Metodi statistici per le ricerche di mercato

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodi statistici per le ricerche di mercato"

Transcript

1 Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per la comunicazione d'impresa» A proposito di rappresentatività del campione La rappresentatività di un campione è la sua conformità, ad alcune caratteristiche della popolazione. Un campione scelto casualmente è uno dei campioni possibili estraibili dall universo dei campioni, pertanto il suo grado di rappresentatività, è solo probabile. La casualità rende infatti più probabile che il campione riproduca in media le caratteristiche della popolazione, a meno di errori imputabili sia al fatto che si analizza solo una parte di quest ultima (errore campionario) sia ad altri tipi di errore (non campionari) che intervengono nell intero processo di indagine. Tuttavia se la casualità di un campione è un requisito indispensabile di rappresentatività statistica non è però un requisito sufficiente. 1

2 Errori e rilevazioni parziali Non campionari (esempi): Errore di copertura: le liste utilizzate della popolazione statistica sono incomplete. Errore di non-risposta: esclusione o auto-esclusione dei casi Errore dovuto all intervistatore. Campionari derivano dal fatto che si analizza un particolare sotto-insieme della popolazione. I valori rilevati sul campione sono una «stima» di quelli della popolazione, che presenta un errore. Se il campione è probabilistico la stima degli errori campionari viene effettuata mediante la teoria dei campioni: sono note infatti alcune relazioni che legano gli «stimatori» dell universo dei campioni ai parametri della popolazione. Che cosa è l universo dei campioni E l insieme dei campioni possibili di n unità che si possono estrarre da una popolazione attraverso una operazione di selezione. Adottando il criterio di estrazione casuale, il numero di campioni estraibili da una popolazione è determinato dal numero dei diversi modi nei quali le unità statistiche si possono combinare nel comporre il campione. Se la popolazione è infinita si possono estrarre un numero infinito di campioni. Se la popolazione è finita, di dimensione N, e si estraggono campioni di dimensione n, il loro numero dipende dal tipo di estrazione effettuata. Se ad esempio abbiamo N=100 e vogliamo estrarre un campione di 2 unità, in base al calcolo delle probabilità possiamo ottenere Con reinserimento o bernoulliana: N n = N 2 = = campioni Senza reinserimento o esaustiva tenendo conto dell ordine: D Nn = 100*99= campioni Senza reinserimento o esaustiva non tenendo conto dell ordine: C Nn = 100*99/2= campioni 2

3 La distribuzione delle medie campionarie : il Teorema del limite centrale Sui numerosi campioni estraibili da una popolazione possono essere calcolati diverse statistiche utilizzabili per stimare i parametri della popolazione da cui sono estratti. L insieme delle medie di tutti i possibili campioni costituisce la distribuzione campionarie delle medie. Tale distribuzione, secondo il teorema del limite centrale, qualunque sia la distribuzione della popolazione, all aumentare della dimensione campionaria n (per n >30) si approssima ad una distribuzione normale_ con media: E( ) =µ e varianza : Var ( ) = σ²/n dove σ² è la varianza della popolazione (popolazione norrnale, non finita con qualunque tipo di estrazione; popolazione finita con estrazione con ripetizione ) Var ( ) = σ²/n (N-n/N-1) (popolazione finita con estrazione senza ripetizione ) In altre parole. Sia per l estrazione con ripetizione, sia per quella senza ripetizione, la media dei valori medi campionari è uguale alla media della popolazione, dunque è una stima corretta, centrata e non distorta della media della popolazione. La varianza della distribuzione campionaria delle medie rappresenta l errore medio che si commette nello stimare la media della popolazione mediante quella del campione. Operativamente però si opera con un solo campione e non con tutti i campioni estraibili da una popolazione! Si dovrà dunque stabilire se e di quanto la media del campione differisce da quella della popolazione. Ciò è possibile perché sappiamo quale è la distribuzione delle medie campionarie per n>30: la distribuzione normale. 3

4 La distribuzione normale o di Gauss E una distribuzione teorica di notevole interesse pratico per le sue proprietà matematiche utilizzabili nell ambito dell inferenza statistica. Si ricorre a queste proprietà quando una variabile casuale continua è distribuita normalmente. Caratteristiche: è continua, ha una forma campanulare e simmetrica le sue misure di posizione centrale (media, moda e mediana) coincidono; è asintotica rispetto all asse delle ascisse, assume valori compresi tra - e + Presenta due punti di flesso in corrispondenza di ±1 σ è completamente caratterizzata dai due parametri µ e σ2; L area sottesa alle porzione di curva che si trova tra la media e l ordinata in corrispondenza dello scarto quadratico medio è costante; in particolare - il 68.26% dell area totale è compreso tra µ±1 σ - il 95.44% tra µ±2 σ - il 99,73% tra µ±3 σ Utilità della distribuzione normale nell inferenza Poichè la distribuzione delle medie campionarie, tende al crescere di n a distribuirsi secondo una distribuzione normale, ciò vuol dire che possiamo stimare la probabilità che il valore medio del nostro campione sia più grande o più piccolo della media della popolazione e di quanto. Sappiamo infatti che: Per popolazioni normali, non finite, o nell estrazione con ripetizione: il 68.26% delle medie dei campioni è compreso tra ± il 95.44% tra±2 il 99.73% tra ±3 Per popolazioni non normali, nell estrazione senza ripetizione: il 68.26% delle medie dei campioni è compreso tra ± il 95.44% tra±2 il % tra ±3 4

