Slides A.A. 2014 2015 in Aula

Corso di Laurea in Marketing e
Organizzazione dImpresa
Dipartimento di
Comunicazione ed Economia
INTRODUZIONE ALLA STATISTICA PER

LE SCIENZE ECONOMICHE E SOCIALI
Franco Torelli
(franco.torelli@unimore.it)
Anno Accademico 2014/2015
Introduzione
Nome
corso alla statistica per le scienze economiche e sociali
Febbraio 2015
Obiettivi formativi
Fornire gli strumenti quantitativi essenziali e
favorire la comprensione delle metodologie
statistiche di base nel contesto delle scienze
economiche, sociali aziendali e delle pubbliche
amministrazioni.
Favorire ladozione di approcci corretti nei
confronti delle indagini di tipo quantitativo,
nellinterpretazione dei risultati e nella relativa
esposizione e comunicazione.
Evidenziare, per mezzo di un profilo di
concretezza del corso, come limpiego di
opportuni metodi statistici consenta di risolvere
svariate tipologie di problemi.
Introduzione alla statistica per le scienze economiche e sociali
Febbraio 2015
Contenuti
Introduzione al ruolo e al linguaggio della statistica
Parte I: Statistica descrittiva
Classificazioni dei dati e rappresentazioni grafiche
Rapporti statistici e numeri indici
Misure di posizione, di variabilit, di concentrazione
Analisi bivariata: correlazione e regressione lineare
semplice
Parte II: Probabilit e statistica inferenziale
Nozioni elementari di probabilit
Distribuzioni di probabilit
Distribuzioni campionarie e intervalli di confidenza
Stime puntuali e stime per intervallo
Metodi di campionamento
Verifica delle ipotesi: i test statistici
Febbraio 2015
1 INTRODUZIONE AL RUOLO E AL LINGUAGGIO

DELLA STATISTICA
Febbraio 2015
Il significato di statistica
Si tratta di un insieme di metodologie che hanno

come scopo la conoscenza quantitativa dei
fenomeni collettivi
Collettivi di stato: individuabili in modo preciso solo
se riferiti a uno specifico momento (es. popolazione
residente)
Collettivi di movimento: individuabili in riferimento
a un periodo (prodotti venduti, nascite)
Febbraio 2015
Tipologie di fenomeni collettivi
I fenomeni collettivi che sono tali perch riguardano

una collettivit di casi singoli. Per esempio, le
caratteristiche comportamentali della popolazione
dellEuropa centro-orientale.
I fenomeni relativi a un solo caso, alla cui
conoscenza si pu pervenire solo con la ripetizione
delle misurazioni (collettivit di osservazioni): per
esempio, la quantit di bario liberata ad alta quota
da una determinata apparecchiatura allo scopo di
creare nubi artificiali.
Febbraio 2015
Collettivit di osservazioni
Ripetendo lo stesso esperimento o la stessa

misurazione, non si ottiene lo stesso risultato .
per la presenza di errori casuali di misurazione
Si tratta di errori non eliminabili completamente,

che non assumono dimensioni macroscopiche
Derivano dallimpossibilit di considerare le
numerose caratteristiche che influenzano il
fenomeno
Febbraio 2015
Errori casuali e distorsioni
Mentre gli errori casuali a volte aumentano, a

volte diminuiscono il valore reale, le distorsioni
operano sempre nella stessa direzione e
influenzano quindi la media
La singola misurazione quindi uguale al valore

reale + lerrore casuale + leventuale distorsione
Febbraio 2015
Statistica descrittiva e statistica

inferenziale
Lo studio dei fenomeni collettivi pu essere svolto

sull'intera collettivit, oppure solo una sua parte
Se si utilizzano informazioni su una parte per trarre
conclusioni o deduzioni sullintera collettivit, il
campo della statistica chiamato statistica
inferenziale o inferenza statistica
Al contrario, la statistica descrittiva ha come oggetto
la semplice descrizione quantitativa delle
caratteristiche di una collettivit, sia essa intera o
parziale
Febbraio 2015
Alcune definizioni Popolazione e unit
Popolazione statistica: loggetto di una indagine,

linsieme degli elementi che ci interessano ai fini
dell'indagine; viene utilizzato come sinonimo il
termine universo statistico (per esempio, tutti i
visitatori di una fiera)
Unit statistiche: sono i singoli elementi che

compongono la popolazione statistica, sui quali si
effettua la misurazione delle variabili (i singoli
visitatori)
Febbraio 2015
10
Alcune definizioni fenomeni e modalit

Fenomeni statistici (o variabili statistiche o caratteri
statistici): sono le caratteristiche rilevate per ogni
unit statistica (per esempio, la tipologia di visitatori);
si distinguono in fenomeni qualitativi e fenomeni
quantitativi
Modalit: sono i diversi valori che pu presentare un
fenomeno (per esempio, riguardo alla tipologia di
visitatore: italiano o straniero; appartenente a un
settore industriale o terziario, ecc.)
Le modalit di un carattere devono essere esaustive
(ossia, rappresentare tutti i possibili modi in cui un
fenomeno si pu presentare)
Febbraio 2015
11
I fenomeni qualitativi
Presentano modalit espresse con parole (es.:
stato civile); sono chiamati anche mutabili. Si
suddividono in ordinai e nominali.
Fenomeni ordinali: fra le modalit si pu stabilire
un ordine logico (crescente o decrescente): per
esempio, livello di accordo con la depenalizzazione
del suicidio
Fenomeni nominali: fra le modalit si possono

instaurare solo relazioni di uguale o diverso, senza
che si possa adottare un ordine logico: per
esempio, tipologia di negozio preferito
Febbraio 2015
12
Ancora sui fenomeni nominali

Spesso, per praticit di elaborazione, si
attribuiscono codifiche numeriche alle diverse
modalit dei fenomeni nominali.
Per esempio, se si studiano i gruppi etnici di
appartenenza nellAsia Centrale:
1 Kazaki
2 - Uzbeki
3 Turkmeni
4 ecc.
In questo caso, i dati che si ricavano sono
chiamati dati nominali; si tratta di dati che non
provengono da operazioni di misurazione o di
conteggio, ma da una codifica.
Febbraio 2015
13
Ancora sui fenomeni ordinali

Sempre per praticit di elaborazione o di formulazione
della risposta, si attribuiscono codifiche numeriche
anche alle diverse modalit dei fenomeni ordinali.
I dati che si ricavano sono chiamati dati ordinali;
anche in questo caso, sono dati che non provengono
da operazioni di misurazione o di conteggio.
Per esempio, relativamente al livello di stagionalit di
un prodotto:
1 molto contenuto
2 contenuto
3 n contenuto, n elevato
4 elevato
5 molto elevato
Febbraio 2015
14
I fenomeni quantitativi
Presentano modalit espresse con numeri, che derivano
da un'operazione di misura o di conteggio; sono chiamati
anche variabili.
Fenomeni discreti: le modalit sono costituite da un
numero finito di valori, che possono variare tra loro
solo per un ammontare fisso (per esempio, il numero
di referenze su uno scaffale di un negozio; i dipendenti
di unazienda)
Fenomeni continui: la scala delle possibili modalit
continua: allinterno del campo di variazione, il numero
delle modalit teoricamente infinito (le modalit
possono differire tra loro per entit variabili). Per
esempio, la distanza tra il luogo di acquisto e la
residenza dellacquirente; la statura.
Febbraio 2015
15
Discreti e continui
Nel caso di fenomeno discreto, le modalit

possono essere poste in corrispondenza biunivoca
con un sottoinsieme dei numeri interi.
Nel caso di fenomeno continuo, le modalit
possono essere poste in corrispondenza biunivoca
con un sottoinsieme dei numeri reali.
Febbraio 2015
16
Ancora sui fenomeni continui

Il loro numero di modalit teoricamente infinito.
Nella realt, pu esistere una discontinuit
sperimentale, dovuta alla pi o meno accentuata
sensibilit dello strumento di misurazione (per
esempio, lanemometro nel caso del vento)
Uno strumento dotato di sensibilit infinita
potrebbe fornire valori con un numero infinito di
cifre.
Febbraio 2015
17
Scale di intervallo
Una scala di intervallo ha il punto di origine
fissato convenzionalmente, come punto di
riferimento (per esempio, scala dei gradi
centigradi per la temperatura: il punto zero non
significa assenza di temperatura).
In queste scale, hanno significato le differenze,
ma non i rapporti: tra due temperature, possiamo
affermare che una inferiore allaltra, ma non
conosciamo il loro rapporto.
Febbraio 2015
18
Scale di rapporto
Una scala di rapporto ha il punto di origine legato

in modo naturale allassenza di valore, come punto
di riferimento (per esempio, lavanzamento della
linea di terra alla foce di un fiume, per effetto dei
sedimenti: il punto zero ha il significato di assenza
di avanzamento).
In queste scale, hanno significato sia le differenze,
sia i rapporti: tra due fiumi, possiamo affermare
che uno presenta un avanzamento della linea di
terra corrispondente a due terzi dellaltro.
Febbraio 2015
19
I descrittori
Un parametro un valore numerico che descrive una

caratteristica della popolazione; per esempio,
laspettativa media di vita alla nascita di una intera
popolazione, la deviazione standard dellet di una
popolazione, ecc. Si rappresenta solitamente con una
lettera greca.
Una statistica un valore numerico che descrive una
caratteristica del campione. Per esempio, la media e
la deviazione standard di un campione di studenti in
riferimento al punteggio con cui si sono diplomati. Si
rappresenta solitamente con una lettera romana.
Febbraio 2015
20
Le fonti statistiche
Febbraio 2015
21
Dati primari e dati secondari

Dati primari: devono essere costruiti, per
mezzo di una indagine sul campo
Dati secondari: sono gi stati costruiti da altri
e sono reperibili tramite ricerche desk
Prima di procedere a una rilevazione diretta
dei dati, indispensabile esaminare le
informazioni gi esistenti:
il costo per costruire dati primari in genere
superiore al costo per raccogliere dati
secondari
i dati secondari possono costituire una base
conoscitiva per impostare la rilevazione dei
dati primari
Febbraio 2015
22
I fornitori dei dati secondari
Sono gli enti, le istituzioni, gli organismi che, a titolo

diverso, effettuano rilevazioni (fonti statistiche)
I dati possono essere su supporti realizzati dalla
stessa fonte statistica, oppure realizzati da altri
(mezzi di informazione statistica)
Per valutare la qualit di un dato, particolarmente
utile effettuare incroci tra i dati delle diverse fonti
Febbraio 2015
23
Parametri per valutare la qualit di un dato
Accessibilit
Attendibilit e metodologie utilizzate
Completezza
Livello di aggiornamento
Grado di dettaglio
Esistenza di interessi da parte della fonte
Febbraio 2015
24
Gli accorgimenti per lo svolgimento di una indagine

statistica
Febbraio 2015
25
Limportanza di impostare correttamente una

indagine statistica
Per ottenere risultati affidabili occorre seguire

procedure rigorose e controllare (limitare) i fattori di
disturbo dellindagine
Occorre soprattutto partire da unottica corretta e
non distorta
Per esempio, se si effettua uno studio su due gruppi
di soggetti, per ottenere risultati comparabili
necessario le caratteristiche dei due gruppi siano
corrispondenti
Febbraio 2015
26
Alcuni casi - 1
Poliomielite: gli studi sugli effetti del vaccino
Mezzo milione di bambini venne vaccinato (gruppo

di trattamento)
Per mezzo milione di bambini la famiglia rifiut la
vaccinazione (gruppo di controllo)
1 milione non fu deliberatamente vaccinato
(gruppo di controllo)
il problema: la poliomelite colpiva maggiormente i
benestanti, e nel gruppo di trattamento erano pi
frequenti i benestanti
Febbraio 2015
27
Alcuni casi - 2
Per verificare leffetto di un farmaco, non

dovrebbero essere i pazienti a scegliere il gruppo
in cui entrare (di trattamento o di controllo)
Si avrebbe il rischio di una sproporzione di pazienti

pi attivi, meno rassegnati, pi attenti, pi
consapevoli nel gruppo di trattamento
Occorre un esperimento controllato, dove la

casualit statistica a stabilire chi far parte del
gruppo dei due gruppi
Conviene utilizzare anche dei placebo, e sia i

pazienti, sia i medici dovrebbero essere alloscuro
del gruppo di appartenenza (esperimento double
blind)
Febbraio 2015
28
Alcuni casi - 3
Gli studi sulleffetto del fumo sono studi sul

campo (i soggetti stessi si assegnano alluno o
allaltro gruppo)
Si osserva una forte associazione tra fumo e

malattie cardio-circolatorie
Attenzione, per: gli uomini, pi forti fumatori

rispetto alle donne, sono comunque pi esposti a
disturbi di tipo cardio-circolatorio
Febbraio 2015
29
Alcuni casi - 4
Lo Stato della California aveva valutato lefficacia di

un programma di riabilitazione dopo luscita dal
carcere, con lobiettivo di ridurre il tasso di recidivi.
Il programma, la cui adesione era su base volontaria,
prevedeva anche alcuni anni di addestramento in
stile militare, improntato a una severa disciplina.
I primi risultati sembravano indicare un buon
funzionamento del metodo, che riduceva la
probabilit di rientro in carcere entro due anni dal
rilascio.
Ma il problema era ladesione volontaria, che rendeva
i due gruppi non comparabili.
Febbraio 2015
30
Alcuni casi - 6
Obiettivo: misurare leffetto dellavanzamento

dellet sulla statura
In un determinato momento, laltezza delle

persone anziane inferiore allaltezza delle
persone giovani, non solo perch i soggetti calano
con il passare degli anni, ma soprattutto perch
appartengono a generazioni diverse
Indagine cross section: in un determinato
momento
Indagine longitudinale: i soggetti vengono
seguiti nel tempo
Febbraio 2015
31
Indagini longitudinali
Per studiare statisticamente il fenomeno delle

carriere criminali (dallaggressivit e disonest
nellinfanzia alla violenza adulta), per analizzare
limportanza, migliorativa o peggiorativa, della
prima condanna
fondamentale realizzare indagini longitudinali
Febbraio 2015
32
2 CLASSIFICAZIONI DEI DATI E

RAPPRESENTAZIONI GRAFICHE
Febbraio 2015
33
La classificazione delle unit statistiche
Classificazioni unidimensionali, basate su un

singolo fenomeno (distribuzioni di frequenze)
Classificazioni bidimensionali, basate su coppie di
fenomeni (tabelle a doppia entrata o incroci)
Classificazioni multidimensionali, basate su pi di
due fenomeni (tabelle a entrata multipla)
Febbraio 2015
34
Le distribuzioni di frequenza
Una distribuzione di frequenza registra ogni modalit
con cui il fenomeno si presenta e il corrispondente
numero di volte in cui la singola modalit si presenta
La frequenza il numero di volte con cui una modalit si
presenta: per la modalit i, indicata con fi
La frequenza cumulata la frequenza con cui si
presentano le modalit di ordine inferiore o uguale a una
certa modalit. Si indica con fi
La frequenza relativa di una modalit la frequenza di
questa modalit, rapportata al totale delle frequenze. Si
indica con rfi (pu essere su scala 1 o su scala 100, in
questo secondo caso si tratta di una frequenza relativa
percentuale)
Febbraio 2015
35
Distribuzioni di frequenza: alcune modalit

operative
Nel caso di un fenomeno quantitativo continuo,
occorre scegliere classi di opportuna ampiezza
Ampiezza di una classe: differenza tra l'estremo

superiore e l'estremo inferiore
Per convenzione: lintervallo comprende l'estremo
inferiore, ma non quello superiore (intervallo aperto a
destra e chiuso a sinistra)
Aumentando il numero delle classi (e riducendone
quindi l'ampiezza) si raggiunge una maggior
precisione, ma si attenua la sintesi del fenomeno
Quando possibile, le classi devono essere di uguale

ampiezza
Febbraio 2015
36
Le tabelle a doppia entrata: i contenuti

I numeri all'interno della tabella sono le frequenze
di casella
Al margine di ogni riga si trovano i totali marginali

di riga
Al margine di ogni colonna si trovano i totali
marginali di colonna
Nell'ultima riga dell'ultima colonna si trova il totale
generale
Febbraio 2015
37
Le tabelle a doppia entrata: categorie
Una tabella a doppia entrata con almeno un

fenomeno qualitativo si chiama tabella di
contingenza
Se entrambi i fenomeni sono quantitativi, si
parla tabella di correlazione
Febbraio 2015
38
Le tabelle a entrata multipla

Il numero di caselle di una tabella a pi di due
entrate uguale al prodotto del numero delle
modalit (o classi) di ciascuno dei fenomeni
considerati
Cresce quindi molto rapidamente con l'aumentare
del numero di fenomeni che si vuole considerare
Il rischio quello di ottenere tabelle di difficile
lettura
inoltre, probabile che in molte caselle la
frequenza sia uguale o prossima allo zero
Febbraio 2015
39
Limpostazione del database
Per elaborare correttamente una base di dati,

fondamentale impostarla efficacemente ...
... cercando gi a priori di capire quali elaborazioni
saranno opportune.
Un database in excel normalmente viene impostato

con ogni unit statistica in riga e ogni fenomeno
statistico in colonna. Il contenuto delle caselle
corrisponde alle singole modalit
Febbraio 2015
40
Un esempio di impostazione: visitatori di

una fiera
Num progr.
giorni di
ingresso
padiglioni
visitati
altre fiere visitate

della stessa
tipologia
et
43
46
36
18
43
28
45
Febbraio 2015
41
Le rappresentazioni grafiche
Un grafico un modo
presentare le informazioni
immediato
per
Un grafico pu essere costruito anche per

analizzare i dati: pu suggerire ipotesi sulla
distribuzione dei dati, porre in luce relazioni tra
pi fenomeni, come nel caso riportato di
seguito
Febbraio 2015
42
Febbraio 2015
43
Due categorie di grafici

