STATISTICA

1. I FENOMENI SOCIALI: COME RILEVARLI E TRATTARLI IN MODO STATISTICO

La statistica rappresenta un insieme di strumenti fondamentali per l'analisi dei dati, abbracciando
una vasta gamma di metodologie. Essa si configura come la disciplina che guida le decisioni in
contesti di incertezza, fornendo un valido supporto quando si necessita di informazioni su fenomeni
di cui si dispone di una conoscenza limitata.
È importante sottolineare che la statistica è strettamente legata all'esistenza di dati: senza di essi,
non può esistere. È proprio nella presenza di dati che la statistica trova il suo campo di azione.
Attraverso un processo di analisi, essa genera risultati che, interpretati correttamente, conducono
alla generazione di nuova conoscenza e informazione.

La ricerca scientifica può essere condotta attraverso due approcci distinti: quantitativo e qualitativo.
La statistica si concentra principalmente sulla ricerca quantitativa, che si avvale di strumenti
matematici per l'analisi dei dati.
Entrambe le metodologie di ricerca implicano diverse fasi fondamentali:
 Il primo passo cruciale è il disegno della ricerca, dove il ricercatore definisce chiaramente le
informazioni di interesse e prende decisioni cruciali che influenzeranno tutte le fasi successive.
Queste decisioni riguardano la definizione operativa dei concetti di ricerca, l'identificazione delle
unità di analisi e di rilevazione, la scelta tra rilevazione totale o campionaria, l'operativizzazione dei
concetti per renderli misurabili, la creazione degli strumenti di rilevazione e la pianificazione
dell'analisi dei dati.
 La fase successiva è la raccolta dei dati, che richiede una pianificazione dettagliata per garantire
un'accurata e completa acquisizione delle informazioni necessarie.
 Una volta raccolti i dati, segue l'analisi, dove vengono esaminati e interpretati i risultati ottenuti.
 Infine, vi è la fase di comunicazione e diffusione dei dati, in cui i risultati dell'analisi vengono
utilizzati per gli scopi previsti dalla ricerca. Questa fase rappresenta il culmine del processo di
ricerca.

Lessico settoriale
Fenomeno oggetto di studio: Questo termine si riferisce all'aspetto della realtà che si intende
esplorare e analizzare per ottenere nuove informazioni. È il fenomeno collettivo che costituisce il
focus dello studio. Ad esempio, può trattarsi delle abitudini di viaggio degli italiani, delle condizioni
lavorative della popolazione italiana, eccetera.

Rilevazione statistica: Questa definizione indica l'insieme di procedure e operazioni volte alla
raccolta di nuovi dati, mirando a ottenere informazioni pertinenti sul fenomeno oggetto di studio.

Popolazione o universo: Questo termine si riferisce alla totalità delle unità che manifestano il
fenomeno di interesse. Ad esempio, se stiamo studiando le abitudini di viaggio degli italiani, la
popolazione di riferimento sarebbe costituita dagli abitanti dell'Italia. La popolazione può essere
reale, comprendente unità statistiche identificabili e osservabili, come gli italiani, o virtuale, quando
è definibile ma non osservabile, come nel caso di una ricerca sui consumatori di un prodotto, dove
non è possibile identificare i consumatori in modo diretto. In quest'ultimo caso, è necessario
ricorrere a un campione, che rappresenta un sottoinsieme della popolazione, il quale viene
analizzato. Il campione è un insieme selezionato dalla popolazione che possiede caratteristiche
specifiche. La selezione del campione deve avvenire mediante metodi scientifici per garantire che
sia rappresentativo della popolazione, in modo che i risultati ottenuti dal campione riflettano quelli
che si otterrebbero osservando l'intera popolazione. Tuttavia, non è possibile sapere con certezza
quanto il campione sia effettivamente rappresentativo della popolazione.
 Unità statistica: Questo termine si riferisce all'elemento che rappresenta la caratteristica di
interesse nello studio statistico. Di solito, si tratta di un individuo o una persona (unità statistica
semplice), ma può anche essere un gruppo di individui con le relazioni tra di essi, come una
famiglia o un'impresa (unità statistica complessa). In alcuni casi, l'unità statistica può anche essere
un oggetto o un altro elemento non umano.

Carattere o variabile caratteristica: Il fenomeno di interesse in uno studio statistico diventa un

carattere o una variabile statistica. Il carattere rappresenta la grandezza che si intende misurare
osservando le unità statistiche. Può essere espresso in due modi:
 Intensità: Si tratta del valore numerico del carattere.
 Modalità: Si riferisce agli attributi qualitativi del carattere.

Frequenza: Questo termine indica il numero di volte in cui un certo valore o una certa modalità si
ripete all'interno di un campione o di un insieme di osservazioni.

Raccolta dei dati: La necessità di raccogliere dati sorge ogni volta che si ha l'intento di acquisire
una conoscenza. Esistono due tipologie di fonti attraverso le quali è possibile ottenere i dati:
 Primarie: Si tratta di dati nuovi ottenuti in base agli obiettivi di ricerca. Ad esempio, attraverso la
somministrazione di questionari, l'osservazione diretta di fenomeni, sperimenti scientifici o analisi
dei social media. In tutti questi casi, si effettua una nuova rilevazione per acquisire i dati necessari.
 Secondarie: Questa categoria comprende dati già raccolti da enti amministrativi (pubblici o privati),
censimenti, indagini Istat, o provenienti da ricerche condotte da altri enti come i sondaggi. Questi
dati sono conservati in archivi accessibili e scaricabili. In caso la fonte secondaria non sia
sufficiente, si rende necessario progettare una nuova rilevazione tramite un'indagine statistica.