5 La distribuzione normale standardizzata Oltre alle porzioni di area sottese alla curva citate precedentemente, possiamo conoscere quelle comprese tra il valore medio e qualsiasi altro valore, o tra due valori qualsiasi, utilizzando apposite tavole. Le tavole sono calcolate riferendosi ad una distribuzione normale standardizzata che ha media 0 e varianza pari a 1 Per utilizzare le tavole è necessario standardizzare i valori della nostra distribuzione, mediante la seguente relazione: ( µ) z = X σ TAVOLA A Un numero della tavola indica la porzione di area sottesa dalla curva da - a z. Ad esempio l area sottesa fino a z=2 è di 0,97725 ossia del 97,73% dell area totale. 5

6 TAVOLA B A volte si trova un altra tavola in cui ogni numero indica la porzione di area sottesa dalla curva da z=0 e una altro valore di z 0. Ad esempio l area sottesa da z=0 a fino a z=2 è di 0,4772 ossia del 47,72% dell area totale. Usare la tavola A o la B è indifferente basta tener conto del significato dei valori riportati Uso delle tavole : esempio 1 Supponiamo di voler conoscere l area compresa tra la media=0 e z=1,96. Nella colonna dei punti z, si scendere fino a trovare z=1,9 e, rimanendo nella stessa riga fino a trovare quella indicata con 0,06. Il punteggio che troveremo in quel punto è 0,9750 ed indica la porzione di area compresa tra - ez=1,96. Poiché l area sotto la curva a sinistra del valore corrispondente alla media=0,00 è 0,5000, l area tra la media e z =1,96 sarà 0,9750-0,5000=0,4750 L area compresa è del 47,50% 12 6

7 Uso delle tavole : esempio 2 Supponiamo di voler conoscere l area a destra del punto z=1,96. Nella colonna dei punti z, si scendere fino a trovare z=1,9 e, rimanendo nella stessa riga fino a trovare quella indicata con 0,06. Il punteggio che troveremo in quel punto è 0,9750 ed indica la porzione di area compresa tra - ez=1,96. Poiché l area totale è uguale a 1, l area che resta alla destra del punto z=1,96 sarà (1,0000-0,9750) =0,025. L area a destra di z=1,96 sarà del 2,5% Uso delle tavole : esempio 3 Supponiamo di voler conoscere l area compresa tra z=-1 e z=+1 Nella colonna dei punti z, si scendere fino a trovare z=1 e, rimanendo nella stessa riga fino a trovare quella indicata con 0,00. Il punteggio che troveremo in quel punto è 0,8413 ed indica la porzione di area compresa tra - e z=1. Per trovare il valore compreso tra z=-1 e z=+1 possiamo sottrarre metà dell area e moltiplicare per 2, in virtù della simmetria della distribuzione. (0, )*2=0,3413*2=0,6826 L area compresa è del 68,26% 14 7

8 Uso delle tavole : esempio 4 Supponiamo di voler conoscere l area compresa tra z=0,54 e z=0,35. Per trovare l area compresa tra - e z=0,54, nella colonna dei punti z, si scendere fino a trovare z=0,5 e, rimanendo nella stessa riga fino a trovare quella indicata con 0,04. Il punteggio che troveremo in quel punto è 0,7054. Per trovare l area compresa tra - e z=0,35, nella colonna dei punti z, si scendere fino a trovare z=0,3 e, rimanendo nella stessa riga fino a trovare quella indicata con 0,05. Il punteggio che troveremo in quel punto è 0,6368. Per trovare l area compresa tra z=0,54 e z=0,35 basterà sottrarre i due valori: 0,7054-0,6368=0,0686. L area compresa è del 6,9% 15 Esercizio La spesa media per prodotti telefonici nella popolazione statistica considerata, che si distribuisce in modo normale, è di 350 euro con uno scarto quadratico medio di 50. Estraendo un campione probabilistico di 150 individui si ottiene una spesa media di 359 euro. Quale è la probabilità di ottenere un campione che ha una spesa media maggiore di quella trovata nel campione estratto? E inferiore o uguale? Facendo riferimento alla distribuzione delle medie campionarie la spesa media di tutti i possibili campioni di 150 unità estraibili dalla popolazione si distribuisce normalmente con media: E( ) =µ =350 e errore medio : Var ( ) = σ/ n =4,082 Come procedere 1. Trovare il valore medio e l errore standard delle medie campionarie 2. Calcolare il valore standardizzato 3. Disegnare la distribuzione normale 4. Calcolare la probabilità sulla tavola della distribuzione normale 5. Trarre le conclusioni Z=, = 2,20 La probabilità di ottenere un campione con media -inferiore o uguale a 359 è 0,9861 -superiore 359 è di 0,0139 8

9 Esercizio Il prezzo di un prodotto sul mercato risulta, da indagini precedenti, essere di 125 euro con uno scarto quadratico medio di 30. Estraendo un campione probabilistico di 60 negozi si ottiene un prezzo medio di 130 euro. Quale è la probabilità di ottenere un campione casuale di negozi che vendono il prodotto ad un prezzo superiore o uguale? Quale è la probabilità di ottenere un campione con dei negozi che vendono il prodotto a 123 euro o meno? Z=, = 1,29 La probabilità di ottenere un campione con media -superiore o uguale a 130 è (1-0,9015)=0,0984 -inferiore o uguale a 123 è (1-0,6985)=0,3015 Z=, = -0,52 Dalla media del campione a quella della popolazione Fino ad ora abbiamo calcolato il valore di z utilizzando µ e poi abbiamo individuato la probabilità di ottenere il valore della media del nostro campione espressa in forma standardizzata Ma se non conosciamo µ, come procediamo? Come si stabilisce se il valore medio di un campione è una buona stima di quello della popolazione? 9