Grafici universali, applicabili a una infinit di
casi; per esempio:
Spezzate
Grafici a settori circolari
Grafici a radar
Grafici a barre
Istogrammi
Ideogrammi, contenenti figure e immagini

relative all'argomento trattato
Febbraio 2015
44
Fosforo totale in superficie e sul fondo alla

stazione di rilevazione di Cesenatico (mg/mc)
Febbraio 2015
45
Grafico a radar: numero giornaliero di scontrini di tre ipermercati
luned
900
800
700
domenica
marted
600
500
400
300
200
100
sabato
mercoled
venerd
gioved
Febbraio 2015
46
Grafico a settori circolari: ripartizione delle italiane appartenenti

alla fascia det 18-39 che ricordano un messaggio pubblicitario
Febbraio 2015
47
Grafico a barre: emissioni di carbonio da

parte di alcuni paesi (milioni tonnellate)
Febbraio 2015
48
Istogramma
una tra le rappresentazioni grafiche universali

pi utilizzate
un grafico adatto ai fenomeni continui, in cui i
rettangoli hanno basi uguali o diverse tra loro, e
ogni rettangolo ha unarea proporzionale alla
corrispondente frequenza
I rettangoli sono affiancati (e non separati)
fondamentale impostare correttamente gli assi
Febbraio 2015
49
Fenomeni quantitativi con classi di uguale ampiezza
I rettangoli dellistogramma hanno altezza

corrispondente alla frequenza e base
corrispondente allampiezza della classe
Larea e laltezza sono proporzionali alla

frequenza
Febbraio 2015
50
Esempio
Altezze (centimetri)
p%k
155-160
160-165
10
165-170
15
170-175
25
175-180
20
180-185
15
185-190
10
TOTALE
100
Febbraio 2015
51
Distribuzione campione per statura
Febbraio 2015
52
Fenomeni quantitativi con classi di differente

ampiezza
I rettangoli dellistogramma hanno altezza

corrispondente alla densit di frequenza
(rapporto tra la frequenza e l'ampiezza della
classe) e base corrispondente allampiezza della
classe
Larea (e non laltezza) proporzionale alla
frequenza
Questo consente le giuste proporzioni tra le
frequenze delle classi e le aree dei rettangoli
Febbraio 2015
53
Esempio di distribuzione di frequenza di un fenomeno continuo:

pressione sanguigna sistolica in un campione di soggetti
Pressione (millimetri di
mercurio - mmHg)
90-95
95-100
100-110
19
110-120
21
120-130
27
130-150
17
150-180
TOTALE
100
Febbraio 2015
54
Rappresentazione non corretta: altezza del

rettangolo proporzionale alla numerosit
Febbraio 2015
55
Rappresentazione corretta: area del rettangolo proporzionale

alla numerosit (altezza proporzionale alla densit)
Febbraio 2015
56
3 RAPPORTI STATISTICI E NUMERI INDICI
Febbraio 2015
57
Rapporti statistici
Febbraio 2015
58
La possibilit di comparare i dati
Unoperazione che spesso si compie sui dati

statistici il confronto tra i valori di un fenomeno
quantitativo, con riferimento a diverse unit
statistiche.
Il raffronto diretto ha per significato solo a parit
di circostanze.
Ad esempio, il confronto tra la produzione mensile
di rifiuti urbani da parte di due famiglie non ha
molto significato se non si considera il numero di
componenti.
Febbraio 2015
59
Le principali categorie
In questi casi, meglio non utilizzare i valori
originari, bens i quozienti tra essi e una
opportuna grandezza, considerata come indice di
dimensione.
Tali quozienti vengono denominati rapporti
statistici.
Le principali categorie di rapporti statistici sono:
- i rapporti di composizione;
- i rapporti di densit;
- i rapporti di derivazione;
- i rapporti di coesistenza.
Febbraio 2015
60
I rapporti di composizione
Rappresentano una quota dell'ammontare
complessivo di un fenomeno.
Il rapporto di composizione infatti il quoziente tra
l'ammontare riferito a una modalit del fenomeno e
il totale del fenomeno stesso
oppure tra lammontare riferito a una singola
unit del collettivo e il totale del fenomeno.
Esempio: quoziente tra il numero di europei cattolici

protestanti e tutti gli europei cattolici
Febbraio 2015
61
I rapporti di densit - 1
Sono il quoziente tra il valore di un fenomeno

quantitativo e un indice che pu essere
considerato come il suo campo di riferimento.
Per confrontare le popolazioni di due paesi, si pu
porre a confronto il numero degli abitanti.
In questo modo, per, linformazione che si
ottiene indica solo quale il paese pi abitato
(popolazione pi numerosa)
Pu essere pi utile conoscere quale il paese pi
popolato, ossia con la popolazione pi fitta.
Febbraio 2015
62
I rapporti di densit - 2
A questo fine, occorre rapportare il numero degli
abitanti all'estensione del territorio. Si calcola cio
la densit della popolazione, che il quoziente tra
numero di abitanti e la superficie (espressa, di
norma, in km quadrati).
Si potrebbe rapportare la popolazione alla parte
abitabile del territorio (escludendo, per esempio, le
superfici occupate dai laghi).
Altri esempi di rapporti di densit sono la superficie
forestale per 100 abitanti, la quantit di nitrati per
1000 litri di acqua, la spesa per acquistare
carburante per abitante, ecc.
Febbraio 2015
63
I rapporti di derivazione
Sono il quoziente tra le entit di due fenomeni, di

cui uno costituisce il presupposto dellaltro.
Per esempio:
il quoziente di natalit (rapporto tra il numero dei
nati vivi in un certo anno e la popolazione)
il quoziente di fecondit (rapporto tra il numero
di nati vivi in un anno e il numero medio di donne
in et feconda nello stesso anno)
Febbraio 2015
64
I rapporti di coesistenza
Sono il quoziente tra le entit di due

fenomeni, posti a raffronto al fine di valutare
l'eventuale squilibrio.
Lindice di vecchiaia un esempio tipico: il
quoziente tra la popolazione di 65 anni e oltre
e la popolazione sino a 14 anni
Un ulteriore esempio, relativo alle foreste

tropicali, il quoziente tra ettari disboscati ed
ettari rimboscati (pari a circa 12 in Africa, a 25
in Asia, ecc.)
Febbraio 2015
65
Numeri indici
Febbraio 2015
66
Definizione
i numeri indici sono rapporti finalizzati a confrontare
le intensit di un fenomeno o pi fenomeni in tempi
diversi oppure in situazioni diverse (ad esempio, in
differenti regioni)
si hanno infatti numeri indici temporali e numeri
indici territoriali
i n. i. servono quindi a misurare variazioni relative
Febbraio 2015
67
Variazioni assolute e relative
Se analizziamo una serie storica, le variazioni da un

periodo all'altro possono essere misurate in termini
assoluti (differenze) o relativi (rapporti)
Le differenze assolute dipendono dall'ordine di
grandezza e dallunit di misura
Le variazioni relative, nella maggior parte dei casi,
sono pi efficaci
Febbraio 2015
68
Il calcolo dei numeri indici
Per trasformare una serie storica in una serie

di numeri indici, si devono dividere i termini xt
(t = 1, 2, ... , n) per un denominatore,
appartenente alla stessa serie, e moltiplicare i
quozienti per 100
Si chiama base il termine assunto come
denominatore dei rapporti
Febbraio 2015
69
Numeri indici a base fissa
Si ottengono quando tutti i termini della serie

vengono rapportati alla stessa base (spesso, il
primo termine della serie)
xt
________
I
=
1
t
x1
Il simbolo a sinistra di I indica il periodo base,
quello a destra indica il periodo di riferimento
del calcolo
Febbraio 2015
70
Linterpretazione
Sottraendo 100 da un numero indice a base fissa si

ottiene la variazione percentuale del fenomeno
rispetto al tempo base
Febbraio 2015
71
Cambio base
I numeri indici con una base fissa, ad esempio
con base x1, possono essere trasformati in
numeri indici con diversa base fissa, ad esempio
con base x2, dividendoli per 1I2
1I t
_____
1
Febbraio 2015
72
Numeri indici a base mobile

Si ottengono quando ogni termine della serie
viene rapportato al termine precedente
xt
_____
t-1 I t =
xt-1
Il numero indice a base mobile relativo al

primo anno della serie storica non pu essere
determinato non essendo noto il valore del
fenomeno nell'anno precedente
Sottraendo 100 da un numero indice a base
mobile, si ottiene la variazione percentuale del
fenomeno rispetto al tempo precedente
Febbraio 2015
73
Da base fissa a base mobile

Per passare da una serie di indici a base fissa
alla corrispondente serie di indici a base
mobile, sufficiente dividere ciascun indice a
base fissa per lindice immediatamente
precedente
1
_____
t-1
t-1
Febbraio 2015
74
Da base mobile a base fissa
Per passare da una serie di indici a base

mobile alla corrispondente serie di indici a
base fissa, ad esempio a base x1, occorre
moltiplicare fra loro gli indici a base mobile dal
tempo 2 fino al tempo considerato
1It
= 1I2
2I3
...
t-1 I t
Febbraio 2015
75
Una avvertenza
Tutte le operazioni sui numeri indici devono essere

effettuate dopo avere diviso per 100 i numeri indici
stessi
In altri termini, le operazioni devono avvenire sugli
indici rapportati a 1, non a 100
Febbraio 2015
76
I numeri indici composti
Si utilizzano per sintetizzare, mediante un'unica

serie di numeri indici, le variazioni relative di
diverse serie storiche
Nella maggior parte dei casi, opportuno assegnare
un peso (g) a ciascuna serie, calcolando quindi una
media ponderata (si veda il capitolo sulle misure di
posizione)
Febbraio 2015
77
Due tecniche per calcolare numeri indici

composti ponderati mediante i valori
Laspeyres: il sistema di pesi (il paniere) viene

mantenuto fisso (solitamente, quello del tempo
base) per tutti i periodi della serie storica: se stiamo
calcolando l'indice composto dei prezzi del 2014 con
base 1995, utilizziamo il paniere del 1995
Paasche: il paniere variabile di anno in anno: se
stiamo calcolando l'indice composto dei prezzi del
2014 con base 1995, utilizziamo il paniere del 2014
Febbraio 2015
78
Le due formule
Indice di Laspeyres
[(1 I t ) g1]
1
composto
__________________________
g1
Indice di Paasche
[(1 I t ) gt]
1
I t composto =
__________________________
gt
Febbraio 2015
79
Indici composti: un esempio - dati di base

Numeri indici della salinit del mare in
corrispondenza dellimmissione del Po
Anni
2009
2010
2011
Goro
100,0
99,4
103,5
Adria
100,0
100,4
101,2
Portata del fiume (mc/sec)

Anni
2009
2010
2011
Goro
240
248
261
Adria
185
187
191
Febbraio 2015
80
Indici composti: un esempio il calcolo con il

metodo di Laspeyres
09 I10
09I11
0,994 240 + 1,004 185
__________________________________
240 + 185
1,035 240 + 1,012 185
__________________________________
240 + 185
100
100
Febbraio 2015
81
Indici composti: un esempio il calcolo con il

metodo di Paasche
0,994 248 + 1,004 187

09
I10 =
__________________________________
100
248 + 187
1,035 261 + 1,012 191

09I11
__________________________________
100
261 + 191
Febbraio 2015
82
Il calcolo dellinflazione
Uno dei casi pi significativi di applicazione dei

numeri indici composti il calcolo dell'inflazione
Si utilizza un campione rappresentativo di
prodotti (paniere), ma non si attribuisce la stessa
importanza alla variazione di prezzo di prodotti le
cui vendite hanno differente rilevanza
indispensabile un sistema di ponderazione
relativo alla dimensione delle vendite dei diversi
beni
Febbraio 2015
83
Deflazionamento
Gli indici dell'inflazione sono uno strumento per
deflazionare i prezzi e per calcolare l'indice del
potere di acquisto della moneta
Deflazionare significa depurare l'andamento di

un prezzo dalle variazioni dovute allinflazione ..
.. e valutare quindi l'evoluzione di quel prezzo in
termini reali, passando dai valori in moneta
corrente ai valori in moneta costante
il deflazionamento consiste nel dividere i prezzi
del prodotto considerato per gli indici
dell'inflazione
Febbraio 2015
84
4 MISURE DI POSIZIONE E MISURE DI

VARIABILITA
Febbraio 2015
85
Misure di posizione
Febbraio 2015
86
Il calcolo di una media
Ha lo scopo di rappresentare con un solo

indicatore un insieme dei dati, evidenziando
quindi l'ordine di grandezza
Le medie possono essere distinte in:
medie ottenute in base a un vincolo analitico
medie che fanno riferimento alla posizione dei
valori
Febbraio 2015
87
MEDIE
ANALITICHE
(su fenomeni quantitativi)
aritmetica
geometrica
quadratica
ecc.
DI POSIZIONE
mediana
(su fenomeni
quantitativi e
qualitativi ordinali)
moda
(su tutti i fenomeni)
Febbraio 2015
88
Le medie analitiche
Il calcolo di una media analitica consiste nel

determinare un'opportuna operazione che viene
applicata all'insieme dei valori
importante individuare l'operazione pi
opportuna per la specifica situazione
Febbraio 2015
89
Le principali medie analitiche

Media aritmetica (l'operazione la somma dei
valori)
media aritmetica semplice
media aritmetica ponderata
Media geometrica (l'operazione il prodotto
dei valori)
Media quadratica (l'operazione il quadrato
dei valori)
Febbraio 2015
90
La media aritmetica
__
La media campionaria si indica con X

La media della popolazione si indica con
In tanti casi, per indicare in modo generico la
media aritmetica si utilizza M
Febbraio 2015
91
La media aritmetica semplice

Somma dei valori divisa per il numero dei valori
x1 + x2 + ... xi + ... xn
____________________________
xi
=
__________
Febbraio 2015
92
La media aritmetica ponderata: quando viene

utilizzata
Quando i dati sono presentati in una distribuzione

di frequenze, dove a ogni modalit corrisponde
una certa numerosit di unit statistiche (pesi)
In generale, quando si ritiene utile (o necessario)
ponderare i valori con un opportuno sistema di
pesi, in quanto ragionevole dare a ogni valore
un proprio livello di importanza
Febbraio 2015
93
Media aritmetica ponderata

Somma dei prodotti di ogni valore con il relativo peso (p),
divisa per la somma dei pesi
x1 p1 + x2 p2 + .. + xi pi + ... xn pn
_______________________________________________________
p1 + p2 +. + pi + + pn
(xi pi)
________________
pi
Febbraio 2015
94
Primo esempio di media aritmetica ponderata - dati di

partenza: numero di acquirenti di un prodotto per durata del
processo decisionale in minuti
Minuti (xi)
Acquirenti
(n)
1
2
3
4
5
6
7
71
77
98
88
95
49
22
Febbraio 2015
95
Primo esempio di media aritmetica ponderata:

calcolo
(1 71) + (2 77) + (3 98) + (4 88) + (5 95) + (6 49) + (7 22)

M =
71 + 77 + 98 + 88 + 95 + 49 + 22
M=
1794
= 3,588
500
Febbraio 2015
96
Secondo esempio di media aritmetica ponderata - dati di partenza:

velocit del vento rilevata ed estensione dellarea coinvolta
Velocit del vento

(km/ora)
Area
coinvolta
(000 kmq)
Estremo nord
221
17,7
Nord est
215
11,0
Ovest costiero
193
4,5
Ovest interno
160
9,9
Sud peninsulare
202
4,2
Sud insulare
204
7,8
Aree rilevate
Febbraio 2015
97
Calcolo della media aritmetica ponderata
221 17,7 + 215 11,0 + ..........

______________________________________________
17,7 + 11,0 + .........

11168,8
=
____________
= 202,70
55,1
Febbraio 2015
98
Calcolo della media aritmetica ponderata

per un fenomeno continuo
Se il fenomeno in classi ed continuo, non si

hanno i valori precisi degli xi
Si considerano come xi i valori centrali delle

classi
Per eventuali classi aperte, si fissano nel modo
pi ragionevole possibile gli estremi
Febbraio 2015
99
Propriet della media aritmetica
La media di un gruppo di valori sempre compresa

tra il valore minimo e quello massimo
La somma degli scarti dalla media sempre pari a

zero
Febbraio 2015
100
MEDIA QUADRATICA (rms)

(root mean square)
utile quando ci sono valori negativi e valori
positivi, che darebbero una media aritmetica
molto prossima allo zero
maggiore o uguale alla media aritmetica
Si alzano al quadrato i valori

Si calcola la media dei quadrati
Si estrae la radice quadrata di questa media
rms = radq [ (xi)2 / n]
Febbraio 2015
101
Esempio di media quadratica - dati di

partenza: precipitazioni piovose a Bombay
Anni
Scostamento dalla media

(mm)
1971
173
1972
83
1973
-16
1974
13
1975
-137
1976
-116
Febbraio 2015
102
Esempio di media quadratica - calcolo
(173)2 + (83)2 + (-16)2 + (13)2 + (-137)2 + (-116)2

rms = ____________________________________________________________
6
69468
rms = radq
__________
radq (11578) = 107,601
Febbraio 2015
103
La media geometrica (Mg)

Radice n-esima del prodotto degli n valori:
x1 x2 ... xn
Si utilizza per il calcolo della media del tasso di

interesse, oppure del tasso di incremento o di
decremento
In questi casi, la somma non idonea a fornire
il reale ordine di grandezza del fenomeno
Febbraio 2015
104
Esempio di calcolo di una media geometrica
La vendita in valore di un prodotto mostra da un

anno allaltro le seguenti variazioni %:
2010:
2011:
2012:
2013:
-0,6%
-3,2%
+1,7%
+0,3%
Mg= (0,994 * 0,968 * 1,017 * 1,003)1/4

= 0, 9953 (decremento medio annuo dello 0,47%)
Febbraio 2015
105
Le principali medie di posizione
Mediana (Me) (la modalit che si colloca al

centro della successione dei termini, ordinati
in senso non decrescente)
Moda (Mo) (la modalit pi frequente)
Febbraio 2015
106
La mediana
La mediana di n osservazioni di un fenomeno

quantitativo oppure qualitativo ordinale, la
modalit che nella successione dei valori, ordinati
in senso crescente, occupa il posto centrale
preceduta dal 50% dei valori, seguita dal
50% dei valori
Febbraio 2015
107
La mediana: il calcolo
Con n dispari: una sola

mediana
Il valore corrispondente
allunit (n+1)/2
Con n pari: due mediane

I valori corrispondenti
alle unit:
n/2
(n / 2) + 1
Febbraio 2015
108
La mediana primo esempio

Stazione
Classificazione trofica
Salinit pH
Lido di Volano
Scadente
17,6
27,4
8,24
Porto
Garibaldi
Scadente
16,4
28,9
8,29
Casalborsetti
Mediocre
16,4
30,2
8,30
Marina di Rav.
Mediocre
16,5
31,9
8,27
Lido Adriano
Mediocre
16,4
31,6
8,28
Cesenatico
Mediocre
16,2
32,8
8,19
Rimini
Buona
16,6
33,4
8,27
Cattolica
Buona
16,5
34,0
8,24
Relativamente alla classificazione trofica, la mediana la modalit

mediocre
Per quanto riguarda la temperatura, le mediane sono 16,4 e 16,5
Per il pH, la mediana 8,27
Febbraio 2015
109
La mediana secondo esempio

(5 insegne della grande distribuzione)
Istituti
A
B
C
D
E
n. promozioni
ultimo mese
46
54
35
40
62
Entit delle
promozioni
Forte
Media
Ridotta
Ridotta
Fortissima
Relativamente al numero di promozioni, la mediana 46

Per quanto riguarda lentit delle promozioni, la mediana
la modalit media"
Febbraio 2015
110
La mediana terzo esempio (dati in distribuzione di frequenza:

numero di comuni della Lombardia nord-occidentale per
numerosit di incendi nellultimo decennio)
N. incendi
(xi)
unit
(frequenze)
fx
1
2
3
4
5
6
7
TOTALE
71
77
98
102
95
55
12
510
frequenze
cumulate
fx
71
148
246
348
443
498
510
px
0,139
0,290
0,482
0,682
0,869
0,976
1,000
La mediana il valore assunto dal fenomeno in corrispondenza

di p'x = 0,5
Nellesempio, = 4, in quanto px = 0,5 cade nella quarta classe
(considerando le prime tre insieme, infatti, non si arriva a 0,5,
ma solo a 0,482)
Febbraio 2015
111
Media e mediana nelle distribuzioni

asimmetriche
Nella distribuzione di una popolazione o di un
campione, la media non separa in due parti uguali
le unit statistiche (tranne quando la media
coincide con la mediana).
La media risente del fatto che alcuni valori siano
molto distanti dalla media stessa, mentre la
mediana non ne risente
Se una coda della distribuzione dei valori molto

allungata, la media spostata verso questa coda,
in confronto alla mediana, la quale non d cos
importanza ai valori estremi della distribuzione
Febbraio 2015
112
Tipi di asimmetria
Asimmetria negativa: coda pronunciata verso sinistra,
quindi maggiore concentrazione verso le modalit
maggiori
Asimmetria positiva: coda pronunciata verso destra,
quindi maggiore concentrazione verso le modalit
minori
Lasimmetria si misura con lindice di asimmetria di
Fisher ( un indicatore di variabilit, che sar
affrontato in seguito):
(xi - )3 / n ]
________________
3
Febbraio 2015
113
Esempio di distribuzione asimmetrica: et dei

decessi per cause naturali (asimmetria negativa)
Febbraio 2015
114
I percentili
Cosa sono?
Il percentile di ordine p (100p) il valore xp
che divide in due parti la distribuzione
(ordinata), in modo che il p% dei valori sia
prima di xp
Esempio
Il primo percentile il valore in
corrispondenza del quale si raggiunge l1%
delle unit
Il decimo percentile il valore in
corrispondenza del quale si raggiunge il 10%
delle unit
Febbraio 2015
115
I percentili: casi particolari
Il cinquantesimo percentile corrisponde alla

mediana
Il decimo percentile corrisponde al primo decile, il
ventesimo percentile al secondo decile, ecc.
Il venticinquesimo percentile corrisponde al primo
quartile (Q1), il settantacinquesimo percentile
corrisponde al terzo quartile (Q3)
Febbraio 2015
116
Una applicazione: rilevazione del fosforo reattivo

alla stazione di Cattolica su 365 giorni (mg/mc)
100p
3
10
25
50
75
95
99
mg (xp)
1,89
1,97
2,43
2,81
3,51
4,62
7,16
(mediana)
Come si interpretano?
Il 3% delle rilevazioni ha un valore < 1,89
Il 10% delle rilevazioni ha un valore < 1,97
Il 5% delle rilevazioni ha un valore > 4,62
Febbraio 2015
117
100p
3
10
25
50
75
95
99
mg (xp)
1,89
1,97
2,43
2,81
3,51
4,62
7,16
% delle rilevazioni che hanno un valore

