9. La distribuzione 2 e i test per dati su scala nominale

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "9. La distribuzione 2 e i test per dati su scala nominale"

Transcript

1 9. La distribuzione e i test per dati su scala nominale 9.1. La distribuzione La statistica e la sua distribuzione In una popolazione distribuita normalmente con parametri e estraiamo un campione di n elementi. Di questo campione calcoliamo la statistica (leggi chi quadrato) definita dalla seguente relazione: y Ripetendo il campionamento indefinitamente, mantenendo sempre il numero n di elementi otteniamo una distribuzione continua di valori della statistica. Anche per la nuova statistica non esiste una curva di distribuzione, ma infinite curve, in dipendenza del numero di elementi n scelto per il campione. Anche in questo caso si parla di gradi di libertà della statistica, e più precisamente i gradi di libertà sono n 1 (9.) I matematici hanno calcolato l equazione di una curva di distribuzione del con gradi di libertà; ancora una volta è riportata in forma semplificata per evidenziarne la dipendenza da : / 1 f Y 0 e (9.3) dove ancora una volta Y 0 è una costante che dipende da. Anche la curva di distribuzione del è asimmetrica come quella della statistica F. In Fig. 9.1 sono riportate diverse curve di distribuzione corrispondenti a diversi gradi di libertà (da 1 a 6). (9.1) Fig. 9.1 Come per ogni curva di distribuzione l area totale sotto una curva di distribuzione del vale 1; l area sotto la curva per gradi di libertà, fra due valori a e b, corrisponde alla probabilità di ottenere in uno dei campionamenti casuali descritti in apertura, con + 1 elementi, valori della statistica compresi fra a e b Le tavole dei valori critici del Anche per il come per F interessano le code destre della distribuzione; i valori critici riportati in Tavola 6 a livello sono i valori di a partire dai quali l area sotto la coda destra della distribuzione vale. Si tratta dunque di una tavola ad una coda, per le stesse ragioni per cui lo è la tavola dei valori critici di F. Anche per i valori critici della distribuzione valgono le convenzioni simboliche già utilizzate per le altre statistiche: a pedice viene indicato dapprima il livello di significatività, quindi i gradi di libertà fra parentesi quadre: [ ]. Per esemplificare cerchiamo il valore critico che delimita la coda raffigurata in Fig. 9.: per i gradi di libertà della distribuzione in figura abbiamo = 6, mentre l area sotto la coda vale 0.05; per il corrispondente valore critico abbiamo 0.05 [6] Infine, Fig. 9.3 mostra che anche per la statistica (qui con = 6) valgono le convenzioni già note per specificare i livelli di significatività della statistica.

2 Fig. 9. Fig Test di indipendenza per dati su scala nominale Tavole di contingenza Si confrontano gli esiti dello scrutinio di fine anno nel primo biennio di un istituto professionale e di un istituto tecnico. In particolare sono sotto osservazione le modalità selettive nel primo anno. I dati sono raccolti in Tab. 9.1, in cui P sta per promosso, PD sta per promosso con debito e NP sta per non promosso. P PD NP Professionale Tecnico Tab. 9.1 Ogni numero corrisponde ad una frequenza; ad esempio 53 è il numero dei promossi nel professionale. In questo caso abbiamo sotto osservazione due variabili: tipo di scuola e selettività (in termini di esito dello scrutinio finale); entrambe le variabili sono di tipo qualitativo, cioè sono misurate su scala nominale, e quindi attraverso frequenze. La prima variabile (tipo di scuola) ha due modalità: professionale e tecnico; la seconda variabile (selettività) ha tre modalità: promosso, promosso con debito e non promosso. La tabella in cui sono riassunti i dati è detta tavola di contingenza, con dimensioni 3. In generale le tavole di contingenza relative a due variabili, con un numero di modalità rispettivamente m ed n hanno dimensione m n. E utile completare la matrice dei dati della tavola di contingenza in Tab. 9.1 attraverso i totali di riga e di colonna, come in Tab. 9., che rappresenta un esempio dell assetto definitivo dalle tavole di contingenza. Si osservi che il totale dei totali di colonna è uguale al totale dei totali di riga, ed equivale alla somma di tutte le frequenze della tavola: =44=6+16. Il totale generale delle frequenze sarà nel seguito indicato con n; dunque, nell esempio, n=44. P PD NP Totali Professionale Tecnico Totali Tab Il concetto di associazione Riprendiamo e per certi versi specifichiamo ulteriormente la nozione di variazione concomitante o associazione presentata in della Parte metodologica. Osservando i dati della tavola di contingenza in Tab. 9. si ha l impressione che gli scrutini nelle due scuole non abbiano dato esiti omogenei: pare vi sia una maggior selettività nell istituto professionale. Esprimendo lo stesso concetto con altre parole, la variabile selettività pare in qualche modo legata alla variabile tipo di istituto, nel senso che tipi diversi di istituto mostrano una differente selettività. Questa circostanza si esprime dicendo che fra i due fattori vi è associazione, o che le due variabili non sono indipendenti. Se viceversa a differenti tipi di istituto corrispondessero livelli simili di selettività diremmo che fra i due fattori non vi è associazione, ovvero che i due fattori sono indipendenti. In generale, e parlando in modo un po informale: quando siamo in presenza di due variabili, misurate su scala nominale, che agiscono simultaneamente influenzandosi reciprocamente, si dice che fra queste variabili vi è associazione, ovvero che le due variabili non sono indipendenti. Si osservi che di fatto il concetto di associazione qui discusso non è altro che l estensione del concetto di correlazione (discusso nei per i dati su scala almeno ordinale) ai dati su scala nominale.

