Facoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B
|
|
- Gemma Grandi
- 5 anni fa
- Visualizzazioni
Transcript
1 Facoltà di Psicologia Università di Padova Anno Accademico Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 15/12/2010
2 Da lunedì 6/12 a giovedì 20/01/2011 Lunedì, ore , aula Bassi- F Martedì, ore , aula Ef- 1 Mercoledì, ore , aula Ef- 1 Giovedì, ore , aula Ef- 1 Ricevimento: martedì, ore 9.00, Lab B08 si prega di inviare una mail Esame: Frequentanti Sessioni ordinarie
3 Cristante, Lis, Sambin (2001). Statistica per psicologi. Giunti, Firenze. in particolare capitolo IV- V Per approfondire: Cristante, Lis, Sambin (1991). Problemi di statistica per psicologi. Domeneghini, Padova. Vidotto, Xausa, Pedon (1996). Statistica per psicologi. Il Mulino, Bologna. Keppel, Saufley, Tokunaga (2001). Disegno sperimentale e analisi dei dati in psicologia. EdiSES, Napoli.
4 Relazioni tra variabili La correlazione lineare Il coefficiente di correlazione lineare di Pearson Il calcolo della covarianza Il calcolo della correlazione Analisi correlazionale Il significato di R 2 Correlazione parziale e correlazione multipla
5
6 Per correlazione si intende la misura di una relazione tra due variabili tale che a ciascun valore della prima variabile corrisponda con una certa regolarità un valore della seconda. Non si tratta di un rapporto di causa ed effetto ma semplicemente della tendenza di una variabile a variare assieme ad un'altra.
7 Scopo dell analisi di correlazione lineare bivariata è studiare la relazione tra due variabili quantitative Xe Y. L analisi di correlazione bivariata è una metodologia simmetrica in cui si considerano le variabili X e Y sullo stesso piano causale.
8 Metodi asimmetrici vs. metodi simmetrici I metodi asimmetrici vengono utilizzati per studiare relazioni di tipo causa ed effetto tra le variabili. Es. il ricercatore ipotizza a priori una relazione causale tra le due variabili: una viene considerata dipendente e l altra indipendente (ad es. Analisi di Regressione). Nei metodi simmetrici non viene ipotizzata una relazione causale tra le variabili. Non esiste quindi la suddivisione tra variabile dipendente e variabile indipendente, ma le due variabili vengono considerate sullo stesso piano (ad es. Analisi di Correlazione).
9
10
11 X Y Due variabili sono legate da una relazione causale diretta quando un mutamento nella variabile causa produce un mutamento nella variabile effetto Ad esempio: - I fenomeni fisici: accendere il riscaldamento aumenta la temperatura di un appartamento
12 X Y Due variabili sono legate da una relazione causale reciproca (o retroazione, simultaneità, mutua relazione) quando un mutamento nella variabile causa produce un mutamento nella variabile effetto e viceversa, anche in tempi differenti. Ad esempio: prezzo domanda; identificazione e partecipazione nei gruppi
13 Z X Y Presenza di covariazione in assenza di causazione. La covariazione fra due variabili è provocata da una terza variabile che agisce causalmente sulle prime. Ad esempio: Numero di pompieri e dimensione dell incendio Cicogne sui camini e numero di figli per famiglie Gelati consumati e voti al partito dei pensionati
14 Z X Y Si ha relazione causale indiretta tra due variabili X e Y quando il loro legame causale è mediato da una terza variabile Z, detta interveniente. Ad esempio: Razza e quoziente di intelligenza, mediato da istruzione
15 Z X Y Si ha relazione causale condizionata, o interazione, quando la relazione tra due variabili cambia a seconda del valore assunto da una terza. Ad esempio: Età e ascolto di musica classica, solo in interazione con livello culturale.
16 Se scegliamo un gruppo di fenomeni sociali senza precedente conoscenza di causazione o di non- causazione fra essi, il calcolo dei coefficienti di correlazione non ci farà avanzare di un passo nella direzione della comprensione delle cause in opera [ Fisher, 1925 ]
17
18 Scala nominale Coefficiente di contingenza C Scala ordinale Coefficiente di correlazione r s di Spearman Coefficiente di correlazione τ di Kendall Scala intervallo Coefficiente di correlazione r xy prodotto- momento di Pearson
19 Scala intervallo Una variabile dicotomizzata Coefficiente di correlazione biseriale Scala intervallo Entrambi le variabili dicotomizzate Correlazione tetracorica
20 Il coefficiente di correlazione lineare di Bravais - Pearson misura il tipo e l intensità della relazione lineare tra due variabili X e Y. Esso si indica: con la lettera greca ρ se viene calcolato su tutta la popolazione oggetto dell indagine; con la lettera r se viene calcolato su un campione rappresentativo della popolazione.
21 Il coefficiente di correlazione lineare varia sempre tra - 1 e 1 Il valore assoluto di r, che varia tra 0 e 1, da informazioni sulla forza della relazione lineare: è massimo (assume valore 1) quando esiste una perfetta relazione lineare tra le due variabili. tende a ridursi al diminuire dell intensità della relazione lineare e assume il valore 0 quando essa è nulla.
