Pagina:Teoria degli errori e fondamenti di statistica.djvu/204: differenze tra le versioni

CandalBot (discussione | contributi)
Pywikibot touch edit
Etichetta: Trascritta
Stato della paginaStato della pagina
-
Pagine SAL 25%
+
Pagine SAL 75%
Intestazione (non inclusa):Intestazione (non inclusa):
Riga 1: Riga 1:
{{RigaIntestazione|188||{{Sc|Capitolo 11 - Stime di parametri}}}}
Corpo della pagina (da includere):Corpo della pagina (da includere):
Riga 1: Riga 1:
<section begin="s1" />
188 CAPITOLO il — STIME DI PARAMETRI

ll.4.5 Interpolazione non lineare
{{Ct|class=titolo3|11.4.5 Interpolazione non lineare}}
Formule analoghe a quelle trovate si possono ricavare per risolvere il
problema dell’interpolazione di curve di ordine superiore al primo (parabole,
Formule analoghe a quelle trovate si possono ricavare per risolvere il problema dell’interpolazione di curve di ordine superiore al primo (parabole, cubiche, polinomiali in genere) ad un insieme di dati sperimentali, sempre usando il metodo della massima verosimiglianza.

cubiche, polinomiali in genere) ad un insieme di dati sperimentali, sempre
Nel caso poi ci si trovasse di fronte ad una curva di equazione diversa da un polinomio, in parecchi casi è possibile ''linearizzare'' la relazione cambiando variabile: così, ad esempio, se due grandezze hanno tra loro una relazione di tipo esponenziale, il logaritmo naturale ne avrà una di tipo lineare:
usando il metodo della massima verosimiglianza.
{| align=center
Nel caso poi ci si trovasse di fronte ad una curva di equazione diversa da
| <math>y = K e^{-bx} </math>
un polinomio, in parecchi casi è possibile linearizzare la relazione cambian-
| {{Cs||padding:0 2em}} | <math>\Longleftrightarrow</math>
do variabile: così, ad esempio, se due grandezze hanno tra loro una relazione
| <math>\ln y = \ln K - bx \; = \; a-bx</math>.
di tipo esponenziale, il logaritmo naturale ne avrà una di tipo lineare:
|}<section end="s1" /><section begin="s2" />
y=Ke”"‘ <::> lny =lnK—bx =a—l0x.

ll.5 Altre applicazioni della stima di massima ve-
{{Ct|class=titolo2|11.5 Altre applicazioni della stima di massima verosimiglianza}}
rosimiglianza
Per concludere il capitolo, presentiamo altre tre applicazioni del metodo della massima verosimiglianza: la stima delle probabilità ignote di un insieme di modalità esclusive ed esaurienti cui può dar luogo un fenomeno casuale; la stima sia della media che della varianza di una popolazione normale; e la stima del range di una popolazione uniforme.<section end="s2" /><section begin="s3" />
Per concludere il capitolo, presentiamo altre tre applicaziom del meto-

do della massima verosimiglianza: la stima delle probabilità ignote di un
{{Ct|class=titolo3|11.5.1 Stima di probabilità}}
insieme di modalità esclusive ed esaurienti cui può dar luogo un fenome-
Supponiamo che un fenomeno casuale possa dare origine ad un numero finito <math>M</math> di eventualità, ognuna delle quali sia associata ad un valore <math>p_i</math> ignoto della probabilità; se, eseguite <math>N</math> prove indipendenti, indichiamo con <math>n_i</math> la frequenza assoluta con cui ognuna delle <math>M</math> eventualità si è presentata nel corso di esse, quale è la stima di massima verosimiglianza, <math>\widehat p_i</math>, per le incognite probabilità <math>p_i</math>?
no casuale; la stima sia della media che della varianza di una popolazione

normale; e la stima del range di una popolazione umforme.
La funzione di verosimiglianza è, visto che la generica delle <math>M</math> eventualità, di probabilità <math>p_i</math>, si è presentata <math>n_i</math> volte, data<ref>A meno di un fattore moltiplicativo costante, corrispondente al numero di modi in cui <math>N</math> oggetti si possono ripartire tra <math>M</math> gruppi in modo che ogni gruppo sia composto da <math>n_i</math> oggetti; numero delle ''partizioni ordinate'' (vedi in proposito il paragrafo {{Pg|246#ca_7|A.7}}).</ref> da
lI.5.l Stima di probabilità
{{Centrato|<math>\mathcal{L} ( \boldsymbol{n}; \boldsymbol{p} ) = \prod_{i=1}^M {p_i}^{n_i}</math>}}<section end="s3" />
Supponiamo che un fenomeno casuale possa dare origine ad un nume-
ro fimto M di eventualità, ognuna delle quali sia associata ad un valore pi
ignoto della probabilità; se, eseguite N prove indipendenti, indichiamo con
ni la frequenza assoluta con cui ognuna delle M eventualità si è presentata
nel corso di esse, quale è la stima di massima verosimiglianza, pi, per le
incogmte probabilità pi?
La funzione di verosimiglianza è, visto che la generica delle M eventuali-
tà, di probabilità pi, si è presentata ni volte, datag da
M
£<n;v> = l—[ri"i
tji
SA meno di un fattore moltiplicativo costante, corrispondente al numero di modi in cui
N oggetti si possono ripartire tra M gruppi in modo che ogni gruppo sia composto da ni
oggetti; numero delle partizioni ordinate (vedi in proposito il paragrafo A. 7).
Piè di pagina (non incluso)Piè di pagina (non incluso)
Riga 1: Riga 1:
{{RuleLeft|40%}}

<references/>