STATISTICA

È una disciplina che ha come fine lo studio quantitativo e qualitativo di un particolare fenomeno, in
condizioni di incertezza.
Obiettivi: - progettare - descrivere - inferire

La fase di progettazione fa riferimento alla scienza delle metodologie di rivelazione ed

acquisizione dei dati (indagini campionarie) es: come saranno selezionati gli individui?
La fase descrittiva usa metodi grafici e numerici per studiare il fenomeno relativo ad un campione
La fase inferenziale estende i risultati ottenuti su un campione, all’intera popolazione.

La raccolta dei dati è una fase fondamentale perché permette di reperire le osservazioni che saranno
poi impiegate nell’analisi statistica.
Due tipi di indagine
Totale o censuaria Campionaria
con cui tutte le unità della popolazione viene osservato un sottoinsieme della
vengono osservate e si descrive il fenomeno popolazione (campione)
oggetto di studio

La statistica descrittiva è composta dai caratteri che sono classificati:

• Qualitativo le sue modalità sono un’espressione verbale ed è l’attributo che descrive una qualità
dell’unità statistica (nomi o aggettivi)
- Ordinato se esiste un criterio di ordinamento naturale tra le modalità ideologia politica,
soddisfazione del cliente altrimenti è sconnesso genere, mezzo di trasporto

• Quantitativo le sue modalità sono numeri che esprimono una misura o una quantità.
- Discreto se le modalità del carattere sono dei numeri interi frutto di un conteggio
n°figli,prodotti o addetti
continuo se le modalità includono anche valori decimali temperatura 3,5°, altezza o peso
(rientrano le classi)
- Trasferibile se un’unità statistica può cedere tutto parte del carattere ad un’altra unità
reddito, n° azioni
non trasferibile se non possono essere trasferiti senza trasferire l’unità stessa età, altezza o peso
- Con scala intervalli per le modalità non esiste lo 0 assoluto, ed è formata da valori numerici
come un’origine aritmetica temperatura
con scala di rapporti le modalità sono valori numerici che hanno un’origine fissa
età, altezza, peso, reddito

La suddivisione in classi di un carattere quantitativo, consiste nel suddividere, i valori che una
modalità può assumere in intervalli tra loro disgiunti.

Le classi possono avere uguali o diversa ampiezza e si intende la differenza tra estremo superiore ed
inferiore della classe.
Chiusa a destra
Chiusa a sinistra Chiusa ambo i lati

1
 DISTRIBUZIONE DI FREQUENZA
È una tabella che mostra come sono distribuiti i dati in base alla loro frequenza, cioè quante volte
un certo valore compare in un insieme di dati.

L’operatore sommatoria è fondamentale perché esprime una somma in maniera sintetica.

Σ xi sommatoria per i che va da 1 a n della xi (x con i)

La frequenza assoluta è il numero di volte in cui un valore si presenta nei dati.

La sommatoria delle frq assolute è pari alla numerosità del collettivo.

La frequenza relativa è il rapporto tra la frequenza assoluta e il n° totale di unità osservate.

La somma delle frequenze relative è 1.

La frequenza percentuale è la frequenza relativa espressa in percentuale, esprime la percentuale di

volte nelle quali si è verificata ciascuna modalità. La somma delle frq percentuale è 100.

La frequenza cumulata è importante per sapere com’è distribuito il n° totale di osservazioni.