10 Gli intervalli di confidenza Si fa riferimento agli intervalli di confidenza: intervalli di valori, definiti da un estremo inferiore e superiore e costruiti a partire dalla media del campione, entro i quali possiamo ritenere che con una certa probabilità, sia inclusa la media della popolazione. La probabilità che il valore vero del parametro della popolazione cada nell intervallo si definisce livello di confidenza e si indica con (1 -α) α (denominato livello di significatività) è la probabilità che il parametro si trovi al di fuori dell intervallo di confidenza. Se il livello di confidenza è (1-α)=95% α =5% Se il livello di confidenza è (1-α)=99% α =1% Intervallo di confidenza per la media con σ noto X Z σ / n µ X + Z σ / n α / 2 α / 2 A partire dalla media del campione costruiamo un intervallo di valori sottraendo e sommando Z α/2 moltiplicato per l errore medio. Z α/2 è il valore, detto critico, a cui corrisponde un area cumulata della distribuzione normale standardizzata pari a (1- α/2 ). Ciò vuol dire che se vogliamo avere un livello di confidenza del 95%, dobbiamo individuare sulle tavole della curva normale il valore z che ci consente di ottenere attorno al valore medio della distribuzione il 95% dei casi, lasciando a destra dell area il 2,5% e a sinistra il 2,5%. Questo valore è z=±1,96 10

11 Esercizio Se vogliamo avere un livello di confidenza del 99%, quale è il valore critico di z? Come procedere 1. Calcolare α/2= (1-0,99)/2=0, Cercare sulla tavola della curva normale standardizzata (tav.a) l area pari a (1- α/2 )=(1-0,005)=0, Individuare il valore di z corrispondente. 4. Disegnare la curva normale Esercizio: stima ad intervallo A un campione casuale semplice di 80 clienti è stato chiesto di attribuire un punteggio da 1 a 100 a un prodotto immesso sul mercato nell ultimo anno. Il valore medio del punteggio è stato 74. Sapendo che lo scarto quadratico medio del punteggio nella popolazione è di 2,5, stimare il punteggio medio del prodotto nella popolazione di riferimento, calcolando l intervallo di confidenza al 95%, al 99% e al 99,73%. Come procedere (1-0,95)/2=0,025 (1-0,025)= 0,9750 standardizzata (tav.a) l area pari a (1- α/2 ) 1. Calcolare α/2= (1-p)/2 2. Cercare sulla tavola della curva normale 74 1,96 (2,5/ 80 ) μ 74+1,96 (2,5/ 80) 73,45 μ 74,55 (1-0,99) /2=0, Individuare il valore di z corrispondente. 4. Utilizzare il valore z per costruire gli intervalli di confidenza X Z σ / n µ X + Z σ / n α / 2 α / ,58 (2,5/ 80 ) μ 74+2,58 (2,5/ 80) 73,28 μ 74,72 ( )/2 =0, (2,5/ 80 ) μ 74+3 (2,5/ 80) 73,16 μ 74,84 11

12 Esercizio: stima ad intervallo (segue) Possiamo dunque affermare che a partire dal punteggio medio rilevato nel campione di 74, il punteggio medio attribuito dalla popolazione dei clienti al prodotto è compreso tra : 73,45 e 74,55, con un livello di confidenza del 95% e con una probabilità del 5% che sia esterno a questo intervallo. 73,28 e 74,72, con un livello di confidenza del 99% e con una probabilità del 1% che sia esterno a questo intervallo. 73,16 e 74,84 con un livello di confidenza del 99,73% e con una probabilità dello 0,27% che sia esterno a questo intervallo. Per facilitarci il compito: Valori di Zα/2 in corrispondenza dei livelli di confidenza 1-α sign. α Zα/2 0,6827 0,3173 1,00 0,7000 0,3000 1,04 0,8000 0,2000 1,28 0,9000 0,1000 1,64 0,9500 0,0500 1,96 0,9545 0,0455 2,00 0,9900 0,0100 2,58 0,9973 0,0027 3,00 In statistica in genere si ritiene accettabile un rischio di non più del 5%. Pertanto i livelli di confidenza utilizzati sono quelli di almeno il 95% ossia di (1- α) 0,95, a cui corrisponde appunto un livello di significatività α 0,05. Si ritengono accettabili dunque valori di Sign= α 0,05, che risultano associati a valori di Zα/2 1,96 12

13 Se σ non è noto In genere lo scarto quadratico medio della popolazione σ, al pari della mediaμ, non è noto. Pertanto, per ottenere un intervallo di confidenza per la media della popolazione, occorre utilizzare la deviazione standard del campione. Al posto dell errore medio " # $ = standard stimato: & # $= ' & # $= ' utilizziamo l errore (per popolazioni normali ed n >50, popolazioni infinite, per popolazioni non normali senza valori eccezionali ed n>100) 1 (per popolazioni finite) Dove s è la deviazione standard del campione Esercizio: stima ad intervallo con σ non noto Su un campione di 120 intervistati si è rilevata una spesa media mensile per telefonate su cellulare di 15 euro con scarto quadratico medio di 5,4. Assumendo che la popolazione è distribuita in modo normale, stimare la spesa media nella popolazione di riferimento, con un livello di confidenza del 95,45%. Come procedere 1. Calcolare α/2= (1-0,9545)/2 2. Cercare sulla tavola della curva normale standardizzata (tav.a) l area pari a (1- α/2 ) 3. Individuare il valore di z corrispondente. 4. Utilizzare il valore z per costruire gli intervalli di confidenza ( )* + & - 1 ( +)* + & (5.4/ 119 ) μ 15+2 (5.4/ 119 ) 14,01 μ 15,99 Possiamo dunque affermare che a partire dalla spesa media rilevata sul campione di 15 euro, la spesa media della popolazione, è compresa tra 14,01 e 15,99 euro, con un livello di confidenza del 95,45% e con una probabilità del 4,55% che sia esterna (maggiore o minore) a questo intervallo. 13