Indagine statistica (Survey)

Le indagini statistiche si suddividono in due categorie principali in base al collettivo da esaminare:
1. Totali o Globali (rilevazioni censuarie o censimento): Questo tipo di indagine coinvolge l'intera
popolazione oggetto di studio. Ad esempio, tutti i membri della popolazione rispondono al
questionario dell'indagine.
2. Parziali o per campione (rilevazioni campionarie o campioni): In questo caso, si osserva solo un
sottoinsieme della popolazione, definito tecnicamente come campione. Ad esempio, solo la
popolazione con un'età compresa tra i 15 e i 64 anni risponde al questionario dell'indagine.

Le fasi dell'indagine statistica (Survey) includono:

1. Definizione degli obiettivi dell'indagine: Questa fase implica la scelta precisa delle informazioni
da ricercare sul fenomeno d'interesse. Ciò include la selezione della popolazione, delle unità
statistiche e delle variabili, nonché la scelta delle classificazioni da utilizzare. È necessario anche
circoscrivere con precisione il territorio di indagine e definire il periodo temporale di riferimento.
2. Disegno: Nella fase di disegno, si decide se procedere con un'indagine totale o campionaria e si
seleziona il campione. Si determina anche se un'unità statistica debba far parte del campione o
meno.
3. Rilevazione dei dati: Una volta raccolto il campione, si procede con la rilevazione dei dati. Questo
comporta l'individuazione delle unità di rilevazione, come famiglie o imprese, e la persuasione degli
interessati a partecipare all'indagine. Durante la raccolta delle informazioni, è essenziale mantenere
un approccio neutro per evitare distorsioni influenzando le risposte. Inoltre, è importante lasciare
una buona impressione per agevolare futuri contatti.
4. Revisione e validazione: In questa fase, si individuano le fonti di errore e si procede con la
revisione e la validazione dei dati raccolti.
5. Elaborazione dei dati: Una volta raccolti e validati, i dati vengono elaborati utilizzando il metodo
di analisi più adatto al fenomeno studiato.
6. Presentazione e diffusione dei risultati: Infine, i risultati dell'analisi vengono presentati e diffusi
attraverso tabelle, grafici o rapporti sintetici, al fine di rendere i risultati accessibili e comprensibili
al pubblico interessato.

Tipi di Analisi Statistiche:

A seconda dell’obiettivo l’analisi può essere:
 Descrittiva: Questo tipo di analisi si concentra sulla descrizione di un insieme di unità statistiche.
 Inferenziale: L'analisi inferenziale mira a generalizzare le informazioni ottenute da un campione
all'intera popolazione di cui il campione è rappresentativo. Si tratta di estendere le conclusioni
ricavate dal campione alla popolazione di riferimento. È importante notare che non si ha mai
certezza assoluta su ciò che accade nella popolazione, ma si utilizzano misure di errore per stimare
il grado di precisione delle conclusioni.

A seconda del numero di variabili della popolazione, l'analisi può essere:

 Univariata: Questo tipo di analisi coinvolge lo studio di un solo carattere alla volta. Ad esempio, si
può analizzare il reddito o i consumi, prendendoli singolarmente.
 Bivariata: In questa analisi si studiano le relazioni tra due caratteri contemporaneamente. Ad
esempio, si può esaminare la relazione tra reddito e consumo degli italiani, considerandoli insieme.
 Multivariata: Qui si analizzano simultaneamente più caratteri e le relazioni che intercorrono tra di
essi. Si tratta di un'indagine complessa che tiene conto di molteplici variabili e delle interazioni tra
di esse.

Caratteristica (o carattere)
La caratteristica rappresenta il fenomeno oggetto dell'analisi statistica e consente di descrivere una
popolazione o un campione. Può manifestarsi attraverso diverse modalità, che devono essere
esaustive e non sovrapposte. Una caratteristica può essere:
 Qualitativa o mutabile: Si manifesta attraverso modalità.
 Quantitativa o variabile: Può assumere valori numerici.

Variabili qualitative: Le variabili qualitative possono essere di diversi tipi a seconda della relazione
tra le modalità che presentano.
 Variabili ordinali: Le modalità possono essere ordinate in base a una scala. Ad esempio, il livello
di istruzione (elementare, media, superiore).
 Variabili sconnesse: Le modalità non possono essere ordinate. Ad esempio, i colori preferiti.
 Variabili dicotomiche: Presentano solo due condizioni possibili. Ad esempio, occupato o
disoccupato.

Variabili quantitative: Le variabili quantitative si distinguono tra variabili discrete e continue in base
al tipo di valori che possono assumere.
 Variabili discrete: I valori sono generati da un processo di conteggio. Ad esempio, il numero di
auto possedute da una famiglia.
 Variabili continue: I valori possono essere espressi non solo come numeri interi, ma anche
decimali. Ad esempio, la distanza dalla città o il fatturato di un'azienda.

