<\/p>\n
Nelle statistiche, spesso vogliamo utilizzare campioni<\/a> per trarre conclusioni sulle popolazioni attraverso test di ipotesi<\/a> o intervalli di confidenza<\/a> .<\/span><\/p>\n La maggior parte delle formule che utilizziamo nei test di ipotesi e negli intervalli di confidenza presuppongono che un dato campione segua approssimativamente una distribuzione normale<\/a> .<\/span><\/p>\n Tuttavia, per formulare in modo sicuro questa ipotesi, dobbiamo garantire che la dimensione del nostro campione sia sufficientemente ampia. Nello specifico, dobbiamo garantire che sia soddisfatta la condizione del campione ampio<\/strong> .<\/span><\/p>\n La condizione del campione ampio:<\/strong> la dimensione del campione \u00e8 almeno 30.<\/span><\/p>\n<\/blockquote>\n Nota:<\/strong> in alcuni libri di testo, una dimensione del campione \u201csufficientemente grande\u201d \u00e8 definita come almeno 40, ma il numero 30 \u00e8 pi\u00f9 comunemente utilizzato.<\/em><\/span><\/p>\n Quando questa condizione \u00e8 soddisfatta, si pu\u00f2 assumere che la distribuzione campionaria delle medie campionarie<\/a> sia approssimativamente normale. Questa ipotesi ci consente di utilizzare i campioni per trarre conclusioni sulle popolazioni da cui sono estratti.<\/span><\/p>\n Il motivo per cui viene utilizzato il numero 30 si basa sul teorema del limite centrale. Puoi leggere di pi\u00f9 a riguardo in questo post del blog<\/a> .<\/span><\/p>\n Supponiamo che una certa macchina crei cracker. La distribuzione del peso di questi biscotti \u00e8 sbilanciata verso destra con una media di 10 once e una deviazione standard di 2 once. Se prendiamo un campione casuale di 100 biscotti prodotti da questa macchina, qual \u00e8 la probabilit\u00e0 che il peso medio dei biscotti in questo campione sia inferiore a 9,8 once?<\/span><\/p>\n Per rispondere a questa domanda possiamo utilizzare il normale calcolatore CDF<\/a> , ma prima dobbiamo verificare che la dimensione del campione sia sufficientemente grande da assumere che la distribuzione della media campionaria sia normale.<\/span><\/p>\n In questo esempio, la dimensione del nostro campione \u00e8 n = 100<\/strong> , che \u00e8 molto pi\u00f9 grande di 30. Nonostante il fatto che la vera distribuzione del peso dei cookie sia distorta verso destra, poich\u00e9 la dimensione del nostro campione \u00e8 “abbastanza grande”, possiamo supporre che la distribuzione della media campionaria \u00e8 normale. Quindi potremmo tranquillamente utilizzare il normale calcolatore CDF per risolvere questo problema.<\/span><\/p>\n Spesso, una dimensione del campione \u00e8 considerata “abbastanza grande” se \u00e8 maggiore o uguale a 30, ma questo numero pu\u00f2 variare leggermente a seconda della forma sottostante della distribuzione della popolazione.<\/span><\/p>\n Particolarmente:<\/span><\/p>\n A seconda della forma della distribuzione della popolazione, potrebbe essere necessaria una dimensione del campione maggiore o minore di 30 affinch\u00e9 si applichi il teorema del limite centrale.<\/span><\/p>\n Introduzione al teorema del limite centrale<\/a> Nelle statistiche, spesso vogliamo utilizzare campioni per trarre conclusioni sulle popolazioni attraverso test di ipotesi o intervalli di confidenza . La maggior parte delle formule che utilizziamo nei test di ipotesi e negli intervalli di confidenza presuppongono che un dato campione segua approssimativamente una distribuzione normale . Tuttavia, per formulare in modo sicuro questa ipotesi, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Esempio: controllo dello stato di un campione di grandi dimensioni<\/strong><\/span><\/h3>\n
Cambiamenti nella condizione di campioni di grandi dimensioni<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Introduzione alle distribuzioni campionarie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"