14 Esercizio Su un campione di 110 punti vendita si è rilevato che il prezzo di vendita di un noto modello di cellulare è di 355 euro, con uno scarto quadratico medio di 16 euro. Assumendo che la popolazione sia distribuita in modo normale, stimare il prezzo di vendita di quel prodotto nella popolazione di riferimento, con un livello di confidenza del 99,73%. Se σ non è noto: approfondimenti Negli esercizi precedenti in cui n era grande (n>100), anche quando σ non era noto, abbiamo utilizzato l errore standard stimato e abbiamo fatto riferimento, per semplicità, alla distribuzione normale standard. In realtà, se la variabile casuale X ha una distribuzione normale allora la statistica : 1 = # ha una distribuzione t di Student con (n 1) gradi di libertà. Una t di Student con molti gradi di libertà (n>100) si approssima ad una distribuzione normale standard. Tuttavia per un numero inferiore di gradi di libertà e dunque al diminuire di n la distribuzione t di Student differisce da quella normale e dunque invece della variabile z si utilizza t. 14

15 T di student La distribuzione t di Student ha una forma simile a quella della normale standardizzata. Il grafico è più appiattito e l area sottesa sulle code è maggiore di quella della normale perché il fatto che σ non è noto e viene stimato da s, è fonte di incertezza e dunque di maggiore variabilità di t. La distribuzione T è simmetrica rispetto alla media 0 e la forma dipende dal numero dei gradi di libertà Gdl o v=( n-1) Se n è grande la distribuzione T si approssima alla curva normale. Intervalli di confidenza con la T di Student gli intervalli di confidenza vengono costruiti facendo riferimento a valori di t in corrispondenza di un dato livello di confidenza e dei gradi di libertà (gdl o v=n-1). Gli intervalli: ' ±1, includono il valore incognito µ con il 95% di probabilità ' ±1, includono il valore incognito µ con il 99% di probabilità I valori 1 * dipendono dal numero di gradi di libertà e vengono individuati utilizzando apposite tavole. 15

16 La tavola della T di student La tavola fornisce i valori critici per la distribuzione t. La colonna a sinistra contiene il numero dei gradi di libertà, mentre le altre colonne danno i valori di t in corrispondenza dei vari livelli di significatività, cioè le porzioni di area nelle due code della distribuzione. Quindi α=0,050 corrisponde a due aree α/2=0,025, a destra e a sinistra della distribuzione. Esercizio: stima ad intervallo con σ non noto e n piccolo Su un campione di 30 intervistati si è rilevata una spesa media mensile per sigarette elettroniche di 58 euro con scarto quadratico medio di 4 euro. Assumendo che la popolazione è distribuita in modo normale, stimare la spesa media nella popolazione di riferimento, con un livello di confidenza del 95%. Come procedere 1. Calcolare α= (1-0,95)=0, Calcolare i gradi di libertà v= (n-1) 3. Cercare sulla tavola della t di Student il valore di t in corrispondenza del valore α e di v. 4. Individuare il valore di t corrispondente. 3. Utilizzare il valore t per costruire gli intervalli di confidenza ( 1 * & - 1 ( +1 * & ,045 (4/ 29 ) μ 58+2,045 (4/ 29 ) 56,48 μ 59,52 Possiamo dunque affermare che a partire dalla spesa media rilevata sul campione di 58 euro, la spesa media della popolazione, è compresa tra 56, ,53 euro, con un livello di confidenza del 95% e con una probabilità del 5% che sia esterna (maggiore o minore) a questo intervallo. 16

17 Esercizio Su un campione di 25 donne si è rilevato un consumo medio di alcol settimanale di 9 unità con uno scarto quadratico medio di 2,5 unità. Assumendo che la popolazione è distribuita in modo normale, stimare il consumo medio della popolazione di riferimento, con un livello di confidenza del 99%. Come procedere 1. Calcolare α= (1-0,99)=0,01 2. Calcolare i gradi di libertà v= (n-1) 3. Cercare sulla tavola della t di Student il valore di t in corrispondenza del valore α e di v. 4. Individuare il valore di t corrispondente. 3. Utilizzare il valore t per costruire gli intervalli di confidenza 9 2,797 (2,5/ 24 ) μ 9+2,797 (2,5/ 24 ) 7,57 μ 10,42 ( 1 * & - 1 ( +1 * & - 1 Quando il parametro da stimare è una proporzione Spesso nelle ricerche di mercato le statistiche che interessano non sono espressi in valori medi, ma in proporzioni. Si è interessati ad esempio a conoscere la proporzione di clienti soddisfatti o insoddisfatti, oppure di consumatori di un determinato prodotto. Una volta rilevate queste proporzioni su un campione come possiamo procedere a stimare la proporzione reale nella popolazione di riferimento? Anche in questo caso possiamo procedere analogamente alla stima dei valori medi, poiché la distribuzione delle proporzioni campionarie p, tende, se n è grande a distribuirsi secondo una distribuzione normale, con con media: E(p) =P dove P è la proporzione reale nella popolazione e varianza : Var (p) = PQ/n dove Q=(1-P) (popolazione, non finita con qualunque tipo di estrazione; popolazione finita con estrazione con ripetizione, n>30) ) Var (p) = PQ/n [(N-n)/(N-1)] (popolazione finita con estrazione senza ripetizione) 17

