Anno Accademico Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Anno Accademico 2014-2015. Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA"

Transcript

1 Statistica, CLEA p. 1/68 Anno Accademico Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA Monia Lupparelli

2 Statistica, CLEA p. 2/68 Informazioni sul corso Orario delle lezioni: - Martedì Venerdì Orario di ricevimento: martedì Testo di riferimento: P. Newbold, W. L.Carlson, B. Thorne (2007). Statistica (Versione Italiana). Pearson - Prentice Hall. Altre letture consigliate: - S. Borra e A. Di Ciaccio (2004) Statistica : metodologie per le scienze economico e sociali. McGraw-Hill. - G. Cicchitelli (2008). Statistica. Principi e metodi. Pearson Paravia Bruno Mondatori.

3 Statistica, CLEA p. 3/68 Struttura del corso Il corso si struttura in 20 lezioni di 3 ore: Statistica descrittiva (6 lezioni) Elementi di calcolo delle probabilità (6 lezioni) Statistica inferenziale (8 lezioni) Ogni lezione si articolerà nel seguente modo (in linea generale): 2 ore di teoria 1 ora di esercitazione sugli argomenti teorici precedentemente trattati

4 Statistica, CLEA p. 4/68 Fasi dell indagine statistica 1. Definizione degli obiettivi 2. Pianificazione della raccolta dei dati 3. Rilevazione dei dati 4. Elaborazione metodologica 5. Presentazione dei risultati 6. Utilizzazione dei risultati della ricerca.

5 Statistica, CLEA p. 5/68 Le fonti e la rilevazione dei dati I dati raccolti possono provenire da: esperimenti sondaggi studi di settore fonti pubbliche o private Definita la fonte, la rilevazione dei dati può avvenire attraverso: censimento campione

6 Statistica, CLEA p. 6/68 Alcune definizioni preliminari VARIABILE/CARATTERE X: fenomeno di interesse. MODALITA : valori/livelli/categorie diversi che può assumere la variabile di interesse. UNITA STATISTICA: entità elementare osservabile che presenta la variabile X. POPOLAZIONE: l insieme completo delle unità statistiche che esauriscono le informazioni sulla variabile X. Definiamo con N la dimensione della popolazione. CAMPIONE: sottoinsieme di unità osservate nella popolazione. Definiamo con n la dimensione del campione (n N) TIPO DI CAMPIONAMENTO: procedimento utilizzato per selezionare un campione di dimensione n da una popolazione contenente N unità statistiche. PARAMETRO: caratteristica specifica della popolazione STATISTICA: caratteristica specifica del campione.

7 Statistica, CLEA p. 7/68 Metodologia statistica Statistica descrittiva: l insieme delle metodologie statistiche utilizzate per descrivere il comportamento della popolazione attraverso l elaborazione e la sintesi dei dati rappresentazioni grafiche indicatori sintetici modello Calcolo delle probabilità: è lo strumento attraverso il quale si descrive il comportamento della popolazione in condizioni di incertezza. Statistica inferenziale: è un processo che studia il comportamento della popolazione in condizioni di incertezza tramite l analisi del campione: stima verifica di ipotesi previsione

8 Statistica, CLEA p. 8/68 STATISTICA DESCRITTIVA Premessa importante: nella statistica descrittiva si opera in condizioni di certezza. Per ogni variabile X, ipotizziamo di conoscere tutte le informazioni relative all intera popolazione. Gli indicatori sintetici che utilzzeremo per l elaborazione dei dati sono dei parametri poiché descrivono una specifica caratteristica della popolazione. Per ogni parametro, possiamo però individuare una o più statistiche corrispondenti che individuano la stessa caratterestica in un campione della popolazione. Esempio. Data una variabile X, indicheremo con µ X la media della popolazione e con x la media campionaria. Indicheremo con σ 2 X la varianza della popolazione e con s2 X la varianza campionaria.

9 Statistica, CLEA p. 9/68 Classificazione delle variabili VARIABILI QUALITATIVE (categoriche) Alla modalità della variabile osservata non si può attribuire un valore numerico; le modalità possono essere: sconnesse (sesso, colore dei capelli) ordinali (titolo di studio, livello di soddisfazione) VARIABILI QUANTITATIVE (numeriche) Alla modalità della variabile osservata si attribuisce un valore numerico, pertanto le modalità osservate sono sempre ordinali: discrete (numero di esami, numero di dipendenti) continue (altezza, peso)

10 Statistica, CLEA p. 10/68 Distribuzione individuale dei dati Data una variabile X osservata su N unità statistiche (nella statistica descrittiva ipotizziamo di osservare tutta la popolazione), la distribuzione individuale dei dati {a 1, a 2, a 3,..., a N } è l insieme delle modalità ossservate per ogni unità. Sesso (M, F ) per N = 12 unità: {M, M, F, F, F, F, M, F, F, M, F, F } Titolo di studio (E, M, S, L) per N = 12 unità: {M, L, S, S, S, E, L, M, L, S, E, S} Età per N = 12 unità: {27, 39, 42, 57, 81, 48, 33, 21, 17, 10, 60, 28} Peso per N = 12 unità: {72.5, 63.2, 59.1, 74.8, 75.3, 69.6, 58.2, 54.9, 50.4, 33.8, 80.1, 53.9}.

11 Statistica, CLEA p. 11/68 Distribuzione di frequenza X è una variabile qualitativa o quantitativa discreta osservata su N unità K è il numero modalità che può assumere la variabile X. x k, (k = 1,..., K), è una delle possibili modalità che si possono osservare n k è la frequenza assoluta: il numero delle unità per cui X assume modalità x k. K k=1 n k = N f k = n k /N è la frequenza relativa. K k=1 f k = 1. p k = f k 100 è la frequenza percentuale. K k=1 p k = 100. Variabile Modalità n k f k p k x 1 n 1 f 1 p x K n K f K p K N % Specializzazione degli iscritti al master Modalità n k f k p k Finanza % Marketing % Contabilità % %

12 Statistica, CLEA p. 12/68 Distribuzioni di frequenza per variabili ordinali Se X è una variabile qualitativa ordinale o quantitativa discreta N k = K k=1 n k è la frequenza cumulata; N 1 = n 1, N 2 = (n 1 + n 2 ),..., N k = (n n k ),..., N K = N. F k = K k=1 f k è la frequenza relativa cumulata; F 1 = f 1, F 2 = (f 1 + f 2 ),..., F k = (f f k ),..., F K = 1. Variabile X Modalità freq. ass. freq. rel. freq. perc. freq. cum. freq. cum. rel x 1 n 1 f 1 p 1 N 1 F 1 x 2 n 2 f 2 p 2 N 2 F x k n k f k p k N k F k x K 1 n K 1 f K 1 p K 1 N K 1 F K 1 x K n K f K p K N 1 N

13 Statistica, CLEA p. 13/68 Tabella di frequenza per variabili ordinali Livello di soddisfazione Modalità freq. ass. freq. rel. freq. perc. freq. cum. freq. cum. rel molto insoddisfatto abbastanza insoddisfatto indifferente abbastanza soddisfatto molto soddisfatto N.B. La frequenza cumulata e la frequenza relativa cumulata hanno senso solo se le modalità sono ordinabili, quindi non ha senso calcolarle per variabili qualitative sconnesse.