2. RAPPRESENTAZIONE DELLE VARIABILI

Dopo aver condotto la raccolta dei dati, è fondamentale per lo statistico sintetizzare efficacemente le
informazioni attraverso una classificazione delle modalità del carattere studiato. A seconda delle
necessità, i dati possono essere rappresentati in forma enumerativa, tabellare o grafica, e l'utilizzo di
una di queste modalità non esclude l'uso delle altre.
 La distribuzione statistica rappresenta un metodo essenziale per organizzare i dati in forma tabellare
ed è una delle rappresentazioni più significative dal punto di vista statistico. Essa consiste in un
elenco dei valori presenti all'interno del dataset o delle possibili modalità delle variabili
quantitative. Le distribuzioni di frequenza forniscono informazioni sul numero di volte in cui
ciascun valore o modalità si ripete all'interno del dataset e possono essere categorizzate in diversi
tipi di frequenza.
La tabella dei dati è costituita da una serie di valori relativi a un insieme di osservazioni,
rappresentando quindi una sequenza di valori o modalità.

Il carattere osservato è rappresentato dalla variabile X. Ogni singolo valore del carattere X è
indicato con xi, dove i varia da 1 a n, e la numerosità dei valori osservati è data da n.
Il termine k indica il numero di modalità e intensità di X. Le frequenze assolute sono indicate con
ni, dove i varia da 1 a k, e rappresentano il numero di volte in cui ciascuna modalità compare nelle
osservazioni. La somma delle frequenze assolute deve essere uguale a n.

 Le frequenze assolute forniscono informazioni su quali modalità sono più rappresentate nei dati,
identificando quelle con la frequenza maggiore. Per calcolare la frequenza assoluta, si conta quante
volte un determinato valore compare nei dati.
 La frequenza relativa si ottiene dividendo la frequenza assoluta per il totale delle frequenze
assolute. La somma delle frequenze relative è sempre 1.

 La distribuzione di frequenza percentuale semplice è una distribuzione che associa alle modalità che
può assumere la variabile X, sia essa quantitativa o qualitativa, il rapporto tra la frequenza assoluta
e il numero totale di unità osservate, moltiplicato per 100.
 La frequenza cumulata rappresenta la somma cumulativa delle frequenze. Si parte da un valore e si
incrementa con la frequenza del valore successivo, aggiungendo gradualmente le frequenze
precedenti. Questo concetto può essere applicato alle frequenze assolute, relative e percentuali.
Tuttavia, le frequenze cumulate hanno significato solo se esiste un ordinamento dei valori della
variabile X.

Classi
Per chiarire inequivocabilmente la posizione degli estremi delle classi, in statistica vengono
utilizzati specifici simboli:
 |― indica una classe chiusa a sinistra, comprendente il valore iniziale ma non quello finale. Ciò
significa che all'interno della classe sono inclusi valori maggiori o uguali al limite inferiore della
classe e minori del limite superiore.
 ―| indica una classe chiusa a destra, comprendente il valore finale ma non quello iniziale. Ciò
significa che all'interno della classe sono inclusi valori maggiori del limite inferiore della classe e
minori o uguali al limite superiore.
 |―| indica una classe chiusa, comprendente sia il valore iniziale che quello finale. Ciò significa che
all'interno della classe sono inclusi valori maggiori o uguali al limite inferiore della classe e minori
o uguali al limite superiore.

I limiti della classe rappresentano la sua misura minima e massima, definendo così l'intervallo della
classe. Ad esempio, per la classe 10―|25, l'intervallo di valori va da 11 a 25.
L'ampiezza della classe si calcola facilmente determinando la distanza tra i limiti consecutivi delle
classi, ovvero sottraendo il limite inferiore della classe successiva dal limite inferiore della classe
corrente. Ad esempio, per la classe 10―|25, l'ampiezza è pari a 15, calcolata come la differenza tra
il limite inferiore della classe successiva (26) e il limite inferiore della classe corrente (11).

La definizione delle classi di modalità deve soddisfare i seguenti requisiti:

 Il numero di classi deve essere sufficientemente ridotto per fornire una sintesi efficace delle
informazioni, ma allo stesso tempo abbastanza ampio da mantenere un livello accettabile di
dettaglio dell'informazione.
 Le classi devono essere disgiunte, il che significa che ogni modalità del carattere deve poter essere
assegnata a una e una sola classe.
 Le classi devono comprendere tutte le modalità del carattere.

Suddivisione in classi
La suddivisione in classi inizia con l'ordinamento dei valori dall'elemento più piccolo al più grande.
Successivamente, fissiamo il numero di classi k, basandoci sul numero di osservazioni nel nostro
dataset.
Una volta noto k, dobbiamo individuare l'ampiezza delle classi h, che rappresentano i sottointervalli
in cui suddividiamo i nostri dati. Per calcolare l'ampiezza, sottraiamo il valore minimo dal valore
massimo della distribuzione e dividiamo il risultato per il numero desiderato di classi k.
Una volta determinata l'ampiezza delle classi, che dovrebbe essere costante, possiamo identificare
gli estremi delle k classi. Infine, contiamo le frequenze in ciascuna classe per ottenere una visione
completa della distribuzione dei dati.

Rappresentazioni grafiche

Pittogramma: Il pittogramma è un diagramma simbolico

estremamente efficace nel comunicare i risultati di uno studio.
Spesso, si impiega l'icona di un omino per rappresentare una
unità di misura. Le linee di questo grafico delineano i valori
delle diverse categorie osservate all'interno di un determinato
fenomeno.