18 Possiamo dunque procedere analogamente a quanto abbiamo fatto per stimare i valori medi, anche nel caso di proporzioni. Sappiamo infatti che: Per n grande, o per popolazioni non finite, o nell estrazione con ripetizione: il 68.26% delle proporzioni dei campioni è compreso tra 8± 9: il 95.44% tra8±2 9: il 99.73% tra 8±3 9: Per popolazioni il 95.44% tra finite, 8±2 nell estrazione 9: senza ripetizione: il 68.26% delle proporzioni dei campioni è compreso tra 8± 9: il 99.73% tra 8±3 9: il 95.44% tra 8±2 9: il % tra P±3 9: Esercizio Su un campione di n=100 negozi, risulta che 40 hanno adottato un nuovo orario di apertura. Perciò la proporzione campionaria è di 0,40. Da altre indagini di fonte ufficiale risulta invece che la porzione di negozi in tutta la zona che hanno adottato il nuovo orario è del 36%, quindi la proporzione della popolazione è di 0,36. Quale è la probabilità di ottenere un campione che ha una proporzione superiore di 0,40 se quella della popolazione è di 0,36? Facendo riferimento alla distribuzione delle proporzioni campionarie la proporzione media di tutti i possibili campioni di 100 unità estraibili dalla popolazione si distribuisce normalmente con media: E(p) =P =0,36 e errore medio delle proporzioni: Var (p) = PQ/n = 0,048 Z=,,<, = 0,83 Come procedere 1. Trovare il valore medio e l errore standard delle proporzioni campionarie 2. Calcolare il valore standardizzato 3. Disegnare la distribuzione normale 4. Calcolare la probabilità sulla tavola della distribuzione normale 5. Trarre le conclusioni La probabilità di ottenere un campione con una proporzione -superiore a 0,40 è di (1-0,7967)=0,2033 = 20% Quindi il 20% 18

19 Intervallo di confidenza per proporzioni A partire dalla proporzione del campione p possiamo costruire un intervallo di valori sottraendo e sommando Z α/2 e moltiplicando per l errore. Come sappiamo Z α/2 è il valore a cui corrisponde un area cumulata della distribuzione normale standardizzata pari a (1- α/2 ). Se n è grande possiamo usare la proporzione p del campione come buona approssimazione della proporzione della popolazione nel calcolo dell errore standard: & = = =>? )* + - 8?+)* + - Esercizio: stima ad intervallo di una proporzione Su un campione casuale semplice di 150 intervistati si è rilevata che la percentuale di soggetti che legge un quotidiano è del 40%. Stimare la vera percentuale di lettori di quotidiani nella popolazione, con un livello di confidenza del 95,45% e del 99%. Come procedere: 1. Individuare il valore di z corrispondente a livello di confidenza richiesto. 2.Utilizzare il valore z per costruire gli intervalli di confidenza A BC + AE D F G A+BC + AE D F Attenzione p non è la percentuale, ma la proporzione!! 0,40 2 0,40 2,58,,<,,< (1-α)=95% 8 0,40+2 0,32 8 0,48 (1-α)=99% 8 0,40+2,58 0,30 8 0,50,,<,,< Possiamo dunque affermare che a partire dalla percentuale rilevata sul campione, la percentuale di lettori di quotidiani nella popolazione di riferimento è compresa tra il 32% e il 48% con un livello di confidenza del 95,45% e tra il 30% e il 50% con un livello di confidenza del 99%. 19

20 Esercizio In un campione di 80 intervistati, 36 clienti hanno detto di preferire l hotel Royal agli altri hotel della zona. A- Si vuole applicare il risultato all intera popolazione di riferimento, con un livello di confidenza del 95%. Quale intervallo di gradimento si ottiene per l hotel Royal? B- Se si decide di estendere la rilevazione a 250 clienti ottenendo una percentuale di preferenze per l hotel Royal del 48%, quali sono i nuovi intervalli di confidenza? Come procedere: 1. Calcolare la proporzione p di clienti che preferiscono l hotel Royal 2. Calcolare l errore standard delle proporzioni 3. Individuare il valore di z corrispondente a livello di confidenza richiesto. 4. Utilizzare il valore z per costruire gli intervalli di confidenza? )H I => 8?+)H I => Risposta A p=36/80=0,45 & = =?K - 0,45 (1 0,45) = =0, ,45 1,96 0, ,45+1,96 0,056 0,34 8 0,56 Esercizio Da una ricerca di mercato effettuata su un campione di 200 intervistati risulta che solo 80 individui sono a favore della costruzione di un centro commerciale. A- Si stimi la proporzione della popolazione a favore della costruzione calcolando l intervallo di confidenza al 95,54% B- Se l impresa che costruisce il centro commerciale sostiene che nella popolazione il 70% è a favore della costruzione, qual è la probabilità di avere un campione di 200 persone con la proporzione che abbiamo osservato se la vera proporzione della popolazione è dello 0,7? L impresa ha ragione o torto? 20

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Inferenza statistica

Inferenza statistica Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione in base ad informazioni ricavate da un campione. Inferenza statistica: indurre

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

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

Statistica descrittiva: prime informazioni dai dati sperimentali

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

Dettagli

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

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

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

I punteggi zeta e la distribuzione normale

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

Dettagli

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no.

decidiamo, sulla base di un campione, se l ipotesi formulata è plausibile oppure no. LA VERIFICA D IPOTESI Alla base dell inferenza statistica vi è l assunzione che i fenomeni collettivi possano essere descritti efficacemente mediante delle distribuzioni di probabilità. Abbiamo già considerato

Dettagli

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

Capitolo 11 Test chi-quadro

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

Dettagli

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie

Università del Piemonte Orientale. Corso di dottorato in medicina molecolare. a.a. 2002 2003. Corso di Statistica Medica. Inferenza sulle medie Università del Piemonte Orientale Corso di dottorato in medicina molecolare aa 2002 2003 Corso di Statistica Medica Inferenza sulle medie Statistica U Test z Test t campioni indipendenti con uguale varianza