14 Statistica, CLEA p. 14/68 Distribuzioni di frequenza per variabili continue Sia X una variabile quantitativa continua non si può definire il numero K di modalità assunte dalla variabile è necessario classificare le osservazioni attraverso degli intervalli l uso delle classi comporta una sintesi dei dati ma anche una perdita di informazione criteri di costruzione delle classi le classi sono contingue, collettivamente esaustive e mutuamente esclusive chiusura delle classi (chiuse a destra o chiuse a sinistra ) ampiezza della classe w k e valore centrale m k Uso del cellulare in minuti Classi n k m k w k f k p k N k F k /2= ( )/2=265 ( )= ( )/2=290 ( )=

15 Statistica, CLEA p. 15/68 Distribuzioni in classi per variabili discrete Sia X una variabile quantitativa discreta a volte il numero K di modalità assunte dalla variabile può essere molto alto classificare le osservazioni attraverso degli intervalli facilita la sintesi dei dati anche se comporta sempre una perdita di informazione essendo le classi contingue, è importante definire la chiusura delle classi Età Classi n k m k w k f k p k N k F k N.B. Un soggetto che ha 20 anni appartiene alla terza classe.

16 Statistica, CLEA p. 16/68 Rappresentazioni grafiche Variabili qualitative: tabella di frequenza grafico a barre grafico a torta Variabili quantitative: tabella di frequenza funzione di ripartizione grafico a aste (discrete) istogramma (continue)

17 Statistica, CLEA p. 17/68 Grafici per variabili qualitative 180 Specializzazione degli iscritti al master % Contabilità 80 Finanza 40% Finanza Marketing Contabilità Marketing 35% Modalità Finanza Marketing Contabilità freq. ass

18 Statistica, CLEA p. 18/68 Grafici per variabili qualitative Tasso alcolemico nel sangue in relazione al luogo di consumo Casa di amici 24% frequenze assolute Bar 32% % 0 Bar Ristorante Casa propria Casa di amici Ristorante 34% Casa propria Modalità Bar Ristorante Casa propria Casa di amici freq. ass

19 Statistica, CLEA p. 19/68 Grafico a aste per variabili discrete 25 Grafico a aste 20 frequenze assolute numero di figli Modalità freq. ass

20 Statistica, CLEA p. 20/68 Funzione di ripartizione per variabili discrete 1 Funzione di ripartizione frequenze rel. cumulate numero di figli Modalità freq. ass freq. rel freq. rel. cum

21 Statistica, CLEA p. 21/68 Funzione di ripartizione per variabili continue 1 Funzione di ripartizione frequenze rel. cumulate minuti al cellulare Modalità freq. ass freq. rel freq. rel. cum

22 Statistica, CLEA p. 22/68 Funzione di ripartizione per variabili discrete in classi 1 Funzione di ripartizione Freq. realtive cumulate età Modalità freq. ass freq. rel freq. rel. cum

23 Statistica, CLEA p. 23/68 Densità per distribuzioni in classi Data una distribuzione in classi per una variabile X, la densità è d k = f k /w k. Uso del cellulare in minuti Classi n k w k f k d k /250= ( )= /30= ( )= /20= Età Classi n k w k f k d k

24 Statistica, CLEA p. 24/68 Istogramma per distribuzioni in classi L area di ogni rettangolo corrisponde alla freq. rel. della classe La densità consente di confrontare classi di diversa ampiezza Istogramma 0.02 densità relativa minuti al cellulare Uso del cellulare in minuti Classi freq. rel ampiezza densità rel

25 Statistica, CLEA p. 25/68 Istogramma per distribuzioni in classi 0.03 Istogramma densità relativa età Età Classi fre. rel densità rel

26 Statistica, CLEA p. 26/68 Ipotesi di uniforme distribuzione nelle classi Ipotesi: le singole osservazioni si distribuiscono in modo uniforme nella classe la densità = freq. rel. in un intervallo di ampiezza unitaria valore centrale della classe = media delle osservazioni appartenenti alla classe Istogramma 1 Funzione di ripartizione densità relativa frequenze rel. cumulate minuti al cellulare minuti al cellulare

27 Statistica, CLEA p. 27/68 Rappresentazione grafica per due variabili Si considerino 100 osservazioni relative alla variabile X età del consumatore e Y costo dei fiori: costo dei fiori età del consumatore

28 Statistica, CLEA p. 28/68 Rappresentazione grafica per due variabili votazione media alla laurea punteggi dei test di matematica per l ammissione all università del Midwest X Y

29 Statistica, CLEA p. 29/68 Descrizione numerica dei dati Misure di tendenza centrale moda media (variabili quantitative) mediana (variabili qualitative ordinali e quantitative) Misure di variabilità (variabili quantitative) campo di variazione e coefficiente interquartile varianza e scarto quadratico medio coefficiente di variazione Misure di asimmetria Misure di relazioni fra le variabili Relazioni lineari: modello di regressione

30 Statistica, CLEA p. 30/68 Moda e classe modale La moda è la modalità della X che si presenta il maggior numero di volte. sesso: {M, M, F, M, F, F, F }, la moda è la modalità F voti: {21, 30, 24, 18, 21, 29}, la moda è la modalità 21 La moda può non esistere. Es. sesso: {M, M, F, M, F, F, F, M} La moda, se esite, corrisponde alla modalità con la maggiore frequenza Nel caso di distribuzioni in classi, non si può definire la moda ma la classe modale, cioè la classe con maggiore frequenza. Modalità Livello di soddisfazione freq. ass. molto insoddisfatto 40 abbastanza insoddisfatto 6 indifferente 37 abbastanza soddisfatto 17 molto soddisfatto Classi Età n k

31 Statistica, CLEA p. 31/68 Media aritmetica e sue proprietà Data una variabile quantitativa X, la media aritmetica µ per distribuzioni individuali {a 1,..., a N } si calcola: N µ = 1 N i=1 a i Proprietà della media aritmetica: la somma degli scarti dalla media è zero: N i=1 (a i µ) = 0 la somma degli scarti al quadrato N i=1 (a i c) 2 è minima quando c = µ N i=1 a i = Nµ la media è compresa sempre fra il valore minimo e massino della X aggiungendo o sottraendo a tutti i valori a i una costante c 0, la media risulta aumetata o diminuita di c moltiplicando o dividendo tutti i valori a i per una stessa costante c la media risulta moltiplicata per c N.B. Dato un campione di n < N osservazioni, la media campionaria è x = 1 n n i=1 a i

32 Statistica, CLEA p. 32/68 Media aritmetica per distribuzioni di frequenza distrib. frequenza: 1 N K x k n k = k=1 k x k f k k=1 distrib. frequenza in classi media esatta 1 N K µ k n k = k=1 K µ k f k k=1 dove µ k è la media delle osservazioni in ogni classe media approssimata 1 N K m k n k = k=1 K m k f k k=1 dove m k è il valore centrale della classe ( ) N.B. (*) Sotto l ipotesi di uniforme distribuzione nelle classi, µ k = m k.