Aerogramma: L’aerogramma è un grafico in cui la distribuzione di

frequenza viene rappresentata suddividendo l’area di una figura
piana (quadrati, rettangoli, cerchi, semicerchi) in parti proporzionali
alle varie frequenze. Gli aerogrammi si utilizzano con variabili
qualitative e il più noto è il cosiddetto diagramma a torta (pie chart),
che divide l’area di un cerchio in settori proporzionali (le fette della
torta) alle frequenze delle rispettive categorie.
 Diagramma a anello: Al contrario del tradizionale diagramma a torta,
qui si visualizza soltanto la parte esterna, l'anello. Tuttavia, il concetto
rimane analogo. Le diverse sezioni di quest'anello rappresentano valori o
frequenze, proporzionali alla loro superficie.

Diagramma a radar: Questo tipo di diagramma offre Diagramma a barre: È in grado di rappresentare
la possibilità di confrontare diverse distribuzioni o sia variabili quantitative che qualitative.
variabili. Le linee più centrali indicano valori più bassi. - L'asse verticale è graduato numericamente.
- Per l'asse orizzontale, sebbene non sia un vero
asse, funge da riferimento grafico.
I valori discreti, essendo non continui, trovano
rappresentazione nei diagrammi a barre o a bastoni.

Ortogrammi
Gli ortogrammi sono grafici utilizzati per rappresentare variabili qualitative e quantitative discrete.
Essi riportano la distribuzione di frequenza su un piano cartesiano, disponendo su un asse le
modalità della variabile e sull’altro le corrispondenti
frequenze. Le modalità delle variabili sono
rappresentate da linee, rettangoli o parallelepipedi
aventi tutti base uguale ed equidistanti tra loro.
Linee, rettangoli e parallelepipedi possono essere
disposti verticalmente (diagramma a colonne o barre)
o orizzontalmente (diagramma a nastri), con altezza (o
lunghezza) proporzionale alle frequenze delle
corrispondenti modalità.

Diagramma a nastro: Si distingue per l'inversione

degli assi rispetto ai grafici tradizionali.

Istogrammi
Per le variabili quantitative discrete o continue raggruppate in classi si deve fare una differenza:
• se le classi hanno uguale ampiezza si può utilizzare l’istogramma a basi uguali. Ogni rettangolo ù
avrà come base un segmento corrispondente all’intervallo di valori e, per altezza, un segmento
uguale o proporzionale alla frequenza;
• se le classi hanno differente ampiezza non sarà possibile rappresentare, sull’asse delle ordinate, la
frequenza assoluta o percentuale. In realtà frequenze maggiori associate a classi di ampiezza
maggiore potrebbero essere giustificate dal fatto che tali classi includono un numero maggiori di
valori. È necessario, quindi, depurare le frequenze assolute rispetto all’ampiezza di ciascuna classe,
frequenzaassoluta
calcolando la densità di frequenza: d i=
ampiezza i−esima classe
La densità di frequenza è ottenuta come rapporto tra la frequenza della classe e la relativa ampiezza
della classe. Essa può intendersi come una misura dell’addensamento delle frequenze all’interno di
ciascun intervallo. Sarà la densità di frequenza ad essere posta sull’asse delle ordinate. La frequenza
di ciascuna classe corrisponderà all’area del rettangolo. Tale istogramma è definito a basi differenti.

Piramide dell’età
La Piramide dell'età è uno strumento molto diffuso per rappresentare
gli andamenti delle popolazioni. Consiste in una rappresentazione
delle distribuzioni per età della popolazione maschile e femminile,
evidenziando le variazioni in base all'età. Solitamente, la popolazione
femminile è rappresentata in arancione, mentre quella maschile in
azzurro. Per ogni età, viene visualizzato un rettangolo che mostra,
sull'asse orizzontale, il numero o la percentuale di residenti in un dato
territorio durante un determinato periodo, mentre sull'asse verticale
sono rappresentate le diverse fasce di età. Le aree più scure della
piramide indicano i valori dei residenti di origine straniera.
Il termine "piramide" deriva dal fatto che solitamente il grafico è più
largo nelle fasce di età più giovani e si restringe man mano che si
avanza nelle fasce di età più avanzate. Tuttavia, in alcuni casi, come
quello descritto, questo non avviene. Ad esempio, nella piramide descritta, la fascia di età più
significativa in termini numerici va dai trenta ai cinquantacinque anni.

Cartogramma
Il cartogramma è uno strumento cartografico che
utilizza una mappa geografica per rappresentare
l'intensità di una determinata variabile attraverso
l'uso di diversi colori. In questo contesto, la mappa
dell'Italia è suddivisa per regioni e colorata con
tonalità diverse in base alla densità di
popolazione. Regioni come Lombardia, Lazio e
Campania sono rappresentate con colori più
intensi, indicando una maggiore densità di
popolazione, mentre regioni come Valle d'Aosta e
Molise sono colorate con tonalità più chiare,
indicando una densità di popolazione inferiore.