Dettagli

Misure della dispersione o della variabilità

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

Dettagli

Facciamo qualche precisazione

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

Dettagli

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili:

Abbiamo visto due definizioni del valore medio e della deviazione standard di una grandezza casuale, in funzione dalle informazioni disponibili: Incertezze di misura Argomenti: classificazione delle incertezze; definizione di incertezza tipo e schemi di calcolo; schemi per il calcolo dell incertezza di grandezze combinate; confronto di misure affette

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 L4, Corso Integrato di Psicometria - Modulo B Dr. Marco Vicentini marco.vicentini@unipd.it Rev. 18/04/2011 Inferenza statistica Formulazione

Dettagli

Problema pratico: Test statistico = regola di decisione

Problema pratico: Test statistico = regola di decisione La verifica delle ipotesi statistiche Problema pratico: Quale, tra diverse situazioni possibili, riferite alla popolazione, è quella meglio sostenuta dalle evidenze empiriche? Coerenza del risultato campionario

Dettagli

La distribuzione Gaussiana

La distribuzione Gaussiana Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione

Dettagli

Il campionamento. risultati ottenuti sul campione sono generalizzabili alla popolazione da cui è stato estratto

Il campionamento. risultati ottenuti sul campione sono generalizzabili alla popolazione da cui è stato estratto Il campionamento Il campionamento Insieme delle operazioni che consistono nella selezione, nelle intenzioni rappresentativa, degli appartenenti ad una popolazione, allo scopo di studiare una porzione della

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

Istituzioni di Statistica e Statistica Economica

Istituzioni di Statistica e Statistica Economica Istituzioni di Statistica e Statistica Economica Università degli Studi di Perugia Facoltà di Economia, Assisi, a.a. 2013/14 Esercitazione n. 3 A. Sia una variabile casuale che si distribuisce secondo

Dettagli

Statistica descrittiva

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

Dettagli

Analisi statistica degli errori

Analisi statistica degli errori Analisi statistica degli errori I valori numerici di misure ripetute risultano ogni volta diversi l operazione di misura può essere considerata un evento casuale a cui è associata una variabile casuale

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

R - Esercitazione 5. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. Lunedì 2 Dicembre 2013. Università Roma Tre

R - Esercitazione 5. Lorenzo Di Biagio dibiagio@mat.uniroma3.it. Lunedì 2 Dicembre 2013. Università Roma Tre R - Esercitazione 5 Lorenzo Di Biagio dibiagio@mat.uniroma3.it Università Roma Tre Lunedì 2 Dicembre 2013 Intervalli di confidenza (1) Sia X 1,..., X n un campione casuale estratto da un densità f (x,

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

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

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

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

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/03/2011

FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/03/2011 FACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE SIMULAZIONE della PROVA SCRITTA di STATISTICA 23/3/2 ESERCIZIO (2+2+2+2) La seguente tabella riporta la distribuzione della variabile "Stato Civile"

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

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

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per categoriali. Alessandro Valbonesi LEZIONI DI STATISTCA APPLICATA Parte 2 Statistica inferenziale Variabili continue per categoriali Alessandro Valbonesi SARRF di Scienze ambientali Anno accademico 2010-11 CAPITOLO 4 - TEST STATISTICI CHE

Dettagli

Corso di Psicometria Progredito

Corso di Psicometria Progredito Corso di Psicometria Progredito 3.1 Introduzione all inferenza statistica Prima Parte Gianmarco Altoè Dipartimento di Pedagogia, Psicologia e Filosofia Università di Cagliari, Anno Accademico 2013-2014

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

STATISTICA IX lezione

STATISTICA IX lezione Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri

Dettagli

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

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo

Politecnico di Milano - Anno Accademico 2010-2011 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Politecnico di Milano - Anno Accademico 200-20 Statistica 086449 Docente: Alessandra Guglielmi Esercitatore: Stefano Baraldo Esercitazione 9 2 Giugno 20 Esercizio. In un laboratorio per il test dei materiali,

Dettagli

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000 GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI INDICE parte sezione pagina 1. INTRODUZIONE. FONDAMENTI.1. Misurando,

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

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

Un po di statistica. Christian Ferrari. Laboratorio di Matematica

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

Dettagli

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011

Facoltà di Psicologia Università di Padova Anno Accademico 2010-2011 Facoltà di Psicologia Università di Padova Anno Accademico 010-011 Corso di Psicometria - Modulo B Dott. Marco Vicentini marco.vicentini@unipd.it Rev. 10/01/011 La distribuzione F di Fisher - Snedecor

Dettagli

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini)

Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Soluzioni degli Esercizi del Parziale del 30/06/201 (Ippoliti-Fontanella-Valentini) Esercizio 1 In uno studio sugli affitti mensili, condotto su un campione casuale di 14 monolocali nella città nella città

Dettagli

11. Analisi statistica degli eventi idrologici estremi

11. Analisi statistica degli eventi idrologici estremi . Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche

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

Esercitazione di riepilogo 23 Aprile 2013

Esercitazione di riepilogo 23 Aprile 2013 Esercitazione di riepilogo 23 Aprile 2013 Grafici Grafico a barre Servono principalmente per rappresentare variabili (caratteri) qualitative, quantitative e discrete. Grafico a settori circolari (torta)

Dettagli

UNIVERSITÀ DEGLI STUDI DI FERRARA

UNIVERSITÀ DEGLI STUDI DI FERRARA UNIVERSITÀ DEGLI STUDI DI FERRARA Anno Accademico 2012/2013 REGISTRO DELL ATTIVITÀ DIDATTICA Docente: ANDREOTTI MIRCO Titolo del corso: MATEMATICA ED ELEMENTI DI STATISTICA Corso: CORSO UFFICIALE Corso

