis Of VAriance)
L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni
DettagliEconomia Applicata ai sistemi produttivi. 06.05.05 Lezione II Maria Luisa Venuta 1
Economia Applicata ai sistemi produttivi 06.05.05 Lezione II Maria Luisa Venuta 1 Schema della lezione di oggi Argomento della lezione: il comportamento del consumatore. Gli economisti assumono che il
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliDipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014
Dipartimento di Economia Aziendale e Studi Giusprivatistici Università degli Studi di Bari Aldo Moro Corso di Macroeconomia 2014 1. Assumete che = 10% e = 1. Usando la definizione di inflazione attesa
DettagliVALIDAZIONE METODI DI PROVA PROVE MICROBIOLOGICHE
VALIDAZIONE METODI DI PROVA PROVE MICROBIOLOGICHE 1 Il processo di validazione/qualificazione di un metodo microbiologico presuppone che i fattori critici siano adeguatamente disciplinati da indicazioni
DettagliEsercizi di Probabilità e Statistica
Esercizi di Probabilità e Statistica Samuel Rota Bulò 16 luglio 2006 V.a. discrete e distribuzioni discrete Esercizio 1 Dimostrare la proprietà della mancanza di memoria della legge geometrica, ovvero
DettagliCapitolo 4 Probabilità
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.
Dettagli1. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di 40, fra di esse vi sia un solo asso, di qualunque seme.
Esercizi difficili sul calcolo delle probabilità. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di, fra di esse vi sia un solo asso, di qualunque seme. Le parole a caso
DettagliServizi di consulenza specialistica per IGRUE 2009 2012
Allegato 9A Metodo della stima delle differenze Descrizione della procedura Il metodo della stima delle differenze è indicato qualora il controllore ritenga che la popolazione sia affetta da un tasso di
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliLA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1
LA TRASMISSIONE DELLE INFORMAZIONI QUARTA PARTE 1 I CODICI 1 IL CODICE BCD 1 Somma in BCD 2 Sottrazione BCD 5 IL CODICE ECCESSO 3 20 La trasmissione delle informazioni Quarta Parte I codici Il codice BCD
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliEsercitazione n.2 Inferenza su medie
Esercitazione n.2 Esercizio L ufficio del personale di una grande società intende stimare le spese mediche familiari dei suoi impiegati per valutare la possibilità di attuare un programma di assicurazione
Dettaglimatematica probabilmente
IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliCapitolo 26. Stabilizzare l economia: il ruolo della banca centrale. Principi di economia (seconda edizione) Robert H. Frank, Ben S.
Capitolo 26 Stabilizzare l economia: il ruolo della banca centrale In questa lezione Banca centrale Europea (BCE) e tassi di interesse: M D e sue determinanti; M S ed equilibrio del mercato monetario;
DettagliTeoria e metodi del controllo statistico di un processo produttivo. Strumenti base Basi statistiche Problemi pratici
Teoria e metodi del controllo statistico di un processo produttivo Strumenti base Basi statistiche Problemi pratici Teoria e metodi del controllo statistico Introduzione Ogni processo produttivo, indipendentemente
Dettagli