22 Il segno di r (+ o - ) da informazioni sul tipo di relazione: il segno positivo indica che le due variabili aumentano o diminuiscono assieme (relazione lineare positiva) il segno negativo indica che all aumentare di una variabile l altra diminuisce e viceversa (relazione lineare negativa)
23 I valori che può assumere r : r = - 1 : perfetta relazione lineare negativa r = 0 : assenza di relazione lineare r = +1 : perfetta relazione lineare positiva
24
25 Covarianza e correlazione
26 Il coefficiente di correlazione (Bravais- Pearson) è definito come: r = Varianza che x e y hanno in comune covarianz s X s Y Variabilità x Variabilità y Il grado in cui le variabili x y variano assieme La varianza spiega la deviazione di un punteggio dalla sua media
27 Il coefficiente di correlazione (Bravais- Pearson) è definito come: Dove: cov XY s X s Y r XY = cov XY s X s Y è la covarianza tra X e Y; è la deviazione standard di X è la deviazione standard di Y
28 La covarianza esprime l intensità con cui due variabili variano assieme : Dove: X Y N cov XY = n # i=1 è la media di X; è la media di Y; ( X i " X) ( Y i "Y) n "1 è la numerosità del campione
29 La covarianza può anche essere riscritta come: cov XY = " XY # " X" Y n #1 n
30 Ricordo che la deviazione standard esprime la variabilità dei dati rispetto alla media: s X = Dove: X N n # i=1 ( X i " X) 2 n "1 è la media di X; = n # i=1 è la numerosità del campione $ n X 2 i "&# % i=1 n "1 X i ' ) ( 2 n
31 Da cui si deduce che la correlazione è definita anche come: r XY = n "( X i! X) Y i!y n i=1 n " i=1 ( ) "( X i! X) 2 Y i!y i=1 n " i=1 ( ) 2
32 La correlazione lineare tra due variabili X e Y è altresì riscrivibile come: Dove: r XY!Z Z r = ix iy XY n Coefficiente di correlazione Zix Ziy Punto z relativo al valore i della variabile X Punto z relativo al valore i della variabile Y Zix Ziy Prodotto dei punti z dei due valori associati delle variabili X e Y
33 r XY =!Z ix Z iy n Z X = X! X s X Z Y = Y!Y s Y r XY = # ( X " X) ( Y "Y) ( ) s x s y n "1
34 Utilizzando le formule semplificate, è possibile definire r come: r XY = cov XY s X s Y,cov XY = " XY # " X" Y n n #1,s X = " X 2 # " X ( ) 2 n n #1 r XY = n # n &# n & n! X i Y i "%! X i (%! Y i ( $ ' $ ' i=1 n # n & 2 n! X i "%! X i ( $ ' i=1 i=1 i=1 2 i=1 n # n & 2 n! Y i "%! Y i ( $ ' i=1 i=1 2 da Cristante et al., p. 380
35
36 Supponiamo di avere misurato la statura di 10 bambini di età compresa tra 6 e 12 anni e di riportare i dati su una tabella: Età Statura
37 Statura (cm) Riportando i valori su un diagramma di dispersione otterremo il grafico: Eta (anni) Età Statura
38 Partendo dai dati in tabella possiamo procedere con il calcolo della correlazione tra le variabili età e statura. Procediamo prima con il calcolo della covarianza, poi delle deviazioni standard, ed infine della correlazione. r XY = cov XY s X s Y
39 Età Statura (X) (Y) cov XY = n =10 eta = stat = n # i=1 ( X i " X) ( Y i "Y) n " =132.3 = 8.7
40 cov XY = Età Statura (X) (Y) X = 8.7 Y =132.3 n # i=1 ( X i " X) ( Y i "Y) n "1 X i - X Y i - Y (X i - X) (Y i - Y)
41 cov XY = Età Statura (X) (Y) X = 8.7 Y =132.3 n # i=1 ( X i " X) ( Y i "Y) n "1 cov XY = X i - X Y i - Y (X i - X) (Y i - Y) "1 = 23.66
42 Età Statura (X) (Y) XY n 854 = cov XY =! X = 87! Y =1323! XY =11723 cov XY = " XY # " X" Y n n #1 87# " "1 = 23.66
43 Dopo aver calcolato la covarianza, possiamo procedere con il calcolo delle deviazioni standard per le due variabili: s X = n # i=1 ( X i " X) 2 n "1 = n # i=1 X i 2 " $ & % n "1 n # X i i=1 n ' ) ( 2
44 Età Statura (X) (Y) X i - X (X i - X) s X = " X = 87 n # i=1 ( X i " X) 2 n "1 "( X i # X ) 2 = 38.1 s X = #1 = 2.06
45 Età Statura (X) (Y) Y i - Y (Y i - Y) s Y = " Y =1323 n # i=1 ( Y i "Y) 2 n "1 "( Y i #Y ) 2 = s Y = #1 =11.65
46 Età Statura (X) (Y) X 2 Y n = s X = " X = 87 " X 2 = 795 s x = n # i=1 X i 2 " $ & % n "1 795 # ( 87) #1 n # X i i=1 n ' ) ( =
47 Età Statura (X) (Y) X 2 Y n = s Y = n # i=1 " Y =1323 " Y 2 = s y = Y i 2 " $ & % n " # ( 1323) #1 n # Y i i=1 n ' ) ( 2 =11.65
48 Abbiamo ora tutti gli elementi per calcolare la correlazione tra età e statura: r XY = cov XY s X s Y = ( 2.06) ( 11.65) = Tale valore indica una correlazione positiva molto forte (in quanto prossima a +1). r =
49 Utilizzando la formula semplificata, è possibile calcolare r anche: r XY = n # n &# n & n! X i Y i "%! X i (%! Y i ( $ ' $ ' i=1 # n n! 2 X i "%! X i i=1 $ i=1 & ( ' i=1 2 i=1 # n n! 2 Y i "%! Y i i=1 $ i=1 & ( ' 2
50 Età Statura (X) (Y) XY X 2 Y n =10! X = 87! Y =1323! X 2 = 795! Y 2 =176255! XY =11723 r XY = r XY = n X 2 n! XY " X! "! X!! Y ( ) 2 n Y 2 ( ) 2 =! "! Y 10 #11723" 87# # 795" #176255" = # =
51
