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.:

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

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

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

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

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

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE

STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE STATISTICA INFERENZIALE PER VARIABILI QUALITATIVE La presentazione dei dati per molte ricerche mediche fa comunemente riferimento a frequenze, assolute o percentuali. Osservazioni cliniche conducono sovente

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

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

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

La distribuzione Normale. La distribuzione Normale

La 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

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 Capitolo 3. L'analisi della varianza. Il problema dei confronti multipli. La soluzione drastica di Bonferroni ed il test

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

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

Come si può esprimere il risultato dl un conteggio e di una misura? Quando si dice che In una

Come si può esprimere il risultato dl un conteggio e di una misura? Quando si dice che In una NUMERI INTERI E NUMERI DECIMALI Come si può esprimere il risultato dl un conteggio e di una misura? Quando si dice che In una cassetta sono contenuti 45 penne e che una lamiera misura 1,35 m. dl lunghezza,

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

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

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

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE

ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE ANALISI DELLA VARIANZA A PIU CRITERI DI CLASSIFICAZIONE CON REPLICHE INTRODUZIONE Lo studio di un fenomeno non si deve limitareit alla valutazione dei singoli fattori in studio ma molto spesso è importante

Dettagli

Elementi di Statistica

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

Dettagli

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile.

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. ORDINALI E NOMINALI LA PROBABILITÀ Statistica5 23/10/13 Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. Se si afferma che un vitello di razza chianina pesa 780 kg a 18

Dettagli

La ricerca non sperimentale

La ricerca non sperimentale La ricerca non sperimentale Definizione Ricerca osservazionale: : 1. naturalistica Ricerca osservazionale: : 2. osservatori partecipanti Ricerca d archiviod Casi singoli Sviluppo di teorie e verifica empirica

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

IV-1 Funzioni reali di più variabili

IV-1 Funzioni reali di più variabili IV- FUNZIONI REALI DI PIÙ VARIABILI INSIEMI IN R N IV- Funzioni reali di più variabili Indice Insiemi in R n. Simmetrie degli insiemi............................................ 4 2 Funzioni da R n a R

Dettagli

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI

STATISTICA 1 ESERCITAZIONE 1 CLASSIFICAZIONE DELLE VARIABILI CASUALI STATISTICA 1 ESERCITAZIONE 1 Dott. Giuseppe Pandolfo 30 Settembre 2013 Popolazione statistica: insieme degli elementi oggetto dell indagine statistica. Unità statistica: ogni elemento della popolazione

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. Confronto tra medie di due campioni indipendenti o appaiati BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI

APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI APPUNTI DI MATEMATICA LE DISEQUAZIONI NON LINEARI Le disequazioni fratte Le disequazioni di secondo grado I sistemi di disequazioni Alessandro Bocconi Indice 1 Le disequazioni non lineari 2 1.1 Introduzione.........................................

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi

iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso

Dettagli

Equazioni alle differenze finite (cenni).

Equazioni alle differenze finite (cenni). AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

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

Dettagli

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

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

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza

Titolo della lezione. Analisi dell associazione tra due caratteri: indipendenza e dipendenza Titolo della lezione Analisi dell associazione tra due caratteri: indipendenza e dipendenza Introduzione Analisi univariata, bivariata, multivariata Analizzare le relazioni tra i caratteri, per cercare

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARCHIMEDE 4/ 97 ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA In un

Dettagli

1. Limite finito di una funzione in un punto

1. Limite finito di una funzione in un punto . Limite finito di una funzione in un punto Consideriamo la funzione: f ( ) = il cui dominio risulta essere R {}, e quindi il valore di f ( ) non è calcolabile in =. Quest affermazione tuttavia non esaurisce

Dettagli

Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione

Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione Analisi delle Corrispondenze Multiple Prof. Roberto Fantaccione Consideriamo il nostro dataset formato da 468 individui e 1 variabili nominali costituite dalle seguenti modalità : colonna D: Age of client

Dettagli

Numeri naturali numeri naturali minore maggiore Operazioni con numeri naturali

Numeri 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

Dettagli

CONFERENZA STATO-REGIONI SEDUTA DEL 15 GENNAIO 2004

CONFERENZA STATO-REGIONI SEDUTA DEL 15 GENNAIO 2004 Repertorio Atti n. 1901 del 15 gennaio 2004 CONFERENZA STATO-REGIONI SEDUTA DEL 15 GENNAIO 2004 Oggetto: Accordo tra il Ministro dell istruzione, dell università e della ricerca, il Ministro del lavoro