L'istogramma è una delle rappresentazioni più comuni per le variabili quantitative suddivise in
classi. Quando affrontiamo variabili continue divise in classi, è essenziale indicare gli estremi di
queste classi tra un rettangolo e l'altro. Gli estremi delle classi individuano punti sull'asse
orizzontale. Se le classi hanno ampiezze diverse, non possiamo confrontare direttamente le
frequenze. L'istogramma si presenta come un grafico con un asse orizzontale quantitativo e un asse
verticale legato alla frequenza. Ad esempio, possiamo avere classi di età con frequenze specifiche,
con tutte le classi che hanno la stessa ampiezza.
Dal punto di vista organizzativo, sull'asse delle x, rappresentiamo i valori delle variabili, in modo
che ciascun punto alla base di un rettangolo corrisponda a un estremo delle classi.
 Possiamo utilizzare sia frequenze assolute che relative per rappresentare queste distribuzioni.
L'obiettivo principale di questo grafico è identificare dove si concentrano le frequenze più elevate,
per comprendere quali fasce o aree presentino maggiore concentrazione.
In situazioni più complesse, quando abbiamo variabili continue anziché discrete, dobbiamo
individuare gli estremi delle classi e costruire i rettangoli in modo appropriato in corrispondenza di
ciascuna coppia di estremi. In questi casi, poiché le classi hanno ampiezze diverse, non possiamo
confrontare direttamente le frequenze senza rischio di interpretazioni erronee.

L'istogramma possiede diverse proprietà:

 Base del rettangolo: Ogni rettangolo ha come base gli estremi delle classi. La base di ciascun
rettangolo corrisponde all'ampiezza di una classe. Gli estremi delle classi sono indicati come x i - xi+1
o xi-1 - xi, dove xi rappresenta l'estremo inferiore e xi+1 o xi-1 l'estremo superiore. L’ampiezza di una
classe è data dalla differenza tra l'estremo superiore e l'estremo inferiore di una classe.

 Area del rettangolo (classe): È data dalla base (ampiezza della classe) moltiplicata per l'altezza
(densità di frequenza). La densità di frequenza è definita come ni (frequenza assoluta) diviso per
l'altezza del rettangolo, quindi avremo:

Dove n è il numero totale di osservazioni (frequenza).

 Istogramma normalizzato: Se rappresentiamo la densità di frequenza nell'istogramma, le due classi

hanno un peso equivalente, ossia l'area del rettangolo sarà uguale alla frequenza relativa. Pertanto,
l'area totale sarà uguale a 1. Questo tipo di istogramma viene chiamato "normalizzato". Utilizzando
questo metodo, è possibile confrontare istogrammi che considerano la stessa variabile osservata in
situazioni diverse, poiché tutti gli istogrammi personalizzati avranno la stessa scala e saranno quindi
confrontabili.

Quando le classi hanno la stessa ampiezza, non cambia se si utilizza il grafico con frequenze
assolute o relative. Cambia solo quando le classi hanno ampiezze diverse.

Funzione di ripartizione empirica

Questo grafico rappresenta empiricamente l'andamento di una funzione, evidenziando le frequenze
relative cumulate di una distribuzione. Le frequenze relative cumulate partono da un valore iniziale
e si incrementano fino a raggiungere 1, mantenendo un andamento sempre crescente o, in alcuni
casi, costante.
L'interpretazione del grafico consiste nell'analizzare se vi sono tratti più inclinati o se la funzione
sale da 0 a 1 con un incremento costante. Il valore 0 corrisponde al punto iniziale prima della prima
classe. La pendenza del grafico è significativa poiché può indicare che una grande percentuale delle
osservazioni è concentrata in una sola classe, mentre le restanti sono distribuite nelle altre. Questo
fenomeno suggerisce che le unità statistiche, nonostante presentino valori compresi, siano simili tra
loro e concentrate nella prima classe.
Un'analisi del grafico permette di
valutare il grado di differenziazione tra
le unità statistiche e le variabili. Se la
funzione di ripartizione aumenta
gradualmente da 0 a 1 con incrementi
costanti tra le classi, ciò indica che le
frequenze relative sono simili tra loro e
che vi è una distribuzione equa tra le
classi. In questo contesto, il fenomeno
osservato assume valori diversi
rispetto al caso in cui vi sia una marcata concentrazione delle osservazioni in una sola classe.

Distribuzione doppia
In una tabella a doppia entrata, si analizzano due caratteri distinti. Ogni cella della tabella fornisce
la frequenza congiunta, cioè il numero di volte in cui entrambi i caratteri si verificano
simultaneamente.
Questa tabella presenta una riga e una colonna contenenti i totali rispettivamente delle colonne e
delle righe. Nell'ultima riga sono riportati i totali delle colonne, mentre nell'ultima colonna si
trovano i totali delle righe. Il totale generale è dato dalla somma di tutti gli elementi della riga e
della colonna.
Le righe e le colonne finali sono chiamate distribuzioni marginali, rappresentando la somma delle
frequenze per ciascuna variabile.

Tabella di correlazione
Analogamente alla tabella doppia, la tabella di correlazione confronta due variabili quantitative. Il
grado di relazione tra queste variabili viene misurato attraverso il coefficiente di correlazione.

Tabella mista
Questa tabella combina un carattere qualitativo e uno quantitativo, rappresentando una
combinazione di variabili di natura diversa.