52 10 soggetti di età superiore ai 60 anni sono stati sottoposti ad un test di abilità motorie con i seguenti risultati: soggetto età (anni) Abilità motorie soggetto 1 età 60 abilità 40 (anni) motorie X Y
53 Abilità motorie Eta (anni) Abilità età (anni) motorie
54 Si calcoli la correlazione tra età e punteggio di abilità motorie. X Y Σ= Σ= Σ= XY Possiamo procedere con il calcolo della covarianza tra X e Y: cov XY = " XY # " X" Y n #1 n
55 Si calcoli la correlazione tra età e punteggio di abilità motorie. X Y Σ= Σ= Σ= XY cov XY = cov XY = " XY #! X = 733! Y = 203! XY =14325 " X" Y n n #1 733# " "1 = "61.66
56 Sapendo che: r XY = cov XY s X s Y Si procede ora con il calcolo delle deviazioni standard campionarie di X e Y: s X = n # i=1 X i 2 " $ & % n "1 n # X i i=1 n ' ) ( 2 s Y = n # i=1 Y i 2 " $ & % n "1 n # Y i i=1 n ' ) ( 2
57 È necessario procedere con il calcolo delle sommatorie dei quadrati: X Y X 2 Y 2 XY ! X = 733! Y = 203! X 2 =! Y 2 =! XY =14325 Σ= Σ= Σ= Σ= Σ=
58 È necessario procedere con il calcolo delle sommatorie dei quadrati: X Y X 2 Y 2 XY ! X = 733! Y = 203! X 2 = 54183! Y 2 = 5019! XY =14325 Σ= Σ= Σ= Σ= Σ=
59 Calcoliamo le deviazioni standard s X = s Y = " X 2 # " Y 2 # n #1 n #1 (" X) 2 ("Y) 2 n n = 7.10 = 9.99
60 Da cui deriva: r XY = cov XY s X s Y = " # 9.99 = "0.869 Si deduce che tra le variabili età e abilita motorie vi è una correlazione negativa.
61 Si calcoli la correlazione tra età e punteggio di abilità motorie. X Y r XY = n! XY " X! "! X n X 2!! Y ( ) 2 n Y 2 ( ) 2! "! Y
62 Innanzitutto procediamo calcolando le sommatorie dei quadrati e del prodotto: X Y X 2 Y 2 XY Σ= Σ= Σ= Σ= Σ=
63 Innanzitutto procediamo calcolando le sommatorie dei quadrati e del prodotto: X Y X 2 Y 2 XY ! X = 733! Y = 203! X 2 = 54183! Y 2 = 5019! XY =14325 Σ= Σ= Σ= Σ= Σ=
64 A questo punto possiamo calcolare la correlazione tra le variabili:! X = 733! Y = 203! X 2 = 54183! Y 2 = 5019! XY =14325 r XY = r XY = r XY = n X 2 n! XY " X! "! X!! Y ( ) 2 n Y 2 ( ) 2 =! "! Y 10 #14325" 733# # 54183" # 5019 " 203 = 2 " = "0.869
65 Il coefficiente di correlazione indica una forte correlazione negativa tra età e abilità motorie. Abilità motorie Eta (anni) r XY =!0.869
66 Si calcoli il coefficiente di correlazione tra il punteggio ottenuto ad un test di abilita di lettura (X) e il numero di ore a settimana dedicate alla lettura (Y): id Abilità Lett. (X) Ore (Y) Ore (Y) Abilità di Lettura (X)
67 Per il calcolo del coefficiente di correlazione si utilizzi la formula semplificata: X Y X 2 Y 2 XY
68 Per il calcolo del coefficiente di correlazione si utilizzi la formula semplificata: X Y X 2 Y 2 XY ! X = 49! Y = 80! X 2 = 455! Y 2 =1138! XY = 632
69 Per il calcolo del coefficiente di correlazione si utilizzi la formula semplificata:! X = 49! Y = 80! X 2 = 455! Y 2 =1138! XY = 632 r XY = r XY = r XY = n X 2 n! XY " X! "! X!! Y ( ) 2 n Y 2 ( ) 2 =! "! Y 7# 632 " 49 #80 7# 455" #1138"80 = = 0.455
70 Il coefficienti di correlazione indica la presenza di una associazione lineare media tra abilità di lettura e ore dedicate alla lettura. 25 Ore (Y) r XY = Abilità di Lettura (X)
71 Si calcoli il coefficiente di correlazione tra le due variabili riportate in tabella: X Y
72 Si calcoli il coefficiente di correlazione tra le due variabili riportate in tabella: X Y X 2 Y 2 XY n =! X =! Y =! X 2 =! Y 2 =! XY =
73 Si calcoli il coefficiente di correlazione tra le due variabili riportate in tabella: X Y X 2 Y 2 XY n = 7! X = 928! Y = 202! X 2 =124982! Y 2 = 8148! XY = 27093
74 Si calcoli il coefficiente di correlazione tra le due variabili riportate in tabella: n = 7! X = 928! Y = 202! X 2 =124982! Y 2 = 8148! XY = r XY = r XY = r XY = n X 2 n! XY " X! "! X!! Y ( ) 2 n Y 2 ( ) 2 =! "! Y 7# 27093" 928# 202 7# " #8148" 202 = = 0.147
75 r XY =
76
77 Un valore molto basso di r non deve essere interpretato senza prima aver visto il diagramma di dispersione La correlazione tra variabili non deve (mai) essere interpretata in termini di causa effetto: X causa Y; Y causa X; sia X che Y sono causate da una terza variabile La presenza di valori outlier può modificare sostanzialmente il coefficiente r
78 Statura (cm) Eta (anni) Eta (anni) r XY = r XY = Statura (cm)
79 Cosa fare in caso di dati mancanti? Età Statura Escludere la rilevazione: r XY = Sostituire il dato mancante con la media: Y = r XY = 0.961
80 Il coefficiente r è utilizzato anche per studiare la affidabilità di un reattivo psicologico (test): - Misurazione ripetuta di una scala di misura: Affidabilitá test- retest - Split half: Affidabilità interna di una scala - Correlazione tra due serie di giudizi: Affidabilità tra i giudici