MEDIE ANALITICHE E DI POSIZIONE

Sono degli indici che descrivono con un valore o una modalità l’intera distribuzione.
• Medie analitiche sono calcolate facendo operazioni matematiche sulle modalità del
carattere ma solo per i caratteri quantitativi
- Media aritmetica semplice quel valore che, se sostituito ai valori osservati X, lascia invariata la
somma

Proprietà:
- Internalità la media è compresa tra il minimo minimo e il massimo del carattere

- Scarto della media è la differenza tra la generica osservazione e la media aritmetica =0

- Somma dei quadrati degli scarti

- Associativa è possibile esprimere la media delle variabili come una media ponderata dei 2
gruppi

2
 - Linearità la media di una trasformazione lineare corrisponde alla trasformazione lineare della
media

- Traslativa sommando una costante alle modalità, si avrà una media aumentata per quella costante
Il difetto della media aritmetica è che ne risente di valori anomali, che sono diversi dai dati perché
ho molto più grandi o molto più piccoli.
- Media aritmetica ponderata si usa quando si vuole dare importanza diversa alle osservazioni
del carattere, attribuendo a ciascuna un peso specifico

- Media geometrica
- Trimmed mean per evitare l’influenza dei valori anomali, consideriamo solo i valori centrali,
escludendo il 25% dei valori piccoli e il 25% dei valori grandi.
•
Medie di posizione non richiedono operazioni matematiche ma si basano sulla
posizione dei valori ordinati sia per caratteri quantitativi che qualitativi
Consideriamo la Moda, la Mediana e i Percentili.
- Moda è il valore X in corrispondenza della frequenza maggiore, mentre per un carattere
continuo suddiviso in classi la moda sarà la classe in corrispondenza della maggiore densità di
frequenza. Se invece le classi hanno stessa ampiezza, la classe modale sarà quella in
corrispondenza della frequenza più alta.
- Mediana è la modalità che divide il collettivo in 2 parti uguali e non risente di valori a anomali.
1º modo per calcolarla: occorre ordinare i valori in senso crescente.
Nº dispari

Nº pari

2º modo: si basa sulla conoscenza della distribuzione delle frequenze cumulate.

La mediana corrisponde: alla 1ª frequenza relativa cumulata superiore a 0,5
e alla 1ª frequenza percentuale cumulata superiore al 50%.

- Percentili dividono un insieme di dati ordinati in 100 parti uguali, i percentili maggiormente
utilizzati sono i Quartili:
Q1 (1º quartile) il 25% dei dati è ≤ a questo valore
Q2 il 50% dei dati ≤ a questo valore (=alla mediana)
Q3 il 75%

3
 INDICI DI VARIABILITÀ’ E DI FORMA
Gli indici di variabilità forniscono informazioni sul livello di dispersione dei dati per caratteri
quantitativi ma anche per caratteri qualitativi (mutabilità).

La variabilità studia l’attitudine di un carattere di assumere diverse modalità all’interno di un

collettivo statico.
Gli indici di variabilità assumono:
m VALORE NULLO se le unità statistiche presentano la stessa modalità del carattere
voto: 24,24,24 n=3 -> no variabilità.
m Il VALORE AUMENTA all’aumentare della diversità delle modalità assunte dall’unità statistica.

Gli indici di variabilità sono: - La varianza

- La deviazione standard
- Il coefficiente di variazione
- Gli intervalli di variabilità
- L’indice di omogeneità ed eterogeneità

La varianza si basa sul confronto tra le modalità osservate del carattere e la media della
distribuzione.

La deviazione standard o scarto quadratico medio misura quanto i valori si allontanano dalla
media.

Il coefficiente di variazione è utile per confrontare la variabilità di 2 distribuzioni.

L’intervallo di variabilità più semplice da calcolare è il campo di variazione o Range

Un’alternativa al campo di variazione può essere la Differenza interquartile

L’indice di omogeneità si ha quando tutte le unità del collettivo hanno la stessa modalità.

L’indice di eterogeneità sia quando tutte le modalità del carattere sono presenti con la stessa
frequenza.

Indice di eterogeneità relativo

4
L’indice di Gini misura l’eterogeneità dei caratteri qualitativi ed è compreso tra 0 e 1.

Normalizzato

Gli indici di forma sono utili per descrivere la forma della distribuzione solo per caratteri
quantitativi. Qui consideriamo l’indice di asimmetria.