33 Statistica, CLEA p. 33/68 Media aritmetica per distribuzioni di frequenza Voto all esame di 10 studenti = {18, 23, 18, 25, 30, 30, 27, 25, 29, 20}. distrib. individuale µ = 1 ( ) = distrib. frequenza: Voto x k n k x k n k µ = 1 [(18 2) (25 2) (30 2)] =

34 Statistica, CLEA p. 34/68 Media per distribuzioni in classi Voto Classi n k µ k µ k n k m k m k n k Classi n k µ k m k m k n k ( )/4= ( )/3= ( )/3= media aritmetica: µ = 1 K 10 k=1 µ kn k = = 24.5 media approssimata con classi (18 24), (24 28), (28 30): µ = 1 K 10 k=1 m kn k = = 24.9 media approssimata con classi (18 26), (26 28), (28 30): µ = 1 Kk=1 m 10 k n k = = 24.6 N.B. L approssimazione migliora quanto più i valori centrali m k sono vicini alle medie di classe µ k

35 Statistica, CLEA p. 35/68 Media di potenza: M r = r 1 K N k=1 x k r n k r = 1: la media aritmetica M 1 = µ r = 0: media geometrica (se e solo se x k 0 ) M 0 = N K x n k k = k=1 K k=1 x k f k r = 1: media armonica M 1 = N K k=1 1 x k n k = 1 K k=1 1 x k f k r = 2: media quadratica M 2 = 1 N K x k 2 n k = K x k 2 f k k=1 k=1

36 Statistica, CLEA p. 36/68 Mediana La mediana M e: per calcolarla è necessario ordinare le osservazioni in modo crecsente è un indice di posizione indica il valore che divide essattamente i dati osservati in due gruppi della stessa numerosità Nel caso di distribuzione unitaria: N dispari: N pari: Me = a N+1 2 Me = a N/2 + a N/2+1 2 Esempio: {10, 25, 2, 17, 24, 9, 12} {2, 9, 10, 12, 17, 24, 25}; (N + 1)/2 = 4, perciò Me = a 4 = 12. {10, 25, 2, 24, 9, 12} {2, 9, 10, 12, 24, 25}; N/2 = 3, perciò Me = (a 3 + a 4 )/2 = ( )/2 = 11.

37 Statistica, CLEA p. 37/68 Mediana per distribuzioni di frequenza La mediana Me in una distrib. frequenza è la modalità x k, tale che F k > Funzione di ripartizione F(2) = 0.88 F(3) = 0.96 F(4) = 1 frequenze rel. cumulate Me = 1; F(1) = 0.7 >0.5 F(0) = 0.24 < 0.5 non esite x, tale che F(x) = 0.5 perché la funzione non è continua numero di figli Modalità freq. ass freq. rel freq. rel. cum Me = 1

38 Statistica, CLEA p. 38/68 Mediana per distribuzioni in classi La mediana Me in una distrib. in classi è la modalità x k, tale che F (x k ) = Funzione di ripartizione Freq. realtive cumulate F(24.8) = 0.5 esiste x tale che F(x)=0.5 perché la funzione è continua Me = età Età Me = = 24.8 Classi fre. rel freq rel. cum

39 Statistica, CLEA p. 39/68 Quantili Un quantile Q: per calcolarlo è necessario ordinare le osservazioni in modo crecsente è un indice di posizione indica il valore che divide essattamente i dati osservati secondo una certa proporzione la mediana è un quantile particolare i quantili più usati sono Q 1 : primo quartile che o 25-esimo percentile Q 2 : secondo quartile che coincide con la Me Q 3 : terzo quartile o 75-esimo percentile Nel caso di distribuzione unitaria: N dispari: N pari: Q 1 = a N+1 4 Q 1 = a N/4 + a N/4+1 2, Q 3 = a 3(N+1) 4, Q 3 = a 3N/4 + a 3N/4+1 2

40 Statistica, CLEA p. 40/68 Quartili per distribuzioni di frequenza Q 1 e Q 3 in una distrib. freq. sono la modalità x k, tale che F (x k ) > 0.25 e F (x k ) > Funzione di ripartizione 0.9 frequenze rel. cumulate Q3 = 2 ; F(2)=0.88 Q1 = Me = 1; F(1) = numero di figli Modalità freq. ass freq. rel freq. rel. cum Q 1 = Me = 1, Q 3 = 2

41 Statistica, CLEA p. 41/68 Quartili per distribuzioni in classi Q 1 e Q 3 in una distrib. in classi è la modalità x k, tale che F (x k ) = 0.25 e F (x k ) = Funzione di ripartizione F(34.6)=0.75 Freq. realtive cumulate F(14.3)= Q1 = 14.3 Q3 = età Età Classi fre. rel freq rel. cum

42 Statistica, CLEA p. 42/68 Proprietà della mediana e dei quartili Sono medie di posizione che si possono calcolare per variabili quantitative o qualitative ordinali una volta ordinati i dati, corrispondono alla modalità della X che occupa una certa posizione Q 1 Me Q 3 N i=1 a i c è minimo se c = Me Differenza fra media e mediana: la media è un indice analitico che risente dei valori estremi, la mediana no perché è un indice di posizione confrontando media e mediana si può verificare la simmetria/asimmetria della distribuzione Dist. simmetrica: {4, 8, 12, 10, 2, 6, 14} {2, 4, 6, 8, 10, 12, 14} : µ = 8 = Me = 8 Dist. asimmetrica positiva: {3, 4, 20, 3, 2, 25, 2} {2, 2, 3, 3, 4, 20, 25} : µ = 8.4 > Me = 3 Dist. asimmetrica negativa: {16, 1, 15, 15, 2, 16, 2} {1, 2, 2, 15, 15, 16, 16} : µ = 9.6 < Me = 15

43 Statistica, CLEA p. 43/68 Simmetria La simmetria di una distribuzione si può capire anche dall istogramma: Istogramma x Media = Mediana = Distrib. simmetrica: media = moda = mediana