Notazione
In una tabella doppia, abbiamo sempre utilizzato "ni" per indicare le frequenze, dove "n"
rappresenta le frequenze totali. In questo contesto, le frequenze congiunte si riferiscono alle due
dimensioni della tabella, ovvero alle due variabili presenti nelle righe e nelle colonne. Pertanto, è
fondamentale che ogni cella generica sia associata a una modalità di un carattere di entrambe le
variabili, sia delle righe che delle colonne.
Un approccio consiste nel rappresentare le frequenze utilizzando due valori, “i” e “j”, dove “i”
indica la posizione della riga e “j” indica la posizione della colonna. Ad esempio, "n 1,1" rappresenta
la frequenza situata all'intersezione della prima riga e della prima colonna. È importante notare che
il primo numero si riferisce alla riga e il secondo alla colonna.

Notazione nella calcolatrice matriciale: Per rappresentare i totali

di riga e colonna, noti come frequenze marginali, utilizziamo
sempre la lettera “n”, ma è essenziale adottare una notazione
chiara: anziché utilizzare un indice di colonna, adoperiamo un
punto per indicare che ci riferiamo alla riga. Ad esempio, n1 indica
il totale della prima riga.
 “n” senza indice e senza punto indica il totale dell'intera tabella.

Seguendo la stessa logica, possiamo denotare le

frequenze relative sostituendo la lettera “f” con “n”,
dove queste sono ottenute dividendo nij per il totale
della tabella. “nij“ rappresenta la frequenza congiunta
della modalità i del carattere x e della modalità J del
carattere y.

3. INDICI DI POSIZIONE
Sintetizzare significa trasformare un insieme di osservazioni e valori relativi a un numero n di unità
statistiche in un unico valore che rappresenti in modo conciso l'intero insieme. Tale processo
consente di condensare una vasta quantità di dati in una singola misura che riflette l'essenza delle
informazioni raccolte su queste n unità.
Gli indici possono essere suddivisi in due gruppi principali: il primo gruppo riguarda la posizione,
la variabilità e la forma dei dati, tipicamente relativi a distribuzioni con una sola variabile. Il
secondo gruppo, invece, comprende indici che considerano più variabili simultaneamente.

L'indice di Posizione, rappresentato principalmente dalla media, ci fornisce un unico valore che
indica la collocazione del fenomeno in esame rispetto a un insieme di numeri, offrendo una visione
generale dei valori con cui stiamo operando. Questo indice ci posiziona in un punto specifico
dell'insieme reale di dati, permettendoci di comprendere l'ordine di grandezza del fenomeno
analizzato. Un valore più alto o più basso indica rispettivamente la presenza di valori superiori o
inferiori nella distribuzione.

L'Indice di Variabilità riflette come le restanti osservazioni si discostano dal valore di posizione.
Quando i valori sono significativamente diversi tra loro, si parla di variabilità elevata. Ad esempio,
se la media è 28, ma tutti i dati sono uguali a 28, la variabilità è nulla poiché non vi è alcuna
discrepanza tra i valori.

Gli Indici di Posizione includono:

 Media: Ottenuta dalla somma di tutte le osservazioni divise per il numero totale di osservazioni.
 Moda.
 Quantili: mediana, quartili, decili e percentili.

Moda
La moda rappresenta il valore più frequente all'interno di una distribuzione e non viene individuata
mediante un calcolo specifico, ma osservando semplicemente quale valore si ripete più spesso. È il
punto di massima frequenza relativa o assoluta e caratterizza in modo significativo la distribuzione.
La sua identificazione dipende dalla frequenza con cui compare all'interno dei dati.
A differenza della media aritmetica, che richiede dati numerici per essere calcolata, la moda può
essere individuata anche in caratteri qualitativi poiché si basa sulla frequenza di occorrenza dei
valori e non su operazioni matematiche. Sebbene l'uso del termine "indice di posizione" per la moda
possa sembrare improprio poiché non posiziona su un asse numerico, ma piuttosto indica una scelta,
viene comunque utilizzato in quanto rappresenta un valore caratteristico della distribuzione, sia essa
qualitativa o quantitativa.
Quando si deve individuare la moda in una distribuzione di frequenza per un carattere quantitativo
suddiviso in classi di uguale ampiezza, si cerca la classe modale, ovvero la classe che contiene la
moda. Tuttavia, è importante notare che non si conosce esattamente il valore specifico della moda,
ma solo la classe in cui si trova. Questa è un'ipotesi, poiché tecnicamente non si può affermare con
certezza che all'interno della classe modale tutti i valori siano diversi tra loro; quindi, nessuno di
essi rappresenterebbe una moda. È possibile che la moda appartenga effettivamente a un'altra
classe.

Per semplificare, si considera la classe stessa come rappresentazione della moda anziché un valore
singolo. Se la distribuzione di frequenza è rappresentata tramite un istogramma, la classe modale
sarà quella che corrisponde al rettangolo più alto. Questo criterio semplificato permette di
identificare la moda visivamente, anche se in realtà si tratta di una stima basata sulla distribuzione
delle frequenze nelle classi.

Quando le classi non hanno la stessa

ampiezza, il modo più accurato per
confrontarle è utilizzare la densità di
frequenza, definita come il rapporto tra
la frequenza assoluta o relativa e
l'ampiezza della classe. La classe con la
densità di frequenza più alta sarà la
classe modale, visivamente rappresentata dall'istogramma tramite il rettangolo più alto. Questo
concetto si applica anche quando le classi hanno la stessa ampiezza.