Una distribuzione si dice asimmetrica se non si può individuare un asse verticale che divide la
distribuzione in 2 parti uguali.
Mostra simmetria + o -, in base alla frequenza delle modalità più piccole o più grandi.

L’indice di asimmetria

Elevando gli scarti della media al cubo, questo indice può assumere valori + o - in base alla
predominanza degli scarti positivi o negativi.
3 situazioni:
- Simmetria M3=0
- Asimmetria + M3>0
- Asimmetria - M3<0

L’indice di asimmetria β di Fisher

non dipende dall’unità di misura e consente di confrontare distribuzioni di caratteri diversi.

LA CONCENTRAZIONE
Ci fornisce la misura di come un carattere quantitativo trasferibile si divide fra le unità statistiche
del collettivo quindi, quando risulta equamente suddiviso tra le unità o è concentrato in poche unità.

Concentrazione Fi > Qi
Equidistribuzione Fi = Qi
Qui la concentrazione è nulla perché ogni unità statistica possiede la frazione 1/n dell’ammontare
complessivo del carattere.
Massima concentrazione Qi= 0
Fi = frequenza relativa cumulata
Qi = cumulata del carattere
totale del carattere
Fi - Qi =0 -> equidistribuzione
Fi – Qi >0 -> concentrazione
Fi - Qi = Fi -> massima concentrazione

Una misura assoluta della concentrazione è data dall’indice:

5
Una misura relativa della concentrazione è l’indice di Gini, compreso tra 0 e 1.

Curva di Lorenz si ottiene tracciando dei punti su un piano cartesiano, unendoli con dei segmenti
si otterrà la spezzata.

es. Se la curva è lontana dalla retta di equidistribuzione significa che poche persone possiedono la
maggior parte della ricchezza.

ANALISI DELLE DISTRIBUZIONI BIVARIATE

Ha l’obiettivo di studiare la relazione tra 2 variabili che si verificano nelle unità statistiche. Le 2
variabili X e Y possono essere sia qualitative che quantitative.

Con la distribuzione bivariata semplice ogni unità fornisce un numero di coppie di modalità.

Con la distribuzione di 2 caratteri può essere sintetizzata attraverso la tabella a doppia entrata.

La colonna e la riga totale è la distribuzione del carattere X e Y dette distribuzioni marginali,

osservando le modalità di una variabile, tenendo fisso il valore dell’altra variabile si ottengono le
distribuzioni condizionate.

Associazione tra caratteri: analizzare le relazioni tra caratteri statistici è utile per fare “ previsioni”
sul valore di una variabile, sulla base dei dati dell’altra.

Tra 2 caratteri sussiste indipendenza statistica quando la conoscenza della modalità di un carattere
non migliora la conoscenza dell’altro. È il caso in cui ogni distribuzione condizionata di un carattere
resta la stessa al variare delle modalità del carattere condizionante.
Se tra 2 caratteri non sussiste indipendenza allora i caratteri sono dipendenti o interdipendenti.

Indice Chi-Quadrato
Misura il grado di interdipendenza tra 2 caratteri e sono riassunti in una tabella doppia di frequenza.
X2 ≥0 dipendenza statistica
X2=0 indipendenza tra i caratteri.

6
Più l’indice è lontano dallo 0 più avremo una forte relazione.
Maggiore è la distanza tra la tabella teorica è osservata, maggiore sarà l’interdipendenza.
Minore è la distanza tra le tabelle, minore sarà l’interdipendenza tra i 2 caratteri.
Se le 2 tabelle coincidono allora si ha l’indipendenza tra i caratteri.

Affinché ci sia indipendenza

L’Indice di V di Cramer è la versione normalizzata dell’indice Chi-Quadrato e assume valori

compresi tra lo 0 (indipendenza) e 1 (max interdipendenza).