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco

Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo

Dettagli

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 Scopo della ricerca Riuscire a determinare le caratteristiche di un fenomeno attraverso un campionamento di alcuni

Dettagli

CONTROLLI STATISTICI

CONTROLLI STATISTICI CONTROLLI STATISTICI Si definisce Statistica la disciplina che si occupa della raccolta, effettuata in modo scientifico, dei dati e delle informazioni, della loro classificazione, elaborazione e rappresentazione

Dettagli

A. Boggio G. Borello. Statistica STATISTICA INDUSTRIALE RICERCA OPERATIVA. Scienze e. Tecnologie PETRINI

A. Boggio G. Borello. Statistica STATISTICA INDUSTRIALE RICERCA OPERATIVA. Scienze e. Tecnologie PETRINI A. Boggio G. Borello Statistica STATISTICA INDUSTRIALE RICERCA OPERATIVA 3 PETRINI Scienze e Tecnologie A. BOGGIO G. BORELLO STATISTICA 3 Argomenti e applicazioni di statistica industriale e di ricerca

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

Test di Ipotesi Intervallo di confidenza Rossella Baldini

Test di Ipotesi Intervallo di confidenza Rossella Baldini Inferenza Statistica Test di Ipotesi Intervallo di confidenza Rossella Baldini 1 Statistiche o Statistica? Le statistiche mediche sono affermazioni numeriche di contenuto medico: Quante persone ogni anno

Dettagli

Questionario N.A.V.I. a.s. 2013/2014

Questionario N.A.V.I. a.s. 2013/2014 ISTITUTO MAGISTRALE STATALE MARIA IMMACOLATA San Giovanni Rotondo Questionario N.A.V.I. L indagine NAVI per il corrente anno scolastico, come negli anni precedenti, è stata svolta su quattro aree (docenti,

Dettagli

Esercizi di Statistica

Esercizi di Statistica Esercizi di Statistica Selezione di esercizi proposti durante le esercitazioni dei corsi di Statistica tenute presso la Facoltà di Economia dell Università di Salerno Versione del 17 ottobre 2006 2 Per

Dettagli

matematica probabilmente

matematica probabilmente IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e

Dettagli

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza

Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza Corso di Laurea in Ingegneria Informatica e Automatica (A-O) Università di Roma La Sapienza CALCOLO DELLE PROBABILITÀ E STATISTICA ESAME DEL 17/06/2015 NOME: COGNOME: MATRICOLA: Esercizio 1 Un sistema

Dettagli

Prova di autovalutazione Prof. Roberta Siciliano

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

Dettagli

La variabile casuale Binomiale

La variabile casuale Binomiale La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola

Dettagli

Elementi di statistica descrittiva I 31 Marzo 2009

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

Dettagli

Il confronto fra proporzioni

Il confronto fra proporzioni L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,

Dettagli

Statistica Medica. Verranno presi in esame:

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

Dettagli

Esplorazione dei dati

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

Dettagli

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B

Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Elementi di Calcolo delle Probabilità e Statistica per il corso di Analisi Matematica B Laurea in Ingegneria Meccatronica A.A. 2010 2011 n-dimensionali Riepilogo. Gli esiti di un esperimento aleatorio

Dettagli

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione

Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Microeconometria (Silvia Tiezzi) 01 aprile2011 Esercitazione Esercizio 1 Si consideri il seguente modello ad effetti fissi con variabili binarie: + 1 2 a) supponete che N=3. Si mostri che i regressori

Dettagli

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche

Ancora sull indipendenza. Se A e B sono indipendenti allora lo sono anche Ancora sull indipendenza Se A e B sono indipendenti allora lo sono anche A e B Ā e B Ā e B Sfruttiamo le leggi di De Morgan Leggi di De Morgan A B = Ā B A B = Ā B P (Ā B) = P (A B) = 1 P (A B) = 1 (P (A)

Dettagli

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA UMBERTO MAGAGNOLI Materiale per il Corso di lezioni di STATISTICA Laurea magistrale in Matematica Facoltà di Scienze Matematiche, Fisiche e Naturali Università

Dettagli

La statistica nella ricerca scientifica

La statistica nella ricerca scientifica La statistica nella ricerca scientifica Pubblicazione dei risultati Presentazione dei dati e la loro elaborazione devono seguire criteri universalmente validi Impossibile verifica dei risultati da parte

Dettagli

Capitolo 7 TEST DELLE IPOTESI

Capitolo 7 TEST DELLE IPOTESI B. Chiandotto F. Cipollini Versione 3 Cap. 7 Capitolo 7 TEST DELLE IPOTESI In questo capitolo si affronta il problema della verifica d ipotesi statistiche limitando la trattazione alla cosiddetta teoria

Dettagli

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

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

Dettagli

Elaborazione dati in Analisi Sensoriale

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

Dettagli

Variabili Casuali Continue e Distribuzione Normale

Variabili Casuali Continue e Distribuzione Normale Variabili Casuali Continue e Distribuzione Normale Nel Capitolo 5 si è definita variabile casuale continua una variabile casuale che può assumere tutti valori compresi fra gli estremi di un intervallo

Dettagli

Il corso si colloca nell ambito del corso integrato di scienze quantitative, al secondo anno, primo semestre.