<3,51?
75%
valore corrispondente al primo 25% di

stazioni?
< 2,43
% delle rilevazioni che hanno un valore >
1,97, ma < 4,62
85%
una rilevazioni che ha fatto rilevare un
valore = 1,91 in corrispondenza del
_______ percentile?
Approssimativamente il quinto
Febbraio 2015
118
Box Plot
un grafico atto a rappresentare:
Una misura di posizione, solitamente la mediana (qui
nellesempio indicata con Q2)
Una misura di variabilit, ossia la differenza
interquartile, che in seguito approfondiremo
(differenza fra Q3 e Q1)
Il valore massimo e
quello minimo
Febbraio 2015
119
La moda (Mo)
la modalit alla quale corrisponde la massima frequenza
La moda interessante quando n piuttosto elevato e
quando una modalit ha frequenza molto pi elevata delle
altre
Programmazione delle aperture notturne delle grandi superfici
di vendita: livello di accordo
Livello di accordo
n. testimoni interpellati
Accordo incondizionato
19
Accordo parziale
98
N accordo, n disaccordo
35
Disaccordo parziale
55
Disaccordo incondizionato
16
Moda: accordo parziale
Febbraio 2015
120
Misure di variabilit
Febbraio 2015
121
Il significato di variabilit
Una media sintetizza un gruppo di dati in un unico

valore; questa operazione comporta tuttavia una
perdita di informazioni
Due campioni possono fare riscontrare la stessa
media, pur a fronte di situazioni molto diverse
Le misure di variabilit sono indicatori in grado di
valutare in modo sintetico le differenze tra i valori
di un gruppo di dati
Non assumono mai valori negativi

Sono pari a zero se il fenomeno non presenta
variabilit
Presentano valori crescenti all'aumentare
della variabilit
Febbraio 2015
122
Il campo di variazione
(range)
la differenza tra il valore massimo xmax e il valore
minimo xmin tra quelli osservati:
xmax - xmin
Ha il difetto di tenere conto soltanto dei valori
estremi, non essendo sensibile alle modificazioni nei
valori intermedi (che alterano comunque la
variabilit globale)
Febbraio 2015
123
La deviazione standard o scarto quadratico

medio
Si basa sugli scarti tra i singoli valori e la loro media
aritmetica:
xi - M
Non sarebbe possibile utilizzare la media aritmetica
degli scarti, poich la loro somma algebrica
sempre nulla
Si pu invece impiegare la media dei quadrati degli
scarti (rms)
Febbraio 2015
124
Simbologia
La deviazione standard campionaria si indica con s
La deviazione standard della popolazione si indica

con
Spesso, per indicare in modo generico a deviazione
standard, si utilizza SD
Febbraio 2015
125
SD: il calcolo
Si dice deviazione standard la media quadratica

degli scarti di ogni valore dalla media aritmetica
SD = radq [ (xi - M)2 / n]
La deviazione standard espressa nella stessa unit
di misura dei valori del fenomeno
Il numeratore che troviamo sotto la radice
quadrata, ossia (xi - M)2 , chiamato devianza
Febbraio 2015
126
Alcune propriet della media aritmetica e della

deviazione standard
Se a tutti i valori di una serie viene sommato

un numero, la media aumenta di questo
valore, la deviazione standard non cambia
Se tutti i valori di una serie vengono
moltiplicati per una costante, la media e la
deviazione standard risultano moltiplicate per
questa costante
Febbraio 2015
127
Caso 1
1, 3, 4, 5, 7
6, 8, 9, 10, 12
(y = x + 5)
media
SD
Febbraio 2015
128
Caso 2
1, 3, 4, 5, 7
3, 9, 12, 15, 21
(y = x 3)
media
12
SD
Febbraio 2015
129
Caso 3
5, - 4, 3, - 1, 7
- 5, 4, - 3, 1, - 7
(y = -x)
media
-2
SD
Febbraio 2015
130
La varianza
La varianza il quadrato della deviazione

standard
Non espressa nella stessa unit di misura del
fenomeno, ma nel quadrato di questa unit di
misura
Febbraio 2015
131
Altre misure di dispersione
Differenza interquartile (utile soprattutto

quando la distribuzione dei valori non
approssimabile con la distribuzione normale)
la differenza tra il 75esimo percentile e il
25esimo percentile
Febbraio 2015
132
Gli indici relativi di variabilit
Quando due fenomeni hanno unit di misura diverse,

il confronto diretto in termini di variabilit non
proponibile
In altri casi, il confronto tra la variabilit di due
fenomeni pu essere poco utile per il diverso valore
medio dei fenomeni (per esempio, redditi e spesa
per generi farmaceutici)
Altre volte, si vorrebbe sapere se la variabilit forte
oppure debole
Per affrontare questi problemi, si utilizzano gli indici

relativi di variabilit, da cui viene eliminata
l'influenza dell'unit di misura e della dimensione
media dei fenomeni considerati
Febbraio 2015
133
Gli indici di variabilit rapportati a un

valore medio
Il pi utilizzato il rapporto tra la deviazione

standard e la media aritmetica
Si ricava in questo modo il coefficiente di
variazione (CV):
CV =
_____
Solitamente, CV viene moltiplicato per 100, per

agevolarne la lettura; si interpreta quindi come la
% della sulla media
Febbraio 2015
134
Obiettivi del calcolo del CV
Confronto tra variabilit calcolate su fenomeni

con unit di misura diverse o con ordini di
grandezza molto differenti
Il CV pu presentare valori superiori all'unit (o
a 100, se stato moltiplicato per 100), quando
la deviazione standard maggiore della media
Il CV perde di significato se il fenomeno pu

presentare valori negativi e positivi; in questo
caso, la media pu risultare molto prossima a
zero
Febbraio 2015
135
Gli indici di variabilit rapportati al loro massimo
Sono idonei a rispondere a una domanda di questo

tipo:
La variabilit espressa da una deviazione
standard, o da una varianza, forte o debole?
Si calcolano indicatori il cui campo di variazione

standard (solitamente, l'intervallo 0 1)
Febbraio 2015
136
Il procedimento
Si identifica la situazione di massima variabilit

(presente quando il fenomeno assume soltanto i
due valori pi distanti tra loro)
Come individuare il massimo valore che la
deviazione standard pu assumere? Si calcola il
campo di variazione teorico (differenza tra il valore
massimo possibile e il valore minimo possibile) e si
divide per due
Si rapporta la deviazione standard effettivamente
ottenuta al valore massimo che esso pu assumere
Febbraio 2015
137
Un problema
A volte, si ha difficolt a individuare in maniera

oggettiva il valore minimo teorico e soprattutto il
valore massimo teorico che il fenomeno pu
assumere
In questi casi, come valore massimo teorico si
adotta semplicemente il valore pi alto tra quelli
osservati
Febbraio 2015
138
5 LA CONCENTRAZIONE
Febbraio 2015
139
Il significato di concentrazione
un caso particolare di variabilit, in cui il

fenomeno:
perfettamente trasferibile
assume soltanto valori non negativi
Fra le diverse misure di concentrazione, l'indice

pi utilizzato il rapporto di concentrazione
Febbraio 2015
140
Persone con un particolare stile di vita in

Nord Europa
Paesi
ni
000 persone (xi)
Finlandia
57
Estonia
35
Norvegia
42
Danimarca
30
Svezia
48
TOTALE
212
Febbraio 2015
141
Il metodo - 1
Per calcolare il rapporto di concentrazione occorre

ordinare i valori in senso crescente (o per lo meno in
senso non decrescente, se compaiono valori uguali)
In secondo luogo, necessario calcolare le frequenze

relative (fi) ossia il rapporto tra ni e il numero di
valori considerati (nellesempio, 5)
Si calcolano poi le quantit relative (qi) ossia xi / xi

(nellesempio, xi = 212)
Febbraio 2015
142
Il metodo - 2
Successivamente, si calcolano le frequenze

relative cumulate e le quantit relative cumulate
La frequenza relativa cumulata (fi) in
corrispondenza di ogni ni, si ottiene sommando
la frequenza relativa corrispondente allni in
esame e tutte le frequenze relative precedenti
La quantit relativa cumulata (qi) in
corrispondenza di ogni ni, si ottiene sommando
la quantit relativa corrispondente allni in
esame e tutte le quantit relative precedenti
Febbraio 2015
143
Frequenze e quantit relative
Totale
ni
xi
fi
qi
30
0,2
0,1415
0,2
0,1415
35
0,2
0,1651
0,4
0,3066
42
0,2
0,1981
0,6
0,5047
48
0,2
0,2264
0,8
0,7311
57
0,2
0,2689
212
Febbraio 2015
144
Equidistribuzione
Se il fenomeno equamente distribuito tra le diverse

unit statistiche, abbiamo:
f1 = q1
f2 = q2
. . . . . . fn = qn
di conseguenza:
f'1 = q'1
f'2 = q'2 . . . . . . fn = q'n
In caso contrario (come nella realt solitamente

avviene):
f'1 > q'1
f'2 > q'2 . . . . . . f'n-1 > q'n-1
f'n = q'n
Febbraio 2015
145
In termini grafici
Si disegna un diagramma con i punti individuati dalle
coppie (f'i, q'i)
Si pone convenzionalmente
f'0 = 0 e q'0 = 0
Si ottiene in questo modo una spezzata di

concentrazione, contenuta in un quadrato di lato
unitario, con la concavit rivolta verso l'alto
Febbraio 2015
146
Spezzata di concentrazione
B
q'4
q'3
q'2
q'1
0O
A
0
f'1
f'2
f'3
f'4
Febbraio 2015
147
La curva di Lorenz
Quando n pi elevato rispetto al caso considerato

come esempio, si possono unire i punti della
spezzata con una linea smussata
Si ottiene cos la cosiddetta curva di concentrazione
o curva di Lorenz
La situazione di equidistribuzione corrisponde alla
diagonale, i cui punti hanno ascissa e ordinata uguali
La superficie delimitata dal segmento di
equidistribuzione e dalla spezzata (o dalla curva) di
concentrazione, larea di concentrazione
Febbraio 2015
148
Curva di Lorenz
B
0,8
0,6
area di concentrazione
0,4
area residua
0,2
0
A
O
0,2
0,4
0,6
0,8
1
Febbraio 2015
149
Il rapporto di concentrazione di Gini
R =
area di concentrazione
____________________________________________
area di massima concentrazione
Ovvero, in termini matematici:
R = 1 - [(q'i + q'i-1) fi]

area di massima concentrazione: triangolo OAB
Febbraio 2015
150
Linterpretazione
R oscilla tra i seguenti limiti:

R = 0, nel caso di equidistribuzione
R = 1, nel caso di massima concentrazione
Ad esempio, R = 0,6 significa che la
concentrazione pari al 60% del massimo possibile
Febbraio 2015
151
Alcune propriet di R
Rimane invariato moltiplicando ciascun valore per
una costante > 0 (es: redditi prima in euro, poi
in dollari)
Sommando una costante c a ogni valore,
diminuisce se c > 0, aumenta se c < 0, con il
vincolo (xi + c) > 0
Infatti, se c > 0, l'aumento risulta in termini
relativi pi elevato per i valori piccoli (per
esempio, un aumento di stipendio di ammontare
identico per ogni occupato)
L'opposto si verifica se c < 0 (per esempio, una
tassa di ammontare uguale per tutti i redditi)
Febbraio 2015
152
6 ANALISI BIVARIATA: CORRELAZIONE E

REGRESSIONE LINEARE SEMPLICE
Febbraio 2015
153
Correlazione
Febbraio 2015
154
Correlazione: qualche definizione preliminare
Correlazione: studio della relazione tra due

fenomeni quantitativi
Alcuni valori di X si associano frequentemente a
specifici valori di Y?
Conoscendo il valore di X per una unit
statistica, si pu predire il valore di Y?
Febbraio 2015
155
Dipendenza e interdipendenza
Relazioni di dipendenza: quando un fenomeno un

antecedente (temporale, logico o di altro genere)
rispetto a un altro
Relazioni di interdipendenza: i fenomeni si collocano
sullo stesso piano, non esistendo tra loro un
fenomeno antecedente e un fenomeno conseguente
Febbraio 2015
156
Lanalisi di correlazione
finalizzata allo studio dellassociazione

esistente tra due fenomeni quantitativi, in
termini di interdipendenza
Febbraio 2015
157
I primi passi
Rappresentazione grafica dei dati con un diagramma
di dispersione
Calcolo degli scostamenti di ogni valore dalla media:
se a scostamenti positivi di un fenomeno
corrispondono scostamenti positivi dell'altro,
allora esiste una relazione diretta
altrimenti, la relazione inversa (a scostamenti
positivi delluno corrispondono scostamenti
negativi dellaltro)
Febbraio 2015
158
Febbraio 2015
159
La covarianza
un primo indicatore in grado di fornire
informazioni sull'intensit e sulle caratteristiche
delle relazione esistente tra due fenomeni
quantitativi
COV (X,Y)
la media dei prodotti dei rispettivi scostamenti

dalla media (x'i e y'i)
COV (X,Y) =
(x'i y'i)
______________
n
Febbraio 2015
160
Il problema della covarianza

Quando la covarianza assume valori positivi, si in
presenza di una relazione diretta
Valori negativi segnalano una relazione inversa
Valori della covarianza pari a 0 corrispondono
all'assenza di una relazione lineare tra i due
fenomeni
Il problema della covarianza legato al fatto che
questo indicatore espresso in termini del prodotto
delle unit di misura di X e di Y
Febbraio 2015
161
Il coefficiente di correlazione lineare

la covarianza calcolata sugli scostamenti
standardizzati:
r =
[z (xi) z (yi)]
________________________
n
Cosa sono gli scostamenti standardizzati? sono
gli scostamenti dalla media rapportati alla
deviazione standard; ad es., per X:
z (xi) =
xi - M(X)
______________
SD (X)
Febbraio 2015
162
Una formula alternativa per il calcolo di r
COV (X,Y)
r =
______________________
SD (X) SD (Y)
Febbraio 2015
163
Linterpretazione del coefficiente di

correlazione - 1
Esprime laddensamento dei punti attorno alla retta

Misura lintensit del legame delle due variabili
sempre compreso tra 1 e + 1
Febbraio 2015
164
Febbraio 2015
165
Linterpretazione del coefficiente di

correlazione - 2
pari a 1 quando si in una situazione di perfetta

correlazione positiva
pari a 1 quando si in una situazione di perfetta
correlazione negativa
Tende invece ad avvicinarsi a zero quando la
relazione piuttosto debole
Febbraio 2015
166
Febbraio 2015
167
Febbraio 2015
168
Febbraio 2015
169
r invariante per cambiamenti di scala
Non cambia se si aggiunge una costante a tutti i

valori di una variabile
Non cambia nemmeno se si moltiplicano tutti i valori
di una variabile per una costante positiva
Febbraio 2015
170
Febbraio 2015
171
Associazione e causalit non sempre coincidono
L'esistenza di un elevato valore di r pu essere

attribuita:
a una relazione di interdipendenza
a una relazione di dipendenza
alla dipendenza di entrambi i fenomeni da un
terzo fenomeno (correlazione spuria)
Febbraio 2015
172
Un esempio: diffusione e durata di una specie

La diffusione geografica di una specie e la sua
durata nel tempo risultano tra loro associate
piuttosto precisamente.
Una specie diffusa sopravvive a calamit naturali
locali?
Una lunga durata tende a favorire una pi ampia
diffusione geografica?
maggiore la reperibilit di fossili di specie
diffuse, e ci lascia erroneamente ipotizzare una
durata prolungata?
Febbraio 2015
173
Regressione lineare
Febbraio 2015
174
In molti casi si considerano:
Una variabile dipendente (Y): regredendo

Una variabile indipendente (X): variabile
esplicativa o regressore
Solitamente, X un antecedente logico o

temporale
Febbraio 2015
175
Scopi dellanalisi di regressione
Studiare come un fenomeno dipende dall'altro

Comprendere se si pu predire la variabile
dipendente (Y) partendo dalla variabile esplicativa
(X)
Ad esempio, l'interesse di un ricercatore pu

riguardare lindividuazione dellintensit delle
polveri totali sospese in corrispondenza di diversi
gradi di usura del manto stradale (e quindi dei
relativi residui)
Febbraio 2015
176
Con la regressione, quindi,

si cerca di capire quanto aumenta o diminuisce
la variabile dipendente
in corrispondenza di un aumento unitario della
variabile indipendente
Per esempio, lentit delle modificazioni nello

strato di ozono rispetto a un incremento unitario
di clorofluorocarburi diffusi nellalta atmosfera
Febbraio 2015
177
Linterpolazione lineare
Occorre una funzione interpolante, una funzione

analitica che sia il pi possibile vicina ai punti (xi,yi)
Interpolazione di una successione di punti:
adattamento ai valori osservati di una opportuna
funzione
Limitando lanalisi all'interpolazione lineare, si
hanno funzioni del tipo:
y=a+bx
A volte, i simboli utilizzati sono:
y = 0 + 1 x
Febbraio 2015
178
I parametri della funzione

L'intercetta a (0) il valore teorico della variabile
dipendente in corrispondenza di un valore nullo della
variabile esplicativa (in sintesi, il valore di Y
quando X = 0);
ha la stessa unit di misura di y
La pendenza b (1) (o coefficiente angolare)

l'entit della variazione teorica della variabile
dipendente in corrispondenza di un incremento di
una unit della variabile esplicativa
quindi espressa in termini di unit di Y / unit di X:
infatti, la variazione verticale / variazione
orizzontale
Febbraio 2015
179
Interpolazione ed estrapolazione
Lutilizzo della funzione per predire valori di Y

nellintervallo osservato dei valori di X
chiamato interpolazione
Lutilizzo della funzione per predire valori di Y

allesterno dellintervallo osservato dei valori di
X chiamato estrapolazione
Febbraio 2015
180
Il calcolo dei parametri

r SD (Y)
b =
___________________
a =
MY (b MX)
SD (X)
Per determinare i parametri della funzione

interpolante, si ricorre alla condizione dei minimi
quadrati
La funzione interpolante infatti quella che rende

minima la somma dei quadrati delle distanze tra i
valori effettivamente rilevati di Y e i valori di Y)
che possono essere dedotti dalla funzione
Febbraio 2015
181
Esempio riferito alla percentuale di frequentatori di supermercati che

ricordano la marca di un prodotto e allestensione del lineare
occupato da questo prodotto sugli scaffali (metri)
y = 17,5 + 5,3 x
r = + 0,874
17,5 (%) la quota di frequentatori che ricordano
comunque la marca di quel prodotto nellipotesi di
assenza di questo prodotto dagli scaffali
5,3 (%) laumento dellla quota di frequentatori
che ricordano la marca di quel prodotto in
corrispondenza di un incremento del lineare di 1
metro
Febbraio 2015
182
Il coefficiente di determinazione (r2)
Indica la validit (o bont) della funzione

adottata
il quadrato del coefficiente di correlazione (r2)
r2 esprime la quota di variabilit del fenomeno Y

che spiegata dalla retta di regressione
Indica quanto la retta riassume l'effettivo legame
tra i due fenomeni
Assume valori compresi tra 0 e 1

Pi si avvicina all'unit, migliore l'adattamento
della retta ai valori osservati
Febbraio 2015
183
RMSE (root mean square error) o errore

standard della stima
la media quadratica dei residui (e)
Si calcola agevolmente con:
RMSE = SD (Y) radq (1-r2)
Si indica anche con sy|x
Si tratta di una misura di quanto i valori osservati

variano intorno alla retta di regressione
un concetto analogo allo scarto quadratico medio in
riferimento alla media
Febbraio 2015
184
RMSE rappresenta lerrore che si commette nel

predire Y con laiuto di X
espresso nella stessa unit di misura di Y
Il valore di Y previsto per un determinato
soggetto con laiuto della retta di regressione si
discoster in media da quello effettivo per
unentit pari al RMSE
Febbraio 2015
185
Studio sulla associazione tra consumo di gelato e

temperatura
X: temperatura
Y: consumo gelato (grammi/mese procapite)
X : media 25; SD 4,87
Y : media 309; SD 48,67
r: + 0,975
Pendenza
48,67 0,975 / 4,87 = 9,74
Intercetta
309 25 9,74 = 65,58
RMSE = 10,83
significa che il consumo previsto per una
determinata temperatura tender a scostarsi dal valore
effettivo in media per 10,83 grammi unit
Febbraio 2015
186
Lapplicazione alle serie storiche
Febbraio 2015
187
Definizione di serie storica
Per serie storica di un fenomeno quantitativo D si

intende una successione dei valori dt (t = 1, 2,
..., n), assunti dal fenomeno in tempi (o intervalli
temporali) successivi
Febbraio 2015
188
Le finalit dellanalisi
Descrizione in termini sintetici dell'evoluzione

temporale di un fenomeno
Formulazione di proiezioni sul futuro del fenomeno
considerato
soggette a una importante condizione: la
permanenza delle condizioni che hanno concorso a
determinare l'evoluzione precedente
Febbraio 2015
189
La stima del trend con il metodo della regressione
Il trend: la tendenza di fondo di una serie storica

