þÿ:PROPERTIES: :ID: 21c3fa9e-0506-4659-aeb7-88b9acdfcc7b :ROAM_ALIASES: EPS :END: #+TITLE: Elementi di Probabilitá e Statistica #+filetags: university - Teacher: Roberta Sirovich - r-project.org - Editor: r-studio - Esame: - Quiz Moodle - Esercizi Probabilita’ - Esercizi Statistica (r) - Libri: - Bertsekasi - Tsitsiklis ~ Introduction to Probability * ottimo testo di teoria (MIT) - Ross ~ Introduction to Probability and Statistics for Engineers and Scientists * fonte di esercizi - Verzani ~ Using R for Introductory Statistics * esercizi di statistica - Esercizi aggiuntivi Pearson - secondo Moodle - Programma - *Probabilità*: - Spazio campionario e probabilità, insiemi, modelli probabilistici, probabilità condizionata, teorema delle probabilità totali, formula di Bayes, indipendenza. - Variabili aleatorie discrete, funzione di densità discreta, funzioni di variabili aleatorie, attesa, varianza. - Densità discreta congiunta di variabili multidimensionali, condizionamento e indipendenza, indipendenza condizionale. - Variabili aleatorie continue, funzione di densità, funzione di distribuzione cumulata. - Densità di probabilità variabili aleatorie multidimensionali. - Covarianza e correlazione. - Legge dei grandi numeri e teorema del limite centrale. - *Statistica*: - Introduzione a R. - Dati univariati, tipi di dati, indici riassuntivi di posizione, di variabilità e di forma. - Rappresentazioni grafiche, istogrammi,box plot e scatterplot. - Confronti qualitativi, dati appaiati. - Dati univariati categoriali e tabelle. - Inferenza statistica: stima puntuale, intervalli di confidenza (proporzioni, medie, varianze, differenze di medie). - Test di ipotesi (proporzioni, medie). * Probabilitá ** descrive eventi soggetti a ~casualitá~ - nasce nell‘ambito del gioco d‘azzardo ~ seconda metá del 800 *** esperimenti il cui esito non e’ prevedibile a priori *** casualita’ legata alla complessita’ - sarebbe descrivibile con strumenti classici ma cio’ solo con sistemi _troppo_ complessi, che non sappiamo risolvere ** Insieme *** collezione di oggetti (elementi) *** Naturali - contiene un numero n di elementi (finito o infinito) **** sono tutti elencabili ***** infinito numerabile *** Reali **** infinito non numerabile | piu’ che numerabile ***** descritti con una proprieta’ *** Uso in Probabilita’ gli insiemi sono usati per descrivere gli esiti possibili degli esperimenti probabilistici *** Se tutti gli elementi di A sono membri di B **** A e’ contenuto in B *** Omega **** insieme di ~tutti~ i possibili esiti *** Partizioni Ai di S **** insiemi che coprono S **** insiemi disgiunti a due a due *** Leggi di de Morgan ** Probabilitá di Eventi *** Modello probabilistico **** descrizione matematica del - esperimento probabilistico che stiamo analizzando - spazio campionario - ~legge di probabilita’~ - ad ogni esito (sottoinsieme di Omega) assegna un numero positivo detto ~probabilita’~ di tale evento **** =def= Legge di Probabilita’ P Insieme d‘arrivo [0,1] **** Assiomi ***** Positivita’ ***** Misura Finita Probabilita’ dello spazio campionario vale 1 ***** Additivita’ **** Proprieta’ della P dedotte dagli assiomi ***** Monotonia ***** P di Unione di 2 ins ***** P di unione <= P degli insiemi ***** P di Unione di 3 ins **** Modelli Continui - Probabilita’ come Area **** Esempi di P - Legge Uniforme