RELAZIONE DI DIPENDENZA TRA UN CARATTERE

QUANTITATIVO CONTINUO E UNO DISCRETO O QUALITATIVO
Quando abbiamo 2 caratteri, uno quantitativo e l’altro qualitativo si calcola l’indice di dipendenza,
in media del carattere quantitativo dell’altro.

Per iniziare bisogna suddividere in gruppi (G) in base alle modalità del carattere.

La numerosità totale è

Andremo a vedere il numero medio, considerando il totale e calcoliamo le medie di ciascun gruppo

Se le medie sono diverse e la variabile incide su quella quantitativa, c’è dipendenza in media.

La Devianza -> La media generale è uguale alla media delle medie dei gruppi

nel J-esimo gruppo -> misura la dispersione delle osservazioni del j-esimo gruppo dalla media di
quel gruppo

Entro i gruppi -> somma delle devianze dei singoli gruppi

Tra i gruppi -> definisce la differenza tra le medie dei gruppi dalla media generale

Devianza totale -> Dtot = Den + Dtr -> Scomposizione della devianza, sappiamo che il valore
massimo che la varianza delle medie di gruppo è la devianza totale.

Un indice relativo è il rapporto di correlazione di Pearson

È un indice normalizzato poiché è compreso tra lo 0 e 1.

η2=1 dipendenza perfetta tra i caratteri (ad ogni valore di X corrisponde un solo valore di Y)
η2=0 indipendenza (tutte le medie condizionate, sono uguali tra loro)
η2≈0 nessuna correlazione

Se 2 caratteri sono indipendenti statisticamente, lo sono anche in media ma non viceversa!

7
La dipendenza in media misura come la media del carattere quantitativo varia quando viene
calcolata all’interno dei gruppi G.
I 2 caratteri sono indipendenti in media se le medie dei gruppi sono uguali
in questo caso la varianza delle medie di gruppo Dtr=0

C’è interdipendenza tra 2 caratteri quantitativi se al variare di uno varia anche l’altro.
Su un numero di unità si ottengono una sequenza di coppie di modalità, quest’associazione si può
interpretare attraverso il grafico a dispersione/ scatter plot.

Le unità statistiche sono rappresentate da punti sparsi sull’asse cartesiano, in cui possiamo intuire
una relazione lineare e con il coefficiente di correlazione capiremo l’intensità di questa relazione.

I criteri si dicono:
- CONCORDI, se al variare di uno varia mediamente anche l’altro allo stesso modo
- DISCORDI, se al variare di uno, l’altro varia mediamente in senso opposto.
- INDIFFERENTI, al variare di un carattere l’altro è indifferente.

Questa concordanza e discordanza introduce l’indice LA COVARIANZA

che misura il grado in cui le 2 variabili sono legate linearmente.

La covarianza può essere:

+ se le 2 variabili covariano in modo concorde (entrambi sopra la media)
- se le 2 variabili covariano in modo discorde (uno sopra la media e l’altro sotto)
Prossima a 0 se non covariano né in modo discorde né in modo concorde

La covarianza ha dei limiti, infatti non ha valori min e max e si introduce il coefficiente di
correlazione lineare (detto anche indice di interdipendenza relativo) che non risente l’influenza
dell’unità di misura.

CONCORDANZA -> l’indice è compreso tra 0 e 1.

DISCORDANZA -> tra -1 e 1
INDIFFERENZA -> =0

La retta lineare ci interpreta i punti e va a misurare la relazione e l’effetto che x ha su y

Analogia -> spiega la relazione e la dipendenza delle variabili x e y
Correlazione -> indaga sulla presenza della relazione ma non il verso che assume
Regressione -> individua la causa-effetto

8
 MODELLO STATISTICO
È una rappresentazione semplificata, analogica e necessaria della realtà e ha lo scopo di descrivere
un fenomeno.