81 Solitamente vi è un accordo sull interpretazione del valore assoluto di r: > 0.95: correlazione eccessiva : valutare l ipotesi di collinearità > 0.90: correlazione molto alta : le due misure si potrebbero riferire ad un medesimo costrutto / oggetto di indagine > 0.70: correlazione buona : due misure indipendenti di un medesimo oggetto di indagine < 0.30: correlazione scarsa : solo su una popolazione vi sono effetti significativi < 0.10: correlazione assente : il coefficiente misurato indicare una correlazione poco più che casuale
82
83 La presenza di una correlazione contribuisce a spiegare una parte della variabilità dei dati di una data variabile. Ovviamente altre variabili non considerate potrebbero spiegare la parte rimanente di variabilità dei dati. Si può valutare la forza di una correlazione semplicemente elevando al quadrato il coefficiente di correlazione. Il risultato sarà la porzione di varianza di y associato alla variabile x, ossia r 2
84 Applicando la formula al coefficiente di correlazione calcolato per la relazione tra abilità di lettura e le ore dedicate alla lettura (r = 0.455) si avrà: r 2 = (.455) 2 =.207 Questo vuol dire che il 21% della varianza media dell abilita di lettura (X) è spiegata dal numero di ore a settimana dedicate alla lettura (Y).
85 Possiamo rappresentare il grado in cui una variabile spiega o predice un altra variabile con un diagramma di Venn Var x Var y Proporzione di varianza in comune
86 Se calcoliamo r 2 al coefficiente di correlazione individuato per la mancanza di abilità verbale e le ore di assenza a lezione (r=0.82) si avrà r 2 = 0.67 Var x Var y Il 67% della varianza osservata per la mancata abilità di lettura è spiegata dalle ore di assenza a lezione.
87 Varianza non spiegata o varianza residua È possibile calcolare il grado in cui due variabili non sono associate attraverso la proporzione di varianza residua: Varianza residua = 1- r 2 La correlazione tra l abilità di lettura e le ore dedicate alla lettura lascia una porzione di varianza non spiegata para a: Varianza residua = 1 - (0.455) 2 = = 0.79 ossia il 79% della varianza dell abilità di lettura non è spiegabile dalle ore dedicate alla lettura.
88 Valutare la significatività di una correlazione
89 Nella maggior parte dei casi il coefficiente di correlazione prodotto- momento di Pearson viene calcolato su un campione rappresentativo della popolazione. La correlazione è calcolata sulla base dei dati ottenuti da un campione. È possibile chiederci se una relazione lineare è presente anche tra le due popolazioni. A tal fine si procedere con la verifica delle ipotesi Obiettivo della verifica di ipotesi: capire se esiste una correlazione statisticamente significativa tra le due variabili X e Y.
90 FORMULAZIONE DEL PROBLEMA H 0 : non c è una significativa correlazione lineare tra le variabili X e Y (ρ = 0) H 1 : esiste una significativa correlazione lineare tra le variabili X e Y (ρ 0) Andiamo quindi a chiederci se i due campioni sono espressioni di popolazioni con una correlazione ρ 0. Il metodo più semplice è quello di confrontare il coefficiente calcolato r con il valore critico tabulato nelle tavole statistiche.
91 Valori critici per il coefficiente di correlazione (r) prodotto-momento Come usare la tavola. Per trovare il valore critico di r individuare la riga sulla colonna sinistra della tavola che corrisponde al numero di gradi di libertà (df r ), relativi a r, quindi leggete il valore critico di r per il livello di significatività prescelto a df r =.05 =.01 df r =.05 = a df r = n -2 (dove n = il numero dei punteggi vari). Questa tavola è ripresa e semplificata, su autorizzazione della Biometrika Trustees, dalla Tavola 13 del testo Biometrika tables for statisticians (3rd ed., Vol. 1) a cura di E.S. Pearson e H.O. Hartley. Cambridge University Press, NY, 1970.
92 Nell esempio precedente il coefficiente è uguale a r =.455, i gradi di libertà 5 (N- 2), per α.= 05. Il valore critico di r riportato dalla tavola.75 Il valore di r calcolato è > r critico? Se il valore di r calcolato è > r critico, possiamo respingere l'ipotesi nulla e dire che esiste una relazione significativa tra le due variabili. In questo caso
93 Per verificare la significatività statistica di un coefficiente di correlazione si ricorrere solitamente al test t di Student. La condizione di validità per poter applicare i test t di Student è che le variabili X e Y abbiano una distribuzione (approssimativamente) normale bivariata.
94 La distribuzione t di Student, pubblicata nel 1908 da W.S. Gosset, con parametro n (gradi di libertà) governa la variabile aleatoria t = z " 2 n dove z e χ 2 sono due variabili aleatorie indipendenti che seguono rispettivamente la distribuzione normale standard e la distribuzione chi quadrato χ 2 (n) con n gradi di libertà.