Discreta - Frequenza Relativa di occorrenza - P come area - moneta equa - non truccata: le due facce sono =equipossibili= - moneta equa lanciata 3 volte - escano due teste - due volte dado a 4 facce equo **** Probabilita’ Condizionata Misura che permette di calcolare probabilita’ in condizioni di informazione parziale - Prende in considerazione informazioni \(P(A|B)=\frac{P(A\cap B)}{P(B)}\) o equivalentemente \(P(A\cap B) = P(A|B)\cdot P(B)\) \(P(A_1\cup A_2 | B) = P(A_1|B)+P(A_2|B)-P(A_1\cap A_2 |B)\) ***** regola della moltiplicazione Per eventi indipendenti \begin{equation*} \begin{split} P(A_1\cap A_2 \cap ... \cap A_n) = & P(A_n | A_1 \cap A_2 \cap ... \cap A_{n-1}) \cdot \\ & P(A_{n-1}|A_1 \cap A_2 \cap ... \cap A_{n-2}) \cdot \\ & ... \\ & P(A_2|A_1) \cdot P(A_1) \end{split} \end{equation*} ***** Formula delle probabilita’ totali In caso di $n$ partizioni di \(\Omega\) dette \(A_i\) \begin{equation*} \begin{align} P(B) = & P(B|A_1)\cdot P(A_1) + \\ & P(B|A_2)\cdot P(A_2) + \\ & ... \\ & P(B|A_n)\cdot P(A_n) \end{align} \end{equation*} ***** Formula di Bayes In caso di $n$ partizioni di \(\Omega\) dette \(A_i\) $P(A_i|B)=\frac{P(B|A_i)P(A_i)}{P(B)}$ **** Eventi indipendenti ~NB~ l‘indipendenza é una proprietá delle probabilitá, non degli eventi: dipende dalle misure Due eventi sono indipendenti se \(P(A|B)=P(A)\) Allora: \(\frac{P(A\cap B)}{P(B)} = P(A)\) \(P(A\cap B) = P(A)P(B)\) =def equivalente= Due eventi sono indipendenti se \(P(A\cap B) = P(A)P(B)\) \(P(B|A)P(A) / P(B)= P(A)\) per Bayes \(P(B|A)=P(B)\) =def equivalente= \(P(B|A)=P(B)\) - concetto intuitivo di indipendenza - due dadi lanciati sono indipendenti dal punto di vista meccanicistico Eventi senza intersezione non nulli non sono mai indipendenti - Quindi A e A complementare sono sempre dipendenti - quindi dati A e B indipendenti questi sono indipendenti dai complementari altrui ***** Indipendenza a due a due \begin{equation*} \begin{align} P(\{(i,j)\}) & = P(A_i \cap B_j) \\ & = P(A_i) \cdot P(B_j) \\ & = P^1(\{i\}) \cdot P^2(\{j\}) \end{align} \end{equation*} ***** Indipendenza Condizionata $A$ e $B$ sono indipendenti condizionatamente a $C$ se: \begin{equation*} \begin{align} P(A \cap B | C) = P(A|C) \cdot P(B|C) \end{align} \end{equation*} ***** Moltiplicazione Cartesiana La \(P\) di duple o n-uple é \(P=P^1*P^2*...*P^n\) ** Variabili Aleatorie In casi in cui l‘esperimento é numerico servono altri strumenti rispetto a quelli usati fino ad ora Una Variabile Aleatoria é una funzione da \(\Omega\) in \(\mathbb{R}\) - \(X,Y,Z\) variabili aleatorie - \(x,y,z\) punti di \(\mathbb{R}\) Dipendentemente dall‘immagine della variabile aleatoria questa sará discreta o continua *** Funzione della massa di Probabilitá =PMF= aka =Probability Mass Function= Probabilitá che una variabili aleatoria $X$ valga esattamente $x$, valore arbitrario $p_X(x_i)=P(X = x_i)$ - il grafico della funzione mostra la natura discreta o continua della variabile $X$ Dato che le variabili aleatorie sono funzioni: Le intersezioni delle controimmagini $X_{-1}$ sono a due a due disgiunte e coprono tutto $\Omega$ $\Rightarrow \sum_{x\in Im(X)} p_X(x)=1$ *** Funzioni di Variabili Aleatorie dove \(Y=g\comp X\) \(P_Y(y)= \sum_{x\in g^-1(\{y\})}P_X(x)\) *** Variabili Aleatorie Discrete **** Bernulliana Singola prova con risultato dicotomico **** Binomiale $p_X(k)=\binom{n}{k}p^k(1-p)^{n-k}$ con $k \in Im(X)=\{1,2,...