44 Statistica, CLEA p. 44/68 Asimmetria L asimmetria di una distribuzione si può capire anche dall istogramma: 4000 Istogramma 4000 Istogramma 3500 Media = 5.03 Mediana = Media = 3.99 Mediana = Distrib. asimmetrica positiva: moda < mediana < media Distrib. asimmetrica negativa: media < mediana < moda

45 Statistica, CLEA p. 45/68 Variabilità La variabilità è un ulteriore indicatore sintetico dei dati che ci dice quanto le osservazioni si discostano dalla media. E un indicatore di dispersione. Esempio banale: nella distribuzione {10, 10, 10, 10, 10, 10, 10, 10} la media è 10 e la variabilità è 0 in quanto assente. nella distribuzione {10, 15, 5, 18, 2, 19, 1, 10} la media è sempre 10 ma non c è assenza di variabilità. Indici di variabilità (solo per variabili quantitative): scarto quadratico medio varianza coefficiente di variazione campo di variazione differenza interquartile

46 Statistica, CLEA p. 46/68 Scarto quadratico medio distr. semplici σ = 1 N N (a i µ) 2 i=1 distr. frequenza σ = 1 N K (x k µ) 2 n k = K (x k µ) 2 f k k=1 k=1 distr. in classi σ = 1 N K (m k µ) 2 n k = K (m k µ) 2 f k k=1 k=1 N.B. Dato un campione di n < N osservazioni, la dev. standard campionaria è s = 1 n n 1 i=1 (a i µ) 2, s = 1 n n 1 i=1 (x i µ) 2 n i,...

47 Statistica, CLEA p. 47/68 Varianza La varianza è lo scarto quadratico medio al quadrato: V AR(X) = σ 2 = 1 N K (x k µ) 2 n k k=1 Esempio banale: nella distribuzione {10, 10, 10, 10, 10, 10, 10, 10}: µ = 10, σ = σ 2 = 0 nella distribuzione {10, 15, 5, 18, 2, 19, 1, 10}: µ = 10, σ = , σ 2 = 42.5 Entrambi gli indici di variabilità dipendono dall unità di misura: date due distribuzioni X e Y, la loro variabilità non si può confrontare se si utilizzano unità di misura diverse. N.B. Dato un campione di n < N osservazioni, la varianza campionaria è s 2 = 1 n 1 n (x i µ) 2 n i. i=1

48 Statistica, CLEA p. 48/68 Altri indici di variabilità Coefficiente di variazione (non risente dell unità di misura) CV = σ µ campo di variazione x max x min differenza interquartilica: Q 3 Q 1

49 Statistica, CLEA p. 49/68 Indice di asimmetria distr. individuali α = 1 σ 3 N (a i µ) 3 i=1 distr. frequenza distr. in classi Interpretazione dell indice: α = 0: simmetria α > 0: asimmetria positiva α < 0: asimmetria negativa α = 1 σ 3 α = 1 σ 3 K (x k µ) 3 f k k=1 K (m k µ) 3 f k k=1

50 Statistica, CLEA p. 50/68 Simmetria Istogramma x Media = Mediana = Stand. Deviation = 1.2 Ind. Asimm. = Distrib. simmetrica: media = moda = mediana

51 Statistica, CLEA p. 51/68 Asimmetria 4000 Istogramma 4000 Istogramma Media = 5.03 Mediana = 4.39 Dev. standard = 3.15 Ind. asimm. = Media = 3.99 Mediana = 3.39 Dev. standard = 3.19 Ind. Asimm. = Distrib. asimmetrica positiva: moda < mediana < media Distrib. asimmetrica negativa: media < mediana < moda

52 Statistica, CLEA p. 52/68 Analisi congiunta di due variabili Fino ad ora abbiamo analizzato singolarmente ogni variabile attraverso indicatori di posizione (indicatori dell andamento medio) indicatori di scala (indicatori di variabilità) Date due variabili X e Y vogliamo effettuare un analisi congiunta per valutare se esiste una relazione lineare fra le due variabili. Lo faremo attraverso degli indicatori sintetici covarianza coefficiente di correlazione modello di regressione

53 Statistica, CLEA p. 53/68 Covarianza Date N osservazioni su due variabili quantitative X = {x 1,..., x N } e Y = {y 1,..., y N }, la covarianza è un indice che ci dice come la Y varia in media linearmente rispetto alla X e viceversa: COV (X, Y ) = σ XY = 1 N N (x i µ X )(y i µ Y ) i=1 il segno di σ XY indica la direzione della relazione: σ XY (+): quando X, in media Y e viceversa σ XY ( ): quando X, in media Y e viceversa il valore assoluto σ XY indica la forza della relazione, ma dipende dall unità di misura delle due variabili, perciò non è confrontabile con σ V Z di altre due variabili V e Z. Non ha nè un massimo nè un minimo. N.B. Dato un campione di n < N osservazioni, la covarianza campionaria è s XY = 1 n 1 n (x i x)(y i y) i=1

54 Statistica, CLEA p. 54/68 Coefficiente di correlazione Il coefficiente di correlazione è un indice relativo che varia fra 1 e 1 misura la relazione lineare fra due variabili X e Y. Quindi è confrontabile fra diverse ditribuzioni: CORR(X, Y ) = ρ XY = Ni=1 (x i µ X )(y i µ Y ) N i=1 (x N = i µ X ) 2 i=1 (y i µ Y ) 2 σ XY σ X σ Y il segno di ρ XY indica la direzione della relazione: ρ XY (+): quando X, in media Y e viceversa ρ XY ( ): quando X, in media Y e viceversa il segno di ρ XY dipende solo dalla covarianza σ XY 1 ρ XY 1 ρ XY = 1: perfetta dipendenza lineare positiva ρ XY = 1: perfetta dipendenza lineare negativa N.B. Dato un campione di n < N osservazioni, il coeff. di corr. campionario è r XY = s xy s x s y

55 Statistica, CLEA p. 55/68 Covarianza e coefficiente di correlaione Misurano la relazione lineare fra due variabili: VAR(X) = VAR(Y) = COV (X,Y) = CORR(X,Y)= VAR(X) = VAR(Y) = COV(X,Y)= CORR(X,Y)= costo dei fiori votazione media alla laurea età del consumatore punteggi dei test di matematica per l ammissione all università del Midwest

56 Statistica, CLEA p. 56/68 Perfetta dipendenza lineare Perfetta dipendenza lineare perché i punti sono allineati su una retta: 50 Perfetta dipendenza lineare positiva 15 Perfetta dipendenza lineare negativa VAR(X) = VAR(Y) = 110 COV(X,Y) = CORR(X,Y) = VAR(X) = VAR(Y) = 110 COV(X,Y) = CORR(X,Y) = 1 Y Y X X