3 Frequenze osservate e frequenze attese L impressione soggettiva di associazione fra le variabili tipo di scuola e selettività, espressa nel paragrafo precedente, è naturalmente da verificare su un piano oggettivo, il che significa sottoporre a test la significatività dell associazione. Il primo passo, come in qualunque test di ipotesi, è l esplicitazione di H 0 e H 1. H 0 : fra le variabili tipo di scuola e selettività non vi è associazione, ovvero i due fattori sono indipendenti; H 1 : fra le variabili tipo di scuola e selettività vi è associazione, ovvero i due fattori non sono indipendenti. Come in tutti i test di ipotesi lavoriamo per rigettare l ipotesi nulla. Allora, cominciamo a metterla bene a fuoco. Cosa significa che i fattori sono indipendenti? In sostanza questo avviene se le frequenze delle diverse celle di una tavola di contingenza variano solo in dipendenza dei totali di riga e di colonna, e più precisamente se il contenuto di ogni cella è proporzionale ai suoi totali di riga e colonna. Questa osservazione permette di calcolare con semplici proporzioni il contenuto che ogni cella dovrebbe avere se i fattori fossero indipendenti. Lo schema di calcolo è illustrato con riferimento alla Tab. 9.3 Tot x R Tot C n Tab. 9.3 x rappresenta il valore che avrebbe la frequenza della relativa cella se i fattori fossero indipendenti; R rappresenta il totale di riga e C il totale di colonna; n è il totale delle frequenze. Sotto ipotesi di indipendenza (non associazione) il valore x sta al totale R come C sta al totale generale n. In simboli: x R C n (9.4) x : R C : n. Risolvendo la proporzione otteniamo che è la formula generale per il calcolo delle frequenze che avremmo in caso di indipendenza. Dunque abbiamo delle frequenze raccolte nell indagine da confrontare con delle frequenze calcolate sotto l ipotesi di indipendenza. Le prime si chiamano frequenze osservate e si indicano col simbolo f, mentre le frequenze calcolate prendono il nome di frequenze attese e si indicano col simbolo fˆ La statistica e il test di indipendenza Torniamo al test a cui siamo interessati. Abbiamo enunciato le ipotesi in opposizione ed abbiamo trovato un metodo per calcolare le frequenze attese in caso di indipendenza. Ora si tratta di misurare in modo oggettivo la differenza fra le frequenze osservate e quelle attese in caso di indipendenza attraverso una apposita statistica, e di valutarne la significatività. Se la differenza risulterà significativa rifiuteremo l ipotesi nulla di indipendenza fra i fattori ed avremo provato la differente selettività nei due tipi di scuola. Per valutare la differenza fra f e fˆ è ovvio che si debba ricorrere alla quantità f fˆ. L idea sarebbe di sommare il risultato di questa differenza, cella per cella, fra le due tavole di contingenza dei valori osservati e attesi, in modo da avere una misura complessiva della diversità fra frequenze osservate e attese. Come al solito il condizionale indica una difficoltà; è il solito problema: queste differenze hanno segni sia positivi che negativi, e si annullano vicendevolmente; la soluzione è ancora una volta l elevamento a quadrato: f ˆf (per garantire la positività). Ancora un difetto. Per spiegarlo facciamo due esempi: se la frequenza osservata è 1 e quella attesa è, il quadrato della differenza è 1; se la frequenza osservata è 999 e quella attesa è 1000, il quadrato della differenza è ancora 1. Ma è intuitivo che 1 su sia cosa ben diversa da 1 su Le differenze vanno in qualche modo pesate; il metodo più semplice è quello di rapportarle al valore atteso; questo ci conduce al perfezionamento: f f fˆ ˆ. Finalmente abbiamo una quantità che misura la differenza fra frequenza osservata e frequenza attesa per ciascuna cella. Infine, occorre sommare queste quantità relative a ciascuna delle m n celle, ottenendo una nuova statistica: m n f f fˆ dove il simbolo m n posto sopra il simbolo di somma indica che essa è estesa appunto a tutte le m n celle delle tavole di contingenza. La statistica è nulla quando le frequenze attese e osservate sono identiche, ed è tanto maggiore quanto maggiore è la differenza fra frequenze attese e osservate. ˆ (9.5)