In presenza di una distribuzione bimodale, si osserva che il numero più elevato di frequenze
appartiene a due modalità distintive, indicando che la distribuzione è caratterizzata da due picchi.
Al contrario, in una distribuzione zeromodale, tutte le frequenze sono uguali, non esiste quindi un
valore che si presenta più frequentemente rispetto agli altri all'interno della distribuzione.

Quantili
I quantili sono valori che vengono individuati lungo una distribuzione ordinata senza la necessità di
un calcolo specifico, ma piuttosto vanno identificati lungo la distribuzione ordinata. Nel caso in cui
i dati non siano già ordinati in modo crescente, è necessario porli in tale ordine.
Questi valori sono posizionati in modo da suddividere la distribuzione in parti di uguale numerosità,
ovvero in modo tale che ciascun quantile includa lo stesso numero di osservazioni.

Mediana
La mediana è l'indice che, quando si tratta di due gruppi di uguale numerosità, divide la
distribuzione in due parti contenenti lo stesso numero di osservazioni.
Per individuare la mediana, si procede lungo la sequenza ordinata dei dati fino a trovare il valore
che, posto al centro, equilibra il numero di osservazioni sia a sinistra che a destra di esso.
È importante sottolineare che la mediana caratterizza la distribuzione attraverso una suddivisione
delle osservazioni e non degli intervalli dei valori stessi.
In pratica, possono verificarsi due situazioni: se il numero totale di osservazioni è dispari, esiste un
unico valore centrale che rappresenta la mediana; se il numero totale di osservazioni è pari, non c'è
un singolo valore centrale e quindi si calcola la media aritmetica tra i due valori centrali.

Caratteri quantitativi discreti

 La mediana è determinata esclusivamente dai valori centrali della distribuzione, ignorando ciò che
accade ai margini della stessa. Questo aspetto può essere considerato un vantaggio quando si
sospetta la presenza di errori o valori anomali nella distribuzione, poiché tali valori errati non
influenzano la determinazione della mediana se si trovano ai margini.
Tuttavia, questo può anche rappresentare uno svantaggio in determinati contesti, poiché i valori
estremi possono essere rilevanti per l'analisi e non vengono considerati nella determinazione della
mediana. In alcuni casi, i valori estremi potrebbero essere cruciali per comprendere appieno la
distribuzione dei dati e la loro influenza sul fenomeno in esame. Pertanto, la mediana può risultare
superficiale se ci si concentra solo sui valori centrali senza considerare adeguatamente l'intera
gamma dei dati.

Distribuzioni di frequenza
Le distribuzioni di frequenza mostrano un quadro dettagliato della distribuzione dei dati. Tra le loro
caratteristiche, spicca la mediana, che rappresenta il valore centrale: il 50% dei dati lo precede e il
restante 50% lo segue. La mediana è facilmente individuabile tramite la frequenza relativa
cumulata, poiché al suo valore corrisponde esattamente il 50%. Quando si attraversa il punto 0,5
della frequenza relativa cumulata, si trova la mediana. Questo è il valore che equamente divide il
dataset in due parti uguali.

Nel caso particolare in cui si incontri un valore esattamente pari a 0,5 per la frequenza relativa
cumulata (F), la mediana è ottenuta calcolando la media tra il valore corrispondente a F=0,5 e il
valore successivo.

Caratteri qualitativi ordinali

Le modalità possono essere individuate in due categorie:
 x(Me-1) dove la frequenza relativa cumulata (F) associata a x(Me-1) è inferiore a 0,5.
 x(Me) dove la frequenza relativa cumulata (F) associata a x(Me) è maggiore o uguale a 0,5.

Qui, Me rappresenta la posizione della mediana, identificata come x(Me). Questa designazione viene
utilizzata perché tra le unità ni che presentano la modalità x(Me) sarà incluso sicuramente quella (se n
è dispari) o quelle (se n è pari) al centro del dataset.

Caratteri quantitativi continui

La classe mediana è quella in cui la funzione di ripartizione empirica passa esattamente per il punto
0,5.

Partendo da una distribuzione di frequenza, possiamo

rappresentarla su un istogramma con diverse classi,
ciascuna caratterizzata da un'altezza specifica. La classe
che contiene la mediana è distinguibile poiché in essa la frequenza relativa cumulata raggiunge il
50%.
All'interno della classe mediana, esiste un punto preciso in cui la
frequenza relativa cumulata assume il valore di 0,5.
Il nostro obiettivo è determinare la posizione esatta all'interno
della classe mediana.
Il segmento rosso rappresenta la base del rettangolo. Possiamo
calcolarne l'area, la quale corrisponde a 0,5 meno la frequenza
relativa cumulata della classe precedente alla mediana. Inoltre,
conosciamo l'altezza del rettangolo, che rappresenta la densità di
frequenza della classe mediana, ottenuta dividendo la frequenza
relativa per l'ampiezza della classe mediana.
Calcolando il rapporto tra l'area del rettangolo e la sua altezza, otteniamo la lunghezza del segmento
che desideriamo quantificare.

Quartili
I quartili sono tre punti che dividono la distribuzione in quattro gruppi di uguale numerosità. Il
secondo quartile coincide con la mediana, dividendo la distribuzione in due parti uguali, con il 50%
dei dati sia a sinistra che a destra. Per individuare il primo quartile, si cerca il primo valore di
frequenza relativa cumulata che supera 0,25, mentre per il terzo quartile si utilizza il valore 0,75.