Per mezzo della regressione si vuole stimare la
funzione pi in grado di esprimere la relazione tra il
fattore tempo e il fenomeno oggetto di studio
per poi predire il fenomeno in esame a partire
dalla scansione dei tempi
Febbraio 2015
190
Il fattore tempo come variabile indipendente
Consideriamo il fattore tempo come la variabile

indipendente (x) e il fenomeno in esame (D) come
la variabile dipendente (y)
Possiamo effettuare una normale analisi di
regressione lineare, identificando sia la retta di
regressione, sia il relativo coefficiente di
determinazione (r2)
Febbraio 2015
191
La semplificazione della scala temporale
Per semplificare i calcoli, gli anni possono essere

trasformati in una unit di misura pi semplice .
. non tanto 2009, 2010, 2011, 2012, ecc. .
. quanto 1, 2, 3, 4, ecc.
Febbraio 2015
192
La funzione
y = a + b
Esprime l'ipotesi di variazioni di ammontare

costante fra due tempi consecutivi (espresse
nella stessa unit di misura del fenomeno
analizzato), uguali alla pendenza
Lintercetta indica il valore assunto
teoricamente dal fenomeno (stimato secondo
la retta interpolante) quando x = 0, ossia nel
tempo immediatamente precedente al primo
dei tempi presi in considerazione
Febbraio 2015
193
Un esempio: casi di pubblicit comparativa in

un determinato settore, tra il 2005 e il 2011
Anni
2005
2006
2007
2008
2009
2010
2011
(x)
1
2
3
4
5
6
7
n. (y)
28
31
32
36
36
39
41
Febbraio 2015
194
r = 0,9877
pendenza pari a
2,107
intercetta pari a
26,286
y = 26,286 + 2,107 x
r2 = (0,9877)2 = 0,9756
RMSE = 4,267 radq (1 0,9756) = 0,666

Febbraio 2015
195
Secondo la funzione lineare ricavata, si hanno

quindi variazioni di ammontare costante (in
numero di casi), pari a +2,107 fra due anni
consecutivi
Il numero teorico di casi quando x pari a

zero (ossia, nellanno 2004) di 26,286
Febbraio 2015
196
r2 =
0,9877
Una elevata quota di variabilit del fenomeno

Y spiegata dalla retta di regressione
Quindi, la retta di regressione idonea a
riassumere l'effettivo legame tra il fenomeno
considerato e il fattore tempo, anche
In altri termini, tenere conto dellevoluzione

della serie storica aiuta nella predizione dei
valori futuri
Febbraio 2015
197
RMSE = 0,666 significa che il numero di casi

previsto per un determinato anno si discoster da
quello effettivo in media per 0,666
Il confronto con la SD (Y), molto pi elevata,
consente di affermare che con lutilizzo del
fattore tempo nel ruolo di variabile indipendente,
la capacit di predizione di Y migliora
sensibilmente
In altri termini, lerrore medio di predizione con
limpiego di X si riduce In misura consistente
Febbraio 2015
198
La proiezione
Utilizzando la funzione interpolante, possibile

effettuare proiezioni sul futuro del fenomeno
considerato
Per esempio, per il 2013 (x = 9), possibile
fare questa proiezione:
y = 26,286 + 2,107 9 = 45,25
Febbraio 2015
199
Trend non lineari

Anche nello studio delle serie storiche, r prossimo a zero
non necessariamente significa assenza di relazione
(possiamo essere in presenza di una associazione non
lineare)
Per esempio, la % di tannino estraibile dalla felce aquilina
ha questo trend nei mesi da maggio a ottobre:
Febbraio 2015
200
7 NOZIONI ELEMENTARI DI PROBABILITA
Febbraio 2015
201
Definizione di probabilit
Secondo la teoria frequentista, adatta per esempio

ai processi che si possono ripetere tante volte:
la probabilit di un evento la percentuale dei
casi in cui tale evento pu verificarsi, sul totale dei
casi possibili
Febbraio 2015
202
Simboli
La probabilit che si verifichi levento E si indica
con P(E)
La probabilit che si verifichi levento contrario
(non E) si indica con P(non E)
P(E) = [1 - P(non E)]
levento impossibile ha probabilit pari a zero
Febbraio 2015
203
Spazio degli eventi

importante, per ogni esperimento, definire lo
spazio degli eventi (S), che comprende tutti i
possibili eventi. Si utilizzano solitamente le
parentesi graffe per indicare tutti gli eventi
possibili. Per esempio:
S = { x: 15 < x < 30}
Ogni elemento dello spazio degli eventi detto

evento semplice (un evento semplice definito da
una sola caratteristica)
Un qualsiasi insieme di eventi semplici detto
evento congiunto o composto (un evento
congiunto definito da due o pi caratteristiche)
Febbraio 2015
204
Eventi compatibili e incompatibili
Due eventi sono incompatibili quando il verificarsi

delluno esclude il verificarsi dellaltro
Due eventi sono compatibili quando il verificarsi
delluno non esclude il verificarsi dellaltro
Febbraio 2015
205
EVENTI INCOMPATIBILI
Febbraio 2015
206
EVENTI COMPATIBILI
Febbraio 2015
207
Eventi dipendenti e indipendenti

Due eventi sono indipendenti quando la probabilit
che il secondo si verifichi la stessa,
indipendentemente dal verificarsi o meno del primo
es.: estrazione con reimmissione
Due eventi sono dipendenti quando la probabilit
che il secondo si verifichi diversa, a seconda che si
sia verificato o meno il primo
es.: estrazione senza reimmissione
Febbraio 2015
208
Probabilit condizionata
Ha significato solo nellambito degli eventi

dipendenti
la probabilit che si verifichi un secondo
evento (F), quando si impone una condizione
sul primo evento (E)
P (F | E)
(si legge: probabilit di F dato E)
Febbraio 2015
209
Esempio di probabilit condizionata

Si stima che un complesso idrovoro sia in grado
di fronteggiare una determinata piena del
fiume con una probabilit del 94%.
Nel caso che si verifichi levento sopra esposto
(C, ossia capacit di fronteggiare la piena), si
stima che lintera area golenale sar preservata
dalla piena nel 62% dei casi.
La probabilit condizionata, in questo caso, la
probabilit che lintera area golenale sia
preservata. La indichiamo con P(G).
P (G | C) = 0,62
Febbraio 2015
210
Secondo esempio di probabilit condizionata
Su tutte le azioni di vendita diretta tramite

Internet, un 5% dei soggetti raggiunti
acquista sul momento, un altro 6% il giorno
successivo.
La probabilit che i soggetti non acquistino il
giorno successivo, nel caso che non abbiano
acquistato durante la vendita diretta, pari
a:
P (Dopo | Durante) = 89/95 = 0,937
Febbraio 2015
211
La propriet moltiplicativa
La probabilit che si
(entrambi) si indica con:
verifichino
due
eventi
P (E e F) oppure con P (E F)
(probabilit dellintersezione degli eventi E e F)
Ha significato solo se gli eventi sono compatibili

Questa probabilit si individua per mezzo di un
prodotto
Febbraio 2015
212
Applicazioni della propriet moltiplicativa - 1

Se gli eventi sono tra loro indipendenti:
P (E e F) =
P(E) P(F)
Siano R1 e R2 due strategie di comunicazione

alternative. Le due probabilit di raggiungere il
target sono rispettivamente il 60% e il 70%. Quale
la probabilit che due comunicatori, uno con la
strategia R1, laltro con la strategia R2, raggiungano
entrambi il target?
60/100 70/100 = 0,42
Febbraio 2015
213

Se gli eventi sono tra loro dipendenti:
P (E e F) = P(E) P(F|E)
Date le stesse condizioni relative alle strategie
R1 e R2, immaginiamo che 100 comunicatori
utilizzino la strategia R1 e che esattamente 60
di questi raggiungano il target.
Quale la probabilit che, estraendo senza
reimmissione due comunicatori, entrambi
abbiano raggiunto il target?
60/100 59/99 = 0,36
Febbraio 2015
214

Ancora con eventi tra loro dipendenti
P (E e F) = P(E) P(F|E)
Lungo molte coste del Mediterraneo, lurbanizzazione di
zone caratterizzate da piante pioniere genera nel 77% dei
casi rilevanti conseguenze sulla macchia mediterranea
dellentroterra, perch si riduce la barriera di protezione
dal vento
Se il suddetto evento si verifica, in 92 casi su 100 la
macchia mediterranea risente pesantemente anche
delleffetto della salsedine.
Quale la probabilit che, urbanizzando una zona, si

verifichino entrambi gli eventi (V, ossia conseguenze del
vento; S, ossia conseguenze della salsedine)?
P (V e S) = P(V) P(S|V) = 0,77 0,92 = 0,7084 (70,84%)
Febbraio 2015
215
Lespressione della probabilit condizionata

Conoscendo ora il metodo di calcolo della probabilit
dellintersezione, la formula per calcolare la probabilit
condizionata la seguente:
P (F | E)
= P (F E) / P (E)
Questa espressione utile quando si conosce la probabilit

che si verifichino due eventi E e F (entrambi) e si conosce
anche la probabilit che si verifichi levento E (da cui F
dipendente), ma non si conosce la probabilit che si verifichi
F dato E.
Ovviamente, se i due eventi E e F fossero indipendenti,
allora
P (F | E)
= P (F)
Infatti, la probabilit dellevento F non cambia

considerando oppure non considerando E, essendo i due
eventi indipendenti
Febbraio 2015
216
La propriet additiva
La probabilit che si verifichi almeno uno di due

eventi (probabilit dellunione) si indica con
P (E o F) oppure P (E U F)
Questa probabilit si individua per mezzo di una
somma
Febbraio 2015
217
Applicazioni della propriet additiva - 1

Se gli eventi sono tra loro incompatibili:
P (E o F) = P(E) + P(F)
Afghanistan: distribuzione della popolazione per
gruppo etnico:
Pashtun
36%
Tajiki
24%
Hazara
25%
Uzbeki
10%
Altri
5%
La probabilit che un soggetto individuato a caso
appartenga al gruppo degli Uzbeki o degli Hazara :
10/100 + 25/100 = 0,35
Febbraio 2015
218
Applicazioni della propriet additiva 2

Se invece gli eventi sono tra loro compatibili:
P (E o F) = P(E) + P(F) - P (E e F)
(occorre cio sottrarre la probabilit dellintersezione, che
altrimenti verrebbe conteggiata due volte)
Realizzando una campagna comunicazionale, una azienda
tenta di sottrarre la posizione di leader al principalie
concorrente, in due aree geografiche. Si stima,
considerando le prevedibili reazioni dei consumatori, che
nellarea A lazienda abbia una probabilit del 12% di
raggiungere la posizione di leader, mentre per larea B
questa probabilit sia del 18%.
Quale la probabilit che almeno in una delle due aree il
progetto dellazienda si concretizzi?
0,12 + 0,18 0,12 0,18 = 0,2784 (27,84%)
Febbraio 2015
219
Applicazioni della propriet additiva 3

Due imprese applicano la medesima strategia di
marketing. Date le diverse dimensioni sul mercato, per
limpresa A si stima che la probabilit di raggiungere il
punto di pareggio entro due anni sia pari a 3/5. Per
limpresa B, questa probabilit pari a 2/3
Calcolare le seguenti
probabilit, relative al
raggiungimento del punto
di pareggio:
Entrambe
Solo A
Solo B
Almeno una
Si tratta di eventi
indipendenti compatibili:
3/5
3/5
2/5
3/5
2/3 = 6/15
1/3 = 3/15
2/3 = 4/15
+ 2/3 6/15 = 13/15
Febbraio 2015
220
Razionalizzazioni del comportamento

deviante: i dati di base
Minimizzazione
danno (M)
Diffusione
responsabilit
(D)
Confronto
vantaggioso (C)
Totale
Furto
(F)
60
120
60
240
Stupefacenti
(S)
120
20
20
160
Totale
180
140
80
400
Febbraio 2015
221
Razionalizzazioni del comportamento

deviante: i calcoli
Calcolare le
seguenti
probabilit
P(D)
P(non F)
P(M e F)
P(D e C)
P(D o C)
P(S o C)
P[non(F o S)]
P(F|D)
P(M|S)
P(2S|1S)
P(1S e 2S)
TOT.
60
120
60
240
120
20
20
160
TOT.
180
140
80
400
140/400
1 (240/400)
P(F) P(M|F) = (240/400) (60/240) (ev. dip)
0
P(D) + P(C) = (140/400) + (80/400) (ev. incomp)
P(S)+P(C)-[P(C)P(S|C)=160/400+80/400-(80/40020/80)
(ev. compatibili e dipendenti)
1 [P(F) + P(S)] = 1 (240/400 + 160/400)
120/140
120/160
159/399
P(1S) P(2S|1S) = 160/400 159/399 (ev dip)
(ultimi due casi:

senza
reimmissione)
Febbraio 2015
222
28 carte da poker: 4 A, 4 K, 4 Q, 4 J, 4 DIECI, 4 NOVE, 4 OTTO

In mano: 3 A, 1 K, 1 Q
Calcolare la probabilit
che, cambiando K e
Q:
A alla prima o alla
seconda
AeK
Q alla prima e alla
seconda
DIECI e NOVE
P(A1) + P (A2|non A1) = 1/23 + 1/22

[P(A1) P (K2|A1)] + [P(K1) P(A2|K1)]
= (1/23 3/22) + (3/23 1/22)
[P(Q1) P (Q2|Q1)] = 3/23 2/22
[P(D1) P (N2|D1)] + [P(N1) P(D2|N1)]

= (4/23 4/22) + (4/23 4/22)
Febbraio 2015
223
Il teorema di Bayes - 1
Per calcolare la probabilit che un certo evento sia
frutto di una determinata causa, ci si basa sulla
teoria della probabilit condizionata e si utilizza un
metodo che va sotto il nome di teorema di Bayes.
Conviene partire da un esempio concreto:
In riferimento a un determinato reato, si costruisce
lipotesi di colpevolezza attraverso due fasi
investigative:
1. una serie di colloqui
2. analisi di laboratorio
Febbraio 2015
224
Da una lunga serie di casi relativi a reati dello
stesso tipo, si era dedotto che il 40% dei sospettati
risultava colpevole allanalisi di laboratorio; di
questi, l80% aveva avuto un parere di
colpevolezza gi alleffettuazione dei colloqui.
Il restante 60% dei sospettati non risultava
colpevole allanalisi di laboratorio; in questo caso, il
30% dei colloqui aveva fornito (erroneamente) un
giudizio di colpevolezza. Il rimanente 70% aveva
fornito un giudizio contrario (non colpevolezza)
Febbraio 2015
225
Quale la probabilit che in un determinato caso

risulti la colpevolezza, dallanalisi di laboratorio,
dopo un parere di colpevolezza tratto dal colloquio?
Indichiamo con CA la colpevolezza effettiva
risultante dallanalisi di laboratorio, con NCA la non
colpevolezza effettiva risultante dallanalisi di
laboratorio, con CC il parere di colpevolezza
presunta dai colloqui, con NCC il parere contrario,
sempre dai colloqui.
Febbraio 2015
226
P(CA|CC) =
P(CC|CA)
* P(CA)
________________________________________________
P(CC|CA)
P(CA) + P(CC|NCA)
P(NCA)
che possiamo anche scrivere come:

P(CA|CC) =
P(CA CC) / P(CC)
0,8
P(CA|CC) =
* 0,4
____________________________
0,8
0,4 + 0,3
= 0,64
0,6
Febbraio 2015
227
Un secondo esempio - 1
In una regione, la forza lavoro si divide nel seguente
modo:
Lavoro autonomo 32%
Lavoro dipendente 68%
Attualmente, nellambito del lavoro autonomo si
dichiarano disoccupati il 20% dei soggetti, contro
una quota del 15% relativa al lavoro dipendente.
Quale la probabilit che, estraendo un soggetto e
verificando che disoccupato, si tratti di un
appartenente al lavoro autonomo?
Indichiamo con LA il lavoro autonomo, con LD quello
dipendente. Indichiamo poi con D la condizione di
disoccuato.
Febbraio 2015
228
Un secondo esempio - 2
P(LA|D) =
P(D|LA)
* P(LA)
________________________________________________
P(D|LA)
P(LA) + P(D|LD)
P(LD)
che possiamo anche scrivere come:

P(LA|D) = P(LA DC) / P(D)
0,2
P(CA|CC) =
* 0,32
________________________________
0,2
0,32 + 0,15
= 0,386
0,68
Febbraio 2015
229
Dipartimento di
8 DISTRIBUZIONI DI
PROBABILITA
Introduzione
Nome
Febbraio 2015
230
La definizione
La distribuzione di probabilit di una variabile casuale

(o aleatoria) lelenco dei possibili valori che la
variabile assume, a ciascuno dei quali associata la
relativa probabilit (una variabile casuale una
variabile quantitativa i cui valori variano seguendo le
regole della probabilit)
La maggior parte dei fenomeni statistici pu essere
descritta con un numero limitato di leggi o
distribuzioni di probabilit
Febbraio 2015
231
In simboli
p(x) la probabilit che la variabile casuale X

assuma un determinato valore x
Per ogni distribuzione di probabilit, si ha:
0 p(x) 1
p(x) = 1
Febbraio 2015
232
Le principali distribuzioni
Tra le principali distribuzioni di probabilit, rientrano:
Distribuzione normale (Gaussiana), la pi importante per
lanalisi dellinferenza statistica
Distribuzione t (di Student), per i campioni piccoli provenienti
da una popolazione di cui si ignorano i parametri
Distribuzione di Bernoulli, associata a una variabile casuale
bernoulliana
Distribuzione binomiale, utili per studiare le probabilit
relative a un campione estratto da una popolazione di
Bernoulli
Distribuzione di Poisson, o legge degli eventi rari
Distribuzione Chi Quadrato (), associata per esempio
allanalisi della varianza campionaria o allanalisi dei dati
qualitativi
Febbraio 2015
233
Speranza matematica o valore atteso
Si tratta di una delle nozioni pi importanti

della teoria della probabilit
la media aritmetica ponderata dei valori di
una distribuzione di probabilit
dove i coefficienti di ponderazione sono le
probabilit associate ai diversi valori
Febbraio 2015
234
Esempio di speranza matematica
Nel caso del lancio di un dado (non truccato), la speranza

matematica relativa alla media deriva da questa
operazione:
1 1/6 + 2 1/6, + 3 1/6 + 4 1/6 + 5 1/6 + 6 1/6
= 3,5
Febbraio 2015
235
Dipartimento di
La distribuzione normale
(Gaussiana)
Introduzione
Nome
Febbraio 2015
236
Peculiarit
la distribuzione di probabilit pi importante
per linferenza statistica
Caratteristiche:
Perfettamente simmetrica
Sempre sopra lasse orizzontale
Il totale dellarea sottesa pari a 1
Febbraio 2015
237
Come verificare la normalit di una distribuzione?
Verificare lesistenza di una discreta coincidenza tra

media, mediana e moda
Verificare lesistenza di una discreta coincidenza
tra la differenza interquartile (differenza tra il
75esimo percentile e il 25esimo percentile) e 1,33
Verificare che il 67% circa delle osservazioni sia

compreso tra - e +
Febbraio 2015
238
Lutilizzo della distribuzione normale
Si utilizza per stimare la % di casi che cadono

in un determinato intervallo
di conseguenza, per determinare la
probabilit che un certo valore, estratto da un
gruppo di valori distribuiti normalmente, sia
compreso in un determinato intervallo
Febbraio 2015
239
La distribuzione normale standardizzata (d.n.s.)