- Semplificata, si eliminano gli aspetti superflui, conservando quelli essenziali

- Analogica, riproduce la realtà nei suoi aspetti fondamentali con lo scopo di ridurre la
complessità
- Necessaria, indaga sulla complessità del mondo attraverso relazioni semplici

Modello di dipendenza statistica ha l’obiettivo di descrivere e interpretare un fenomeno,

prevedendo le osservazioni future.
y—> è il carattere dipendente (f). x —> il carattere indipendente

Nel modello è presente, oltre alla componente descrittiva, anche una casuale per cui bisogna
considerare una variabile di errore ε (e).

Regressione lineare
è usato per capire la relazione tra 2 variabili. l’idea è di trovare una linea retta che descriva meglio,
come una variabile (y) cambia in base ad un’altra variabile (x).

L’equazione della retta è:

Il modello lineare ci indica la retta di regressione

La retta migliore che ci rappresenta i dati si sceglie con il metodo dei minimi quadrati che ci
minimizza la somma degli scarti della retta di regressione.

Indice di determinazione
è un valore che misura quanto bene un modello di regressione lineare sia adatta ai dati, è un indice
che varia tra 1 e 0.

R2=1 i punti sono perfettamente allineati sulla retta, interpreta bene la relazione.
R2=0 i punti sono sparsi, la retta non interpreta bene la relazione

Deviazione Spiegata -> differenza tra ciascun valore stimato e la media dei valori stimati
[Link] -> è la devianza dei residui di regressione
[Link] -> somma delle differenze tra i valori osservati e la media dei valori osservati al quadrato

9
 PROBABILITÀ
La probabilità è un numero che misura quanto è probabile che un evento accada.
La probabilità varia tra 0 e 1 → + è vicino a 1 → più è probabile che l’evento accada.

Il modello di incertezza in cui si sviluppa la probabilità è ESPERIMENTO CASUALE

è un fenomeno casuale il cui risultato non può essere previsto con certezza prima di eseguirlo
es. lanciare un dado è un’esperimento casuale perché sappiamo che può uscire un numero tra 1 e 6
ma non sappiamo in anticipo quale sarà il risultato esatto.

Si fa distinzione tra 2 tipi di incertezza:

- Soggettiva basata sulle intuizioni di una persona e non su calcoli
- Oggettiva basata su dati concreti e su numeri.

L’insieme dei possibili risultati di un esperimento casuale è lo spazio campionario

Eventi elementari, sono i singoli risultati che possono verificarsi in un esperimento

Mentre i sottoinsiemi dello spazio campionario rappresentano eventi

più generali, che possono contenere 1 o più eventi elementari
es. lancio di un dado, si presenta una faccia con un numero pari S {W1,…W6}

EVENTO CERTO —> si verifica sempre e coincide con lo spazio campionario

EVENTO IMPOSSIBILE —> 0, l’evento non si verifica mai ed è un sottoinsieme vuoto di S

Usiamo il Diagramma di Venn per studiare gli eventi. L’evento certo è il rettangolo S mentre i
singoli cerchi rappresentano un’insieme di eventi.

Intersezione A ⋂ B l’evento si verifica quando si verificano contemporaneamente sia A sia B, tutti

gli elementi in S sono contenuti in A e B.
Es. Lancio dei dadi, A (nº pari) B (nº maggiori di 3)

Unione di eventi A ⋃ B l’evento si verifica quando si verifica A e non si verifica B e viceversa o

entrambi

Negazione Ā -> dato un evento A contenuto in S, la sua negazione è l’evento che si verifica quando
A non si verifica.
Es. partita di calcio. A (vittoria) Ā (pareggio o sconfitta).

Relazioni fra eventi:

Inclusione A ⊂ B tutti gli elementi di A sono contenuti in B. Il verificarsi di A implica il verificarsi
di B

10
Incompatibilità A ⋂ B =0
A e B non hanno esiti in comune e la loro intersezione è vuota. Se si verifica uno, l’altro non può
accadere

Necessarietà A ⋃ B =S 2 eventi sono necessari se la loro unione dà l’evento certo

Partizione la partizione dii S (quando tutti gli eventi in S sono incompatibili 2 a 2 ma insieme
danno tutto S), è costituita dall’insieme di eventi necessari e incompatibili.

