9. La distribuzione 2 e i test per dati su scala nominale
|
|
- Aniello Aldo Nanni
- 8 anni fa
- Visualizzazioni
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.:
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....................................
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliCapitolo 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:
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliUn 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.
Dettagli4 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
DettagliDimensione 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
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliLE 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
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliMisure di base su una carta. Calcoli di distanze
Misure di base su una carta Calcoli di distanze Per calcolare la distanza tra due punti su una carta disegnata si opera nel modo seguente: 1. Occorre identificare la scala della carta o ricorrendo alle
DettagliTest 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
DettagliIl 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
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliSPC 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,
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliLe 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
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliProbabilità 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
DettagliProof. 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
DettagliElementi 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
DettagliMaster 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
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
DettagliCorso 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
DettagliProbabilità 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:
DettagliAnalisi 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
DettagliBasi 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
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
Dettagli1 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 "!$%!
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliTasso di interesse e capitalizzazione
Tasso di interesse e capitalizzazione Tasso di interesse = i = somma che devo restituire dopo un anno per aver preso a prestito un euro, in aggiunta alla restituzione dell euro iniziale Quindi: prendo
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliEsercizio 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
DettagliRAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL
RAPPRESENTAZIONE GRAFICA E ANALISI DEI DATI SPERIMENTALI CON EXCEL 1 RAPPRESENTAZIONE GRAFICA Per l analisi dati con Excel si fa riferimento alla versione 2007 di Office, le versioni successive non differiscono
DettagliAPPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE
APPUNTI SU PROBLEMI CON CALCOLO PERCENTUALE 1. Proporzionalità diretta e proporzionalità inversa Analizziamo le seguenti formule Peso Lordo = Peso Netto + Tara Ricavo = Utile + Costo Rata = Importo + Interesse
DettagliMacroeconomia, Esercitazione 2. 1 Esercizi. 1.1 Moneta/1. 1.2 Moneta/2. 1.3 Moneta/3. A cura di Giuseppe Gori (giuseppe.gori@unibo.
acroeconomia, Esercitazione 2. A cura di Giuseppe Gori (giuseppe.gori@unibo.it) 1 Esercizi. 1.1 oneta/1 Sapendo che il PIL reale nel 2008 è pari a 50.000 euro e nel 2009 a 60.000 euro, che dal 2008 al
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliStatistica. Esercitazione 15. Alfonso Iodice D Enza iodicede@unicas.it. Università degli studi di Cassino. Statistica. A. Iodice
Esercitazione 15 Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () 1 / 18 L importanza del gruppo di controllo In tutti i casi in cui si voglia studiare l effetto di un certo
DettagliCapitolo 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.
Dettagli9. Urti e conservazione della quantità di moto.
9. Urti e conservazione della quantità di moto. 1 Conservazione dell impulso m1 v1 v2 m2 Prima Consideriamo due punti materiali di massa m 1 e m 2 che si muovono in una dimensione. Supponiamo che i due
DettagliCAPITOLO 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
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliMisure 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
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliMisure 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
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
Dettagli4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI
119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO
DettagliInteresse, sconto, ratei e risconti
TXT HTM PDF pdf P1 P2 P3 P4 293 Interesse, sconto, ratei e risconti Capitolo 129 129.1 Interesse semplice....................................................... 293 129.1.1 Esercizio per il calcolo dell
DettagliAnalisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda
Analisi sensitività. Strumenti per il supporto alle decisioni nel processo di Valutazione d azienda Premessa Con l analisi di sensitività il perito valutatore elabora un range di valori invece di un dato
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliEsempi di funzione. Scheda Tre
Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.
DettagliVademecum studio funzione
Vademecum studio funzione Campo di Esistenza di una funzione o dominio: Studiare una funzione significa determinare gli elementi caratteristici che ci permettono di disegnarne il grafico, a partire dalla
Dettaglib. Che cosa succede alla frazione di reddito nazionale che viene risparmiata?
Esercitazione 7 Domande 1. L investimento programmato è pari a 100. Le famiglie decidono di risparmiare una frazione maggiore del proprio reddito e la funzione del consumo passa da C = 0,8Y a C = 0,5Y.
DettagliSTUDIO 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)
DettagliParte 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
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliPer studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R
Studio di funzione Per studio di funzione intendiamo un insieme di procedure che hanno lo scopo di analizzare le proprietà di una funzione f ( x) R R : allo scopo di determinarne le caratteristiche principali.
DettagliFacoltà di Psicologia Università di Padova Anno Accademico 2010-2011
Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliEsponenziali elogaritmi
Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.
DettagliIndici 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
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliCLASSIFICAZIONE 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
DettagliL analisi dei dati. Capitolo 4. 4.1 Il foglio elettronico
Capitolo 4 4.1 Il foglio elettronico Le più importanti operazioni richieste dall analisi matematica dei dati sperimentali possono essere agevolmente portate a termine da un comune foglio elettronico. Prenderemo
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliLEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3.
7 LEZIONE 7 Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2 2 6x, x3 +2x 2 6x, 3x + x2 2, x3 +2x +3. Le derivate sono rispettivamente,
Dettagli4. Operazioni elementari per righe e colonne
4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:
DettagliMICROECONOMIA La teoria del consumo: Alcuni Arricchimenti. Enrico Saltari Università di Roma La Sapienza
MICROECONOMIA La teoria del consumo: Alcuni Arricchimenti Enrico Saltari Università di Roma La Sapienza 1 Dotazioni iniziali Il consumatore dispone ora non di un dato reddito monetario ma di un ammontare
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliNumeri naturali numeri naturali minore maggiore Operazioni con numeri naturali
1 Numeri naturali La successione di tutti i numeri del tipo: 0,1, 2, 3, 4,..., n,... forma l'insieme dei numeri naturali, che si indica con il simbolo N. Tale insieme si può disporre in maniera ordinata
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliIndice. 1 Il monitoraggio del progetto formativo --------------------------------------------------------------- 3. 2 di 6
LEZIONE MONITORARE UN PROGETTO FORMATIVO. UNA TABELLA PROF. NICOLA PAPARELLA Indice 1 Il monitoraggio del progetto formativo --------------------------------------------------------------- 3 2 di 6 1 Il
DettagliIl 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?
DettagliStatistica inferenziale
Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo
DettagliSISTEMI DI NUMERAZIONE E CODICI
SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema
DettagliI NUMERI DECIMALI. che cosa sono, come si rappresentano
I NUMERI DECIMALI che cosa sono, come si rappresentano NUMERI NATURALI per contare bastano i numeri naturali N i numeri naturali cominciano con il numero uno e vanno avanti con la regola del +1 fino all
Dettagli8 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
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
DettagliPROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE
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) PROBABILITÀ -
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliI 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
DettagliMisure 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.
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO
UNIVERSITÀ DEGLI STUDI DI TERAMO CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA (Classe 7) Corso di Matematica per l Economia (Prof. F. Eugeni) TEST DI INGRESSO Teramo, ottobre 00 SEZIONE
Dettagli2. Leggi finanziarie di capitalizzazione
2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M
DettagliBlanchard, Macroeconomia Una prospettiva europea, Il Mulino 2011 Capitolo IV. I mercati finanziari. Capitolo IV. I mercati finanziari
Capitolo IV. I mercati finanziari 1. La domanda di moneta La moneta può essere usata per transazioni, ma non paga interessi. In realtà ci sono due tipi di moneta: il circolante, la moneta metallica e cartacea,
DettagliCapitolo 25: Lo scambio nel mercato delle assicurazioni
Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel
Dettagli