Per agevolare il confronto con situazioni concrete,
si utilizza la distribuzione normale standardizzata,
basata su unit standard calcolate per ogni valore
del fenomeno (xi)
Lunit standard deriva da:
zi = (xi media) / deviazione standard
Febbraio 2015
240
La standardizzazione
Febbraio 2015
241
Le tavole della distribuzione normale

standardizzata
Ci sono diversi tipi di tavole; il risultato identico,

ma cambia il modo di lettura dei dati
Febbraio 2015
242
il valore riportato
in riferimento
allarea, in
corrispondenza di
ogni z, la quota
dellarea al di
sotto della curva
corrispondente al
tratto compreso
tra z e - z
Febbraio 2015
243
Nella tavola successiva, invece, il riferimento non

il tratto compreso tra z e z, bens tra 0 e z,
come appare nel disegno sottostante
Febbraio 2015
244
T a vo la d e lla d is trib u z io n e n o rm a le s ta n d a rd iz z a ta
z
0 ,0
0 ,1
0 ,2
0 ,3
0 ,4
0 ,5
0 ,6
0 ,7
0 ,8
0 ,9
1 ,0
1 ,1
1 ,2
1 ,3
1 ,4
1 ,5
1 ,6
1 ,7
1 ,8
1 ,9
2 ,0
2 ,1
2 ,2
2 ,3
2 ,4
2 ,5
2 ,6
2 ,7
2 ,8
2 ,9
3 ,0
0 ,0 0
0 ,0 0 0 0
0 ,0 3 9 8
0 ,0 7 9 3
0 ,1 1 7 9
0 ,1 5 5 4
0 ,1 9 1 5
0 ,2 2 5 7
0 ,2 5 8 0
0 ,2 8 8 1
0 ,3 1 5 9
0 ,3 4 1 3
0 ,3 6 4 3
0 ,3 8 4 9
0 ,4 0 3 2
0 ,4 1 9 2
0 ,4 3 3 2
0 ,4 4 5 2
0 ,4 5 5 4
0 ,4 6 4 1
0 ,4 7 1 3
0 ,4 7 7 3
0 ,4 8 2 1
0 ,4 8 6 1
0 ,4 8 9 3
0 ,4 9 1 8
0 ,4 9 3 8
0 ,4 9 5 3
0 ,4 9 6 5
0 ,4 9 7 4
0 ,4 9 8 1
0 ,4 9 8 7
0 ,0 1
0 ,0 0 4 0
0 ,0 4 3 8
0 ,0 8 3 2
0 ,1 2 1 7
0 ,1 5 9 1
0 ,1 9 5 0
0 ,2 2 9 1
0 ,2 6 1 1
0 ,2 9 1 0
0 ,3 1 8 6
0 ,3 4 3 8
0 ,3 6 6 5
0 ,3 8 6 9
0 ,4 0 4 9
0 ,4 2 0 7
0 ,4 3 4 5
0 ,4 4 6 3
0 ,4 5 6 4
0 ,4 6 4 9
0 ,4 7 1 9
0 ,4 7 7 8
0 ,4 8 2 6
0 ,4 8 6 4
0 ,4 8 9 6
0 ,4 9 2 0
0 ,4 9 4 0
0 ,4 9 5 5
0 ,4 9 6 6
0 ,4 9 7 5
0 ,4 9 8 2
0 ,4 9 8 7
0 ,0 2
0 ,0 0 8 0
0 ,0 4 7 8
0 ,0 8 7 1
0 ,1 2 5 5
0 ,1 6 2 8
0 ,1 9 8 5
0 ,2 3 2 4
0 ,2 6 4 2
0 ,2 9 3 9
0 ,3 2 1 2
0 ,3 4 6 1
0 ,3 6 8 6
0 ,3 8 8 8
0 ,4 0 6 6
0 ,4 2 2 2
0 ,4 3 5 7
0 ,4 4 7 4
0 ,4 5 7 3
0 ,4 6 5 6
0 ,4 7 2 6
0 ,4 7 8 3
0 ,4 8 3 0
0 ,4 8 6 8
0 ,4 8 9 8
0 ,4 9 2 2
0 ,4 9 4 1
0 ,4 9 5 6
0 ,4 9 6 7
0 ,4 9 7 6
0 ,4 9 8 3
0 ,4 9 8 7
0 ,0 3
0 ,0 1 2 0
0 ,0 5 1 7
0 ,0 9 1 0
0 ,1 2 9 3
0 ,1 6 6 4
0 ,2 0 1 9
0 ,2 3 5 7
0 ,2 6 7 3
0 ,2 9 6 7
0 ,3 2 3 8
0 ,3 4 8 5
0 ,3 7 0 8
0 ,3 9 0 7
0 ,4 0 8 2
0 ,4 2 3 6
0 ,4 3 7 0
0 ,4 4 8 4
0 ,4 5 8 2
0 ,4 6 6 4
0 ,4 7 3 2
0 ,4 7 8 8
0 ,4 8 3 4
0 ,4 8 7 1
0 ,4 9 0 1
0 ,4 9 2 5
0 ,4 9 4 3
0 ,4 9 5 7
0 ,4 9 6 8
0 ,4 9 7 7
0 ,4 9 8 3
0 ,4 9 8 8
0 ,0 4
0 ,0 1 6 0
0 ,0 5 5 7
0 ,0 9 4 8
0 ,1 3 3 1
0 ,1 7 0 0
0 ,2 0 5 4
0 ,2 3 8 9
0 ,2 7 0 4
0 ,2 9 9 5
0 ,3 2 6 4
0 ,3 5 0 8
0 ,3 7 2 9
0 ,3 9 2 5
0 ,4 0 9 9
0 ,4 2 5 1
0 ,4 3 8 2
0 ,4 4 9 5
0 ,4 5 9 1
0 ,4 6 7 1
0 ,4 7 3 8
0 ,4 7 9 3
0 ,4 8 3 8
0 ,4 8 7 5
0 ,4 9 0 4
0 ,4 9 2 7
0 ,4 9 4 5
0 ,4 9 5 9
0 ,4 9 6 9
0 ,4 9 7 7
0 ,4 9 8 4
0 ,4 9 8 8
0 ,0 5
0 ,0 1 9 9
0 ,0 5 9 6
0 ,0 9 8 7
0 ,1 3 6 8
0 ,1 7 3 6
0 ,2 0 8 8
0 ,2 4 2 2
0 ,2 7 3 4
0 ,3 0 2 3
0 ,3 2 8 9
0 ,3 5 3 1
0 ,3 7 4 9
0 ,3 9 4 4
0 ,4 1 1 5
0 ,4 2 6 5
0 ,4 3 9 4
0 ,4 5 0 5
0 ,4 5 9 9
0 ,4 6 7 8
0 ,4 7 4 4
0 ,4 7 9 8
0 ,4 8 4 2
0 ,4 8 7 8
0 ,4 9 0 6
0 ,4 9 2 9
0 ,4 9 4 6
0 ,4 9 6 0
0 ,4 9 7 0
0 ,4 9 7 8
0 ,4 9 8 4
0 ,4 9 8 9
0 ,0 6
0 ,0 2 3 9
0 ,0 6 3 6
0 ,1 0 2 6
0 ,1 4 0 6
0 ,1 7 7 2
0 ,2 1 2 3
0 ,2 4 5 4
0 ,2 7 6 4
0 ,3 0 5 1
0 ,3 3 1 5
0 ,3 5 5 4
0 ,3 7 7 0
0 ,3 9 6 2
0 ,4 1 3 1
0 ,4 2 7 9
0 ,4 4 0 6
0 ,4 5 1 5
0 ,4 6 0 8
0 ,4 6 8 6
0 ,4 7 5 0
0 ,4 8 0 3
0 ,4 8 4 6
0 ,4 8 8 1
0 ,4 9 0 9
0 ,4 9 3 1
0 ,4 9 4 8
0 ,4 9 6 1
0 ,4 9 7 1
0 ,4 9 7 9
0 ,4 9 8 5
0 ,4 9 8 9
0 ,0 7
0 ,0 2 7 9
0 ,0 6 7 5
0 ,1 0 6 4
0 ,1 4 4 3
0 ,1 8 0 8
0 ,2 1 5 7
0 ,2 4 8 6
0 ,2 7 9 4
0 ,3 0 7 9
0 ,3 3 4 0
0 ,3 5 7 7
0 ,3 7 9 0
0 ,3 9 8 0
0 ,4 1 4 7
0 ,4 2 9 2
0 ,4 4 1 8
0 ,4 5 2 5
0 ,4 6 1 6
0 ,4 6 9 3
0 ,4 7 5 6
0 ,4 8 0 8
0 ,4 8 5 0
0 ,4 8 8 4
0 ,4 9 1 1
0 ,4 9 3 2
0 ,4 9 4 9
0 ,4 9 6 2
0 ,4 9 7 2
0 ,4 9 7 9
0 ,4 9 8 5
0 ,4 9 8 9
0 ,0 8
0 ,0 3 1 9
0 ,0 7 1 4
0 ,1 1 0 3
0 ,1 4 8 0
0 ,1 8 4 4
0 ,2 1 9 0
0 ,2 5 1 7
0 ,2 8 2 3
0 ,3 1 0 6
0 ,3 3 6 5
0 ,3 5 9 9
0 ,3 8 1 0
0 ,3 9 9 7
0 ,4 1 6 2
0 ,4 3 0 6
0 ,4 4 2 9
0 ,4 5 3 5
0 ,4 6 2 5
0 ,4 6 9 9
0 ,4 7 6 1
0 ,4 8 1 2
0 ,4 8 5 4
0 ,4 8 8 7
0 ,4 9 1 3
0 ,4 9 3 4
0 ,4 9 5 0
0 ,4 9 6 3
0 ,4 9 7 3
0 ,4 9 8 0
0 ,4 9 8 6
0 ,4 9 9 0
0 ,0 9
0 ,0 3 5 9
0 ,0 7 5 3
0 ,1 1 4 1
0 ,1 5 1 7
0 ,1 8 7 9
0 ,2 2 2 4
0 ,2 5 4 9
0 ,2 8 5 2
0 ,3 1 3 3
0 ,3 3 8 9
0 ,3 6 2 1
0 ,3 8 3 0
0 ,4 0 1 5
0 ,4 1 7 7
0 ,4 3 1 9
0 ,4 4 4 1
0 ,4 5 4 5
0 ,4 6 3 3
0 ,4 7 0 6
0 ,4 7 6 7
0 ,4 8 1 7
0 ,4 8 5 7
0 ,4 8 9 0
0 ,4 9 1 6
0 ,4 9 3 6
0 ,4 9 5 2
0 ,4 9 6 4
0 ,4 9 7 4
0 ,4 9 8 1
0 ,4 9 8 6
0 ,4 9 9 0
il valore riportato
in ogni casella la
quota dellarea al
di sotto della
curva corrispondente al
tratto compreso
tra z = o e il
valore di z dato
dalla somma della
prima colonna e
della prima riga
Febbraio 2015
245
T a vo la d e lla d is trib u z io n e n o rm a le s ta n d a rd iz z a ta
z
0 ,0
0 ,1
0 ,2
0 ,3
0 ,4
0 ,5
0 ,6
0 ,7
0 ,8
0 ,9
1 ,0
1 ,1
1 ,2
1 ,3
1 ,4
1 ,5
1 ,6
1 ,7
1 ,8
1 ,9
2 ,0
2 ,1
2 ,2
2 ,3
2 ,4
2 ,5
2 ,6
2 ,7
2 ,8
2 ,9
3 ,0
0 ,0 0
0 ,0 0 0 0
0 ,0 3 9 8
0 ,0 7 9 3
0 ,1 1 7 9
0 ,1 5 5 4
0 ,1 9 1 5
0 ,2 2 5 7
0 ,2 5 8 0
0 ,2 8 8 1
0 ,3 1 5 9
0 ,3 4 1 3
0 ,3 6 4 3
0 ,3 8 4 9
0 ,4 0 3 2
0 ,4 1 9 2
0 ,4 3 3 2
0 ,4 4 5 2
0 ,4 5 5 4
0 ,4 6 4 1
0 ,4 7 1 3
0 ,4 7 7 3
0 ,4 8 2 1
0 ,4 8 6 1
0 ,4 8 9 3
0 ,4 9 1 8
0 ,4 9 3 8
0 ,4 9 5 3
0 ,4 9 6 5
0 ,4 9 7 4
0 ,4 9 8 1
0 ,4 9 8 7
0 ,0 1
0 ,0 0 4 0
0 ,0 4 3 8
0 ,0 8 3 2
0 ,1 2 1 7
0 ,1 5 9 1
0 ,1 9 5 0
0 ,2 2 9 1
0 ,2 6 1 1
0 ,2 9 1 0
0 ,3 1 8 6
0 ,3 4 3 8
0 ,3 6 6 5
0 ,3 8 6 9
0 ,4 0 4 9
0 ,4 2 0 7
0 ,4 3 4 5
0 ,4 4 6 3
0 ,4 5 6 4
0 ,4 6 4 9
0 ,4 7 1 9
0 ,4 7 7 8
0 ,4 8 2 6
0 ,4 8 6 4
0 ,4 8 9 6
0 ,4 9 2 0
0 ,4 9 4 0
0 ,4 9 5 5
0 ,4 9 6 6
0 ,4 9 7 5
0 ,4 9 8 2
0 ,4 9 8 7
0 ,0 2
0 ,0 0 8 0
0 ,0 4 7 8
0 ,0 8 7 1
0 ,1 2 5 5
0 ,1 6 2 8
0 ,1 9 8 5
0 ,2 3 2 4
0 ,2 6 4 2
0 ,2 9 3 9
0 ,3 2 1 2
0 ,3 4 6 1
0 ,3 6 8 6
0 ,3 8 8 8
0 ,4 0 6 6
0 ,4 2 2 2
0 ,4 3 5 7
0 ,4 4 7 4
0 ,4 5 7 3
0 ,4 6 5 6
0 ,4 7 2 6
0 ,4 7 8 3
0 ,4 8 3 0
0 ,4 8 6 8
0 ,4 8 9 8
0 ,4 9 2 2
0 ,4 9 4 1
0 ,4 9 5 6
0 ,4 9 6 7
0 ,4 9 7 6
0 ,4 9 8 3
0 ,4 9 8 7
0 ,0 3
0 ,0 1 2 0
0 ,0 5 1 7
0 ,0 9 1 0
0 ,1 2 9 3
0 ,1 6 6 4
0 ,2 0 1 9
0 ,2 3 5 7
0 ,2 6 7 3
0 ,2 9 6 7
0 ,3 2 3 8
0 ,3 4 8 5
0 ,3 7 0 8
0 ,3 9 0 7
0 ,4 0 8 2
0 ,4 2 3 6
0 ,4 3 7 0
0 ,4 4 8 4
0 ,4 5 8 2
0 ,4 6 6 4
0 ,4 7 3 2
0 ,4 7 8 8
0 ,4 8 3 4
0 ,4 8 7 1
0 ,4 9 0 1
0 ,4 9 2 5
0 ,4 9 4 3
0 ,4 9 5 7
0 ,4 9 6 8
0 ,4 9 7 7
0 ,4 9 8 3
0 ,4 9 8 8
0 ,0 4
0 ,0 1 6 0
0 ,0 5 5 7
0 ,0 9 4 8
0 ,1 3 3 1
0 ,1 7 0 0
0 ,2 0 5 4
0 ,2 3 8 9
0 ,2 7 0 4
0 ,2 9 9 5
0 ,3 2 6 4
0 ,3 5 0 8
0 ,3 7 2 9
0 ,3 9 2 5
0 ,4 0 9 9
0 ,4 2 5 1
0 ,4 3 8 2
0 ,4 4 9 5
0 ,4 5 9 1
0 ,4 6 7 1
0 ,4 7 3 8
0 ,4 7 9 3
0 ,4 8 3 8
0 ,4 8 7 5
0 ,4 9 0 4
0 ,4 9 2 7
0 ,4 9 4 5
0 ,4 9 5 9
0 ,4 9 6 9
0 ,4 9 7 7
0 ,4 9 8 4
0 ,4 9 8 8
0 ,0 5
0 ,0 1 9 9
0 ,0 5 9 6
0 ,0 9 8 7
0 ,1 3 6 8
0 ,1 7 3 6
0 ,2 0 8 8
0 ,2 4 2 2
0 ,2 7 3 4
0 ,3 0 2 3
0 ,3 2 8 9
0 ,3 5 3 1
0 ,3 7 4 9
0 ,3 9 4 4
0 ,4 1 1 5
0 ,4 2 6 5
0 ,4 3 9 4
0 ,4 5 0 5
0 ,4 5 9 9
0 ,4 6 7 8
0 ,4 7 4 4
0 ,4 7 9 8
0 ,4 8 4 2
0 ,4 8 7 8
0 ,4 9 0 6
0 ,4 9 2 9
0 ,4 9 4 6
0 ,4 9 6 0
0 ,4 9 7 0
0 ,4 9 7 8
0 ,4 9 8 4
0 ,4 9 8 9
0 ,0 6
0 ,0 2 3 9
0 ,0 6 3 6
0 ,1 0 2 6
0 ,1 4 0 6
0 ,1 7 7 2
0 ,2 1 2 3
0 ,2 4 5 4
0 ,2 7 6 4
0 ,3 0 5 1
0 ,3 3 1 5
0 ,3 5 5 4
0 ,3 7 7 0
0 ,3 9 6 2
0 ,4 1 3 1
0 ,4 2 7 9
0 ,4 4 0 6
0 ,4 5 1 5
0 ,4 6 0 8
0 ,4 6 8 6
0 ,4 7 5 0
0 ,4 8 0 3
0 ,4 8 4 6
0 ,4 8 8 1
0 ,4 9 0 9
0 ,4 9 3 1
0 ,4 9 4 8
0 ,4 9 6 1
0 ,4 9 7 1
0 ,4 9 7 9
0 ,4 9 8 5
0 ,4 9 8 9
0 ,0 7
0 ,0 2 7 9
0 ,0 6 7 5
0 ,1 0 6 4
0 ,1 4 4 3
0 ,1 8 0 8
0 ,2 1 5 7
0 ,2 4 8 6
0 ,2 7 9 4
0 ,3 0 7 9
0 ,3 3 4 0
0 ,3 5 7 7
0 ,3 7 9 0
0 ,3 9 8 0
0 ,4 1 4 7
0 ,4 2 9 2
0 ,4 4 1 8
0 ,4 5 2 5
0 ,4 6 1 6
0 ,4 6 9 3
0 ,4 7 5 6
0 ,4 8 0 8
0 ,4 8 5 0
0 ,4 8 8 4
0 ,4 9 1 1
0 ,4 9 3 2
0 ,4 9 4 9
0 ,4 9 6 2
0 ,4 9 7 2
0 ,4 9 7 9
0 ,4 9 8 5
0 ,4 9 8 9
0 ,0 8
0 ,0 3 1 9
0 ,0 7 1 4
0 ,1 1 0 3
0 ,1 4 8 0
0 ,1 8 4 4
0 ,2 1 9 0
0 ,2 5 1 7
0 ,2 8 2 3
0 ,3 1 0 6
0 ,3 3 6 5
0 ,3 5 9 9
0 ,3 8 1 0
0 ,3 9 9 7
0 ,4 1 6 2
0 ,4 3 0 6
0 ,4 4 2 9
0 ,4 5 3 5
0 ,4 6 2 5
0 ,4 6 9 9
0 ,4 7 6 1
0 ,4 8 1 2
0 ,4 8 5 4
0 ,4 8 8 7
0 ,4 9 1 3
0 ,4 9 3 4
0 ,4 9 5 0
0 ,4 9 6 3
0 ,4 9 7 3
0 ,4 9 8 0
0 ,4 9 8 6
0 ,4 9 9 0
0 ,0 9
0 ,0 3 5 9
0 ,0 7 5 3
0 ,1 1 4 1
0 ,1 5 1 7
0 ,1 8 7 9
0 ,2 2 2 4
0 ,2 5 4 9
0 ,2 8 5 2
0 ,3 1 3 3
0 ,3 3 8 9
0 ,3 6 2 1
0 ,3 8 3 0
0 ,4 0 1 5
0 ,4 1 7 7
0 ,4 3 1 9
0 ,4 4 4 1
0 ,4 5 4 5
0 ,4 6 3 3
0 ,4 7 0 6
0 ,4 7 6 7
0 ,4 8 1 7
0 ,4 8 5 7
0 ,4 8 9 0
0 ,4 9 1 6
0 ,4 9 3 6
0 ,4 9 5 2
0 ,4 9 6 4
0 ,4 9 7 4
0 ,4 9 8 1
0 ,4 9 8 6
0 ,4 9 9 0
Per esempio, a
unarea
simmetrica del
95% corrisponde unarea
compresa tra
0 e z del
47,5%. Il
corrispondente valore di
z quindi 1,96
Febbraio 2015
246
Lutilizzo della tavola della d. n. s.: diversi

tipi di intervallo z1 z2
z1 = - z2
z1 = 0
z2 > 0
z1 < 0
z2 > 0
z1 > 0
z2 > 0
z1 < 0
z2 = +
z1 > 0
z2 = +
Febbraio 2015
247
Primo esempio
La distribuzione dei progetti di ricerca nel

settore delle energie rinnovabili, in base al
numero di mesi di durata,
approssimativamente normale, con una media
pari a 36 mesi e una SD pari a 4 mesi.
Stimare la quota di progetti con durata

compresa tra 28 e 40 mesi.
Febbraio 2015
248
Primo caso - soluzioni
Z1 = (28 36) / 4 = - 2
Z2 = (40 36) / 4 = + 1
Quindi, la probabilit pari all81,86 %
Febbraio 2015
249
Secondo esempio
Una distribuzione di tipo normale, ha una media

pari a 2,6 e una SD pari a 0,44.
Quale la probabilit che un valore estratto
casualmente sia < 2,93?
casualmente sia < media + (0,5 SD) ?
Febbraio 2015
250
Secondo esempio: soluzioni

casualmente sia < 2,93?
Z1 = (2,93 2,6) / 0,44 = + 0,75
Quindi, la probabilit pari al 77,34%

casualmente sia < media + (0,5 SD) ?
Z2 = (2,82 2,6) / 0,44 = + 0,5
Quindi, la probabilit pari al 69,15 %