Dettagli

LA PROGETTAZIONE Come fare un progetto. LA PROGETTAZIONE Come fare un progetto

LA PROGETTAZIONE Come fare un progetto. LA PROGETTAZIONE Come fare un progetto LA PROGETTAZIONE 1 LA PROGETTAZIONE Oggi il raggiungimento di un obiettivo passa per la predisposizione di un progetto. Dal mercato al terzo settore passando per lo Stato: aziende, imprese, organizzazioni,

Dettagli

ESTRAZIONE DI RADICE

ESTRAZIONE DI RADICE ESTRAZIONE DI RADICE La radice è l operazione inversa dell elevamento a potenza. L esponente della potenza è l indice della radice che può essere: quadrata (); cubica (); quarta (4); ecc. La base della

Dettagli

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della

RELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento

errore I = numero soggetti (I = 4) K = numero livelli tratt. (K = 3) popolazione varianza dovuta ai soggetti trattamento Analisi della varianza a una via a misure ripetute (Anova con 1 fattore within) modello strutturale dell'analisi della varianza a misure ripetute con 1 fattore: y = μ ik 0 +π i +α k + ik ε ik interazione

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

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

PRESENTAZIONE DEL CAPITOLO SULLE EQUAZIONI E DISEQUAZIONI IRRAZIONALI O COL VALORE ASSOLUTO

PRESENTAZIONE DEL CAPITOLO SULLE EQUAZIONI E DISEQUAZIONI IRRAZIONALI O COL VALORE ASSOLUTO 9 PRESENTAZIONE DEL CAPITOLO SULLE EQUAZIONI E DISEQUAZIONI IRRAZIONALI O COL VALORE ASSOLUTO Il capitolo che sta per iniziare presenta alcuni argomenti dall aspetto un po arido. Tuttavia, nelle facoltà

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

Moto sul piano inclinato (senza attrito)

Moto sul piano inclinato (senza attrito) Moto sul piano inclinato (senza attrito) Per studiare il moto di un oggetto (assimilabile a punto materiale) lungo un piano inclinato bisogna innanzitutto analizzare le forze che agiscono sull oggetto

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

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno La Vista CAS L ambiente di lavoro Le celle Assegnazione di una variabile o di una funzione / visualizzazione

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

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

Misure di base su una carta. Calcoli di distanze

Misure 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

Dettagli

Appunti sulle disequazioni

Appunti sulle disequazioni Premessa Istituto d Istruzione Superiore A. Tilgher Ercolano (Na) Appunti sulle disequazioni Questa breve trattazione non vuole costituire una guida completa ed esauriente sull argomento, ma vuole fornire

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

APPUNTI DI MATEMATICA GLI INSIEMI NUMERICI

APPUNTI DI MATEMATICA GLI INSIEMI NUMERICI APPUNTI DI MATEMATICA GLI INSIEMI NUMERICI I numeri naturali I numeri interi I numeri razionali Teoria degli insiemi (cenni) ALESSANDRO BOCCONI Indice 1 L insieme N dei numeri naturali 4 1.1 Introduzione.........................................

Dettagli

Programmazione Generale. Matematica e Complementi. Classi: 2 Biennio Quarta. Istituto Tecnico Tecnologico Basilio Focaccia Salerno

Programmazione Generale. Matematica e Complementi. Classi: 2 Biennio Quarta. Istituto Tecnico Tecnologico Basilio Focaccia Salerno Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Generale Matematica e Complementi Classi: 2 Biennio Quarta I Docenti della Disciplina Salerno, lì 12 settembre 2014 Finalità della Disciplina

Dettagli

4. Operazioni elementari per righe e colonne

4. 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:

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

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

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto?

Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto? Dai rapporti temporanei all occupazione stabile: un percorso sempre più incerto? di Anna de Angelini La maggior flessibilità in entrata introdotta dalla normativa sui rapporti di lavoro a partire seconda

Dettagli

VALORE DELLE MERCI SEQUESTRATE

VALORE 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

Dettagli

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE - Matematica - Griglie di valutazione Materia: Matematica Obiettivi disciplinari Gli obiettivi indicati si riferiscono all intero percorso della classe quarta

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

Stima 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

Dettagli

I n d i c e. 163 Appendice B Questionari su utilità e uso delle Strategie di Studio (QS1 e QS2)

I n d i c e. 163 Appendice B Questionari su utilità e uso delle Strategie di Studio (QS1 e QS2) I n d i c e 9 Introduzione 11 CAP. 1 I test di intelligenza potenziale 17 CAP. 2 La misura dell intelligenza potenziale nella scuola dell infanzia 31 CAP. 3 La misura dell intelligenza potenziale nella