4 Si noti ancora una volta (come già notammo per la statistica F) che i valori di sono sempre positivi (salvo il caso di perfetta uguaglianza fra i valori di f e fˆ ). Dunque, se c è differenza, si sposta sempre verso la coda di destra della distribuzione. Il simbolo per la nuova statistica è scelto perché assomiglia al simbolo senza tuttavia esserlo. Ciò non è casuale: si può infatti dimostrare che la distribuzione di approssima molto bene la distribuzione del con m 1 n 1 gradi di libertà. Le due distribuzioni sono praticamente uguali quando nelle celle delle frequenze attese tutti i valori sono almeno pari a 5. Questo basta per concludere il test: confrontiamo il valore di col corrispondente valore critico del al livello di significatività scelto: se supera il valore critico del possiamo rifiutare l ipotesi nulla. I calcoli necessari sono mostrati nel Box 9.1 Parte a La correzione di Yates per la continuità La distribuzione è una distribuzione continua (cioè che copre la gamma continua di tutti i valori da 0 in avanti), mentre la statistica è calcolata a partire da valori discreti (le frequenze osservate). Questa discrepanza crea qualche problema nell adattamento dei valori assunti da alla distribuzione del. Per ovviare a questo inconveniente si usa una correzione alla formula (9.5) nota come correzione di Yates: m n f fˆ fˆ 0.5 dove il pedice indica appunto l aggiustamento del valore di (dall inglese usted). La correzione di Yates abbassa leggermente il valore della statistica e rende il test più affidabile. Il Box 9.1 Parte b illustra i dettagli del calcolo Necessità di accorpare le frequenze di due o più righe o colonne In si è detto che la distribuzione di approssima molto bene la distribuzione del con m 1 n 1 gradi di libertà a patto che le frequenze attese siano almeno pari a 5. Nei casi in cui almeno una delle frequenze attese sia inferiore a 5 il test non è troppo affidabile. Per avere risultati sicuri occorre fare in modo di ottenere frequenze attese tutte superiori o almeno uguali a 5. A tale scopo si può procedere ad un accorpamento di due o più colonne o righe, in modo da arrivare ad ottenere per ciascuna cella frequenze osservate maggiori, e quindi maggiori frequenze attese. La tecnica è illustrata nel Box 9. Parte a Partizione dei gradi di libertà Una volta che abbiamo rifiutato l ipotesi nulla in un test di indipendenza abbiamo provato che almeno in una cella le frequenze osservate sono differenti in modo significativo da quelle attese, ma quale sia la cella (o quali siano le celle) non è ancora dato sapere. Per ottenere questa informazione occorre un supplemento di indagine analogo a quello necessario per l ANOVA e suggerito in e La tecnica è nota come partizione dei gradi di libertà del ed è basata su una successione di accorpamenti di righe e/o colonne del tipo illustrato in , con determinate precauzioni circa i gradi di libertà. In questo contesto ci limitiamo alla sua segnalazione; la tecnica è descritta in S. Siegel, Coefficienti di associazione per dati nominali Il coefficiente di contingenza C Come per i dati quantitativi esistono opportuni coefficienti di correlazione, anche per i dati qualitativi su scala nominale esistono opportuni coefficienti che quantificano il grado di associazione fra due fattori. Il più diffuso è il cosiddetto coefficiente di contingenza C. La sua formulazione matematica è: C n dove ovviamente è calcolato secondo la (9.5) mentre n è la somma di tutte le frequenze osservate. Nella frazione sotto radice il numeratore è minore del denominatore, e questo comporta che il suo valore è compreso fra 0 e 1. Tuttavia il valore 1 non viene mai raggiunto. Il massimo valore ottenibile dipende dal numero di righe e di colonne della tavola di contingenza. In generale non è immediato calcolare questo valore massimo. Nel caso in cui le righe e le colonne siano uguali a k (quindi nel caso di una tavola di contingenza quadrata k k) i valore massimo raggiungibile è (9.7) (9.6)

5 C max k 1 k (9.8) Per questo motivo il coefficiente di contingenza C è usato prevalentemente con tavole quadrate, in quanto in questo caso è possibile avere il riferimento al massimo valore possibile. Il calcolo banale è esemplificato nel Box 9.1 Parte c e nel Box 9. Parte b Correlazione degli attributi Il coefficiente di correlazione degli attributi è un coefficiente analogo al precedente, ma valido solo quando la tavola di contingenza è quadrata. In tal caso abbiamo: r (9.9) n k 1 dove k è il numero delle righe e delle colonne della tavola di contingenza. Nel caso speciale in cui k = il coefficiente di correlazione degli attributi è chiamato talvolta coefficiente di correlazione tetracorico. Esiste un opportuno abaco in forma grafica riportato in Tavola 7 che aiuta a valutare se il valore ottenuto debba essere considerato alto o basso. Un esempio di calcolo si trova nel Box 9. Parte b Test di buon adattamento Con ipotesi estrinseca: confronto di frequenze osservate con percentuali attese Cominciamo illustrando un esempio. Un collegio dei docenti vuole fare il punto sulla situazione del recupero dei debiti formativi. Le statistiche informano che all interno di un istituto le percentuali di debiti formativi recuperati R, parzialmente recuperati PR e non recuperati NR sono: R=13%, PR=46% e NR=41%. Visti gli esiti deludenti viene progettata e messa in sperimentazione una nuova strategia per le attività di recupero, al termine della quale si ottengono per gli 850 studenti dell istituto le seguenti frequenze assolute per le tre categorie: R=11, PR=41 e NR=317. Il problema è: questi nuovi dati si adattano alle percentuali precedentemente registrate oppure mostrano qualche cambiamento? Una stima soggettiva a occhio potrebbe essere fatta calcolando le percentuali dei nuovi risultati e confrontandole con le vecchie. Vediamo invece come si organizza un test oggettivo. Per prima cosa formalizziamo le due ipotesi in opposizione: H 0 : i nuovi dati osservati si adattano alle percentuali attese, ovvero, non c è differenza fra le frequenze osservate e quelle attese secondo le percentuali note; H 1 : i nuovi dati osservati non si adattano alle percentuali attese, ovvero, c è differenza fra le frequenze osservate e quelle attese secondo le percentuali note. Il punto di partenza è dunque quello di calcolare, a partire dal totale 850, quali sarebbero le frequenze attese per le tre categorie dalle percentuali note; si tratta cioè di calcolare semplicemente il 13%, il 46% e il 41% di 850, ottenendo così le frequenze attese. A questo punto calcoliamo ancora la statistica definita come in (9.5) o secondo la correzione di Yates come in (9.6). Si dimostra che la statistica è distribuita come un, ma questa volta con un numero di gradi di libertà pari al numero delle classi di frequenza diminuito di 1; nel nostro caso le classi sono 3, quindi i gradi di libertà sono. In generale, se le classi sono c per i gradi di libertà abbiamo c 1 (9.10) Un test cosiffatto prende il nome di test di buon adattamento. I test di buon adattamento si distinguono in base all ipotesi di partenza, che può essere sia estrinseca che intrinseca. L ipotesi di partenza si dice estrinseca se il calcolo delle frequenze attese non comporta una stima di parametri ( o, ad esempio) della popolazione. In questo caso per i valori attesi dobbiamo solo eseguire delle percentuali; si tratta dunque di ipotesi estrinseca. Il caso dell ipotesi intrinseca è trattato in I dettagli computazionali del test descritto ora sono mostrati nel Box Con ipotesi intrinseca: test di adattamento alla distribuzione normale Quando in un test di buon adattamento il calcolo delle frequenze attese richiede la stima di qualche parametro della popolazione indagata si parla di ipotesi intrinseca. Lo schema di calcolo generale di un simile test è identico a quello esposto in (calcolo di attraverso le differenze fra frequenze osservate e attese e sua significatività in base alla distribuzione ) salvo che i gradi di libertà sono condizionati dalla stima del parametro o dei parametri eventualmente necessari per il calcolo delle frequenze attese; in generale, se si è resa necessaria la stima di m parametri e le classi di frequenza sono c per i gradi di libertà abbiamo: c 1 m (9.11) Un esempio. In un istituto è stato somministrato ai nuovi iscritti in prima un test oggettivo di ingresso per verificare le abilità di base possedute.