Evento come unione di eventi incompatibili

Definizioni della probabilità:

1) Classica: i casi favorevoli sono indicati nelle aree dei rispettivi eventi e i casi possibili sono
nell’area del rettangolo

2) Frequentista: l’esperimento deve essere replicabile, l’evento si può verificare in ciascuna

replicazione e i risultati delle prove sono indipendenti

3) Soggettivista: si basa su una valutazione personale e non su dati matematici precisi.

È usata quando non ci sono informazioni sufficienti per applicare la definizione classica o
frequentistica.

Impostazione assiomatica della probabilità –> si definisce probabilità una funzione P(A) che
associa ad ogni evento A di S un nº reale e che soddisfa i postulati.

4 TEOREMI del calcolo della probabilità:

o Dato un evento A la probabilità della sua negazione è P(Ā)= 1- P(A)
o La probabilità dell’evento impossibile è P(0)= 0
o Per un qualsiasi evento A di S si ha P(A) ≤ 1
o Dati 2 eventi A e B, la probabilità dell’unione è P(A ⋃ B) = P(A)+ P(B) – P(A ⋂ B)

La Probabilità condizionata
È → dati 2 eventi A e B, sottoinsiemi di S se P(B)>0
ci possiamo chiedere qual è la probabilità di A sapendo che si è verificato B.

11
Il condizionamento riduce sia i casi favorevoli che possibili. Al contrario l’evento indipendente,
dove il verificarsi di A non modifica la probabilità del verificarsi di B.
A e B sono indipendenti se P(A|B) = P(A) P(B|A) = P(B)

Le probabilità congiunte (in una tabella di frequenze) si ha quando ciascun evento Ai può
verificarsi congiuntamente a ciascun evento Bj.

LE VARIABILI CASUALI
Sono uno strumento per rappresentare in modo numerico i risultati di esperimenti casuali e
calcolarne la probabilità.

Tipi di variabili casuali

- Discrete assumono un numero finito di valori distinti [Link] esame
La probabilità che X assume il valore xi. pi= P (X=xi)
La funzione di distribuzione di probabilità è una legge che associa ad ogni valore possibile di x
una probabilità non nulla.

- Continue possono assumere qualsiasi valore in un intervallo della retta reale es. peso,
altezza, durata di una batteria
La funzione di densità di probabilità è una funzione continua che associa una probabilità non
nulla ad intervalli di valori di x.

La probabilità che una variabile continua assume valore X e nulla P(X=x) =0

La funzione di ripartizione è la probabilità che X assume un valore minore o uguale a x

F(x)=P(X≤x) assume valori nell’intervallo [0,1] e non diminuisce mai (è non decrescente).

Il valore atteso è il valore medio che ci si aspetta di ottenere ripetendo un esperimento, un numero
elevato di volte.

La varianza misura quando i valori di X si discostano dal valore atteso

La variabile casuale standardizzata è una trasformazione di X che a media 0 e varianza 1.

È utile per confrontare v.c con distribuzioni differenti.

12
La covarianza misura la relazione lineare tra 2 variabili casuali x e y.
Cov (X,Y) = E(X,Y) – E(X) E(Y)

Il coefficiente di variazione misura la dispersione relativa rispetto alla media.

MODELLI DI VARIABILI CASUALI

Sono distribuzioni di probabilità che descrivono come una variabile c. assume valori.
Distinguiamo 2 categorie:
• Modelli per variabili c. discrete quando la variabile assume valori distinti e
numerabile. Il valore corrisponde all’altezza della barra verticale e tra una e l’altra ci
sono degli spazi che ci fanno capire che non sono possibili valori intermedi.
- Distribuzione Bernoulli descrive un esperimento con 2 soli esiti: successo e insuccesso.
Per poter essere considerato un evento Bernoulliano, una delle 2 alternative deve per forza
verificarsi→ le alternative sono complementari ma non possono verificarsi contemporaneamente.