Febbraio 2015
251
Lindice di aridit
Lindice di aridit la sintesi di fenomeni fisici (precipitazioni,
evaporazioni) e biologici (traspirazione vegetale). il rapporto tra
precipitazioni ed evapotraspirazione.
In estate, un valore inferiore a 0,5 significa aree semiaride
oppure aride. Un valore superiore a 0,65 significa aree umide o
iperumide.
La distribuzione delle rilevazioni estive in una determinata zona,
compiute da diverse stazioni, di tipo normale, con media (per
gli ultimi 30 anni) pari a 0,45 e deviazione standard pari a 0,04.
Quale la percentuale di rilevazioni che hanno fornito un valore
compreso fra 0,40 e 0,50?
pari al 78,88%.
In unit standard, infatti:
(0,40 0,45) / 0,04 = - 1,25
(0,50 0,45) / 0,04 = + 1,25
Febbraio 2015
252
Il procedimento inverso
possibile applicare il procedimento inverso,

quindi dallarea ..
risalire a z e successivamente ..
risalire a x
Febbraio 2015
253
Ancora sullindice di aridit
Mantenendo le stesse condizioni esposte nellesempio

precedente, nellanalisi di valutazione del deficit
pluviometrico (peraltro crescente nel corso dei decenni)
ci si pu porre la domanda:
quale il valore dellindice di aridit che separa il 90%
di tutte le rilevazioni, costituito dai valori pi piccoli, e il
restante 10% costituito invece dai valori pi grandi?
Nella tavola della distribuzione normale standardizzata,
si legge, in corrispondenza di unarea pari a 0,40
(complemento a 0,50 del nostro 10% oggetto di
interesse) un valore di z pari a 1,28.
Quindi:
1,28 = (x 0,45) / 0,04
x = 0,5012
Il valore cercato pari a 0,5012
Febbraio 2015
254
Dipartimento di
Lapplicazione della
Gaussiana alla stima di una
somma o di una media
Introduzione
Nome
Febbraio 2015
255
Lobiettivo
Lapprossimazione normale pu essere utilizzata per

stimare la somma (e quindi anche la media) dei
valori di una popolazione per mezzo di un certo
numero di valori estratti casualmente (con
reimmissione)
Febbraio 2015
256
Il teorema centrale del limite (TCL)
Secondo il teorema centrale del limite, se il numero

di estrazioni abbastanza elevato, la distribuzione
delle probabilit della somma (o della media) si
avvicina alla curva normale, anche se listogramma
dei valori della popolazione distante dalla curva
normale
In altri termini, al crescere dellampiezza del
campione, la distribuzione campionaria delle medie
o delle somme si avvicina a una distribuzione
normale, anche se la popolazione originaria non
normalmente distribuita
Febbraio 2015
257
Un campione abbastanza grande
Si parlato di campione abbastanza grande. Il termine

abbastanza legato al livello di precisione con cui la
distribuzione della popolazione ricalca una distribuzione
normale
Se il campione > 30, esso viene ritenuto abbastanza
grande, indipendentemente dalla distribuzione
(normale oppure no) dei valori della popolazione
Se invece il campione < 30, il TCL da ritenere
valido solo se la distribuzione dei valori della
popolazione di tipo normale
Febbraio 2015
258
Il modello durna
Come si determina la probabilit che la somma
(o la media) delle estrazioni sia compresa in un
certo intervallo?
fondamentale costruire un modello durna,

corrispondente ai valori della popolazione:
Quali sono i valori contenuti nellurna?
Quante volte si ripetono, nellurna, i singoli
valori?
Quante estrazioni si fanno?
Febbraio 2015
259
La somma attesa
La somma effettiva delle estrazioni sar pari a:
somma attesa errore standard della somma (SEsomma)
Somma attesa: prodotto del numero di estrazioni per la media
dei valori contenuti nellurna
SEsomma: (radice quadrata del numero estrazioni) ( dei valori
dellurna)
Ci significa che allaumentare del numero di estrazioni, lerrore
aumenta in termini assoluti, ma diminuisce in termini relativi
Febbraio 2015
260
La media attesa
La media effettiva delle estrazioni sar pari a:

media attesa errore standard della media (SEmedia)
Media attesa: media dei valori contenuti nellurna

SEmedia : ( dei valori dellurna) / (radice quadrata del
numero estrazioni)
SEmedia quindi minore di , ossia dello scarto quadratico
medio che caratterizza i valori dellurna
Febbraio 2015
261
Liberazione incontrollata di metano - 1

Nelle fasi di ripristino di unarea di cava, si deve
fronteggiare il rischio di liberazione incontrollata di biogas,
tra cui soprattutto metano (CH4).
Si vogliono individuare otto sub-aree su cui realizzare il
progetto di recupero.
Da precedenti progetti di questo genere, si dedotto che
nel 10% dei casi, lentit del metano sviluppato in una sub
area inferiore a 23 ppm, nel 60% dei casi di 23, nel
20% dei casi di 24, nel restante 10% dei casi superiore
a 24.
Per le due classi aperte, si pu ragionevolmente stimare
un valore medio di 20 (prima classe) e di 26 (ultima
classe).
Quale la probabilit che la media delle 8 sub-aree
individuate casualmente sia compresa tra 23 ppm e 24
ppm?
Febbraio 2015
262
Liberazione incontrollata di metano - 2

8 estrazioni
media attesa: 23,2
SEmedia: 0,495 ( : 1,40)
trasformazione dei due limiti in unit standard
z = (limite media attesa) / errore standard
per L1:
per L2:
z1 = 0,404
z2 = +1,616
area sottesa tra z1 e z=0

15,54%
area sottesa tra z=0 e z2
44,74%
La probabilit che la media delle estrazioni sia compresa
tra 23 e 24:
60,28%
Febbraio 2015
263
Secondo esempio: Negli ultimi anni, la frequenza di decessi per

disturbi psichici e neurologici in Emilia Romagna stato pari a
2500. In media, in un anno si sono rilevati 21 giorni con un
numero di decessi, per queste cause, superiore a 18, e 344 giorni
con un numero di decessi pari al massimo a 18.
Quale la probabilit che, nellanno successivo, il numero di
giornate con un numero di decessi superiore a 18, sia superiore a
20?
Modello durna:
21 [+1]
344 [0]
somma attesa = 21
SD = 0,233
SE = 0,233 radq (365) = 4,45
20, in unit standard, diventa 0,22
quindi la probabilit del 59%
Febbraio 2015
264
Formula abbreviata per calcolare

(valida quando in unurna ci sono solo due tipi di valori)
= (Ma Mi) radice quadrata di [n(Ma) / n n(Mi) / n)]

Ma: valore maggiore tra i due presenti nellurna
Mi: valore minore tra i due presenti nellurna
n(Ma): numero di volte in cui il valore maggiore presente
nellurna
n(Mi): numero di volte in cui il valore minore presente
nellurna
n: totale numeri presenti nellurna
Nel caso precedente:

= [1 0] radq (0,0575 0,9425)
Febbraio 2015
265
Terzo esempio: il dilemma del prigioniero

Due pregiudicati arrestati per reati minori, ma sospettati di
crimini gravi
A. Se nessuno confessa il crimine grave, saranno condannati
entrambi a 2 anni
B. Se entrambi confessano, saranno condannati a una pena
ridotta per il crimine grave (7 anni)
C. Se uno solo confessa, sar condannato a una pena minima
(1 anno), laltro sar condannato alla pena massima (12
anni)
Lesperienza del giudice gli suggerisce che probabilit che

si verifichi il caso A pari al 40%; per il caso B, la
probabilit del 25%; per il caso C, la probabilit del
35%
Si considerano 16 casi di questo tipo che si prospettano
per i crimini recentemente compiuti. Determinare la
somma (anni di condanna) attesa e lerrore standard
Febbraio 2015
266
Le soluzioni
modello durna:
valori contenuti: 4 14 13
ci sono 40 valori 4, 25 valori 14
35 valori 13
estrazioni: 16
Media dellurna: 9,65 SD: 4,63

Somma attesa: 9,65 16 = 154,4
SE: 4 4,63 = 18,52
Febbraio 2015
267
Dipartimento di
La distribuzione binomiale
Introduzione
Nome
Febbraio 2015
268
Condizioni di utilizzo
Questa distribuzione esprime la probabilit che si
verifichino k successi (indipendentemente
dall'ordine) che si alternano a n - k insuccessi, su
un totale di n osservazioni tra loro indipendenti,
estratte nellambito di variabili bernoulliane.
Una variabile bernoulliana una variabile
dicotomica, ossia con due soli possibili valori,
come 0 e 1.
Ci si trova in questa situazione, per esempio,
quando si compiono esperimenti che possono
avere solamente due risultati possibili (come
conforme non conforme).
Febbraio 2015
269
Il calcolo
Con questa distribuzione quindi possibile calcolare la
probabilit che un evento si verifichi un numero preciso (k)
di volte, in un certo numero (n) di ripetizioni tra loro
indipendenti:
n!
k! (n-k)!
(1-p)
n-k
k un numero intero non negativo (k=0,1,2,3,...,n)

p compreso tra 0 e 1 esclusi (0<p<1), ed la probabilit
che levento si verifichi nella singola osservazione
(tenere presente che ogni numero elevato a potenza 0
pari a 1)
Febbraio 2015
270
n fattoriale
n! si legge n fattoriale ed il prodotto di:

n n-1 .. 2 1
(tenere presente che 0! = 1)
Febbraio 2015
271
La formula precedente pu anche essere

scritta nel seguente modo:
Febbraio 2015
272
Il coefficiente binomiale
La prima parte della formula il coefficiente
binomiale:
che esprime le diverse maniere in cui possono

essere ripartiti i k successi negli n tentativi
ossia, identifica il numero di modi in cui si
possono ordinare n soggetti in una sequenza,
con k soggetti di un tipo e n-k soggetti
dellaltro tipo.
Febbraio 2015
273
Trattamento terapeutico
Un trattamento terapeutico porta a un 75% di casi di
successo e a un 25% di insuccessi.
Sui prossimi 15 trattamenti, quale la probabilit
che esattamente 12 portino a un risultato positivo?
15!
12! 3!
(0,75)
12
(0,25)
= 0,2252
La probabilit cercata quindi pari al 22,52%
Febbraio 2015
274
Inadempienze
Su 120 aziende analizzate, 108 sono risultate regolari

in riferimento a un determinato adempimento
normativo, 12 sono invece risultate inadempienti
Assumendo che queste proporzioni siano valide
anche per lintera popolazione delle aziende da cui
stato estratto il campione di 120 unit, quale la
probabilit di ottenere esattamente 5 aziende
inadempienti su 20 esaminate?
20!
(1/10) 5 (9/10) 15 = 0,0319
5! 15!
Febbraio 2015
275
Eco-contributo
I produttori di apparecchiature elettriche ed
elettroniche iscritti al repertorio RAEE hanno la
possibilit di applicare in modo visibile al consumatore
il sovrapprezzo corrispondente alleco-contributo per il
finanziamento dei rifiuti elettronici.
Il 20% dei produttori sfrutta questa possibilit.
Quale la probabilit che, su 8 apparecchi acquistati,
meno di tre abbiano esposto lapplicazione del
sovrapprezzo in modo visibile?
Febbraio 2015
276
Soluzioni
8!
2! 6!
(0,20)2 (0,80)6 = 0,2936
8!
1! 7!
(0,20)1 (0,80)7 = 0,3355
8!
0! 8!
(0,20)0 (0,80)8 = 0,1677

Febbraio 2015
277
Dipartimento di
La distribuzione di Poisson
Introduzione
Nome
Febbraio 2015
278
Le condizioni per lapplicazione
Questa distribuzione rappresenta il limite a cui tende

una distribuzione binomiale, quando la probabilit p
di un evento molto bassa e contemporaneamente la
grandezza del campione n piuttosto alta
Alcuni studiosi fissano le condizioni per passare dalla
distribuzione binomiale a quella di Poisson in n > 50,
p (1-p) quasi uguale a p, n p < 10
Si applica quindi al posto della distribuzione
binomiale per la descrizione di eventi discreti che
hanno una probabilit molto ridotta di realizzarsi. La
distribuzione di Poisson infatti detta legge degli
eventi rari.
Febbraio 2015
279
Un altro caso di applicazione

Un altro caso di applicazione della distribuzione di
Poisson corrisponde allobiettivo di identificare il
numero di successi (si parla sempre di fenomeni
discreti) in un determinato intervallo continuo, come
il tempo, la superficie o il volume.
Per esempio, il numero di clienti che si presentano a

una determinata cassa, il numero di esemplari di
pesce luna presenti in un determinato volume di
acqua, ecc.
Febbraio 2015
280
(lambda)
Il valore atteso di questa distribuzione indicato
con
il numero di successi che ci si aspetta in un
dato intervallo. Per esempio, se un evento si
verifica con una cadenza media di 4 minuti e
vogliamo sapere quante volte questo evento si
potr verificare in 10 minuti, il valore di sar
10/4 = 2,5
Al crescere di , la distribuzione di Poisson si
approssima con una distribuzione normale
Febbraio 2015
281
Lapprossimazione alla normale
Febbraio 2015
282
Tavole della distribuzione di Poisson - 1

= 0,1; 0,2; ... 1,0
k
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
.9048
.8187
.7408
.6703
.6065
.5488
.4966
.4493
.4066
.3679
.0905
.1637
.2222
.2681
.3033
.3293
.3476
.3595
.3659
.3679
.0045
.0164
.0333
.0536
.0758
.0988
.1217
.1438
.1647
.1839
.0002
.0011
.0033
.0072
.0126
.0198
.0254
.0383
.0494
.0613
.0001
.0003
.0007
.0016
.0030
.0050
.0077
.0111
.0153
.0001
.0002
.0004
.0007
.0012
.0020
.0031
.0001
.0002
.0003
.0005
4
5
6
7
.0001
Febbraio 2015
283
= 1,2; 1,4; ... 3,0

k
0
1
2
3
4
5
6
7
8
9
10
11
12
1,2
.3012
.3614
.2169
.0867
.0260
.0062
.0012
.0002
1,4
.2466
.3452
.2417
.1128
.0395
.0111
.0026
.0005
.0001
1,6
.2019
.3230
.2584
.1378
.0551
.0176
.0047
.0011
.0002
1,8
.1653
.2975
.2678
.1607
.0723
.0260
.0078
.0020
.0005
.0001
2
.1353
.2707
.2707
.1804
.0902
.0361
.0120
.0034
.0009
.0002
2,2
.1108
.2438
.2681
.1966
.1082
.0476
.0174
.0055
.0015
.0004
.0001
2,4
.0907
.2177
.2613
.2090
.1254
.0602
.0241
.0083
.0025
.0007
.0002
2,6
.0743
.1931
.2510
.2176
.1414
.0735
.0319
.0118
.0038
.0011
.0003
.0001
2,8
.0608
.1703
.2384
.2225
.1557
.0872
.0407
.0163
.0057
.0018
.0005
.0001
Febbraio 2015
3
.0498
.1494
.2240
.2240
.1680
.1008
.0504
.0216
.0081
.0027
.0008
.0002
.0002
284

= 3,5; 4,0; ... 8,0
k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
3,5
.0302
.1057
.1850
.2158
.1888
.1322
.0771
.0385
.0169
.0066
.0023
.0007
.0002
.0001
4
.0183
.0733
.1465
.1954
.1954
.1563
.1042
.0595
.0298
.0132
.0053
.0019
.0006
.0002
.0001
4,5
.0111
.0500
.1125
.1687
.1898
.1708
.1281
.0824
.0463
.0232
.0104
.0043
.0016
.0006
.0002
.0001
5
.0067
.0337
.0842
.1404
.1755
.1755
.1462
.1044
.0653
.0363
.0181
.0082
.0034
.0013
.0005
.0002
5,5
.0041
.0225
.0618
.1133
.1558
.1714
.1571
.1234
.0849
.0519
.0285
.0143
.0065
.0028
.0011
.0004
.0001
6
.0025
.0149
.0446
.0892
.1339
.1606
.1606
.1377
.1033
.0688
.0413
.0225
.0113
.0052
.0022
.0009
.0003
.0001
6,5
.0015
.0098
.0318
.0688
.1118
.1454
.1575
.1462
.1188
.0858
.0558
.0330
.0179
.0089
.0041
.0018
.0007
.0003
.0001
7
.0009
.0064
.0223
.0521
.0912
.1277
.1490
.1490
.1304
.1014
.0710
.0452
.0263
.0142
.0071
.0033
.0014
.0006
.0002
.0001
7,5
.0006
.0041
.0156
.0389
.0729
.1094
.1367
.1465
.1373
.1144
.0858
.0585
.0366
.0211
.0113
.0057
.0026
.0012
.0005
.0002
.0001
Febbraio 2015
8
.0003
.0027
.0107
.0286
.0573
.0916
.1221
.1396
.1396
.1241
.0993
.0722
.0481
.0296
.0169
.0090
.0045
.0021
.0009
.0004
.0002
.0001
285
Infrazioni stradali
Ipotizziamo che lungo una importante strada statale,

nellultimo mese si sia verificata in media 1 infrazione
grave al Codice della Strada per km.
Immaginando che le condizione non siano destinate a
cambiare a breve termine, quale la probabilit che in
1 km di questa strada, identificato casualmente, non si
verifichi nessuna infrazione grave nel prossimo mese?
R.: 0,3679 (k = 0; = 1)
Quale la probabilit che in 5 km di questa strada non
si verifichi nessuna infrazione grave nel prossimo
mese? R.: 0,0067 (in questo caso, k = 0 e = 5)
Febbraio 2015
286
Difettosit
Ipotizziamo che in linea generale un prodotto ogni 20
presenti una difettosit
Quale la probabilit che sui prossimi 60 prodotti si
verifichino 2 casi di difettosit? R.: 0,2240
Quale la probabilit che di questi 60 prodotti si
verifichino pi di casi di difettosit? Conviene ricorrere
allevento complementare: 1-0,423 = 0,577
Febbraio 2015
287
Giorni favorevoli allaccumulo di PM10

I giorni critici favorevoli allaccumulo di PM10, sono
quelli caratterizzati da precipitazioni inferiori a 0,3
mm e indice di ventilazione (prodotto dellaltezza di
rimescolamento media per velocit media del vento)
inferiore a 800 m2/s.
Negli anni precedenti, si sono rilevati in una
determinata area in media 4 giorni critici nellintero
corso dellanno.
Quale la probabilit che nei prossimi due anni si

verifichino 11 giorni critici?
= 8;
k = 11
La probabilit cercata pari al 7,22%
Febbraio 2015
288
Il recupero delle cave
Nelle ex-cave in fase di recupero territoriale, lo

sviluppo di biossido di carbonio superiore a una soglia
di pericolosit avviene, secondo esperienze pregresse,
in 2 rilevazioni su 100 mq di territorio.
Quale la probabilit che su 300 mq di intervento, si
verifichino 5 rilevazioni caratterizzate da pericolosit?
R.: 0,1606 (k = 5; = 6)
Quale la probabilit che su 300 mq di intervento, si
verifichino pi di 2 rilevazioni caratterizzate da
pericolosit? Conviene calcolare prima la probabilit
dellevento contrario, ossia la probabilit che 0, 1
oppure 2 rilevazioni abbiano questa caratteristica.
Successivamente , si calcola la probabilit oggetto
della richiesta. R.: 0,062
Febbraio 2015
289
Dipartimento di
La distribuzione t di Student
Introduzione
Nome
Febbraio 2015
290
Le situazioni di utilizzo
Unaltra importante legge o distribuzione di probabilit
quella di Student (pseudonimo di William Gosset)
Questa distribuzione riguarda il parametro t, ed
utilizzata in molti test statistici
In modo particolare, si deve ricorrere a questa
distribuzione quando il campione di dimensione limitata
(n inferiore o uguale a 30), e proviene da una popolazione
distribuita normalmente, di cui per si ignorano i
parametri
In questo caso, la distribuzione delle medie (o delle
proporzioni) campionarie non segue la legge della
distribuzione normale, ma quella della distribuzione t di
Student
Febbraio 2015
291
La forma
La distribuzione di Student ha una forma a campana,
come la normale, ma pi appiattita, quindi la sua
dispersione maggiore.
La forma della distribuzione di t cambia al mutare dei
gradi di libert (GL)
Allaumentare dei GL, la distribuzione di t tende a
coincidere con quella normale.
In altri termini, la deviazione standard in questo caso non
pari a 1, come per la distribuzione normale
standardizzata, ma varia in funzione dei gradi di libert.
Quando i gradi di libert sono pari a 30, la forma della
distribuzione di Student arriva praticamente a coincidere
con la forma della distribuzione normale.
Febbraio 2015
292
Il concetto di gradi di libert