6 Interessa sapere se la distribuzione dei risultati è normale, perché questa condizione permetterebbe (congiuntamente ad altre, da provare) di effettuare successive indagini attraverso test parametrici. I risultati sono raccolti in classi pentesimali (vedi. 4.. e Box.1): B=34, MB=131, M=50, MA=19 e A=7. Attraverso Tavola è semplice calcolare le percentuali attese, sotto ipotesi di normalità, in ciascuna delle 5 classi (vedi Box.): B MB M MA A 6.68% 4.17% 38.30% 4.17% 6.8% Tab. 9.4 Ora, si ricordi che per effettuare una classificazione pentesimale delle prove (che poi serve per il calcolo delle frequenze attese) occorre stimare i parametri e attraverso Y e s ; dunque, nel test di buon adattamento i gradi di libertà andranno calcolati secondo la (9.11). Salvo questo dettaglio i calcoli per questo test, descritti nel Box 9.4, seguono la falsariga del Box Proprietà additiva del. Cenno alla meta analisi Additività del Una importante proprietà del è l additività. Supponiamo di ripetere più volte un determinato esperimento ottenendo una serie di valori 1,, 3, 4 rispettivamente con 1,, 3, 4 gradi di libertà. Ebbene, si dimostra che la somma di tutti i è anch essa distribuita come un ( i ) con i gradi di libertà Applicazione dell additività Supponiamo di essere interessati a verificare una determinata ipotesi H 1 attraverso un opportuno disegno sperimentale, e supponiamo che il test utilizzato per refutare H 0 sia un (non importa se di indipendenza o di buon adattamento). Effettuiamo l esperimento; supponiamo che il corrispondente 1 con 1 gradi di libertà non permetta di rigettare l ipotesi nulla al livello desiderato. Non soddisfatti dell esito dell esperimento decidiamo di ripetere la prova (magari attuando un maggiore o migliore controllo sui fattori di disturbo, o cambiando i gradi di libertà della statistica ); otteniamo un secondo con gradi di libertà; supponiamo che anche in questo caso i risultati non siano significativi. Procedendo analogamente altre volte supponiamo di otteniamo ancora risultati deludenti. Una situazione analoga si può avere se diversi sperimentatori hanno effettuato la stessa prova e nessuno di loro ha ottenuto risultati significativi. Ebbene, sfruttando l additività del possiamo approdare ad esiti favorevoli, in quanto non si esclude che il gradi di libertà possa essere significativo pur in difetto di significatività degli addendi. i con i Un esempio concreto è illustrato nel Box 9.5: alcuni istituti scolastici di una provincia, coordinati a livello di Provveditorato, effettuano una sperimentazione su una tecnica dissuasiva nei confronti del fumo. L obiettivo è quello di modificare per le tre classi NF (non fumatori) MF (medi fumatori) e FF (forti fumatori), definite in base al numero medio di sigarette giornaliere, le percentuali NF=34%, MF=41% e FF=5% registrate in una precedente inchiesta. In nessun istituto preso isolatamente si raggiunge la significatività, mentre sfruttando l additività del si dimostra l efficacia del metodo Cenno alla meta analisi Riconsideriamo l esempio trattato in e nel Box 9.5. In pratica succede spesso che sperimentazioni condotte diffusamente sul territorio producano risultati non significativi per il solo fatto di essere basate su campioni troppo ristretti, o per il fatto che circostanze accidentali non bene controllate o non controllabili dal disegno sperimentale hanno in qualche modo interferito col risultato. D altra parte è di tutta evidenza l impegno notevole che richiede una sperimentazione condotta su vasta scala. Per questi motivi si sono rese necessarie una serie di tecniche le quali, sulla base di un censimento dei risultati raccolti in sperimentazioni diffuse, sintetizzano i risultati, i quali possono globalmente raggiungere la significatività anche in assenza di significatività dei singoli esperimenti. Abbiamo visto in della Parte metodologica che tali tecniche vanno sotto il nome di meta analisi. Abbiamo anche visto che le tecniche di meta analisi mirano a riunificare gli esiti di più sperimentazioni sia sotto il profilo della significatività, sia sotto l aspetto della dimensione dell effetto. Nel abbiamo un semplicissimo esempio di meta analisi del primo tipo.

