Questo tutorial spiega come eseguire le seguenti operazioni con le distribuzioni di campionamento in R:<\/span><\/p>\n Il codice seguente mostra come generare una distribuzione campionaria in R:<\/span><\/p>\n In questo esempio, abbiamo utilizzato la funzione rnorm()<\/a> per calcolare la media di 10.000 campioni in cui ciascuna dimensione del campione era 20 ed \u00e8 stata generata da una distribuzione normale con una media di 5,3 e una deviazione standard di 9.<\/span><\/p>\n Possiamo vedere che il primo campione aveva una media di 5,283992, il secondo campione aveva una media di 6,304845 e cos\u00ec via.<\/span><\/p>\n Il codice seguente mostra come creare un semplice istogramma per visualizzare la distribuzione del campionamento:<\/span> <\/p>\n Si pu\u00f2 notare che la distribuzione campionaria \u00e8 a campana con un picco vicino al valore 5.<\/span><\/p>\n Tuttavia, dalle code della distribuzione possiamo vedere che alcuni campioni avevano medie maggiori di 10 e altri avevano medie inferiori a 0.<\/span><\/p>\n Il codice seguente mostra come calcolare la media e la deviazione standard della distribuzione campionaria:<\/span><\/p>\n Teoricamente, la media della distribuzione campionaria dovrebbe essere 5,3. Possiamo vedere che la media campionaria effettiva in questo esempio \u00e8 5.287195<\/strong> , che \u00e8 vicina a 5.3.<\/span><\/p>\n E teoricamente, la deviazione standard della distribuzione campionaria dovrebbe essere uguale a s\/\u221an, che sarebbe 9 \/ \u221a20 = 2,012. Possiamo vedere che la deviazione standard effettiva della distribuzione campionaria \u00e8 2.00224<\/strong> , che \u00e8 vicina a 2.012.<\/span><\/p>\n Il codice seguente mostra come calcolare la probabilit\u00e0 di ottenere un determinato valore per una media campionaria, data la media della popolazione, la deviazione standard della popolazione e la dimensione del campione.<\/span><\/p>\n In questo esempio particolare, troviamo la probabilit\u00e0 che la media del campione sia inferiore o uguale a 6, dato che la media della popolazione \u00e8 5,3, la deviazione standard della popolazione \u00e8 9 e la dimensione del campione di 20 \u00e8 0,6417<\/strong> .<\/span><\/p>\n Questo \u00e8 molto vicino alla probabilit\u00e0 calcolata dal calcolatore della distribuzione campionaria<\/a> :<\/span> <\/p>\n Il codice R completo utilizzato in questo esempio \u00e8 mostrato di seguito:<\/span><\/p>\n Un’introduzione alle distribuzioni campionarie<\/a> Una distribuzione campionaria \u00e8 una distribuzione di probabilit\u00e0 di una determinata statistica basata su molti campioni casuali di una singola popolazione. Questo tutorial spiega come eseguire le seguenti operazioni con le distribuzioni di campionamento in R: Generare una distribuzione campionaria. Visualizzare la distribuzione campionaria. Calcolare la media e la deviazione standard della distribuzione campionaria. Calcolare […]<\/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
Generare una distribuzione campionaria in R<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#define number of samples\n<\/span>n = 10000\n\n#create empty vector of length n\n<\/span>sample_means = rep<\/span> (NA, n)\n\n#fill empty vector with means\n<\/span>for<\/span> (i in<\/span> 1:n){\n sample_means[i] = mean<\/span> ( rnorm<\/span> (20, mean=5.3, sd=9))\n}\n\n#view first six sample means\n<\/span>head(sample_means)\n\n[1] 5.283992 6.304845 4.259583 3.915274 7.756386 4.532656\n<\/strong><\/span><\/pre>\n Visualizzare la distribuzione campionaria<\/strong><\/span><\/h3>\n
#create histogram to visualize the sampling distribution<\/span>\nhist(sample_means, main = \"\", xlab = \" Sample Means<\/span> \", col = \" steelblue<\/span> \")\n<\/strong><\/span><\/pre>\n![\"Distribuzione](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/echantillonnagemoyenne1.png\")
<\/p>\n Trova la media e la deviazione standard<\/strong><\/span><\/h3>\n
#mean of sampling distribution<\/span>\nmean(sample_means)\n\n[1] 5.287195\n\n#standard deviation of sampling distribution\n<\/span>sd(sample_means)\n\n[1] 2.00224<\/strong><\/span><\/pre>\n Calcolare le probabilit\u00e0<\/strong><\/span><\/h3>\n
#calculate probability that sample mean is less than or equal to 6<\/span>\nsum(sample_means <= 6) \/ length(sample_means)\n<\/strong><\/span><\/pre>\n![\"Calcolo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/echantillonnagemoyenne2.png\")
<\/p>\n Il codice completo<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set.seed(0)\n\n#define number of samples\n<\/span>n = 10000\n\n#create empty vector of length n\n<\/span>sample_means = rep<\/span> (NA, n)\n\n#fill empty vector with means\n<\/span>for<\/span> (i in<\/span> 1:n){\n sample_means[i] = mean<\/span> ( rnorm<\/span> (20, mean=5.3, sd=9))\n}\n\n#view first six sample means\n<\/span>head(sample_means)\n\n#create histogram to visualize the sampling distribution\n<\/span>hist(sample_means, main = \"\", xlab = \" Sample Means<\/span> \", col = \" steelblue<\/span> \")\n\n#mean of sampling distribution\n<\/span>mean(sample_means)\n\n#standard deviation of sampling distribution\n<\/span>sd(sample_means)\n\n#calculate probability that sample mean is less than or equal to 6<\/span>\nsum(sample_means <= 6) \/ length(sample_means)\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Calcolatore della distribuzione campionaria<\/a>
Un’introduzione al teorema del limite centrale<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"