95 Questa ha code più alte, fianchi più stretti e varianza maggiore rispetto alla Gaussiana standard. All aumentare dei gradi di libertà la distribuzione "t" di Student tende rapidamente alla Gaussiana standard t " z n #1 Normal t gdl=1 t gdl=2 t gdl=5
96 Distribuzione t 10 t 10 ( =0.05,bi-)= Valori critici della distribuzione t di Student, ipotesi bidirezionale. df α = 0.05 α = z
97 In generale, la verifica delle ipotesi consiste nell analizzare le differenze tra i risultati osservati e quelli attesi calcolando la distanza tra i due valori. La verifica richiede questi passaggi: 1. Definire l ipotesi nulla 2. Definire l ipotesi alternativa 3. Selezionare un livello di significatività 4. Calcolare i gradi di libertà = N Prendere una decisione in merito all ipotesi nulla
98 Nel caso in cui sia vera l ipotesi nulla (ρ =0), la statistica test: t = r 1! r 2 n! 2 dove: r è il coefficiente di correlazione calcolato sul campione, n è la numerosità del campione è distribuita come una t di Student con n- 2 gradi di libertà.
99 Se il valore di probabilità p associato alla statistica osservata t è maggiore del valore critico (che solitamente è fissato in 0.05) si accetta H 0 e quindi si conclude che non c è una correlazione lineare statisticamente significativa tra le due variabili X e Y. In caso contrario si rifiuta H 0.
100 Trovo il valore critico e lo confronto con il valore calcolato calcolato > critico significativo Rifiuto H 0
101 H 0 H 1 H 1 NON c è relazione c è relazione Valore critico c è relazione Valore critico
102 Abilità Lett. (X) Ore (Y) Ad esempio: Il coefficiente di correlazione per tra abilità di lettura e le ore dedicate alla lettura: r = Il numero di osservazioni: n = 7. t = t = r n! 2 = 1! r ! 2 =1.14 1! È possibile ricavare t cric dalle tavole della distribuzione di probabilità.
103
104 Poiché (t 5 = 1.14) < (t crit = 2.57) dobbiamo rigettare l ipotesi alternativa H 1, e accettare H 0. Ne deriva quindi che la correlazione le abilità di lettura e le ore dedicate alla lettura è statisticamente non significativa.
105 E se mi chiedessi come faccio a scriverlo nella tesi?! Devono essere specificati: la numerosità del campione; il valore di r; la presenza (o assenza) di una relazione statisticamente significativa; il valore del p osservato; il tipo di test utilizzato (a una coda o a due code). La ricerca ha riscontrato la assenza di una correlazione lineare, statisticamente significativa, le abilità di lettura e le ore dedicate alla lettura (r=0.45, n=7, p<0.05, due code).
106 H 0 non può essere rifiutata se il t calcolato è inferiore al t critico. In caso contrario H 0 verrà rifiutata in favore di H 1 e si dirà che il coefficiente di correlazione nella popolazione è statisticamente diverso da 0.
107
108 In molti casi la covariazione di due variabili X e Y è influenzata dal fatto che, contemporaneamente, varia una terza variabile Z. Ad esempio: lo sviluppo intellettuale e le caratteristiche del disegno infantile sono influenzate dall età È possibile calcolare la correlazione tra due variabili eliminando l influenza di una terza.
109 Z X Y La covariazione fra due variabili può essere provocata da una terza variabile che agisce causalmente sulle prime.
110 Il coefficiente di correlazione parziale è definito come: r XY,Z = r XY! r XZ r YZ ( 2 1! r )( 2 XZ 1! r ) YZ Si legge come correlazione tra le due variabili X e Y una volta eliminata Z.
111 Età Z Sviluppo Intellettuale X Sviluppo motorio Y r XY = r XZ = r YZ = Possiamo concludere che tra sviluppo intellettuale e sviluppo motorio vi sia un rapporto di causazione reciproca? r XY,Z = r XY! r XZ r YZ ( 2 1! r )( 2 XZ 1! r ) YZ
112 Età Z Sviluppo Intellettuale X Sviluppo motorio Y r XY = r XZ = r YZ = r XY,Z = 0.587! 0.834" ( 1! ) 1! ( ) =!0.02 Si noti come dopo l eliminazione dell influenza della variabile Z, il coefficiente di correlazione sia sensibilmente variato. Questo indica che la correlazione tra sviluppo intellettuale e sviluppo motorio è significativamente incrementata dall influenza della variabile età.