7 Box 9.1. Test di indipendenza per tavole di contingenza m n; correzione di Yates; coefficiente di contingenza C Livelli di selettività (P=Promossi; PD=Promossi con Debito; NP=Non Promossi) in rapporto al tipo di scuola negli scrutini finali delle prime classi. Frequenze osservate: P PD NP Totali Professionale Tecnico Totali Parte a Test di indipendenza H 0 : fra i fattori tipo di scuola e selettività non vi è associazione, ovvero i due fattori sono indipendenti; H 1 : fra i fattori tipo di scuola e selettività vi è associazione, ovvero i due fattori non sono indipendenti. Schema di calcolo per le frequenze attese sotto H 0 : proporzioni P PD NP Totali Professionale x : 6 = 140 : 44 x : 6 = 10 : 44 x : 6 = 9 : 44 6 Tecnico x : 16 = 140 : 44 x : 16 = 10 : 44 x : 16 = 9 : Totali Risolvendo le proporzioni otteniamo le frequenze attese: P PD NP Totali Professionale Tecnico Totali m 1 n ˆ f f f ˆ [] *** Conclusioni: è significativo a livello 0.001; rigetto H 0 : vi è associazione fra selettività e tipo di scuola. Parte b Calcolo con la correzione di Yates: 0.001[] f f ˆ fˆ *** In questo caso la correzione non modifica l esito complessivo del test precedente, perché anche è superiore a 0.001[]; talvolta può tuttavia succedere che con la correzione si perda un livello di significatività quando il valore corrispondente calcolato senza correzione fosse appena sopra la soglia di significatività. Parte c Coefficiente di contingenza C: C n (N.B.: Non disponendo del valore massimo possibile è difficile dire se il valore trovato sia alto oppure basso) Usando il valore di C si riduce leggermente:

8 C n Rif.: Parte a: ; Parte b: ; Parte c:

9 Box 9.. Accorpamento di due colonne in test di indipendenza per tavole di contingenza m n; coefficiente di correlazione degli attributi; coefficiente di contingenza C. Numero di sufficienze (S), insufficienze (I) e gravi insufficienze (GI) in due classi parallele con uno stesso insegnante. S I GI Totali 1A B Totali Parte a Test di indipendenza H 0 : fra i fattori classe e risultati non vi è associazione, ovvero i due fattori sono indipendenti; H 1 : fra i fattori classe e risultati vi è associazione, ovvero i due fattori non sono indipendenti. Frequenze attese sotto H 0 : S I GI Totali 1A 3 3/47= /47= /47= B 4 3/47= /47= /47= Totali Le frequenze attese alla colonna I sono inferiori a 5 (4.40 e 4.60). Il test in queste condizioni sarebbe inattendibile. Occorre accorpare la colonna I con una delle due colonne a lato. Accorpamento delle colonne S+I: S+I GI Totali 1A B Totali Frequenze attese sotto H 0 con due colonne accorpate: S+I GI Totali 1A 3 3/47= /47= B 4 3/47= /47= Totali Tutte le frequenze attese superano il valore 5. Posso procedere col test. m 1 n [1] f f ˆ fˆ Conclusioni: è significativo a livello 0.05; rigetto H 0 : vi è associazione fra classe e risultati. Parte b 3.91* La tavola di contingenza nella sua versione a colonne aggregate è quadrata, con k =. Posso calcolare il coefficiente di correlazione degli attributi (in questo caso si tratta del coefficiente di correlazione tetracorico). r n 3.91 k Per il coefficiente di contingenza C abbiamo: C n Per C max abbiamo: C max k 1 k

10 che confrontato con C indica un livello modesto di associazione. Rif.: Parte a: ; Parte b:

11 Box 9.3. Test di buon adattamento per ipotesi estrinseca Percentuali attese e frequenze osservate circa il recupero del debito formativo; R = recuperato, PR = parzialmente recuperato, NR = non recuperato. % attese f osservate 13% 11 46% 41 41% Test di buon adattamento H 0 : non c è differenza fra le frequenze osservate e quelle attese secondo le percentuali note; H 1 : c è differenza fra le frequenze osservate e quelle attese secondo le percentuali note. Per il calcolo delle frequenze attese: f fˆ /100= /100= /100= c 1 31 Formula con correzione di Yates: ns [] Conclusioni: non è significativo; non vi sono elementi per rigettare H 0 : non è provata l efficacia della nuova strategia per il recupero. Rif.:

12 Box 9.4. Test di buon adattamento per ipotesi intrinseca: buon adattamento di una classificazione pentesimale ad una distribuzione normale Percentuali attese e frequenze osservate per una classificazione pentesimale, in un test di ingresso per la verifica delle abilità di base. % attese f osservate Test di buon adattamento H 0 : non c è differenza fra le frequenze osservate e quelle attese secondo la distribuzione normale; H 1 : c è differenza fra le frequenze osservate e quelle attese secondo la distribuzione normale. Per il calcolo delle frequenze attese: f fˆ /100= /100= /100= /100= /100= c 1 m 5 1 Formula con correzione di Yates: 0.05[] 0.01[] * Conclusioni: è significativo a livello 0.05; rigetto H 0 : c è differenza fra le frequenze osservate e quelle attese in caso di normalità. Rif.:

13 Box 9.5. Additività del Esiti di sperimentazioni condotte in tre diversi istituti per verificare l efficacia di una tecnica dissuasiva per fumatori (NF = non fumatori, MF = medi fumatori, FF = forti fumatori) % attese f istituto A f istituto B f istituto C NF 34% MF 41% FF 5% H 0 : il metodo persuasivo è inefficace; ovvero: non c è differenza fra le frequenze osservate e quelle attese secondo l ipotesi di inefficacia del metodo; H 1 : il metodo è efficace: c è differenza fra le frequenze osservate e quelle attese secondo l ipotesi di inefficacia del metodo. Attenzione! Un eventualmente significativo di per sé non indica l efficacia del metodo, ma solo che i risultati ottenuti sono differenti da quelli attesi; la differenza potrebbe anche essere nel senso di un peggioramento! Per valutare se si tratta di una differenza nella direzione auspicata occorre valutare i dati grezzi; nel nostro caso le frequenze FF dei forti fumatori sono leggermente inferiori a quanto previsto dalle percentuali attese; si tratterebbe quindi di un miglioramento. Essendo , nessuno degli esperimenti di istituto è in grado di provare isolatamente l efficacia del 0.05[] trattamento. Per l additività del abbiamo: i 6 i 0.05[6] 0.01[6] * Conclusioni: è significativo a livello 0.05; rigetto H 0 : c è differenza fra le frequenze osservate e quelle attese in caso di inefficacia del trattamento. Rif.:

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa

Master della filiera cereagricola. Impresa e mercati. Facoltà di Agraria Università di Teramo. Giovanni Di Bartolomeo Stefano Papa Master della filiera cereagricola Giovanni Di Bartolomeo Stefano Papa Facoltà di Agraria Università di Teramo Impresa e mercati Parte prima L impresa L impresa e il suo problema economico L economia studia

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

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

CLASSIFICAZIONE DEI CARATTERI

CLASSIFICAZIONE DEI CARATTERI CLASSIFICAZIONE DEI CARATTERI Come abbiamo visto, su ogni unità statistica si rilevano una o più informazioni di interesse (caratteri). Il modo in cui un carattere si manifesta in un unità statistica è

Dettagli

8 Elementi di Statistica

8 Elementi di Statistica 8 Elementi di Statistica La conoscenza di alcuni elementi di statistica e di analisi degli errori è importante quando si vogliano realizzare delle osservazioni sperimentali significative, ed anche per

Dettagli

Analisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni

Analisi dei residui. Test Esatto di Fisher. Differenza fra proporzioni Statistica Economica Materiale didattico a cura del docente Analisi dei residui Test Esatto di Fisher Differenza fra proporzioni 1 Analisi dei residui Il test statistico ed il suo p-valore riassumono la

Dettagli

Serie numeriche e serie di potenze

Serie numeriche e serie di potenze Serie numeriche e serie di potenze Sommare un numero finito di numeri reali è senza dubbio un operazione che non può riservare molte sorprese Cosa succede però se ne sommiamo un numero infinito? Prima

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

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 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

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Elaborazione dati in Analisi Sensoriale

Elaborazione dati in Analisi Sensoriale Elaborazione dati in Analisi Sensoriale Si è parlato di interpretazione corretta dei risultati ottenuti; a questo concorrono due fattori: affidabilità e validità. Se i test fossero stati ripetuti con lo

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Statistica Medica. Verranno presi in esame:

Statistica Medica. Verranno presi in esame: Statistica Medica Premessa: il seguente testo cerca di riassumere e rendere in forma comprensibile ai non esperti in matematica e statistica le nozioni e le procedure necessarie a svolgere gli esercizi

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

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

STATISTICA E PROBABILITá

STATISTICA E PROBABILITá STATISTICA E PROBABILITá Statistica La statistica è una branca della matematica, che descrive un qualsiasi fenomeno basandosi sulla raccolta di informazioni, sottoforma di dati. Questi ultimi risultano

Dettagli

Un gioco con tre dadi

Un gioco con tre dadi Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.

Dettagli

CAPITOLO III CONFRONTI TRA DISTRIBUZIONI

CAPITOLO 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

Dettagli

Capitolo 4 Probabilità

Capitolo 4 Probabilità Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.

Dettagli

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1

Le funzioni continue. A. Pisani Liceo Classico Dante Alighieri A.S. 2002-03. A. Pisani, appunti di Matematica 1 Le funzioni continue A. Pisani Liceo Classico Dante Alighieri A.S. -3 A. Pisani, appunti di Matematica 1 Nota bene Questi appunti sono da intendere come guida allo studio e come riassunto di quanto illustrato

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà 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

Dettagli

Statistiche campionarie

Statistiche campionarie Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle

Dettagli

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme

Proof. Dimostrazione per assurdo. Consideriamo l insieme complementare di P nell insieme G Pareschi Principio di induzione Il Principio di Induzione (che dovreste anche avere incontrato nel Corso di Analisi I) consente di dimostrare Proposizioni il cui enunciato è in funzione di un numero

Dettagli

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

Dettagli

ANALISI DELLE FREQUENZE: IL TEST CHI 2

ANALISI 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

Dettagli

Capitolo 20: Scelta Intertemporale

Capitolo 20: Scelta Intertemporale Capitolo 20: Scelta Intertemporale 20.1: Introduzione Gli elementi di teoria economica trattati finora possono essere applicati a vari contesti. Tra questi, due rivestono particolare importanza: la scelta