La probabilità di successo =1, si indica con π

La probabilità di insuccesso =0, si indica con 1- π

- Distribuzione Binomiale è una generalizzazione della v.c Bernoulliana.

Serve per calcolare la probabilità di successo in un numero di prove indipendenti (le singole prove
non si influenzano tra loro).
Es. Lancio moneta o dado.
X assume il valore compreso tra 0 e il numero di volte in cui ripetiamo l’esperimento.
Il valore assoluto è n ∙ π
La varianza n ∙ π (1- π)
Devianza standard
Formula del calcolo della binomiale

• Modelli per variabili c. continue quando la variabile può assumere qualsiasi valore
in un intervallo.
- Distribuzione Normale è la più importante perché descrive tanti fenomeni casuali e fa
un’approssimazione attendibile per fare stime (inferenza)
La curva di Gauss è il grafico della distribuzione normale ed ha un intervallo illimitato, definita
sull’asse reale tra - ∞ e +∞.

Ha due parametri: - μ parametro di posizione, servono per indicare dove si

trova il centro di una distribuzione
(media piccola, si sposta a sinistra. Media grande, verso destra).
2
- σ Parametro di forma, descrive la forma della distribuzione

13
 INFERENZA STATISTICA
Si occupa di usare i dati raccolti da un campione per trarre conclusioni su un’intera popolazione.
L’inferenza si occupa di ridurre l’ignoranza sulla popolazione attraverso l’evidenza campionaria.

Quando dobbiamo scegliere un campione della popolazione usiamo le tecniche di

campionamento:
- Probabilistiche, il campione si estrae casualmente da una lista di campionamento.
Si parla di casuali perché ogni unità deve avere la stessa probabilità di entrare nel campione.

- Non probabilistiche, la scelta dell’unità statistica è a discrezione di chi conduce l’indagine.

CAMPIONE CASUALE E
STATISTICA CAMPIONARIA
Nell’inferenza statistica, la statistica campionaria rappresenta lo stimatore puntuale che serve per
stimare il parametro θ della popolazione (ignoto).

Tutti i valori possibili che una statistica campionaria può assumere e rispettivamente le loro
probabilità prende il nome di distribuzione campionaria.

La distribuzione della statistica media campionaria è la variabile casuale che descrive le medie
di tutti i possibili campioni.

Dimostra che:
- Il valore atteso della media campionaria resta invariato all’aumentare del numero dei campioni

- La deviazione standard diminuisce all’aumentare del numero dei campioni

IL TEOREMA DEL LIMITE CENTRALE

Se facciamo una media di un numero grande di variabili casuali indipendenti e identicamente
distribuite (i.i.d) ciascuna con una media μ finita è una varianza σ2 finita, la distribuzione della
media tende ad approssimare una distribuzione normale.

Le condizioni del TLC sono:

- Il campione deve essere casuale
- Il campione deve essere abbastanza grande, ≥ 30

L’inferenza statistica si basa su 3 metodologie:

• Stima puntuale usa un singolo valore numerico per stimare un parametro θ della
popolazione. È precisa ma non ci dice quanto possiamo fidarci.
• Stima per intervallo invece di dare un solo numero costruiamo un intervallo di
valori che probabilmente contiene il vero parametro della popolazione. Questo si
chiama intervallo di confidenza.
• Verifica d’ipotesi ci aiuta a decidere se un’affermazione ottenuta su un parametro
ignoto è vero o è falsa.

14
Lo stimatore T è una statistica campionaria che ha l’obiettivo di stimare θ. Essendo una variabile
casuale il suo valore dipenderà dal campione estratto.