113 Si parla di correlazione multipla quando si voglia determinare la correlazione tra una variabile Z e due variabili X e Y che variano contemporaneamente: r Z,XY = r 2 XZ + r 2 YZ! 2r ZX r ZY r XY 2 1! r XY
114 Resa scolastica Z Sviluppo Intellettuale X Continuità applicazione Y r XY = r XZ = r YZ = r Z,XY = 0.916
115 I prossimi argomenti saranno
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 5 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Misura dell associazione tra due caratteri Uno store manager è interessato a studiare la relazione
DettagliEsercitazioni di statistica
Esercitazioni di statistica Misure di associazione: Indipendenza assoluta e in media Stefania Spina Universitá di Napoli Federico II stefania.spina@unina.it 22 ottobre 2014 Stefania Spina Esercitazioni
Dettagliˆp(1 ˆp) n 1 +n 2 totale di successi considerando i due gruppi come fossero uno solo e si costruisce z come segue ˆp 1 ˆp 2. n 1
. Verifica di ipotesi: parte seconda.. Verifica di ipotesi per due campioni. Quando abbiamo due insiemi di dati possiamo chiederci, a seconda della loro natura, se i campioni sono simili oppure no. Ci
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4. Esercizi di Inferenza Statistica Gianmarco Altoè Dipartimento di Psicologia Università di Cagliari, Anno Accademico 2011-2012 Esercizio 4.1 - I due esami Nella seguente
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliITCS Erasmo da Rotterdam. Anno Scolastico 2014/2015. CLASSE 4^ M Costruzioni, ambiente e territorio
ITCS Erasmo da Rotterdam Anno Scolastico 014/015 CLASSE 4^ M Costruzioni, ambiente e territorio INDICAZIONI PER IL LAVORO ESTIVO DI MATEMATICA e COMPLEMENTI di MATEMATICA GLI STUDENTI CON IL DEBITO FORMATIVO
DettagliCarta di credito standard. Carta di credito business. Esercitazione 12 maggio 2016
Esercitazione 12 maggio 2016 ESERCIZIO 1 Si supponga che in un sondaggio di opinione su un campione di clienti, che utilizzano una carta di credito di tipo standard (Std) o di tipo business (Bsn), si siano
DettagliElementi di Psicometria
Elementi di Psicometria 12-Correlazione vers. 1.1 (27 novembre 2012) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2011-2012 G. Rossi (Dip. Psicologia)
DettagliAnalisi della varianza
1. 2. univariata ad un solo fattore tra i soggetti (between subjects) 3. univariata: disegni fattoriali 4. univariata entro i soggetti (within subjects) 5. : disegni fattoriali «misti» L analisi della
DettagliANALISI MULTIVARIATA
ANALISI MULTIVARIATA Marcella Montico Servizio di epidemiologia e biostatistica... ancora sulla relazione tra due variabili: la regressione lineare semplice VD: quantitativa VI: quantitativa Misura la
DettagliStatistica. Esercitazione 16. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 16 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 24 Studio della relazione tra due variabili Commonly Asked Questions Qual è la relazione tra la spesa
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
Dettagli2. Variabilità mediante il confronto di valori caratteristici della
2. Variabilità mediante il confronto di valori caratteristici della distribuzione Un approccio alternativo, e spesso utile, alla misura della variabilità è quello basato sul confronto di valori caratteristici
DettagliCorso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)
Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad
DettagliDott.ssa Caterina Gurrieri
Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo
DettagliT DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente:
T DI STUDENT Quando si vogliono confrontare solo due medie, si può utilizzare il test t di Student La formula per calcolare il t è la seguente: t = X i X j s 2 i (n i 1) + s 2 j (n j 1) n i + n j - 2 1
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliEsercitazione n. 5 di Metodologia della Ricerca Psicologica
Esercitazione n. di Metodologia della Ricerca Psicologica Quesito 1: Un ricercatore intende studiare la conoscenza e gli atteggiamenti che hanno gli operatori del diritto delle applicazioni psicogiuridiche.
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliEsercitazione # 6. a) Fissato il livello di significatività al 5% si tragga una conclusione circa l opportunità di avviare la campagna comparativa.
Statistica Matematica A Esercitazione # 6 DUE MEDIE CON VARIANZE NOTE: Esercizio # Le ditte A e B producono sfere luminose. Una volta attivata la reazione chimica che rende luminosa una di queste sfere,
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Esercizio 1 (stima puntuale) In un processo di controllo di qualità, siamo interessati al numero mensile di guasti
Dettagli7 Disegni sperimentali ad un solo fattore. Giulio Vidotto Raffaele Cioffi
7 Disegni sperimentali ad un solo fattore Giulio Vidotto Raffaele Cioffi Indice: 7.1 Veri esperimenti 7.2 Fattori livelli condizioni e trattamenti 7.3 Alcuni disegni sperimentali da evitare 7.4 Elementi
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliIl coefficiente di correlazione di Spearman per ranghi
Il coefficiente di correlazione di Spearman per ranghi Questo indice di correlazione non parametrico viene indicato con r s o Spearman rho e permette di valutare la forza del rapporto tra due variabili
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliLezione 3: Il problema del consumatore: Il
Corso di Economica Politica prof. Stefano Papa Lezione 3: Il problema del consumatore: Il vincolo di bilancio Facoltà di Economia Università di Roma La Sapienza Il problema del consumatore 2 Applichiamo
DettagliMISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE
MISURA DELLA DISTANZA FOCALE DI UNA LENTE CONVERGENTE La distanza focale f di una lente convergente sottile è data dalla formula: da cui 1 f = 1 p + 1 q f = pq p + q dove p e q sono, rispettivamente, le
Dettagli1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.
Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi
DettagliQuantificare la variabilità dei processi ecologici
Scopo ecologia Quantificare la variabilità dei processi ecologici Comprensione dei meccanismi fondamentale per identificare gli effetti del disturbo antropico e per prevenire alterazioni su scala globale
DettagliIl Metodo Scientifico
Unita Naturali Il Metodo Scientifico La Fisica si occupa di descrivere ed interpretare i fenomeni naturali usando il metodo scientifico. Passi del metodo scientifico: Schematizzazione: modello semplificato
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito Soluzioni della simulazione del 17/05/2011 Gianmarco Altoè Dipartimento di Psicologia Università di Cagliari, Anno Accademico 2010-2011 Leggere BENE le avvertenze prima
DettagliLezione n. 2 (a cura di Chiara Rossi)
Lezione n. 2 (a cura di Chiara Rossi) QUANTILE Data una variabile casuale X, si definisce Quantile superiore x p : X P (X x p ) = p Quantile inferiore x p : X P (X x p ) = p p p=0.05 x p x p Graficamente,
DettagliRiassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice
cap 0 Romane - def_layout 1 12/06/12 07.51 Pagina V Prefazione xiii Capitolo 1 Nozioni introduttive 1 1.1 Introduzione 1 1.2 Cenni storici sullo sviluppo della Statistica 2 1.3 La Statistica nelle scienze
DettagliTEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI
TEST DI AUTOVALUTAZIONE TEST SU DUE CAMPIONI I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. Statistica Parte A. Per verificare l efficacia di un farmaco
DettagliDisegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Indici di Affidabilità
Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Indici di Affidabilità L Attendibilità È il livello in cui una misura è libera da errore di misura È la proporzione di variabilità della misurazione
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliStatistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.
Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni
DettagliUNIVERSITA DEGLI STUDI DI NAPOLI FEDERICO II. Laurea Magistrale in Ingegneria per l Ambiente e il Territorio
UNIVERSITA DEGLI STUDI DI NAPOLI FEDERICO II SCUOLA POLITECNICA E DELLE SCIENZE DI BASE Laurea Magistrale in Ingegneria per l Ambiente e il Territorio DIPARTIMENTO DI INGEGNERIA CIVILE, EDILE E AMBIENTALE
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor
Dettaglicome nasce una ricerca
PSICOLOGIA SOCIALE lez. 2 RICERCA SCIENTIFICA O SENSO COMUNE? Paola Magnano paola.magnano@unikore.it ricevimento: martedì ore 10-11 c/o Studio 16, piano -1 PSICOLOGIA SOCIALE COME SCIENZA EMPIRICA le sue
DettagliSOLUZIONE ESERCIZIO 1.1
SOLUZIONE ESERCIZIO 1.1 La temperatura di fusione ed il coefficiente di espansione termica di alcuni metalli sono riportati nella tabella e nel diagramma sottostante: Metallo Temperatura di fusione [ C]
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliProf.ssa Paola Vicard
Questa nota consiste perlopiù nella traduzione (con alcune integrazioni) da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo i dati nel file esercizio10_dati.xls.
DettagliDomanda e offerta. consumatori di un bene/servizio per ciascun livello di prezzo del bene/servizio preso
. . La funzione di domanda La funzione di domanda (o curva di domanda) rappresenta la quantità domandata dai consumatori di un bene/servizio per ciascun livello di prezzo del bene/servizio preso in considerazione.
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 L4, Corso Integrato di Psicometria - Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Rev. 18/04/2011 Inferenza statistica Formulazione
DettagliMarketing - Corso progredito Marketing Research & Consumer Behavior. Gaetano Nino Miceli Maria Antonietta Raimondo
- Corso progredito Research & Consumer Behavior Gaetano Nino Miceli Maria Antonietta Raimondo - Corso progredito 1 IL CORSO Il corso di Progredito ha l obiettivo di trasferire conoscenze specialistiche
DettagliPSICOMETRIA. Esercitazione n.1. C.d.L. Comunicazione e Psicologia a.a. 2012/13
PSICOMETRIA Esercitazione n.1 C.d.L. Comunicazione e Psicologia a.a. 2012/13 ESERCITAZIONE 1: INDICE 1. Informazioni di carattere generale sulle esercitazioni 2. Il foglio di calcolo (Excel) 3. Avviare
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliProtocollo dei saperi imprescindibili Ordine di scuola: professionale
Protocollo dei saperi imprescindibili Ordine di scuola: professionale DISCIPLINA: MATEMATICA RESPONSABILE: CAGNESCHI F. IMPERATORE D. CLASSE: prima servizi commerciali Utilizzare le tecniche e le procedure
DettagliVARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.
VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della
DettagliStrumenti informatici 13.1
1 Strumenti informatici 1.1 I test post-hoc nel caso del confronto fra tre o più proporzioni dipendenti e la realizzazione del test Q di Cochran in SPSS Nel caso dei test post-hoc per il test Q di Cochran,
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliINTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)
INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1) 151 Introduzione Un esperimento è una prova o una serie di prove. Gli esperimenti sono largamente utilizzati nel campo dell ingegneria. Tra le varie applicazioni;
Dettaglidifferiticerti.notebook November 25, 2010 nov 6 17.29 nov 6 17.36 nov 6 18.55 Problemi con effetti differiti
Problemi con effetti differiti sono quelli per i quali tra il momento di sostentamento dei costi ed il momento di realizzo dei ricavi intercorre un certo lasso di tempo. Nei casi in cui il vantaggio è
DettagliLezione 12 Argomenti
Lezione 12 Argomenti Costi di produzione: differenza tra costo economico e costo contabile I costi nel breve periodo Relazione di breve periodo tra funzione di produzione, produttività del lavoro e costi
Dettagli4. Confronto tra medie di tre o più campioni indipendenti
BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliUno studio multicentrico dello stato nutrizionale della popolazione infantile nel Veneto. Antonio Stano SIAN Azienda ULSS 3 Bassano del Grappa (VI) 1
Uno studio multicentrico dello stato nutrizionale della popolazione infantile nel Veneto Antonio Stano SIAN Azienda ULSS 3 Bassano del Grappa (VI) 1 Modello organizzativo Coordinamento generale dello studio:
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliUniversità del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Introduzione e Statistica descrittiva
Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Introduzione e Statistica descrittiva Corsi di Laurea Triennale Corso di Statistica e Biometria: Introduzione
DettagliEMBA PART TIME 2012 ROMA I ANNO
BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI
DettagliConfronto tra gruppi (campioni indipendenti)
Confronto tra gruppi (campioni indipendenti) Campioni provenienti da una popolazione Normale con medie che possono essere diverse ma varianze uguali campioni: Test z or t sulla differenza tra medie 3,
DettagliEsercizi di Calcolo delle Probabilità e Statistica Matematica
Esercizi di Calcolo delle Probabilità e Statistica Matematica Lucio Demeio Dipartimento di Ingegneria Industriale e Scienze Matematiche Università Politecnica delle Marche 1. Esercizio (1 marzo 211 n.