57 Statistica, CLEA p. 57/68 Assenza di dipendenza lineare I punti sono allineati su una parabola. Questo indica la presenza di un legame funzionale che non è di tipo lineare: 5000 Assenza di dipendenza lineare VAR(X) = VAR(Y) = COV(X,Y) = CORR(X,Y) = Y X

58 Statistica, CLEA p. 58/68 Un modello per l analisi bivariata Si cerca un modello in grado di spiegare al meglio la relazione fra due variabili Y e X, in particolare l effetto che la X ha sulla Y Y : variabile dipendente, variabile risposta X: variabile indipendente, variabile esplicativa costo dei fiori votazione media alla laurea età del consumatore punteggi dei test di matematica per l ammissione all università del Midwest

59 Statistica, CLEA p. 59/68 Regressione lineare semplice Si ipotizza che la relazione fra due variabili X e Y si può descrivere Y = f(x) + errore f(x) indica il comportamento della variabile Y spiegato dalla X l errore indica la parte residuale di Y che non può essere spiegata dalla X se f(x) è lineare Y = α + βx + errore il problema statistico consiste nel trovare i valori dei coefficienti di regressione (a, b) tali che, data la X, la retta Ŷ = a + bx approssima al meglio i dati Y, (a, b) : e = Y Ŷ l errore è molto piccolo

60 Statistica, CLEA p. 60/68 Alcuni esempi CORR(X,Y) = CORR(X,Y) = CORR(X,Y) = x x CORR(X,Y) = CORR(X,Y) = CORR(X,Y) =

61 Statistica, CLEA p. 61/68 Problema statistico Dato un insieme di osservazioni X = {x 1,..., x N }, Y = {y 1,..., y N }, si devono trovare i valori dei coefficienti di regressione (a, b) tali che, per ogni x i, la retta ŷ i = a + bx i approssima al meglio y i (minimizza la componente di errore e i = y i ŷ i ) Y 18 Rette di regressione, qual è la migliore? 14 Y = a + b X 10 6 Y = a + b X e 14 e X

62 Statistica, CLEA p. 62/68 Metodo dei minimi quadrati Dato un insieme di osservazioni X = {x 1,..., x N }, Y = {y 1,..., y N }, si scelgono i valori dei coefficienti di regressione (a, b) tali che R(a, b) è minimo R(a, b) = N N e 2 i = (y i ŷ i ) 2 = i=1 i=1 N (y i a bx i ) 2 i=1 per ogni valore x i, il valore stimato della y i è ŷ i = a + bx i e l errore è la differenza fra il valore osservato e stimato e i = y i ŷ i per ogni valore x i e la corrispondente stima ŷ i, il valore osservato è y i = ŷ i + e i

63 Statistica, CLEA p. 63/68 Stime dei minimi quadrati Dato un insieme di osservazioni X = {x 1,..., x N }, Y = {y 1,..., y N }, le stime dei coefficienti di regressione sono b = COV (X, Y ) V AR(X) = σ XY σ 2 X = ρ XY σ Y σ X, a = µ y bµ x Il segno del coeff. angolare b della retta dipende dal segno della COV (X, Y ) e quindi della CORR(X, Y ) questi sono i valori (a, b) tali che R(a, b) = N i=1 e2 i è minimo

64 Statistica, CLEA p. 64/68 Due esempi Media(X) = 5.02 Media(Y) = COV(X,Y) = 7.78 VAR(X) = VAR(Y) = 4.24 CORR(X,Y) = Media(X) = 4.62 Media(Y) = 9.75 VAR(X) = VAR(Y) = 4.01 COV(X,Y) = 7.30 CORR(X,Y) = b = (7.78/15.38) = 0.51 a = *5.02 = b = 7.30/14.11 = 0.52 a = *( 0.52) =

65 Statistica, CLEA p. 65/68 Bontà di adattamento La qualità della regressione è tanto migliore quanto più la variabilità della Y è spiegata dal modello piuttosto che dall errore V AR(Y ) = 1 N N (y i µ y ) 2 = 1 N i=1 N (ŷ i µ y ) N i=1 N (y i ŷ i ) 2 i=1 dove SSR = 1 N N i=1 (ŷ i µ y ) 2 è la variabilità della Y spiegata dal modello SSE = 1 N N i=1 (y i ŷ i ) 2 è la variabilità non spiegata dal modello. In particolare, SSE = R(a, b) = N i=1 e2 i che viene minimizzata col metodo dei minimi quadrati

66 Statistica, CLEA p. 66/68 Indice di bontà di adattamento Dato che V AR(Y ) = SSR + SSE, si ottiene un indice della bontà di adattamento del modello di regressione: R 2 = SSR V AR(Y ) = 1 SSE V AR(Y ) = ρ2 XY 0 R 2 1, è un indice relativo R 2 = 0: pessima regressione poiché V AR(Y ) = SSE e la retta di regressione è costante ŷ = µ y con b = 0 e ρ XY = 0 R 2 = 1: regressione perfetta poiché V AR(Y ) = SSR e i punti sono già allineati su una retta (ρ XY = ±1)

67 Statistica, CLEA p. 67/68 0 < R 2 < Bontà di adattamentobonb Bontà di attamento = 0.78 CORR(X,Y) = 0.89 a = 6.42 b = Bontà di adattamento = 0.64 CORR(X,Y)= 0.80 a = b =

68 Statistica, CLEA p. 68/68 R 2 = 0, R 2 = Bontà di adattamento = 0 CORR(X,Y) = 0 a = media(y) = b = Bontà di adattamento = 1 CORR(X,Y) = 1 a = 2 b =

Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA

Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA Statistica, CLEA p. 1/?? Corso di Laurea in Economia Aziendale Università di Bologna STATISTICA Monia Lupparelli monia.lupparelli@unibo.it http://www2.stat.unibo.it/lupparelli Statistica, CLEA p. 2/??