Dettagli

Probabilità discreta

Probabilità discreta Probabilità discreta Daniele A. Gewurz 1 Che probabilità c è che succeda...? Una delle applicazioni della combinatoria è nel calcolo di probabilità discrete. Quando abbiamo a che fare con un fenomeno che

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

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

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

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

La significatività PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA

La significatività PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA PROVE DI SIGNIFICATIVITA Tutti i test statistici di significatività assumono inizialmente la cosiddetta ipotesi zero (o ipotesi nulla) Quando si effettua il confronto fra due o più gruppi di dati, l'ipotesi

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Fondamenti di calcolo booleano Breve introduzione storica Nel 1854, il prof. Boole pubblica un trattato ormai famosissimo: Le leggi del pensiero. Obiettivo finale del trattato è di far nascere la matematica dell intelletto umano, un

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

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici Test non parametrici Test non parametrici Il test T di Student per uno o per due campioni, il test F di Fisher per l'analisi della varianza, la correlazione, la regressione, insieme ad altri test di statistica

Dettagli

La logica statistica della verifica (test) delle ipotesi

La logica statistica della verifica (test) delle ipotesi La logica statistica della verifica (test) delle ipotesi Come posso confrontare diverse ipotesi? Nella statistica inferenziale classica vengono sempre confrontate due ipotesi: l ipotesi nulla e l ipotesi

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

Applicazioni del calcolo differenziale allo studio delle funzioni

Applicazioni del calcolo differenziale allo studio delle funzioni Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,

Dettagli

RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL

RAPPRESENTAZIONE 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

Dettagli

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Versione 11/03/2004 Contenuto e scopo esercitazione Contenuto esempi di problema di programmazione

Dettagli

RISONANZA. Introduzione. Risonanza Serie.

RISONANZA. Introduzione. Risonanza Serie. RISONANZA Introduzione. Sia data una rete elettrica passiva, con elementi resistivi e reattivi, alimentata con un generatore di tensione sinusoidale a frequenza variabile. La tensione di alimentazione

Dettagli

Il test del Chi-quadrato

Il test del Chi-quadrato Il test del Chi-quadrato Prof.ssa Montomoli- Univ. di Pavia Prof.ssa Zanolin Univ. di Verona Il rischio di contrarre epatite C è associato all avere un tatuaggio? Cosa vuol dire ASSOCIAZIONE tra due variabili?

Dettagli

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6

Introduzione. Margine di ampiezza... 2 Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di Bode... 6 ppunti di Controlli utomatici Capitolo 7 parte II Margini di stabilità Introduzione... Margine di ampiezza... Margine di fase... 5 Osservazione... 6 Margini di stabilità e diagrammi di ode... 6 Introduzione

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

STATISTICA IX lezione

STATISTICA 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

Dettagli

CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA

CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA CAPITOLO SECONDO RICHIAMI DI MICROECONOMIA SOMMARIO: 2.1 La domanda. - 2.2 Costi, economie di scala ed economie di varietà. - 2.2.1 I costi. - 2.2.2 Le economie di scala. - 2.2.3 Le economie di varietà.

Dettagli

Che cosa è la Validità?

Che cosa è la Validità? Validità Che cosa è la Validità? Un test è valido quando misura ciò che intende misurare. Si tratta di un giudizio complessivo della misura in cui prove empiriche e principi teorici supportano l adeguatezza

Dettagli

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE

STATISTICA DESCRITTIVA - SCHEDA N. 1 VARIABILI QUALITATIVE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) STATISTICA DESCRITTIVA

Dettagli

Capitolo 22: Lo scambio nel mercato dei capitali

Capitolo 22: Lo scambio nel mercato dei capitali Capitolo 22: Lo scambio nel mercato dei capitali 22.1: Introduzione In questo capitolo analizziamo lo scambio nel mercato dei capitali, dove si incontrano la domanda di prestito e l offerta di credito.

Dettagli

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI

CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita

Dettagli

Aritmetica: operazioni ed espressioni

Aritmetica: operazioni ed espressioni / A SCUOLA DI MATEMATICA Lezioni di matematica a cura di Eugenio Amitrano Argomento n. : operazioni ed espressioni Ricostruzione di un abaco dell epoca romana - Museo RGZ di Magonza (Germania) Libero da

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

Statistica. Lezione 6

Statistica. 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

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

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE

LE SUCCESSIONI 1. COS E UNA SUCCESSIONE LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe

Dettagli

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12 UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica 1 Massimi e minimi delle funzioni di più variabili Indice 1 Massimi e minimi liberi 1 Massimi e minimi vincolati 7 3 Soluzioni degli esercizi

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

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione

PROBLEMI DI SCELTA. Problemi di. Scelta. Modello Matematico. Effetti Differiti. A Carattere Continuo. A più variabili d azione (Programmazione 1 PROBLEMI DI SCELTA Problemi di Scelta Campo di Scelta Funzione Obiettivo Modello Matematico Scelte in condizioni di Certezza Scelte in condizioni di Incertezza Effetti Immediati Effetti Differiti Effetti

Dettagli

INTRODUZIONE AL DESIGN OF EXPERIMENTS (Parte 1)

INTRODUZIONE 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;

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1

Progetto costo I. O. I.A. A 5 9 4 B 8 15 9 C 4 3 3 D 9 7 1 Tecniche di Valutazione Economica Processo di aiuto alla decisione lezione 13.04.2005 Modello di valutazione Dobbiamo riuscire a mettere insieme valutazioni che sono espresse con dimensioni diverse. Abbiamo