DettagliINDICE PREFAZIONE VII
INDICE PREFAZIONE VII CAPITOLO 1. LA STATISTICA E I CONCETTI FONDAMENTALI 1 1.1. Un po di storia 3 1.2. Fenomeno collettivo, popolazione, unità statistica 4 1.3. Caratteri e modalità 6 1.4. Classificazione
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliI laureati scuole di provenienza, durata degli studi, votazioni ed età
I laureati scuole di provenienza, durata degli studi, votazioni ed età Il campione in esame comprende gli 11450 laureati presso l Università di Lecce nel periodo maggio 1997 aprile 2004, corrispondente
Dettagli1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE
1 Associazione tra variabili quantitative ASSOCIAZIONE FRA CARATTERI QUANTITATIVI: COVARIANZA E CORRELAZIONE 2 Associazione tra variabili quantitative Un esempio Prezzo medio per Nr. Albergo cliente (Euro)
Dettaglip k q n k = p n (k) = n 12 = 1 = 12 1 12 11 10 9 1 0,1208. q = 1 2 e si ha: p 12 (8) = 12 8 4
CAPITOLO QUARTO DISTRIBUZIONE BINOMIALE (O DI BERNOULLI) Molti degli esempi che abbiamo presentato nei capitoli precedenti possono essere pensati come casi particolari di uno schema generale di prove ripetute,
Dettagli1. Richiami di Statistica. Stefano Di Colli
1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche
DettagliRelazioni tra variabili
Università degli Studi di Padova Facoltà di Medicina e Chirurgia Corso di Laurea in Medicina e Chirurgia - A.A. 009-10 Scuole di specializzazione in: Medicina Legale, Medicina del Lavoro, Igiene e Medicina
DettagliAnalisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative)
Programma di studio AA 2008-2009 Analisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative) Modulo unico 10 cfu corso
DettagliOGGETTO: Progetto continuità Scuola Primaria Scuola Secondaria 1 grado
Circ. n. Ministero dell Istruzione dell Università e della Ricerca Istituto Comprensivo Statale di Rivanazzano Terme Via XX Settembre n. 45-27055 - Rivanazzano Terme - Pavia Tel/fax. 0383-92381 www.istitutocomprensivorivanazzano.gov.it
Dettagli3. Piano di lavoro: - applicazione di alcune semplici procedure, con il confronto tra le diverse soluzioni possibili nell ambito del programma SPSS
Per utilizzare SPSS sui PC dell aula informatica occorre accedere come: ID: SPSS Password: winidams Testo rapido di consultazione: Fideli R. Come analizzare i dati al computer. ed. Carocci, Urbino, 2002.
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 4.2 I principali test statistici per la verifica di ipotesi: Il test F Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico
DettagliL analisi dei dati. Capitolo 4. 4.1 Il foglio elettronico
Capitolo 4 4.1 Il foglio elettronico Le più importanti operazioni richieste dall analisi matematica dei dati sperimentali possono essere agevolmente portate a termine da un comune foglio elettronico. Prenderemo
DettagliIntroduzione alle relazioni multivariate. Introduzione alle relazioni multivariate
Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili
DettagliMetodi di previsione
Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliIl test di chi-quadro
Il test di chi-quadro Germano Rossi 18 novembre 2004 vers. 0.6 Indice Indice 1 1 Il test di chi-quadro [0.6] 2 1.1 Introduzione....................................... 2 1.2 Terminologia......................................
DettagliCorso di Psicometria Progredito
Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014
DettagliEsercitazioni di contabilità
Esercitazioni di contabilità esercitazione n. 1 28-04-2016 Capitoli 1-4 libro Marchi Dipartimento di Economia e Management Corso di Economia Aziendale L-Z A.A. 2015-16 1 Le quattro operazioni fondamentali
Dettagli6. IMPIANTO DI CLIMATIZZAZIONE CALCOLO PSICROMETRICO DEL SOGGIORNO-PRANZO
6. IMPIANTO DI CLIMATIZZAZIONE CALCOLO PSICROMETRICO DEL SOGGIORNO-PRANZO Regime estivo Dal calcolo dei carichi termici effettuato a regime variabile (includendo anche quelli apportati dagli utenti e dall
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliCAPITOLO III CONFRONTI TRA DISTRIBUZIONI
CAPITOLO III CONFRONTI TRA DISTRIBUZIONI 3.1 CONFRONTI TRA DISTRIBUZIONI OSSERVATE E DISTRIBUZIONI TEORICHE OD ATTESE. Nella teoria statistica e nella pratica sperimentale, è frequente la necessità di
DettagliDISTRIBUZIONI DI PROBABILITÀ
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 LE PRINCIPALI DISTRIBUZIONI
DettagliUniversità di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica. 18 dicembre 2008
Università di Firenze - Corso di laurea in Statistica Seconda prova intermedia di Statistica 18 dicembre 008 Esame sull intero programma: esercizi da A a D Esame sulla seconda parte del programma: esercizi
DettagliIl corso si colloca nell ambito del corso integrato di scienze quantitative, al secondo anno, primo semestre.
Corso di Statistica Medica 2004-2005 Il corso si colloca nell ambito del corso integrato di scienze quantitative, al secondo anno, primo semestre. Sono previste 30 ore di lezione di statistica e 12 di
DettagliRicerca scientifica Processo di ricerca
Ricerca scientifica Processo di ricerca Testi di riferimento: Coon, Mitterer (2011) Psicologia generale. UTET Cap. 1 Pedon, Gnisci (2004) Metodologia della ricerca psicologica. Mulino Cap. 2 La ricerca
DettagliCOMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009
COGNOME E NOME COMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009 Esercizio I MATR. Si è effettuata un indagine di customer satisfaction su un campione di 100 acquirenti d un modello di auto, chiedendo
Dettagli