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Lezione n. 2 (a cura di Chiara Rossi)

Lezione 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,

Dettagli

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale

2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale BIOSTATISTICA 2. Un carattere misurato in un campione: elementi di statistica descrittiva e inferenziale Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk

Dettagli

Brugnaro Luca Boscaro Gianni (2009) 1

Brugnaro Luca Boscaro Gianni (2009) 1 STATISTICA PER LE PROFESSIONI SANITARIE - LIVELLO BASE Brugnaro Luca Boscaro Gianni (2009) 1 Perché la statistica Prendere decisioni Bibliografia non soddisfacente Richieste nuove conoscenze Raccolta delle

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Analisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it

Analisi 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

Dettagli

STATISTICA DESCRITTIVA. Le misure di tendenza centrale

STATISTICA DESCRITTIVA. Le misure di tendenza centrale STATISTICA DESCRITTIVA Le misure di tendenza centrale 1 OBIETTIVO Individuare un indice che rappresenti significativamente un insieme di dati statistici. 2 Esempio Nella tabella seguente sono riportati

Dettagli

Cenni di statistica descrittiva

Cenni di statistica descrittiva Cenni di statistica descrittiva La statistica descrittiva è la disciplina nella quale si studiano le metodologie di cui si serve uno sperimentatore per raccogliere, rappresentare ed elaborare dei dati

Dettagli

1 Associazione tra variabili quantitative COVARIANZA E CORRELAZIONE

1 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)

Dettagli

Corso di. Dott.ssa Donatella Cocca

Corso di. Dott.ssa Donatella Cocca Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile

Dettagli

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca

Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva. Brugnaro Luca Come descrivere un fenomeno in ambito sanitario fondamenti di statistica descrittiva Brugnaro Luca Progetto formativo complessivo Obiettivo: incrementare le competenze degli operatori sanitari nelle metodiche

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

Statistica. L. Freddi. L. Freddi Statistica

Statistica. L. Freddi. L. Freddi Statistica Statistica L. Freddi Statistica La statistica è un insieme di metodi e tecniche per: raccogliere informazioni su un fenomeno sintetizzare l informazione (elaborare i dati) generalizzare i risultati ottenuti

Dettagli

Dott.ssa Caterina Gurrieri

Dott.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

Dettagli

Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia

Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 28 Marzo 2007 Facoltà di Astronomia Correzione dell Esame di Statistica Descrittiva (Mod. B) 1 Appello - 8 Marzo 007 Facoltà di Astronomia ESERCIZIO 1 La seguente tabella riporta la distribuzione congiunta della situazione lavorativa e dello

Dettagli

Statistica descrittiva univariata

Statistica descrittiva univariata Statistica descrittiva univariata Elementi di statistica 2 1 Tavola di dati Una tavola (o tabella) di dati è l insieme dei caratteri osservati nel corso di un esperimento o di un rilievo. Solitamente si

Dettagli

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti)

UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA. Programma del modulo di STATISTICA I (6 crediti) UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA A. A. 2008-2009 FACOLTÀ DI ECONOMIA Programma del modulo di STATISTICA I (6 crediti) ECOCOM (lettere A-Lh): ECOCOM (lettere Li-Z): ECOBAN: ECOAMM (Lettere A-Lh):

Dettagli

RELAZIONE 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 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

Dettagli

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

Un po di statistica. Christian Ferrari. Laboratorio di Matematica Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di

Dettagli

INDICE PREFAZIONE VII

INDICE 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

Dettagli

Grafici delle distribuzioni di frequenza

Grafici delle distribuzioni di frequenza Grafici delle distribuzioni di frequenza L osservazione del grafico può far notare irregolarità o comportamenti anomali non direttamente osservabili sui dati; ad esempio errori di misurazione 1) Diagramma

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA

ESERCIZI DI STATISTICA DESCRITTIVA ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. 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

Dettagli

Riassunto 24 Parole chiave 24 Commenti e curiosità 25 Esercizi 27 Appendice

Riassunto 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

Dettagli

Università 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 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

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

ESAME DI STATISTICA Nome: Cognome: Matricola:

ESAME DI STATISTICA Nome: Cognome: Matricola: ESAME DI STATISTICA Nome: Cognome: Matricola: ISTRUZIONI: Per la prova è consentito esclusivamente l uso di una calcolatrice tascabile, delle tavole della normale e della t di Student. I risultati degli

Dettagli

Statistica. Alfonso Iodice D Enza iodicede@unina.it

Statistica. Alfonso Iodice D Enza iodicede@unina.it Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 16 Outline 1 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16 Outline 1 2 () Statistica 2 / 16

Dettagli

Misure della dispersione o della variabilità

Misure della dispersione o della variabilità QUARTA UNITA Misure della dispersione o della variabilità Abbiamo visto che un punteggio di per sé non ha alcun significato e lo acquista solo quando è posto a confronto con altri punteggi o con una statistica.

Dettagli

UNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA

UNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA Seconda Lezione DISTRIBUZIONE DI FREQUENZA Frequenza assoluta: è il numero puro di casi per quella modalità Frequenze relative: sono il rapporto tra la frequenza assoluta con cui si manifesta una modalità

Dettagli

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ

LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ LA STATISTICA E IL CALCOLO DELLE PROBABILITÀ Prof. Francesco Tottoli Versione 3 del 20 febbraio 2012 DEFINIZIONE È una scienza giovane e rappresenta uno strumento essenziale per la scoperta di leggi e

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Slide Cerbara parte1 5. Le distribuzioni teoriche

Slide Cerbara parte1 5. Le distribuzioni teoriche Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle

Dettagli

ESERCIZI DI RIEPILOGO 2. 7 jj(addi

ESERCIZI DI RIEPILOGO 2. 7 jj(addi ESERCIZI DI RIEPILOGO 2 ESERCIZIO 1 Da un comune mazzo di 52 carte francesi (13 carte per ognuno dei quattro semi: picche, cuori, fiori e quadri) viene estratta casualmente una carta. Definiti gli eventi:

Dettagli

ELEMENTI DI CALCOLO DELLE PROBABILITA

ELEMENTI DI CALCOLO DELLE PROBABILITA Statistica, CLEA p. 1/55 ELEMENTI DI CALCOLO DELLE PROBABILITA Premessa importante: il comportamento della popolazione rispetto una variabile casuale X viene descritto attraverso una funzione parametrica

Dettagli

Elementi di Psicometria

Elementi 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)

Dettagli

Premesse alla statistica

Premesse alla statistica Premesse alla statistica Versione 22.10.08 Premesse alla statistica 1 Insiemi e successioni I dati di origine sperimentale si presentano spesso non come singoli valori, ma come insiemi di valori. Richiamiamo

Dettagli

Appunti di Statistica Descrittiva

Appunti di Statistica Descrittiva Appunti di Statistica Descrittiva 30 dicembre 009 1 La tabella a doppia entrata Per studiare dei fenomeni con caratteristiche statistiche si utilizza l espediente della tabella a doppia entrata Per esempio

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

Prova di autovalutazione Prof. Roberta Siciliano Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.