2 proprietà degli stimatori:

o Esatte studiano le proprietà dello stimatore tenendo fissa la dimensione del
campione (correttezza ed efficienza).
- Uno stimatore è corretto se coincide con il valore atteso del parametro ignoto E(T)= θ
Se E(T)≠ θ allora lo stimatore è distorto.
La distorsione di Bias è definita come B(T)=E(T)- θ

- L’efficienza ci indica quanto è grande l’errore di stima attraverso:

o MSE(T)= E[(T- θ)2] o l’errore quadratico medio.
L’errore standard dello stimatore ci dice quanto è precisa la stima e dipende dalla dimensione del
campione, maggiore sarà l’ampiezza e minore sarà l’errore standard.

o Asintotiche studiano le proprietà al crescere della dimensione campionaria

(consistenza).
- Uno stimatore è consistente perché più il campione è grande più descrive il
comportamento dello stimatore.
- La correttezza sintomatica quando la dimensione del campione diventa molto grande
(tende a ∞), lo stimatore fornisce una stima sempre più vicina al vero valore del
parametro.

Stima puntuale Bernoulliana la popolazione si divide in successo ed insuccesso di un carattere

(fumatori e non) e su questo si calcola la probabilità di stima.

Stima per intervallo

È composta da 2 elementi:
- Intervallo di valori plausibili di θ intorno ad una stima puntuale. Tanto più ampio è l’intervallo,
tantomeno precisa la stima intervallare.

- Il livello di confidenza è il grado di fiducia che all’intervallo possa contenere il parametro

ignoto. Di solito va da 0,95 a 0,99.
Tanto più è alto, tanta più fiducia abbiamo che l’intervallo stimato contenga il parametro ignoto.

Lo stimatore per intervallo

Per costruire un intervallo di confidenza ci affidiamo alla quantità pivotale, funzione del parametro
del campione la cui distribuzione è nota.

Verifica d’ipotesi
Si compone di 3 passaggi:
1- Ipotesi statistica è una congettura numerica sul parametro θ.
L’ipotesi statistica può essere semplice (assegna un valore numerico a θ) H: ϑ=ϑ0 o
composita (può essere bidirezionale o unidirezionale) H: ϑ ∈ θ

15
Il test ha 2 risultati:
- H0 = ipotesi nulla ritenuta vera fino a prova contraria
- H1 = ipotesi alternativa c’è evidenza a sufficienza per sostenerla?

Per scegliere tra le due ipotesi bisogna fare:

Il valore del parametro sotto l’H0 - la sua stima calcolata sul campione

Se questa può essere spiegata allora scegliamo l’ipotesi nulla, se i valori sotto l’ipotesi nulla sono
lontani da ciò che abbiamo ipotizzato, va a favore di H1.

2- Statistica test è una statistica campionaria che assume l’ipotesi nulla come vera

3- Regola di decisione divido lo spazio campionario in regione di accettazione e regione di

rifiuto.

L’esito del test dipende dai risultati campionari → regola di decisione

Errore di tipo 1 -> si commette se si rifiuta H0 quando è vera.

La probabilità di commettere questo errore si indica con α livello di significatività

Il p-valore è dato dalla probabilità di commettere l’errore di tipo 1.

< 0,05 rifiutiamo H0
> 0,05 non rifiutiamo H0

Procedimento:
1) Si definiscono le ipotesi statistiche
2) Si fissa α (e quindi 1- α)
3) Si sceglie la statistica test e la distribuzione campionaria sotto l’ipotesi nulla.
4) Si determina il p-valore
5) Si confronta il p-valore con il livello di significatività e si prende la decisione di rifiutare
oppure no l’ipotesi nulla.
Errore di tipo 2 -> si commette se non si rifiuta l’ipotesi nulla ma è falsa.
La probabilità di commettere un errore di tipo 2 si indica con β.

16