ESERCITAZIONI DI STATISTICA BIOMEDICA
ESERCITAZIONI DI STATISTICA BIOMEDICA
ESERCITAZIONI DI STATISTICA BIOMEDICA
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1.3 Funzioni di distribuzione 11<br />
dchisq(x, df, ncp=0, log = FALSE)<br />
pchisq(q, df, ncp=0, lower.tail = TRUE, log.p = FALSE)<br />
qchisq(p, df, ncp=0, lower.tail = TRUE, log.p = FALSE)<br />
df è il numero di gradi di libertà. È anche possibile calcolare la distribuzione di χ2 non centrale,<br />
specificando un valore positivo per il parametro di non centralità ncp. Per un esempio del suo utilizzo<br />
si veda la sezione 5.3.<br />
1.3.6 Distribuzione t<br />
Il rapporto fra una variabile casuale normale standard e la radice di una variabile casuale ∼ χ 2 (n)<br />
divisa per n segue una distribuzione di t di Student a n gradi di libertà.<br />
dt(x, df, ncp=0, log = FALSE)<br />
pt(q, df, ncp=0, lower.tail = TRUE, log.p = FALSE)<br />
qt(p, df, lower.tail = TRUE, log.p = FALSE)<br />
df rappresenta il numero di gradi di libertà. Specificando un valore positivo per ncp si può calcolare<br />
la distribuzione di t non centrale.<br />
1.3.7 Distribuzione F<br />
Il rapporto di due variabili casuali indipendenti distribuite rispettivamente ∼ χ 2 (df1) e ∼ χ 2 (df2),<br />
ognuna divisa per i rispettivi gradi di libertà, è distribuito secondo la distribuzione F a (df1, df2)<br />
gradi di libertà.<br />
df(x, df1, df2, log = FALSE)<br />
pf(q, df1, df2, ncp=0, lower.tail = TRUE, log.p = FALSE)<br />
qf(p, df1, df2, lower.tail = TRUE, log.p = FALSE)<br />
df1 e df2 sono i gradi di libertà di numeratore e denominatore.<br />
1.3.8 Distribuzione normale multivariata<br />
Per lo studio di campioni su cui sono misurate più variabili è spesso necessario ricorrere alla funzione<br />
di distribuzione normale multivariata, generalizzazione della distribuzione normale in più dimensioni.<br />
Si supponga di misurare su un campione p variabili, tutte di distribuzione normale e fra loro<br />
indipendenti. Sia µ il vettore che contiene le medie di dette variabili e Σ la loro matrice di covarianza.<br />
La densità:<br />
g(x) =<br />
1<br />
(2π) p/2|Σ|−1/2 exp[− 1<br />
2 (x−µ)T Σ −1 (x−µ)] , |Σ| = det(Σ) (1.1)<br />
è detta densità normale multivariata.<br />
L’ipotesi di indipendenza tra le variabili è fondamentale in quanto, se esse risultano tra loro dipendenti,<br />
è possibile che una ad una siano normalmente distribuite, ma che nell’insieme non soddisfino<br />
l’ipotesi di normalità multivariata. Un classico esempio coinvolge le variabili X ∼ N(0,1) e Y così<br />
definita:<br />
�<br />
X se |X| ≥ 1<br />
Y =<br />
−X se |X| < 1<br />
in questo caso sia X che Y hanno distribuzione normale, ma la loro distribuzione congiunta non è<br />
normale multivariata.<br />
LafunzionedidistribuzionenormalemultivariataèaccessibileinRdopol’installazionedellalibreria<br />
aggiuntiva mvtnorm, scaricabile dal sito della distribuzione [44]. Tale libreria implementa la funzione<br />
dmvnorm, che ritorna la densità di probabilità normale multivariata e la funzione rmvnorm che<br />
permette di generare dati da una distibuzione specificata.