Dettagli

Indici (Statistiche) che esprimono le caratteristiche di simmetria e

Indici (Statistiche) che esprimono le caratteristiche di simmetria e Indici di sintesi Indici (Statistiche) Gran parte della analisi statistica consiste nel condensare complessi pattern di osservazioni in un indicatore che sia capace di riassumere una specifica caratteristica

Dettagli

Elementi di Psicometria

Elementi di Psicometria Elementi di Psicometria E2-Riepilogo finale vers. 1.2 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia) ElemPsico 2010-2011

Dettagli

Corso di Psicometria Progredito

Corso di Psicometria Progredito Corso di Psicometria Progredito 2.1 Statistica descrittiva (Richiami) Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014 Sommario

Dettagli

Facciamo qualche precisazione

Facciamo qualche precisazione Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione

Dettagli

Fonti e strumenti statistici per la comunicazione (prof.ssa I.Mingo) Esercizi (soluzioni e suggerimenti )

Fonti e strumenti statistici per la comunicazione (prof.ssa I.Mingo) Esercizi (soluzioni e suggerimenti ) Esercizio 1 Fonti e strumenti statistici per la comunicazione (prof.ssa I.Mingo) Esercizi (soluzioni e suggerimenti ) Qualitativo Sconnesso: Marca di Jeans preferita, Partito votato nelle ultime elezioni,

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 4 A. Si supponga che la durata in giorni delle lampadine prodotte

Dettagli

Lezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria

Lezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata. Prof. Massimo Aria Lezione 6: Forma di distribuzione Corso di Statistica Facoltà di Economia Università della Basilicata Prof. Massimo Aria aria@unina.it Standardizzazione di una variabile Standardizzare una variabile statistica

Dettagli

STATISTICA INFERENZIALE

STATISTICA INFERENZIALE STATISTICA INFERENZIALE Premessa importante: si ipotizza che il comportamento della popolazione rispetto ad una variabile casuale X viene descritto attraverso una funzione parametrica di probabilità p

Dettagli

UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA. Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525

UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA. Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525 UNIVERSITA DEGLI STUDI DI PERUGIA STATISTICA MEDICA Prof.ssa Donatella Siepi donatella.siepi@unipg.it tel: 075 5853525 2 LEZIONE Statistica descrittiva STATISTICA DESCRITTIVA Rilevazione dei dati Rappresentazione

Dettagli

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C

Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Statistica inferenziale, Varese, 18 novembre 2009 Prima parte - Modalità C Cognome Nome: Part time: Numero di matricola: Diurno: ISTRUZIONI: Il punteggio relativo alla prima parte dell esame viene calcolato

Dettagli

Il concetto di correlazione

Il concetto di correlazione SESTA UNITA Il concetto di correlazione Fino a questo momento ci siamo interessati alle varie statistiche che ci consentono di descrivere la distribuzione dei punteggi di una data variabile e di collegare

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Dai dati al modello teorico

Dai dati al modello teorico Dai dati al modello teorico Analisi descrittiva univariata in R 1 Un po di terminologia Popolazione: (insieme dei dispositivi che verranno messi in produzione) finito o infinito sul quale si desidera avere

Dettagli

Statistica corso base Canale N Z prof. Francesco Maria Sanna. Prove scritte di esame a.a. 2012-13

Statistica corso base Canale N Z prof. Francesco Maria Sanna. Prove scritte di esame a.a. 2012-13 Statistica corso base Canale N Z prof. Francesco Maria Sanna Prova scritta del 8/1/2013 Prove scritte di esame a.a. 2012-13 Esercizio 1 (5 punti). Nella seguente tabella è riportata la distribuzione delle

Dettagli

Elementi di statistica descrittiva I 31 Marzo 2009

Elementi di statistica descrittiva I 31 Marzo 2009 Il Concetti generali di Statistica) Corso Esperto in Logistica e Trasporti Elementi di Statistica applicata Elementi di statistica descrittiva I Marzo 009 Concetti Generali di Statistica F. Caliò franca.calio@polimi.it

Dettagli

Università 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 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

Dettagli

Elementi di Statistica descrittiva Parte I

Elementi di Statistica descrittiva Parte I Elementi di Statistica descrittiva Parte I Che cos è la statistica Metodo di studio di caratteri variabili, rilevabili su collettività. La statistica si occupa di caratteri (ossia aspetti osservabili)

Dettagli

Statistica (Prof. Capitanio) Slide n. 1. Materiale di supporto per le lezioni. Non sostituisce il libro di testo

Statistica (Prof. Capitanio) Slide n. 1. Materiale di supporto per le lezioni. Non sostituisce il libro di testo Statistica (Prof. Capitanio) Slide n. 1 Materiale di supporto per le lezioni. Non sostituisce il libro di testo MEDIA GEOMETRICA M g = x g = n n x i i=1 1 PROPRIETA 1) Identità di prodotto ( ) n n M =

Dettagli

Statistica Applicata all edilizia Lezione 2: Analisi descrittiva dei dati

Statistica Applicata all edilizia Lezione 2: Analisi descrittiva dei dati Lezione 2: Analisi descrittiva dei dati E-mail: orietta.nicolis@unibg.it 1 marzo 2011 Prograa 1 Analisi grafica dei dati 2 Indici di posizione Indici di dispersione Il boxplot 3 4 Prograa Analisi grafica

Dettagli

Statistica descrittiva

Statistica descrittiva Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Statistica descrittiva Ing. Antonino Cancelliere Dipartimento

Dettagli

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE

ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114

Dettagli

Lezione 1. Concetti Fondamentali

Lezione 1. Concetti Fondamentali Lezione 1 Concetti Fondamentali Sonetto di Trilussa Sai ched è la statistica? E na cosa che serve pe fa un conto in generale de la gente che nasce, che sta male, che more, che va in carcere e che sposa.

Dettagli

LA CORRELAZIONE LINEARE

LA 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

Dettagli

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 1

CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 1 CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Un breve riepilogo: caratteri, unità statistiche e collettivo UNITA STATISTICA: oggetto dell osservazione

Dettagli

Analisi di dati di frequenza

Analisi di dati di frequenza Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato

Dettagli

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA

CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA ANNO ACCADEMICO 2013-2014 UNIVERSITA DEGLI STUDI DI TERAMO FACOLTA DI MEDICINA VETERINARIA CORSO DI STATISTICA ED ELEMENTI DI INFORMATICA CFU 5 DURATA DEL CORSO : ORE 35 DOCENTE PROF. DOMENICO DI DONATO

Dettagli

Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media.

Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media. FORMA DI UNA DISTRIBUZIONE Per forma di una distribuzione si intende il modo secondo il quale si dispongono i valori di un carattere intorno alla rispettiva media. Le prime informazioni sulla forma di

Dettagli

OCCUPATI SETTORE DI ATTIVITA' ECONOMICA

OCCUPATI SETTORE DI ATTIVITA' ECONOMICA ESERCIZIO 1 La tabella seguente contiene i dati relativi alla composizione degli occupati in Italia relativamente ai tre macrosettori di attività (agricoltura, industria e altre attività) negli anni 1971

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8

CORSO 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

Dettagli

Statistica descrittiva

Statistica descrittiva Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di indicatori sintetici che individuano, con un singolo valore, proprieta` statistiche di un campione/popolazione rispetto

Dettagli

1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:

1) 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

Dettagli

Metodi statistici per le ricerche di mercato

Metodi 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

Dettagli

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛

Le variabili casuali. Variabile statistica e variabile casuale. Distribuzione di probabilità della v.c X: X P(X) 0 ⅛ 1 ⅜ 3 ⅛ Università di Macerata Facoltà di Scienze Politiche - Anno accademico 009- Una variabile casuale è una variabile che assume determinati valori con determinate probabilità; Ad una variabile casuale è associata

Dettagli

Statistica descrittiva: prime informazioni dai dati sperimentali

Statistica descrittiva: prime informazioni dai dati sperimentali SECONDO APPUNTAMENTO CON LA SPERIMENTAZIONE IN AGRICOLTURA Statistica descrittiva: prime informazioni dai dati sperimentali La statistica descrittiva rappresenta la base di partenza per le applicazioni

Dettagli

La categoria «ES» presenta (di solito) gli stessi comandi

La 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:

Dettagli

Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 30/03/2011

Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 30/03/2011 Università degli Studi di Padova Facoltà di Psicologia, L4, Psicometria, Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Anno Accademico 2010 2011 Rev 30/03/2011 Statistica descrittiva e inferenziale

Dettagli

CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT

CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT CONVENZIONE SULLE CIFRE SIGNIFICATIVE La convenzione usata sul troncamento delle cifre è troncare

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione 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

Dettagli

Metodi statistici per le ricerche di mercato

Metodi 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

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

Soluzioni Esercizi elementari

Soluzioni Esercizi elementari Soluzioni sercizi elementari Capitolo. carattere: itolo di Studio, carattere qualitativo ordinato modalità: Diploma, Licenza media, Laurea, Licenza elementare unità statistiche: Individui. carattere: Fatturato,

Dettagli

VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.

VARIANZA 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

Dettagli

Elementi di statistica

Elementi di statistica Elementi di statistica Summer School: Data journalism e visualizzazione grafica dei dati! Flavon - 30 Agosto 2011! La statistica! Chi vi sta parlando? 2 La statistica! Chi vi sta parlando?! Cos è la Statistica?

Dettagli

Statistica. A.A. 2014/2015 CREDITI (CFU): 9 CORSO DI LAUREA IN ECONOMIA E COMMERCIO (Verona)

Statistica. A.A. 2014/2015 CREDITI (CFU): 9 CORSO DI LAUREA IN ECONOMIA E COMMERCIO (Verona) Statistica A.A. 2014/2015 CREDITI (CFU): 9 CORSO DI LAUREA IN ECONOMIA E COMMERCIO (Verona) DOCENTE: Marco Minozzo (marco.minozzo@univr.it) TELEFONO: 045-8028234 ORARIO DI RICEVIMENTO: martedì 12:00 13:00

Dettagli

Inferenza statistica I Alcuni esercizi. Stefano Tonellato

Inferenza statistica I Alcuni esercizi. Stefano Tonellato Inferenza statistica I Alcuni esercizi Stefano Tonellato Anno Accademico 2006-2007 Avvertenza Una parte del materiale è stato tratto da Grigoletto M. e Ventura L. (1998). Statistica per le scienze economiche,

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

Indice. 1 La statistica, i dati e altri concetti fondamentali ---------------------------------------------------- 3

Indice. 1 La statistica, i dati e altri concetti fondamentali ---------------------------------------------------- 3 LEZIONE ELEMENTI DI STATISTICA DESCRITTIVA PROF. CRISTIAN SIMONI Indice 1 La statistica, i dati e altri concetti fondamentali ---------------------------------------------------- 3 1.1. Popolazione --------------------------------------------------------------------------------------------

Dettagli

Indici di dispersione

Indici di dispersione Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo

Dettagli

ESERCIZIO N 4. Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240

ESERCIZIO N 4. Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240 ESERCIZIO N 4 Fatturato Supermercati [0;500) 340 [500;1000) 368 [1000;5000) 480 [5000;10000) 37 [10000;20000) 15 taglia = 1240 PUNTO a CALCOLO MODA E QUARTILI La moda rappresenta quell'elemento del campione

Dettagli

Strumenti statistici per l analisi di dati genetici

Strumenti statistici per l analisi di dati genetici Strumenti statistici per l analisi di dati genetici Luca Tardella + Maria Brigida Ferraro 1 email: luca.tardella@uniroma1.it Lezione #1 Introduzione al software R al suo utilizzo per l implementazione

Dettagli

INDICI DI TENDENZA CENTRALE

INDICI DI TENDENZA CENTRALE INDICI DI TENDENZA CENTRALE NA Al fine di semplificare la lettura e l interpretazione di un fenomeno oggetto di un indagine statistica, i dati possono essere: organizzati in una insieme di dati statistici

Dettagli

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova).

Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Esame di Statistica del 17 luglio 2006 (Corso di Laurea Triennale in Biotecnologie, Università degli Studi di Padova). Cognome Nome Matricola Es. 1 Es. 2 Es. 3 Es. 4 Somma Voto finale Attenzione: si consegnano

Dettagli

Esplorazione dei dati

Esplorazione dei dati Esplorazione dei dati Introduzione L analisi esplorativa dei dati evidenzia, tramite grafici ed indicatori sintetici, le caratteristiche di ciascun attributo presente in un dataset. Il processo di esplorazione

Dettagli

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua

STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo 3 febbraio 2015. Modelli continui di probabilità: la v.c. uniforme continua STATISTICA ESERCITAZIONE 11 Dott. Giuseppe Pandolfo febbraio 2015 Modelli continui di probabilità: la v.c. uniforme continua Esercizio 1 Anna ha una gift card da 50 euro. Non si sa se sia mai stata utilizzata

Dettagli

Esempio di introduzione. della statistica a scuola

Esempio di introduzione. della statistica a scuola 1 Esempio di introduzione della statistica a scuola 2 3 4 5 RAPPRESENTAZIONE GRAFICA (EXCEL) IMPARARE A DEDURRE E IPOTIZZARE DAI VARI TIPI DI GRAFICI 6 La rappresentazione grafica: impariamo a rappresentare

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

Note di statistica descrittiva per il corso di Matematica per le scienze sociali A. A. 1998/99

Note di statistica descrittiva per il corso di Matematica per le scienze sociali A. A. 1998/99 Note di statistica descrittiva per il corso di Matematica per le scienze sociali A. A. 1998/99 Andrea Pugliese La statistica descrittiva è un insieme di tecniche per descrivere e riassumere dati. La scelta

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 1 Dott.ssa Antonella Costanzo a.costanzo@unicas.it A.Studio dell interdipendenza tra variabili: riepilogo Concetto relativo allo studio delle relazioni tra

Dettagli

Metodi di previsione

Metodi 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

Dettagli