Il numero di gradi di libert (si indica con GL oppure con la
lettera greca - pronuncia ni) di un parametro statistico
corrisponde al numero di valori, indipendenti tra loro, che
devono essere utilizzati per calcolare quel parametro.
Il numero di G.L. dato dal numero di osservazioni (n),
detratto dal numero delle stime dei parametri della
popolazione (k) che entrano nel calcolo del parametro
considerato.
Nel caso della deviazione standard, per stimarla occorre
calcolare la media del campione, quindi k pari a 1.
In altri termini, i gradi di libert rappresentano il numero di

possibilit che i dati che compongono un campione hanno di
variare liberamente. Si calcolano togliendo dal numero delle
osservazioni il numero delle condizioni cui essi sono
vincolati.
Febbraio 2015
293
Il parametro t per stimare la media della

popolazione
Il parametro t corrisponde al rapporto:
media campionaria - media popolazione
stima corretta della SD / radq (n)
Questa distribuzione viene quindi impiegata per calcolare i limiti di

confidenza della media della popolazione, con la seguente formula:
media popolazione =
media campione [(t stima corretta della SD) / radq (n)]
Febbraio 2015
294
La stima corretta della SD

Quando il numero di osservazioni (ossia, la numerosit del
campione) piccolo e non si conosce la SD della popolazione,
possibile stimarla, calcolando la deviazione standard del campione
con una formula leggermente diversa da quella che conosciamo,
ossia si rimpiazza il denominatore n con (n-1)
La formula diventa quindi:
SD = radq [ (xi - M)2 / (n-1)]
Si ottiene una deviazione standard leggermente maggiore
(n-1) rappresenta i gradi di libert del campione
Del resto, se si conoscesse la media della popolazione, per

calcolare la SD si utilizzerebbe questa. In realt, si conosce la
media del campione. Gli scarti tra i valori osservati e la media del
campione saranno tendenzialmente inferiori agli scarti tra i valori
osservati e la media della popolazione; si impiega allora stima
corretta della SD per controbilanciare questo errore
Febbraio 2015
295
P
1 P ()
Nella tavola della

distribuzione di t, sono
riportati i valori di t che
hanno probabilit pari a P
di non essere superati, in
funzione del numero di
gradi di libert [ossia,
probabilit 1-P ( si indica
con ) di essere superati].
La probabilit P quindi
uguale allarea a sinistra
di t
Febbraio 2015
296
Tavole della distribuzione di Student - 1

P
75%
80%
85%
90%
95%
97.5%
99%
99.5%
99.75%
99.9%
99.95%
1,000
1,376
1,963
3,078
6,314
12,71
31,82
63,66
127,30
318,30
636,60
0,816
1,061
1,386
1,886
2,920
4,303
6,965
9,925
14,09
22,33
31,60
0,765
0,978
1,250
1,638
2,353
3,182
4,541
5,841
7,453
10,21
12,92
0,741
0,941
1,190
1,533
2,132
2,776
3,747
4,604
5,598
7,173
8,610
0,727
0,920
1,156
1,476
2,015
2,571
3,365
4,032
4,773
5,893
6,869
0,718
0,906
1,134
1,440
1,943
2,447
3,143
3,707
4,317
5,208
5,959
0,711
0,896
1,119
1,415
1,895
2,365
2,998
3,499
4,029
4,785
5,408
0,706
0,889
1,108
1,397
1,860
2,306
2,896
3,355
3,833
4,501
5,041
0,703
0,883
1,100
1,383
1,833
2,262
2,821
3,250
3,690
4,297
4,781
10
0,700
0,879
1,093
1,372
1,812
2,228
2,764
3,169
3,581
4,144
4,587
11
0,697
0,876
1,088
1,363
1,796
2,201
2,718
3,106
3,497
4,025
4,437
12
0,695
0,873
1,083
1,356
1,782
2,179
2,681
3,055
3,428
3,930
4,318
13
0,694
0,870
1,079
1,350
1,771
2,160
2,650
3,012
3,372
3,852
4,221
14
0,692
0,868
1,076
1,345
1,761
2,145
2,624
2,977
3,326
3,787
4,140
Febbraio 2015
297
Tavole della distribuzione di Student - 2

P
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
75%
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
80%
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
85%
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
90%
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
95%
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
97.5%
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
99%
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
99.5%
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
99.75%
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
99.9%
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
Febbraio 2015
99.95%
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,767
3,745
3,725
3,707
3,690
3,674
3,659
3,646
298
Un esempio (tratto da Castino-Roletto,

Statistica applicata)
Si sono estratte 10 porzioni di cortecce di pioppo sottoposte a
umidificazione, e per ognuna si determinato il contenuto in
ceneri.
Questi i valori (in %) rilevati:
15,7 16,2 16,8 16,2 15,7 17,6 17,1 16,4 15,5 17,0
In quale intervallo potrebbe cadere il valore vero del contenuto
in ceneri, con una probabilit del 99%?
media: 16,42, stima corretta di : 0,692
Dalla tavola di Student, si ricava, con 9 GL:
t = 3,25
Il rischio , infatti, ripartito in due rischi uguali, ognuno pari a
/2, simmetrici rispetto al valore centrale.
Quindi:
16,42 (3,25 * 0,692) / radq (10) = 16,42 0,71
Abbiamo cio il 99% di probabilit che il valore della popolazione
sia compreso tra 15,71 e 17,13
Febbraio 2015
299
Il riferimento per la lettura delle tavole

Per quale motivo si individuato
t = 3,25, che corrisponde (nella
tavola) a P = 0,995?
Perch nella tavola della distribuzione
di t, sono riportati i valori di t che
hanno probabilit pari a P di non
essere superati, cio probabilit
1-P ( = ) di essere superati.
Nellesempio, uguale a 0,01,
ripartito in due rischi uguali, ognuno
pari a /2, nelle due code. Per
utilizzare correttamente la tavola,
dobbiamo comprendere una delle due
code (quella a sinistra) ed escludere
laltra. Ci dobbiamo quindi riferire a
un valore di P di 0,995. .
Febbraio 2015
300
I gradi di libert, in questo esempio
Le porzioni di corteccia sono state estratte in

modo aleatorio, per cui sono indipendenti tra loro.
Ossia, conoscendo il primo valore, non si pu
predire il secondo, ecc.
La conoscenza dei primi dati non consente di
avanzare ipotesi sui successivi.
Se per consideriamo gli scarti dalla media, su cui
si basa il calcolo della deviazione standard, dato
che la loro somma sempre zero, conoscendo i
primi n-1 valori, si pu ricavare lultimo.
I dati indipendenti tra loro sono quindi n-1, e
questo il numero di gradi di libert.
Febbraio 2015
301
Dipartimento di
9 I METODI DI
CAMPIONAMENTO
Introduzione
Nome
Febbraio 2015
302
Sulla popolazione o sul campione?

Quando si affronta una indagine statistica, una delle
alternative da porsi riguarda la scelta tra:
lindagine completa (sull'intera popolazione)
lindagine su un campione (su una parte della
popolazione)
Naturalmente, quando si lavora su un campione, il
fine quello di proiettare sulla popolazione le
informazioni che si ottengono dal campione
Febbraio 2015
303
A volte, inevitabile campionare

Nel caso di animali di piccole dimensioni, con forte
velocit riproduttiva, ad elevata mortalit e mobilit
accentuata, impossibile il conteggio censuario di
tutti gli individui.
Si lavora allora su un campione di porzioni di aree:
possono essere quadrati di terreno, volumi di acqua,
piante nel caso degli insetti erbivori, ecc.
Febbraio 2015
304
Lerrore di campionamento
Il campione caratterizzato da un particolare
rischio di errore: lerrore di campionamento
Si tratta del margine di approssimazione dovuto al
fatto di considerare una parte rispetto al tutto. E
fisiologico in ogni indagine su campione
Nonostante ci, non sempre la rilevazione sulla
popolazione fornisce risultati pi precisi: in
un'indagine ci sono tanti rischi di errore
(imprecisioni, omissioni, sbagli di ogni genere)
Febbraio 2015
305
Gli errori nelle indagini su campione e nelle

indagini sulla popolazione
Indagine sulla popolazione

Nessun errore di campionamento
Errori non statistici elevati
Indagine su campione
Presenza errori di campionamento
Errori non statistici ridotti
Febbraio 2015
306
La popolazione e il campione
La popolazione
N elementi
Il Campione
n elementi
Febbraio 2015
307
Metodi di campionamento
Nel campionamento probabilistico (o casuali) ogni

componente della popolazione ha la stessa
probabilit di entrare nel campione
Nel campionamento non probabilistico (o non
casuale) ci non si verifica
Febbraio 2015
308
La casualit statistica
In un campionamento probabilistico, il caso (in

senso statistico) che determina gli elementi che
faranno parte del campione
In questo modo, possibile eliminare distorsioni
provocate da inevitabili fattori umani di scelta
facile lasciarsi trarre in inganno da una casualit
solo apparente del campionamento
Febbraio 2015
309
Il campione casuale semplice
il tipo pi elementare di campione probabilistico

Consiste nella estrazione di un certo numero di
elementi dallelenco di tutte le unit che
compongono la popolazione (si parla in questo caso
di scelta random)
Febbraio 2015
310
Il campione casuale stratificato

Il criterio della stratificazione finalizzato a
migliorare la rappresentativit del campione
realizzabile quando si pu suddividere la

popolazione in categorie omogenee di unit (strati),
che saranno rappresentate nel campione nella
giusta proporzione
Gli strati vengono individuati facendo riferimento
alle caratteristiche pi importanti per l'indagine, in
modo da ottenere una buona omogeneit all'interno
del singolo strato
Febbraio 2015
311
Confronto tra campione casuale semplice e

campione casuale stratificato
CAMPIONE CASUALE
SEMPLICE
CAMPIONE CASUALE
STRATIFICATO
POPOLAZIONE
POPOLAZIONE
C
A
M
P
I
O
N
E
CAMPIONE
STRATO A
STRATO B
STRATO C
STRATO D
Febbraio 2015
312
Il campionamento sistematico
un altro criterio di campionamento (sempre

probabilistico)
Consiste nell'estrazione della prima unit; le
successive vengono determinate a partire da questa,
applicando un passo fisso (per esempio, una ogni 10)
utile soprattutto quando la lista dei componenti
della popolazione non disponibile
Febbraio 2015
313
Il campionamento a stadi - 1
In molti casi, la scelta casuale delle unit da un
unico elenco pu essere complessa e comportare
costi elevati
A livello nazionale, per esempio, lestrazione da una
sola lista porterebbe alla costruzione di un campione
molto disperso territorialmente, con costi elevati in
termini di tempi e di spese
Per risolvere questi problemi, si pu ricorrere a un
campionamento a stadi (anch'esso probabilistico)
Febbraio 2015
314
Il campionamento a stadi - 2
Per esempio, si pu estrarre un campione di

province; all'interno di ogni provincia, si pu
estrarre un campione di comuni; ecc.
Pi il fenomeno che stiamo studiando si presenta

diffuso in modo omogeneo, maggiori sono le
garanzie che il campione a stadi rappresenti in
modo soddisfacente la popolazione
Febbraio 2015
315
Il campionamento a stadi
Estrazione
di un
campione di
province
POPOLAZIONE
DELLE
PROVINC
E
ITALIANE
Estrazion
e di un
campione
di comuni
Estrazione di
un campione
di unit
statistiche
Provincia
A
Provincia
B
Provincia
C
Provincia
D
Provincia
E
Febbraio 2015
316
I campioni non probabilistici

Tra i metodi non probabilistici pi utilizzati, rientra il
campione per quote
adatto a ridurre la mole di lavoro non solo in fase
di campionamento, ma nellintera esecuzione della
ricerca
La scelta avviene con l'indicazione delle proporzioni

che dovranno caratterizzare il campione
lasciando ai rilevatori la libert di scegliere le unit
statistiche su cui effettuare la rilevazione (con tutti i
rischi di distorsione connessi)
Febbraio 2015
317
Dipartimento di
10 DISTRIBUZIONI
CAMPIONARIE E INTERVALLI
DI CONFIDENZA
Introduzione
Nome
Febbraio 2015
318
Lo scopo dellindagine su campione
Si utilizzano le statistiche campionarie per stimare i

corrispondenti parametri della popolazione
Per esempio:
_
X per stimare
^
per stimare p
Si tratta di stimatori che forniscono un valore vicino

al parametro sconosciuto della popolazione
allaumentare della dimensione del campione, e che
non presentano forte variabilit da campione a
campione
Febbraio 2015
319
I principali tipi di informazione

Le principali informazioni che si possono ottenere da
un'indagine sono di due tipi:
l'obiettivo dell'indagine pu essere la stima di una

media: per esempio, il costo medio di trattamento
delle acque sotterranee nei progetti di recupero di siti
industriali inquinati
quando il fenomeno di tipo qualitativo, l'obiettivo
dell'indagine pu essere la stima di una proporzione,
ossia di una quota: per esempio, in un tratto stradale,
la quota di veicoli diesel circolanti dotati di filtro
antiparticolato
Febbraio 2015
320
I quattro fattori da considerare per

calcolare la dimensione di un campione
La dimensione della popolazione

L'errore di campionamento
Il livello fiduciario
Il grado di eterogeneit della popolazione
Febbraio 2015
321
Il procedimento da seguire
Individuazione della dimensione della

popolazione
Scelta del livello fiduciario che si intende
accettare
Scelta dell'errore che si intende accettare
Stima del grado di eterogeneit
Lintero procedimento presuppone che il metodo
di campionamento sia probabilistico (casuale)
Febbraio 2015
322
La dimensione della popolazione
All'aumentare di N tende a crescere anche n, e

viceversa
L'aumento (o la diminuzione) di n per meno che
proporzionale rispetto all'aumento (o alla diminuzione)
di N
Febbraio 2015
323
La regola dei grandi numeri
Del resto, se il campione formato da pochi

elementi, sono elevati i rischi che questi elementi
siano scarsamente rappresentativi della popolazione
Al crescere di N, n pu aumentare in misura meno
che proporzionale, in quanto si riduce il rischio che
gran parte del campione sia formata da elementi non
rappresentativi: stiamo lavorando su grandi numeri
Febbraio 2015
324
L'errore di campionamento
Il valore rilevato con un'indagine campionaria non
corrisponde perfettamente al valore della
popolazione, ma caratterizzato da un errore (e),
per eccesso o per difetto
Questo intervallo noto come intervallo di
confidenza: lintervallo che (con una prefissata
probabilit) contiene il valore reale del parametro
Gli estremi dellintervallo di confidenza sono chiamati
limiti di confidenza
L'errore che si disposti ad accettare viene deciso in
fase di impostazione della ricerca
Febbraio 2015
325
Errore e ampiezza del campione
All'aumentare dell'errore accettato, si riduce

l'ampiezza del campione, e viceversa
Del resto, per avere risultati pi precisi, intuitivo
che occorra lavorare su un campione pi grande
Febbraio 2015
326
Livello fiduciario (o livello di confidenza)

Il valore ottenuto da unindagine campionaria, oltre che
da un intervallo di confidenza, caratterizzato anche
da un grado di fiducia sulla correttezza della stima
la probabilit che lintervallo di confidenza contenga il
valore reale del parametro
In molti casi, il livello di confidenza viene assunto pari
al 95%; in questa situazione, si considerano tutti i
possibili campioni di ampiezza pari a n, e per ciascuno
si calcola la media campionaria (o la proporzione
campionaria) e lintervallo centrato su questa, il 95%
degli intervalli ottenuti contiene la media (o la
proporzione) della popolazione, il 5% non la comprende
Febbraio 2015
327
Medie campionarie e TCL

La distribuzione di probabilit di una media campionaria fa
riferimento al Teorema Centrale del Limite.
Nel campionamento casuale, da una popolazione con
media e scarto quadratico medio , se n abbastanza
grande la distribuzione delle medie campionarie
approssima la distribuzione normale.
Questa distribuzione delle medie campionarie ha media
pari a e variabilit (errore standard) pari a:
/ (radice quadrata di n)
La variabilit delle medie campionarie (che indica quanto
la media del singolo campione varia da campione a
campione) quindi minore della variabilit dei valori della
popolazione (il calcolo delle medie campionarie tende a
smussare la variabilit originaria).
Febbraio 2015
328
Proporzioni campionarie e TCL

Anche la distribuzione di probabilit di una proporzione
campionaria fa riferimento al Teorema Centrale del
Limite.
Nel campionamento casuale, da una popolazione con
proporzioni p e (1-p), se n abbastanza grande la
distribuzione delle proporzioni campionarie approssima
la distribuzione normale.
Questa distribuzione delle proporzioni campionarie ha
media pari a p e variabilit (errore standard) pari
a:
radice quadrata di [p * (1-p) /n]
Febbraio 2015
329
Livello fiduciario e ampiezza del campione
il livello fiduciario si modifica al variare dell'ampiezza

del campione: pi grande n, pi alto il grado di
certezza
Come gi affermato, nella maggior parte delle
indagini, il grado di certezza accettato pari al 95%.
Ci significa che viene usata una tecnica che, a lungo
andare, in grado di fornire stime corrette 95 volte
su 100
A parit degli altri fattori, si pu decidere di

aumentare il livello fiduciario, ma riducendo la
precisione della stima, ossia aumentando lerrore
Febbraio 2015
330
L'eterogeneit della popolazione

All'aumentare del grado di eterogeneit della
popolazione, crescono i rischi connessi al
campionamento
Pi la popolazione eterogenea, infatti, maggiori sono
le probabilit di fornire (tramite l'indagine su campione)
una stima distante dal corrispondente valore della
popolazione .
. in quanto sono maggiori anche le probabilit di
lavorare su un campione poco rappresentativo
Febbraio 2015
331
L'eterogeneit e lampiezza del campione
Di fronte a una forte eterogeneit della popolazione,

occorre cautelarsi dai maggiori rischi di distorsione,
utilizzando un campione pi ampio
Si ha la situazione di massima omogeneit quando
tutti i componenti della popolazione si comportano
nello stesso modo, in riferimento al fenomeno che
stiamo studiando
Febbraio 2015
332
Come stimare leterogeneit?