Dettagli

EQUILIBRIO ECONOMICO GENERALE PROF. MATTIA LETTIERI

EQUILIBRIO ECONOMICO GENERALE PROF. MATTIA LETTIERI EQUILIBRIO ECONOMICO GENERALE PROF. MATTIA LETTIERI Indice 1 EQUILIBRIO ECONOMICO GENERALE ------------------------------------------------------------------------------ 3 2 L EQUILIBRIO ECONOMICO GENERALE

Dettagli

I SISTEMI DI NUMERAZIONE

I SISTEMI DI NUMERAZIONE ISTITUTO DI ISTRUZIONE SUPERIORE G. M. ANGIOY CARBONIA I SISTEMI DI NUMERAZIONE Prof. G. Ciaschetti Fin dall antichità, l uomo ha avuto il bisogno di rappresentare le quantità in modo simbolico. Sono nati

Dettagli

2 Progetto e realizzazione di funzioni ricorsive

2 Progetto e realizzazione di funzioni ricorsive 2 Progetto e realizzazione di funzioni ricorsive Il procedimento costruttivo dato dal teorema di ricorsione suggerisce due fatti importanti. Una buona definizione ricorsiva deve essere tale da garantire

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

Dettagli

Il coefficiente di correlazione di Spearman per ranghi

Il 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

Dettagli

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla

Metodologia per l analisi dei dati sperimentali L analisi di studi con variabili di risposta multiple: Regressione multipla Il metodo della regressione può essere esteso dal caso in cui si considera la variabilità della risposta della y in relazione ad una sola variabile indipendente X ad una situazione più generale in cui

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

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 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,

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

Voti finali e Scrutini

Voti finali e Scrutini Voti finali e Scrutini Premessa La gestione Scrutini è ora completamente integrata dentro RE. Sono previste diverse funzioni applicative, dall inserimento dei voti proposti alla gestione dello scrutinio

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

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

LE FIBRE DI UNA APPLICAZIONE LINEARE

LE FIBRE DI UNA APPLICAZIONE LINEARE LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini

Dettagli

Capitolo 11 Test chi-quadro

Capitolo 11 Test chi-quadro Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 11 Test chi-quadro Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università di Padova

Dettagli

Misure finanziarie del rendimento: il Van

Misure finanziarie del rendimento: il Van Misure finanziarie del rendimento: il Van 6.XI.2013 Il valore attuale netto Il valore attuale netto di un progetto si calcola per mezzo di un modello finanziario basato su stime circa i ricavi i costi

Dettagli

SPC e distribuzione normale con Access

SPC e distribuzione normale con Access SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,

Dettagli

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)

Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a) Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:

Dettagli

ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE

ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000/ ESEMPI APPLICATIVI DI VALUTAZIONE DELL INCERTEZZA NELLE MISURAZIONI ELETTRICHE INDICE parte sezione pagina. Misurazione di una corrente continua

Dettagli

Introduzione. Consideriamo la classica caratteristica corrente-tensione di un diodo pn reale: I D. V γ

Introduzione. Consideriamo la classica caratteristica corrente-tensione di un diodo pn reale: I D. V γ Appunti di Elettronica Capitolo 3 Parte II Circuiti limitatori di tensione a diodi Introduzione... 1 Caratteristica di trasferimento di un circuito limitatore di tensione... 2 Osservazione... 5 Impiego

Dettagli

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri.

Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. Codici Numerici. Modifica dell'informazione. Rappresentazione dei numeri. A partire da questa lezione, ci occuperemo di come si riescono a codificare con sequenze binarie, quindi con sequenze di 0 e 1,

Dettagli

Corso di Macroeconomia. Il modello IS-LM. Appunti

Corso di Macroeconomia. Il modello IS-LM. Appunti Corso di Macroeconomia Il modello IS-LM Appunti 1 Le ipotesi 1. Il livello dei prezzi è fisso. 2. L analisi è limitata al breve periodo. La funzione degli investimenti A differenza del modello reddito-spesa,

Dettagli

Esercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)

Esercitazione #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

Dettagli

Misure finanziarie del rendimento: il Van

Misure finanziarie del rendimento: il Van Misure finanziarie del rendimento: il Van 12.XI.2014 Il valore attuale netto Il valore attuale netto di un progetto si calcola l per mezzo di un modello finanziario basato su stime circa i ricavi i costi

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

Il campionamento statistico

Il campionamento statistico Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori

Dettagli

Test statistici di verifica di ipotesi

Test statistici di verifica di ipotesi Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall

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 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che:

Esercizio 1 Dato il gioco ({1, 2, 3}, v) con v funzione caratteristica tale che: Teoria dei Giochi, Trento, 2004/05 c Fioravante Patrone 1 Teoria dei Giochi Corso di laurea specialistica: Decisioni economiche, impresa e responsabilità sociale, A.A. 2004/05 Soluzioni degli esercizi

Dettagli

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione CAPITOLO 10 Controllo di qualità Strumenti per il controllo della qualità e la sua gestione STRUMENTI PER IL CONTROLLO E LA GESTIONE DELLA QUALITÀ - DIAGRAMMI CAUSA/EFFETTO - DIAGRAMMI A BARRE - ISTOGRAMMI

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

CAPITOLO I. Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Programmazione Dinamica

CAPITOLO I. Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Programmazione Dinamica CAPITOLO I. - PROGRAMMAZIONE DINAMICA La programmazione dinamica è una parte della programmazione matematica che si occupa della soluzione di problemi di ottimizzazione di tipo particolare, mediante una

Dettagli