Il corso si colloca nell ambito del corso integrato di scienze quantitative, al secondo anno, primo semestre. Corso di Statistica Medica 2004-2005 Il corso si colloca nell ambito del corso integrato di scienze quantitative, al secondo anno, primo semestre. Sono previste 30 ore di lezione di statistica e 12 di

Dettagli

Dall'analisi dei prospetti informativi diffusi dalla Borsa di Paperopoli Gastone ricava le seguenti informazioni sul rendimento dei tre titoli:

Dall'analisi dei prospetti informativi diffusi dalla Borsa di Paperopoli Gastone ricava le seguenti informazioni sul rendimento dei tre titoli: ESERCIZIO 1 Gastone investe i suoi risparmi in tre titoli (A: Paperone & Co; B: Rockerduck & Co; C: Bassotti & Co) quotati sul mercato di Paperopoli. La composizione percentuale del portafoglio di Gastone

Dettagli

Appunti del corso. Qualità

Appunti del corso. Qualità Appunti del corso Qualità ii INDICE CAPITOLO 1. Termini per la qualità 1.1 Aspetti generali 1.2 Variabilità CAPITOLO 2. Richiami di probabilità 2.1 La distribuzione binomiale 2.2 La distribuzione di Poisson

Dettagli

Scheda n.5: variabili aleatorie e valori medi

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

Dettagli

Esercitazioni-aula-parte-III

Esercitazioni-aula-parte-III Esercitazioni-aula-parte-III Esempio par.7.2) Ross Sia (X 1,..., X n ) un campione aleatorio estratto da una popolazione esponenziale di parametro θ incognito. Determinare l espressione dello stimatore

Dettagli

Gestione Industriale della Qualità

Gestione Industriale della Qualità Appunti del corso di Gestione Industriale della Qualità Ing. Toni Lupo A.A. 010/011 1 Sommario 1.1 Diagramma di Pareto ed istogramma 7 1. Diagramma ramo foglia 11 1.3 Diagrammi a scatola (e baffi) 13 1.4

Dettagli

Stefano Invernizzi Anno accademico 2010-2011

Stefano Invernizzi Anno accademico 2010-2011 POLITECNICO DI MILANO Statistica Appunti Stefano Invernizzi Anno accademico 2010-2011 Corso della prof. Ilenia Epifani Sommario Introduzione al corso... 5 La statistica... 5 Schema tipico di raccolta

Dettagli

Tabella per l'analisi dei risultati

Tabella per l'analisi dei risultati Vai a... UniCh Test V_Statistica_Eliminatorie Quiz V_Statistica_Eliminatorie Aggiorna Quiz Gruppi visibili Tutti i partecipanti Info Anteprima Modifica Risultati Riepilogo Rivalutazione Valutazione manuale

Dettagli

Gestione ed Analisi Statistica dei dati

Gestione ed Analisi Statistica dei dati Master in Evidence Based Practice e Metodologia della Ricerca clinico-assistenziale assistenziale Gestione ed Analisi Statistica dei dati Daniela Fortuna 9 maggio 2014 Come è strutturato il corso Questo

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

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

Dettagli

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA) Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad

Dettagli

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

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

Dettagli

Generalità sull energia eolica

Generalità sull energia eolica Generalità sull energia eolica Una turbina eolica converte l energia cinetica della massa d aria in movimento ad una data velocità in energia meccanica di rotazione. Per la produzione di energia elettrica

Dettagli

Grafici delle distribuzioni di frequenza

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

Dettagli

Statistica. Alfonso Iodice D Enza iodicede@unina.it

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

Dettagli

Analizza/Confronta medie. ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107. Test t. Test t. t-test test e confronto tra medie chi quadrato

Analizza/Confronta medie. ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107. Test t. Test t. t-test test e confronto tra medie chi quadrato Analizza/Confronta medie ELEMENTI DI PSICOMETRIA Esercitazione n. 7-8-9-107 t-test test e confronto tra medie chi quadrato C.d.L. Comunicazione e Psicologia a.a. 2008/09 Medie Calcola medie e altre statistiche

Dettagli

PROBLEMI TRADIZIONALI SIMULAZIONE DELLA PROVA DI MATEMATICA

PROBLEMI TRADIZIONALI SIMULAZIONE DELLA PROVA DI MATEMATICA Simulazione 01/15 ANNO SCOLASTICO 01/15 PROBLEMI TRADIZIONALI SIMULAZIONE DELLA PROVA DI MATEMATICA DELL ESAME DI STATO PER IL LICEO SCIENTIFICO Il candidato risolva uno dei due problemi Problema 1 Nella

Dettagli

Probabilità 1 P (A B) =P (A)+P (B) P (A B). La coppia (Ω,P) viene detta spazio di probabilità.

Probabilità 1 P (A B) =P (A)+P (B) P (A B). La coppia (Ω,P) viene detta spazio di probabilità. Probabilità Un esperimento (o prova) aleatorio (casuale) è un esperimento che a priori può avere diversi esiti possibili e il cui risultato effettivo non è prevedibile con certezza. Esempi:. Lancio di

Dettagli

L Analisi della Varianza ANOVA (ANalysis Of VAriance)

L Analisi della Varianza ANOVA (ANalysis Of VAriance) L Analisi della Varianza ANOVA (ANalysis Of VAriance) 1 CONCETTI GENERALI Finora abbiamo descritto test di ipotesi finalizzati alla verifica di ipotesi sulla differenza tra parametri di due popolazioni

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

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

CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi

CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi 1 CORSO INTENSIVO DI STATISTICA I (V.O.) Esercizi Dott.ssa CATERINA CONIGLIANI Facoltà di Economia Università Roma Tre 1 Esercizi di statistica descrittiva Esercizio 1.1 (Prof. Pieraccini, 20 6-00) In

Dettagli

Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli

Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina

Dettagli

Analisi fattoriale. esplorativa vers. 1.0. Germano Rossi 1 germano.rossi@unimib.it. 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Analisi fattoriale. esplorativa vers. 1.0. Germano Rossi 1 germano.rossi@unimib.it. 1 Dipartimento di Psicologia, Università di Milano-Bicocca Analisi fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2009 Rossi (Dip. Psicologia) Analisi fattoriale 2009 1 / 47 Prima

Dettagli