Prima di fare un'indagine, non si conoscono le
caratteristiche della popolazione e la sua eterogeneit
Se si disponesse di queste informazioni, si potrebbe

evitare di effettuare l'indagine
Soluzioni:
risultati di altri studi
indagine preliminare
ipotesi maggiormente pessimistica (massima
eterogeneit) ( lultima alternativa!)
Le prime due alternative si basano sul fatto che, se la
popolazione normale e il campione > 30, si utilizza s
al posto di . Allo stesso modo, si usa
^
p al posto di p
Febbraio 2015
333
Come si misura l'eterogeneit?
Occorre tenere distinti i due casi in cui ci si trova

quando si effettua un'indagine:
Lobiettivo dellindagine la stima di una
media
Lobiettivo dellindagine la stima di una
proporzione
Febbraio 2015
334
Se lobiettivo la stima di una media .
Lindicatore del grado di eterogeneit la

deviazione standard
Se non possiamo seguire altre vie, ci affidiamo

all'ipotesi di massima deviazione standard
possibile .
. ossia il campo di variazione del fenomeno

(differenza tra il valore pi grande e il valore
pi piccolo possibile), diviso 2
Febbraio 2015
335
Se lobiettivo la stima di una proporzione .
Lindicatore del grado di eterogeneit il

prodotto
p * (1 - p)
dove p la percentuale attesa come risultato

dellindagine (rapportata non a 100, bens
all'unit: di conseguenza, p varia da 0 a 1)
Febbraio 2015
336
La massima eterogeneit nel caso di stima

di una proporzione
Si ha forte omogeneit quando una proporzione

preponderante di unit statistiche si concentra su
una modalit
Si ha invece forte eterogeneit quando il campione

ripartito in parti pressoch uguali tra le due
modalit
L'ipotesi maggiormente pessimistica in termini di

eterogeneit corrisponde quindi a p = 0,50
(se il fenomeno presenta pi di due modalit,
sempre possibile fare riferimento a una di esse o a
una classe di esse, e considerare tutte le rimanenti
come facenti parte di un'unica categoria)
Febbraio 2015
337
Calcolo della dimensione del campione,

quando lobiettivo dellindagine la stima di
una proporzione, per una popolazione finita
N * z2 * p * (1 - p)
n = __________________________
(N - 1) * e2 + z2 * p * (1 - p)
Febbraio 2015
338
Calcolo della dimensione del campione,

quando lobiettivo dellindagine la stima di
una media, per una popolazione finita
N * z2 * 2
n = ______________________
(N - 1) * e2 + z2 *
Febbraio 2015
339
Calcolo della dimensione del campione, quando

lobiettivo dellindagine la stima di una proporzione,
per una popolazione infinita (reimmissione):
z2 * p * (1-p)
n = ____________
e2
Calcolo dellerrore campionario, quando lobiettivo

dellindagine la stima di una proporzione, per una
popolazione infinita (reimmissione):
z * radq [p * (1-p)]
e = ________________
radq (n)
Febbraio 2015
340
Calcolo della dimensione del campione, quando

lobiettivo dellindagine la stima di una media,
per una popolazione infinita (reimmissione)
z2 * 2
n = _________
e2
Calcolo dellerrore campionario, quando lobiettivo

dellindagine la stima di una media, per una
popolazione infinita (reimmissione)
z*
e = _________
radq (n)
Febbraio 2015
341
Il significato dei fattori
N = dimensione della popolazione

e = errore
z = coefficiente di confidenza, il cui valore legato al
livello fiduciario (ed desumibile dalle tavole della
distribuzione normale)
= deviazione standard della popolazione
p = proporzione attesa
Febbraio 2015
342
Livello fiduciario e il coefficiente di confidenza

A ogni livello fiduciario prescelto, corrisponde
quindi un valore di z, come si deduce dalle
tavole della distribuzione normale
Alcuni livelli fiduciari tra i pi utilizzati e i
corrispondenti valori di z sono i seguenti:
livello fiduciario (%)

99
98
95
90
z
2,58
2,33
1,96
1,65
Febbraio 2015
343
Parametri non noti e campione piccolo
importante ricordare che, quando il campione di

dimensione limitata (n inferiore o uguale a 30), e
proviene da una popolazione distribuita
normalmente, di cui per si ignorano i parametri, la
distribuzione delle medie campionarie non segue la
legge della distribuzione normale, ma quella della
distribuzione t di Student
Febbraio 2015
344
Dipartimento di
10 VERIFICA DELLE IPOTESI:

I TEST STATISTICI
Introduzione
Nome
Febbraio 2015
345
Lo scopo
Si tratta di procedure che consentono di prendere
decisioni, basate su un certo grado di probabilit
Lo scopo quello di verificare ipotesi
Per esempio: due indagini portano a due diverse
percentuali (p1 e p2):
C una differenza statisticamente
significativa tra p1 e p2?
Oppure si tratta delleffetto di errori di
campionamento?
Febbraio 2015
346
Situazioni di utilizzo
Si impiegano test parametrici quando la variabile

quantitativa ed normalmente distribuita
Negli altri casi, si utilizzano test non parametrici
In questo corso, si affronteranno esclusivamente i
test parametrici
Febbraio 2015
347
Ipotesi nulla e ipotesi alternativa
La prima fase operativa costituita dalla

formulazione di due ipotesi, tra loro esclusive,
ossia incompatibili, oltre che esaustive (coprono
tutte le possibilit):
H0, ipotesi nulla: es. assenza di differenza
significativa
H1, ipotesi alternativa: es. presenza di
differenza significativa
Febbraio 2015
348
Si parte dallipotesi nulla

Normalmente, il punto di partenza lipotesi nulla
Del resto, in prima istanza pu essere ragionevole
attribuire una differenza alle fluttuazioni
campionarie, ossia agli errori di campionamento
Tutte le procedure dei test sono di tipo
conservativo, cio ci si comporta in modo prudente:
si crede allipotesi nulla tranne quando levidenza
derivante dai dati campionari contraddice questa
assunzione
Febbraio 2015
349
Non abbiamo certezze assolute

Non possiamo provare con certezza assoluta che
una ipotesi sia corretta o falsa
Possiamo per accettare o rifiutare una ipotesi con

un certo grado di probabilit (livello di confidenza),
normalmente deciso a priori
La procedura consiste nel determinare i limiti di
confidenza, per mezzo di:
il livello di confidenza
il valore atteso
lerrore standard (SE)
Febbraio 2015
350
Il livello di significativit
Il complemento a 1 del livello di confidenza viene

denominato livello di significativit del test (e viene
indicato con )
Solitamente, si pone pari a un valore compreso tra
0,01 e 0,05
Febbraio 2015
351
Larea di rifiuto
Larea (o regione) di rifiuto lintervallo dei valori

campionari (valori della statistica-test) che ci porta
a rifiutare lipotesi nulla
Larea di rifiuto delimitata dai valori critici,
corrispondenti ai limiti di confidenza
Se la statsitica-test cade nella regione di rifiuto,
allora rifiuteremo lipotesi nulla
Febbraio 2015
352
Bidirezionale o monodirezionale?
Larea di rifiuto pu essere ripartita su entrambe le
code (test a due code, bidirezionale)
oppure su una sola coda (test a una coda,

monodirezionale): in questo secondo caso, si fissa
lattenzione su una sola alternativa (minore di,
oppure maggiore di .)
H0 comprende sempre il simbolo =. Se il test
bidirezionale, H0 corrisponde a una uguaglianza; se
invece monodirezionale,, H0 corrisponde a > oppure
a<
Febbraio 2015
353
Test a una coda per ipotesi monodirezionali

(si intende accettazione o rifiuto di H0; il livello
di significativit qui pari a 0,025)
Regione di
accettazione
Regione di rifiuto
V.att. + 1,96 SE
Febbraio 2015
354
Test a due code (per ipotesi bidirezionali)

(si intende accettazione o rifiuto di H0; il livello
di significativit qui pari a 0,05)
Regione di
accettazione
Regione
di rifiuto
V.att. - 1,96
Regione
di rifiuto
*
SE
V.att. + 1,96
SE
Febbraio 2015
355
Deduzioni dal grafico precedente

Ogni valore campionario cadr entro i limiti di
confidenza con una probabilit del 95%
di conseguenza:
Se un valore campionario cade entro i limiti di
confidenza, accetteremo lipotesi H0
In caso contrario, la rifiuteremo
La regione di rifiuto corrisponde ai valori che hanno
una piccola probabilit di verificarsi, quando lipotesi
nulla vera
Febbraio 2015
356
Il p-value
Oltre al metodo accennato, basato sulla regione di
rifiuto, si pu adottare un metodo diverso, che
ovviamente conduce agli stessi risultati:
il metodo del p-value
In base a questa procedura, si rifiuta lipotesi nulla

se il p-value inferiore a
In altri termini, si rifiuta H0 quando la probabilit di
rifiutare erroneamente questa ipotesi inferiore al
massimo che siamo disposti a tollerare, ossia
Il p-value infatti leffettiva probabilit di rifiutare
lipotesi nulla, quando questa vera
Febbraio 2015
357
Tipi di errore
Si ribadisce lassenza di certezze assolute, per cui le
conclusioni di un test statistico sono soggette ad
errori, di primo o secondo tipo
Nella realt:
Si decide di
accettare H0
Si decide di rifiutare
H0
H0 vera
Decisione
corretta
Errore di primo tipo
Errore di secondo
tipo
Decisione corretta
H1 vera
La probabilit di commettere un errore di primo tipo

corrisponde al livello di significativit
Febbraio 2015
358
Cosa si intende verificare, nella maggior

parte dei casi?
Su quali tipologie di indicatori si effettuano le

verifiche?
Quattro sono i casi pi importanti:
Medie
Proporzioni
Differenze tra medie
Differenze tra proporzioni
Febbraio 2015
359
Valore atteso ed errore standard

Indicatore
MEDIA
PROPORZIONE
DIFFERENZA TRA
MEDIE
DIFFERENZA TRA
PROPORZIONI
Valore atteso
Errore standard (SE)
radq (n)
p * (1-p)
Radq []
n
21
22
Radq [ + ]
n1
n2
p1 * (1-p1)
p2 * (1-p2)
Radq [ + ]
n1
n2
Febbraio 2015
360
In realt, solitamente non si dispone di o di p.

Al loro posto, si utilizza il valore relativamente
al quale stiamo verificando levidenza
campionaria, ossia quello che compare in H0
Quando poi non si conoscono i parametri della
popolazione (, , p), si utilizzano i valori
campionari noti
(questa impostazione corretta se il campione ha
una ampiezza superiore a 30)
Febbraio 2015
361
Verifica di una media - 1
Una agenzia turistica afferma che in una determinata

regione gli esercizi di ristorazione in attivit nel
semestre aprile-settembre siano in media 70 (questo
viene sostenuto alla presentazione ufficiale
dellagenzia).
Si compie una rilevazione, impiegando un campione
di 36 giornate estratte casualmente e si rileva una
media di 59 esercizi, con deviazione standard pari a
18 esercizi.
Quanto sostenuto alla presentazione era errato? (si
decide un livello di significativit pari a 0,02)
H0 : M > 70
H1 : M < 70
(test a una coda)

Febbraio 2015
362
Regione di
accettazione
Regione di
rifiuto (2%)
V.atteso - z
SE
Febbraio 2015
363

V. atteso: 70
SE: 18 / radq (36) = 3
Dalla tavola della distribuzione normale, ricaviamo
che:
area 0,48
z = - 2,05
limite di confidenza: 70 2,05
3 = 63,85
Febbraio 2015
364
Ci sono solo 2 possibilit su 100 che un campione di

ampiezza pari a 36 fornisca un valore medio
inferiore a 63,85
Di conseguenza, H0 da rifiutare
molto probabile che la presentazione non sia stata
veritiera: la differenza tra la media campionaria e la
media proclamata significativa
Febbraio 2015
365

Quando non si conoscono determinati parametri
della popolazione (in modo specifico, la SD)
si utilizzano i valori campionari noti ( quanto si
fatto in questo esempio); tale impostazione
per corretta solo se il campione ha una ampiezza
superiore a 30
Se il campione avesse avuto dimensioni pi
limitate, si sarebbe impiegata la distribuzione di
Student (come nellesempio successivo)
Febbraio 2015
366

Per la rilevazione della concentrazione di monossido di
carbonio (Co), lo strumento da utilizzare (lo
spettrofotometro) deve essere tarato ogni giorno, su
un gas a concentrazione nota (70 ppm, ossia parti di
volume per milione)
Ogni giorno si effettuano alcune misurazioni su questo
gas
La SD di queste misurazioni non nota, in quanto
cambia ogni giorno
Questi i valori di 5 rilevazioni in un determinato
giorno: 78, 83, 68, 72, 88
La media 77,8, la deviazione standard 7,22
Febbraio 2015
367
Ipotesi nulla: errore sistematico pari a 0

Ipotesi alternativa: errore sistematico diverso da 0
(test a due code)
Si decide un livello di significativit pari a 0,05
I gradi di libert sono 4
V. atteso: 70
SE: 3,61
Lo SE stato calcolato utilizzando la stima corretta
della deviazione standard della popolazione (8,07),
data la ridotta numerosit campionaria
Febbraio 2015
368

Dalla tavola della distribuzione t di Student (essendo
il campione di ridotte dimensioni), ricaviamo che
unarea pari a 0,975 corrisponde a t = 2,78
I limiti di confidenza sono quindi:
70 - 2,78 * 3,61 = 60,0
70 + 2,78 * 3,61 = 80,0
Di conseguenza, H0 non da rifiutare
Febbraio 2015
369
Verifica di una proporzione - 1
Secondo la letteratura, determinate missioni di

inseminazione delle nuvole per prolungare la
stagione delle piogge sono caratterizzate da un
75% di fallimenti e da un 25% di successi.
In una determinata area, si sono compiute 1200
missioni, ed risultato che il 23% di queste ha avuto
esito positivo.
Si pu affermare che la % rilevata in questa area
diversa rispetto a quella indicata dalla letteratura?
(si decide un livello di significativit pari a 0,05)
H0 : p = 0,25
H1 : p 0,25
(test a due code)
Febbraio 2015
370
Regione di
accettazione
Regione di
rifiuto (2,5%)
V.att. - z
Regione di
rifiuto (2,5%)
SE
V.att. + z
SE
Febbraio 2015
371
V.att.: 0,25
SE: radq (0,25
Dalla tavola della distribuzione normale, ricaviamo che:

area 0,475
0,75 / 1200) = 0,0125
z = - 1,96
limite inf. di confidenza: 0,25 - 1,96
limite sup. di confidenza: 0,25 + 1,96
z = + 1,96
0,0125 = 0,2255
*
0,0125 = 0,2745
Febbraio 2015
372
La % campionaria compresa nella regione di

accettazione
Di conseguenza, H0 non da rifiutare (differenza

non significativa)
Febbraio 2015
373
Verifica di una differenza tra medie - 1

stata realizzata una indagine su un elevato numero di
aree cittadine con differente dimensione demografica,
relativamente al numero di borseggi avvenuti nellultimo
anno.
In particolare, si vuole effettuare un test sulla differenza
tra la media dei borseggi avvenuti in un campione di aree
nellambito di centri con 25.000-30.000 residenti (PRIMO
CAMPIONE), e la media dei borseggi avvenuti in un
campione di aree nellambito di centri con 5.000-10.000
residenti (SECONDO CAMPIONE).
Il primo campione ha media pari a 1,10 borseggi (su 100
residenti) e s pari a 0,60 (n pari a 400)
Il secondo campione ha media pari a 0,90 e s pari a 0,40
(n pari a 100)
Febbraio 2015
374

Si vuole verificare se effettivamente la media del
primo campione diversa dalla media del secondo
campione
Lipotesi nulla afferma quindi che le due medie sono
uguali, mentre secondo lipotesi alternativa la media
del primo campione differente dalla media del
secondo campione.
Il test a due code.
(si decide un livello di significativit pari a 0,05)
Febbraio 2015
375

Basandoci sullipotesi nulla, secondo la quale le due
media sono uguali, il valore atteso della differenza
pari a zero. Occorre confrontare la differenza osservata
(ossia: 1,10 0,90 = 0,20) con questo valore atteso.
Per ottenere lo SE della differenza, non si possono
sommare i due SE (0,03 + 0,04 = 0,07), in quanto si
trascurerebbe leventualit che i due SE si elidano a
vicenda.
Lo SE della differenza pari a
s21
s22
Radq [ + ]
n1
n2
ossia 0,05
Febbraio 2015
376
Dalla tavola della distribuzione normale, ricaviamo che:

area 0,475
z = - 1,96
z = + 1,96
limiti di confidenza:
0 - 1,96 * 0,05 = - 0,098
0 + 1,96 * 0,05 = + 0,098
Ci sono solo 5 possibilit su 100 che due campioni con
queste caratteristiche forniscano una differenza tra i
valori medi esterni al range compreso tra 0,098 e +
0,098
Di conseguenza, H0 da rifiutare
Febbraio 2015
377
Verifica di una differenza tra proporzioni - 1

Si vuole confrontare lopinione di due campioni di cittadini,
di strato sociale differente, relativamente allatteggiamento
da assumere nei confronti delle droghe.
In particolare, si chiede ai cittadini quale delle seguenti tre

posizioni, fra tutte quelle antiproibizioniste, sarebbe pi
opportuna:
Liberalizzazione (completa rimozione delle norme che
vietano la vendita, lacquisto, il consumo)
Legalizzazione (regolazione delle condizioni di acquisto e
di consumo)
Depenalizzazione (rimozione delle sanzioni legate alla
domanda)
Entrambi i campioni sono estratti casualmente e sono
composti da 150 cittadini.
Febbraio 2015
378
Lipotesi della legalizzazione ottiene la preferenza

di una quota del 60% di cittadini intervistati nel
campione A, e di una quota del 56% di cittadini
nel campione B
La superiorit riscontrata nel campione A

effettiva, con un livello di significativit pari a 0,03,
o attribuibile a errori casuali?
Febbraio 2015
379

Come sempre, si parte dallipotesi nulla, ossia che
non esistano reali differenze tra i due campioni
In questo caso, lipotesi nulla corrisponde a
sostenere che le due proporzioni sono uguali
Allipotesi nulla si contrappone lipotesi alternativa:
il campione A mostra una superiorit significativa,
come quota di favorevoli alla legalizzazione
Il test a una coda
Febbraio 2015
380

Basandoci sullipotesi nulla, secondo la quale le due
percentuali sono uguali, il valore atteso della
differenza pari a zero. Occorre confrontare la
differenza osservata (ossia: 0,6 0,56 = 0,04) con
questo valore atteso.
Per ottenere lo SE della differenza, utilizziamo la

formula:
p1* (1-p1) p2 * (1-p2)
Radq [ + ]
n1
n2
In questo caso: 0,0569
Febbraio 2015
381

Dalla tavola della distribuzione normale, ricaviamo
che:
area 0,47
limite di confidenza:
0 + 1,88
z = 1,88
*
0,0569 = 0,107
Dal momento che la differenza osservata tra le due

proporzioni (0,04) inferiore al suddetto limite di
confidenza, H0 non da rifiutare
Febbraio 2015
382

Slides A.A. 2014 2015 in Aula

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Slides A.A. 2014 2015 in Aula

Hochgeladen von

Copyright:

Verfügbare Formate

Corso di Laurea in Marketing e

INTRODUZIONE ALLA STATISTICA PER

1 INTRODUZIONE AL RUOLO E AL LINGUAGGIO

Introduzione alla statistica per le scienze economiche e sociali

Si tratta di un insieme di metodologie che hanno

Introduzione alla statistica per le scienze economiche e sociali

Tipologie di fenomeni collettivi

I fenomeni collettivi che sono tali perch riguardano

Introduzione alla statistica per le scienze economiche e sociali

Ripetendo lo stesso esperimento o la stessa

Si tratta di errori non eliminabili completamente,

Introduzione alla statistica per le scienze economiche e sociali

Errori casuali e distorsioni

Mentre gli errori casuali a volte aumentano, a

La singola misurazione quindi uguale al valore

Introduzione alla statistica per le scienze economiche e sociali

Statistica descrittiva e statistica

Lo studio dei fenomeni collettivi pu essere svolto

Introduzione alla statistica per le scienze economiche e sociali

Alcune definizioni Popolazione e unit

Popolazione statistica: loggetto di una indagine,

Unit statistiche: sono i singoli elementi che

Introduzione alla statistica per le scienze economiche e sociali

Alcune definizioni fenomeni e modalit

Introduzione alla statistica per le scienze economiche e sociali

Fenomeni nominali: fra le modalit si possono

Ancora sui fenomeni nominali

Ancora sui fenomeni ordinali

Introduzione alla statistica per le scienze economiche e sociali

Nel caso di fenomeno discreto, le modalit

Introduzione alla statistica per le scienze economiche e sociali

Ancora sui fenomeni continui

Introduzione alla statistica per le scienze economiche e sociali

Introduzione alla statistica per le scienze economiche e sociali

Una scala di rapporto ha il punto di origine legato

Introduzione alla statistica per le scienze economiche e sociali

Un parametro un valore numerico che descrive una

Introduzione alla statistica per le scienze economiche e sociali

Introduzione alla statistica per le scienze economiche e sociali

Dati primari e dati secondari

I fornitori dei dati secondari

Sono gli enti, le istituzioni, gli organismi che, a titolo

Introduzione alla statistica per le scienze economiche e sociali

Parametri per valutare la qualit di un dato

Introduzione alla statistica per le scienze economiche e sociali

Gli accorgimenti per lo svolgimento di una indagine

Introduzione alla statistica per le scienze economiche e sociali

Limportanza di impostare correttamente una

Per ottenere risultati affidabili occorre seguire

Introduzione alla statistica per le scienze economiche e sociali

Mezzo milione di bambini venne vaccinato (gruppo

Introduzione alla statistica per le scienze economiche e sociali

Per verificare leffetto di un farmaco, non

Si avrebbe il rischio di una sproporzione di pazienti

Occorre un esperimento controllato, dove la

Conviene utilizzare anche dei placebo, e sia i

Gli studi sulleffetto del fumo sono studi sul

Si osserva una forte associazione tra fumo e

Attenzione, per: gli uomini, pi forti fumatori

Introduzione alla statistica per le scienze economiche e sociali

Lo Stato della California aveva valutato lefficacia di

Introduzione alla statistica per le scienze economiche e sociali

Obiettivo: misurare leffetto dellavanzamento