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

ITCG Cattaneo via Matilde di canossa n.3 - Castelnovo ne' Monti (RE) SEZIONE I.T.I. - Corso di Fisica - prof. Massimo Manvilli

ITCG Cattaneo via Matilde di canossa n.3 - Castelnovo ne' Monti (RE) SEZIONE I.T.I. - Corso di Fisica - prof. Massimo Manvilli ITCG C. CATTANEO via Matilde di Canossa n.3 - Castelnovo ne' Monti (Reggio Emilia) Costruzione del grafico di una funzione con Microsoft Excel Supponiamo di aver costruito la tabella riportata in figura

Dettagli

GLI ASSI CULTURALI. Allegato 1 - Gli assi culturali. Nota. rimessa all autonomia didattica del docente e alla programmazione collegiale del

GLI ASSI CULTURALI. Allegato 1 - Gli assi culturali. Nota. rimessa all autonomia didattica del docente e alla programmazione collegiale del GLI ASSI CULTURALI Nota rimessa all autonomia didattica del docente e alla programmazione collegiale del La normativa italiana dal 2007 13 L Asse dei linguaggi un adeguato utilizzo delle tecnologie dell

Dettagli

Il modello metodologico del Sistema di Misurazione e Valutazione della sicurezza aziendale (MVS)

Il modello metodologico del Sistema di Misurazione e Valutazione della sicurezza aziendale (MVS) Il modello metodologico del Sistema di Misurazione e Valutazione della sicurezza aziendale (MVS) >> Il Sistema MVS permette di misurare e valutare la sicurezza aziendale (nell accezione di Security) nei

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

Il motore a corrente continua, chiamato così perché per. funzionare deve essere alimentato con tensione e corrente

Il motore a corrente continua, chiamato così perché per. funzionare deve essere alimentato con tensione e corrente 1.1 Il motore a corrente continua Il motore a corrente continua, chiamato così perché per funzionare deve essere alimentato con tensione e corrente costante, è costituito, come gli altri motori da due

Dettagli

Come realizzare una buona presentazione (traduzione libera a cura della redazione di EpiCentro)

Come realizzare una buona presentazione (traduzione libera a cura della redazione di EpiCentro) Come realizzare una buona presentazione (traduzione libera a cura della redazione di EpiCentro) Quando si realizzano dei documenti visivi per illustrare dati e informazioni chiave, bisogna sforzarsi di

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Conduzione di uno studio epidemiologico (osservazionale)

Conduzione di uno studio epidemiologico (osservazionale) Conduzione di uno studio epidemiologico (osservazionale) 1. Definisco l obiettivo e la relazione epidemiologica che voglio studiare 2. Definisco la base dello studio in modo che vi sia massimo contrasto

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI 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

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione

METODO DELLE FORZE 1. METODO DELLE FORZE PER LA SOLUZIONE DI STRUTTURE IPERSTATICHE. 1.1 Introduzione METODO DELLE FORZE CORSO DI PROGETTZIONE STRUTTURLE a.a. 010/011 Prof. G. Salerno ppunti elaborati da rch. C. Provenzano 1. METODO DELLE FORZE PER L SOLUZIONE DI STRUTTURE IPERSTTICHE 1.1 Introduzione

Dettagli

Guido Candela, Paolo Figini - Economia del turismo, 2ª edizione

Guido Candela, Paolo Figini - Economia del turismo, 2ª edizione 8.2.4 La gestione finanziaria La gestione finanziaria non dev essere confusa con la contabilità: quest ultima, infatti, ha come contenuto proprio le rilevazioni contabili e il reperimento dei dati finanziari,

Dettagli

IL BIENNIO DELLA SCUOLA SECONDARIA SUPERIORE AI TEMPI DELLA GELMINI

IL BIENNIO DELLA SCUOLA SECONDARIA SUPERIORE AI TEMPI DELLA GELMINI Commento Nel biennio tra le materie di base non compaiono Musica, Geografia, Storia dell Arte, Fisica, Chimica e Diritto, mentre materie come Italiano al Liceo classico, Matematica e Scienze al Liceo scientifico

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

SCUOLANET UTENTE DOCENTE

SCUOLANET UTENTE DOCENTE 1 ACCESSO A SCUOLANET Si accede al servizio Scuolanet della scuola mediante l'indirizzo www.xxx.scuolanet.info (dove a xxx corrisponde al codice meccanografico della scuola). ISTRUZIONI PER IL PRIMO ACCESSO

Dettagli