\}$ **** Geometrica $p_X(k)=(1-p)^{1-p}p$ con $k\in Im(X)=\{1,2,...\}$ **** Poisson \(X \sim \text{Poisson}(\lambda)\) con $\lambda$ intensitá \(p_X(k) = \frac{\lambda^k e^{-\lambda}}{k!}\) **** Ipergeometrica \(p_X(k) = \frac{\binom{C}{k}\binom{N-C}{n-k}}{\binom{N}{n}}\) **** Media Informazioni riassuntive, piú semplici anche se parziali \(E(X) = \sum_{x\in Im(X)}x p_X(x)\) - media pesata sulle $p_X$ delle singole $x$ Questa ha il significato di $\lambda$ nella Poisson **** Momento di ordine $k$ \(m_k = E(X^k) = \sum_{x \in Im(X)} x^2 p_X(x)\) **** Varianza Anche detto scarto quadratico medio \(Var(X) = E([X-E(X)]^2)\) \(Var(aX+b) = a^2 Var(X)\) - quadratica nelle costante moltiplicative - invariante per traslazioni **** Deviazione Standard Radice della Varianza *** Variabili Aleatorie Composte =Indipendenza= \( p_{X,Y}(x,y) = p_X(x)p_Y(y) \) per generici $x$ e $y$ *** Variabili Aleatorie Continue [[/home/dan/Documents/UNI/II/EPS/epsA-04dic20.pdf][Appunti Prof]] \(Im(X)\) di natura continua - non possiamo usare la $PMF$ + in quanto l‘immagine non é numerabile, non possiamo associare ad ogni punto un valore Dato l‘intervallo $A$ abbiamo quindi una funzione \(f_x: \mathbb{R} \to \mathbb{R} \) non negativa t.c \(\forall A \subset \mathbb{R}\): - \(\mathbb{P}(X \in A) = \int_A f_{X}(t)dt\) + includendo o meno gli estremi la $P$ non cambia - \(\mathbb{P}(X \in A) = \mathbb{P}(X = a) = \int_a^a f_X(t)dt = 0\) Questa é detta $PDF$ =Probability Density Function= **** Proprietá - \(\int_\mathbb{R} f_X(t)dt = P(\Omega) = 1\) - \(\forall x \in \mathbb{R}, f_X(x) \ge 0\) - \(f_X(x)\) non é una probabilitá + puó essere un valore qualunque, anche maggiore di 1 - \(\int_x^{x+\delta}f_X(t)dt = f_X(x)\cdot\delta\) + se $\delta$ sufficientemente piccolo **** Uniforme $X$ ha densitá costante nell‘intervallo $f_X(x) = \frac{1}{b-a}$ nell‘intervallo $=0$ altrove Casi noti \(Unif[a,b]\) - media \(\frac{a+b}{2}\) - varianza \(\frac{(b-a)^{2}}{12}\) **** Attesa \( E(x) = \int^{+\inf}_{-\inf}x\cdot f_{x}dx \) - corrisponde (é la stessa cosa) alla media nelle VA Discrete + teoria piú avanzata **** Esponenziale $\mathbb{P}(X\in A), A \subset (-\inf, 0)$ é nulla La sua Densitá decade \( f_X(x) = \lambda\cdot e^{-\lambda x} \) se \(x \ge 0\) \( = 0\) altrove - $X$ prende solo valori positivi Vale Proprietá di =Assenza della Memoria= - \( \mathbb{P}(X > m \mid X>n) = \mathbb{P}(X> m-n) \) + cambia l‘origine dei tempi nel calcolo della probabilitá di sopravvivenza - =NB= $PDF$ simile alla $PMF$ della Geometrica + anche in quella Variabile Aleatoria vale la Proprietá di Assenza della Memoria Casi noti \(Espon[a,b]\) - media \(\frac{1}{\lambda}\) - varianza \(\frac{1}{\lambda^{2}}\) **** Normale o Gaussiana \(N(\mu , \sigma^2)\) - media - varianza \(f(x) = \frac{1}{\sqrt{2\pi \sigma^2}} \cdot e^{ - \frac{ (x - \mu)^2 }{ 2 \sigma^2 } \) =NB= - $f(\mu)$ massimo della curva e punto medio / asse di simmetria - $\sigma^2$ grande $\to$ $f(\mu)$ piccolo + curva bassa - $\sigma^2$ piccolo $\to$ $f(\mu)$ grande + curva alta - mantenendo sempre l‘area costante = 1 + alta $\to$ stretta + bassa $\to$ larga La classe delle VA Normali é chiusa rispetto a traslazione e dilatazione \(N(0 , 1)\) é la ~normale standard~ \( \ \) ** Funzione di Distribuzione Cumulata *CDF* Non dipende dalla natura delle VA \( F_x : \mathbb{R} \to \mathbb{R} \) \( x \to F_X (x) = P(X \le x) = P(X \in [-\infty , x])\) *** Proprietá comuni Non ha importanza la natura delle variabili in questione - la $P$ é continua, si comporta bene con i limiti - \(\lim_{x \to \infty} F_X(x) = \lim_{x \to \infty} P(X \le x) = 1 = P(\Omega)\) - \(\lim_{x \to -\infty} F_X(x) = \lim_{x \to -\infty} P(X \le x) = 0 = P(\emptyset)\) - Monotona Crescente ** Funzione Quantile Inversa della Funzione di Distribuzione * Statistica ** Dati =Dati univariati= - Consideriamo una variabile alla volta - Generalmente si parla di =campionamenti= - Non posso raggiungere tutti gli individui della popolazione (Che sarebbe invece un censimento) - Misurare una parte della popolazione scelta casualmente - Estrarre in maniera casuale e rappresentativa della popolazione intera I dati univariati non si trattano in relazione ad altre variabili ** Tipologie di dati Tassonomie - Factors Variabili che codificano l‘appartenenza ad un gruppo - Character Data Identificativi - Discrete Data Numerici / Quantitativi - Continuous Data Numerici/ Quantitativi di natura continua ~NB~ Le matrici sono definite con - Soggetti sulle Righe - Variabili sulle Colonne ** Analisi dei Dati *** Descrittiva Una pre-analisi dei dati per poter capire la qualita’ dei dati - Per dati numerici - =Indici= - =posizione= - Media campionaria ~mean()~ - media aritmetica - la media e’ sensibile ai dati estremi, viene spostata facilmente da valori molto alti o molto bassi - Mediana ~median()~ - lascia meta’ delle osservazioni alla sua destra e meta’ alla sua sinistra - la differenza tra media e mediana indica in che direzione si trovano i valori estremali che influenzano maggiormente la media - Percentili ~quantile()~ - =dispersione= - Varianza Campionaria - la cui radice e’ la deviazione standard ~sd()~ - per un guess ci si puó basare sulla variabile gaussiana - \((\mu + 3\sigma , \mu - 3\sigma)\) in una campana comprenderá il 99% dell‘area - z-scores - Valori standardizzati - coefficiente di variazione ~cv()~ - >1 disperso - <1 concentrati - =1 - =skewness= - Indice di distorsione - media degli z-scores al cubo - \(\frac{1}{n}\sum z_{i}^{3}\) - ~0 - i dati sono simmetrici - >0 - asimmetria verso destra(rispetto alla media) - piu’ valori || piu’ grandi - asimmetria verso sinistra - variabilita’ - forma - =Grafici= - Istogrammi - ~hist()~ 1. Binning dell‘asse delle $x$ 2. Conto delle osservazioni che cadono in ogni bin 3. Raggruppo in rettangoli con altezza proporzionale al conteggio + questo perche’ l‘area e’ un‘indicazione della probabilita’ - danno un‘idea della ~PDF~ - Box Plot - ~boxplot()~ - Box tra primo quartile e terzo - contiene il 50% della massa centrale - indica nel Box il secondo quartile - whiskers - punti considerati troppo lontani dal box - si allontanano in maniera anomala, dispersi - ~outliers~ - Per dati qualitativi - riguarda categorie e fattori - Grafico a barre ~barchart()~ - qui solo l‘altezza ha un significato, non l‘area - Torta ~pie()~ **** Bivariata Considerare _due variabili_ - qualitativa + quantitativa ~ToothGrowth~ - considerare se esistono differenze nella distribuzione della quantitativa nei diversi gruppi definiti dalla qualitativa - controllo se i ~box()~ si sovrappongono - quantitativa + quantitativa ~fat~ - esiste una relazione funzionale (lineare) tra le due variabili quantitative? - Scatterplot ~plot()~ - idea indicativa - =indici di correlazione= ~cor()~ - Correlazione di Pearson ~simile al coefficiente angolare della retta su cui posano~ - \(\frac{1}{n-1} \sum (\frac{x_i - x^_}{s_x})(\frac{y_i - y}{s_y})\) - osservazioni della variabile sono standardizzate - MA varia molto in base ai valori outliers - stessi problemi della media campionaria - =0 nuvola _non distribuita_ sulla retta - >0 c‘é correlazione _lineare_ - <0 correlazione _lineare inversa_ - Correlazione di Spearman - valuta la monotonia - conta le coppie concordi e discordi - =correlazione NON É causalitá= - qualitativa + qualitativa ~grades~ - si tabulano in - tabelle a doppia entrata - indici - Tau di Kendall - indice di concordanza - i fattori devo quindi avere un ordinamento *** Inferenziale O =Inferenza Parametrica= Campione casuale di variabili $(X_1, X_2, ... , X_n)$ Dati $(x_1,x_2, ... , x_n)$ - =Statistica Parametrica= - ipotesi di conoscere la distribuzione ma non i parametri di questa - =Stimatori= - Media Campionaria - $\bar{X}=\frac{1}{n} \sum_{i=1} X_i$ - Deve essere calcolabile - no incognite - Varianza Campionaria - $\delta^2 = \frac{1}{n-1}\sum_{i=1}(X_i - \bar{X})^2$ - Leggi dei Grandi Numeri (taglia $n \ge 30$) ~(famiglia di teoremi)~ - Mostrano il legame tra gli stimatori e i parametri - Data una collezione di V.A.indipendenti e identicamente distribuite: - \( \lim_{n \to \infty} \bar{X} \simeq \mathbb{E}(X_1) \) - ~NB~ $E(X_1)$ é in funzione dei parametri - $\lim_{n\to\infty} \delta^2=Var(X_1)$ - Un Teorema del Limite Centrale - Data una collezione di V.A.indipendenti e identicamente distribuite: - $\lim_{n\to\infty}\mathbb{P}(\frac{\bar{X} - \mathbb{E}(X_1)}{\frac{sd(X1)}{\sqrt{n}}}\le x) \simeq \mathbb{P}(Z \le x)$ - dove $Z \sim N(0,1)$ - \[lim_{n\to\infty}\bar{X} \simeq N(\mathbb{E}(X_1), \frac{Var(X_1)}{n})\] - convergenza veloce, giá a valori bassi - ~NB~ - in una normale \[N(\mu , \delta^2)\] - \[ \bar{X} = N(\mu , \frac{\delta^2}{n}) \] - \[\lim_{n\to\infty}\mathbb{P}(\frac{\delta^2 - Var(X_1)}{\frac{1}{\sqrt{n}}} \le x) \simeq \mathbb{P}(Z\le x)\] - con \[Z \sim N(0 , ?)\] - in una normale - \[\frac{\delta^2(n-1)}{Var(X_1)} \sim \chi^2(n-1)\] - una Chiquadro con n-1 gradi di libertá **** Intervalli di Confidenza Restituire due cose 1) Intervallo \[[a,b]\] 2) Confidenza \[1-\alpha\] - anche probabilitá #+begin_quote La =confidenza/probabilitá= che l‘intervallo \[[a,b]\] contenga il =valore vero= del parametro in seguito é \[1-\alpha\] #+end_quote ***** Media - Processo di Deduzione Se voglio una maggiore Confidenza l‘intervallo di confidenza sará maggiore vero metodo diminuire l‘intervallo é aumentare la taglia campionaria 1. Avere una =quantitá pivotale= per la Media - V.A. funzione del campione casuale e del parametro incognito - deve avere una distribuzione nota e calcolabile - ovvero deve averne tutti i parametri - indichiamo \[\mu = \mathbb{E}(X_{1})\] - \[\frac{\bar{X} - \mu}{\frac{S}{\sqrt{n}}}\] - dove \[S = \sqrt{\delta^2}\] - Teoremi dimostrano che: - $t$ di Student - molto simile ad una normale, ma piú pesante sulle code - all‘aumentare dei gradi di libertá diventa indistinguibile ad una normale - La Quantitá Pivotale é simile ad una $t$ di Student con $(n-1)$ gradi di libertá - $t(n-1)$ - se \(n \ge 30\) sempre, la taglia deve essere abbastanza grande 2. \[\mathbb{P}(z_1 \le \frac{\bar{X} - \mu}{\frac{S}{\sqrt{n}}} \le z_2) = 1-\alpha = 0,95\] - L‘area compresa tra $z_1$ e $z_2$ di una PDF della $t(n-1)$ varrá $0,95$ (la confidenza) - sono infinite le coppie di $z$ in quanto si spostano insieme - per convenzione viene scelta la coppia di percentili simmetrici - rispetto le aree - le aree a sinistra di $z_1$ e a destra di $z_2$ devono essere uguali 3. Invertire la catena di disugualianze per isolare $\mu$ (unica incognita) - \[\mathbb{P}(\bar{X} - t0,925 \cdot \frac{S}{\sqrt{n}} < \mu < \bar{X} - t0,025 \cdot \frac{S}{\sqrt{n}}) = 0,95 \] - A questo punto ho l‘intervallo di confidenza In caso che la taglia $n < 30$ la $t(n-1)$ non é una buona approssimazione Allora devo guardare i casi particolari delle distribuzioni (Normale) - Se le variabili sono \[\sim N(\mu , \delta^2)\] - \[\frac{\bar{X}-\mu}{\frac{S}{\sqrt{n}}} \sim t(n-1)\] ***** Proporzioni Parametro: =Proporzione= $p$ Supponiamo di campionare da una V.A. di Bernoulli($p$) - il caso per tutti le variabili categoriali (qualitative) con solo 2 etichette $\mathbb{E}(X) = 1\cdot p + 0 \cdot (1-p) = p$ - NB: $\mathbb{E}(X) = \mathbb{E}(\bar{X})$ La proporzione e’ anche la media della bernulli 1. Quantitá Pivotale - \[Q = \frac{\frac{1}{n}\sum_{i=1}^{n} X_i - p}{\sqrt{\frac{p(1-p)}{n}}}\] + molto simile alla quantitá pivotale per la media di popolazione - $p(1-p) = Var(X)$ - $Q$ circa $N(0,1)$ a $\infty$ + se $n<30$ non possimo fare nulla, abbiamo gia’ ipotizzato di campionare da una Bernulli 2. \[\mathbb{P}(z_1 < Q < z_2) = 1 - \alpha = 0,95\] - due percentili (solitamente vengono prese simmetriche) - qnorm(0.025) e qnorm(0.975) 3. Estrarre l‘incognita $p$ - \[\mathbb{P}(a < p < b) = 1-\alpha\] $[a,b]$ e’ l‘intervallo di confidenza cercato #R binom.test() -- esatta prop.test() -- approssimata ***** Differenza di Medie - pazienti non trattati e trattati farmacologicamente + campioni indipendenti * 1 Variabile pressione + 1 variabile qualitativa (prende il farmaco o no) * differenza di medie - peso di pazienti prima e dopo dieta + campioni appaiati * 2 Variabili (peso prima e peso dopo) * Intervallo di confidenza della media delle differenze Abbiamo $Q \sim t(n-1), n\to \infty$ #R t.test() **** Test di Ipotesi Altro modo per leggere le stesse informmazioni rispetto agli intervalli di confidenza - Ipotesi - ovvero proposizione che riguarda i parametri - =Ipotesi nulla= $H_0$ + ipotesi in cui credo e baso il ragionamento - =Ipotesi Alternativa= $H_1$ + puó portare ad abbandonare/rifiutare l‘ipotesi nulla - se i dati ti costringono - le Ipotesi possono essere + composte - $\mu > 10$ + one-sided | unilaterali - $\mu \neq 10$ + two-sided | bilaterali + semplici - $\mu = 10$ Testo la Media campionaria rispetto all‘ipotesi ($p\text{-value}$) - \[\mathbb{P}(\frac{1}{n}\sum_{i=1}^{n}X_i > \bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i) = p\] - a sinistra del > ho la PDF sotto $H_0$ - se $p$ piccolo (minore di $\alpha$) + abbandono $H_0$ - se $p$ grande (maggiore di $\alpha$) + mantengo $H_0$ - confrontando $p$ con $\alpha$ - questa non la sappiamo calcolare (non sappiamo la distribuzione) Trasforma in quantitá pivotale - $\mathbb{P}(Q > \frac{\bar{x}-\mu}{\frac{S}{\sqrt{n}}})=p$ - $Q \sim t(n-1)$