Decili
I decili sono nove valori che dividono la distribuzione in dieci gruppi di uguale numerosità. La
formula per calcolare i decili è la stessa usata per la mediana e i quartili, con la differenza che il
valore fisso può essere 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8 o 0,9.

Percentili
I percentili sono 99 valori che dividono la distribuzione in 100 gruppi di uguale numerosità. La
formula per calcolare i percentili è simile a quella dei decili, dei quartili e della mediana, con la
differenza che il valore fisso può variare da 0,01 a 0,99. I percentili sono utili soprattutto in
distribuzioni molto numerose e vengono impiegati per confrontare il reddito individuale, valutare i
parametri di crescita dei bambini e altro ancora.

Media
La media aritmetica si determina attraverso la logica della trasferibilità di un attributo. Essa
consente di valutare in che misura ciascuna osservazione si discosti dall'equa distribuzione
dell'attributo X.
 Proprietà media aritmetica
 Internalità: La media di una distribuzione è sempre compresa tra il suo valore minimo e massimo.
 Proprietà Baricentrica: La differenza tra ciascun valore osservato e la media è il relativo scarto.
La somma di tutti gli scarti rispetto alla media è nulla, poiché gli scarti positivi e negativi si
compensano reciprocamente.
 Linearità: Se una variabile Y è una trasformazione lineare di una variabile X, cioè Y = α + βX,
allora la media di Y può essere ottenuta applicando la stessa trasformazione lineare alla media di X.
 Associatività: Se le unità statistiche sono suddivise in gruppi, la media complessiva è uguale alla
media ponderata dei gruppi, dove i pesi sono determinati dalle dimensioni dei gruppi.
 Minimizzazione della somma degli scarti al quadrato: La somma dei quadrati degli scarti
rispetto a un qualsiasi valore δ raggiunge il suo valore minimo solo quando δ coincide con la media
aritmetica μ.

Come scegliere tra media e mediana?

La mediana è un indice robusto che non è influenzato da valori anomali. Si utilizza la media quando
è necessario considerare tutti i valori, mentre si preferisce la mediana se si desidera evitare che i
valori estremi influenzino il risultato. La mediana minimizza la somma degli scarti in valore
assoluto, mentre la media minimizza la somma degli scarti al quadrato.

La somma dei valori assunti da un insieme di n unità statistiche è pari al valore medio moltiplicato
per il numero di unità, rappresentando così la loro rappresentatività.
La media si colloca sempre tra il valore più piccolo e quello più grande del carattere, evidenziando
un principio di internalità.
La somma algebrica delle differenze tra un insieme di numeri e la loro media risulta essere zero,
evidenziando la presenza di scarti nulli.
La somma dei quadrati delle differenze tra un insieme di numeri e qualsiasi altro numero raggiunge
il suo minimo solo se quest'ultimo corrisponde alla media, caratterizzando così una condizione di
minimo.
Se n valori sono divisi in k gruppi, allora la media di tutti i valori è ottenuta mediante la media
ponderata di tutte le medie dei gruppi, illustrando un principio di associatività.
Inoltre, la media aritmetica rimane invariata rispetto a trasformazioni lineari dei valori considerati,
dimostrando così la sua linearità.

4. INDICI DI VARIABILITÀ
Variabilità e Informazione
Lo studio di un fenomeno risulta significativo soltanto quando questo si manifesta con variazioni di
modalità o intensità tra un individuo e l'altro. Prendiamo ad esempio l'analisi del reddito in una
specifica regione: diventa imprescindibile osservare unità statistiche con redditi differenziati.
L'osservazione di unità con redditi uniformi risulterebbe futile, poiché non apporterebbe alcuna
informazione di rilievo. La variabilità di un fenomeno varia a seconda di quanto le sue
caratteristiche si differenziano reciprocamente.

Indici statistici di variabilità:

 Esistono diversi approcci per misurare la variabilità nei dati. Gli indici si distinguono a seconda
dell'aspetto che considerano per quantificare la variabilità e definire la sua entità.
1. Dispersione rispetto a un centro: Questo tipo di indice valuta la distribuzione dei dati intorno a un
punto centrale. Prendiamo ad esempio la media, che fornisce un'indicazione dell'ordine di
grandezza del fenomeno in esame. Il valore della media ci fornisce un punto di riferimento,
permettendoci di comprendere la scala dei valori coinvolti nel fenomeno. Tuttavia, poiché la media
rappresenta solo un punto, è importante considerare la distribuzione complessiva dei dati.
Osservando un insieme di dati, ci saranno unità statistiche con valori inferiori, superiori o uguali
alla media. La media rappresenta il baricentro fisico della distribuzione, e i valori si distribuiscono
attorno ad essa. Gli indici di dispersione rispetto a un centro ci permettono di valutare quanto le
osservazioni si discostano dal valore centrale.
2. Mutua variabilità: Questo tipo di indice valuta la variazione tra le singole coppie di osservazioni,
anziché tra ciascuna osservazione e un punto centrale. In altre parole, misura quanto le unità
statistiche si differenziano l'una dall'altra.
3. Mutevolezza delle frequenze: Questo tipo di indice è specificamente utilizzato per variabili
qualitative e tiene conto delle frequenze con cui compaiono determinate categorie, anziché
considerare le singole variabili delle unità statistiche.

Variabilità e Funzione di Ripartizione Empirica:

Campo di variazione: Il campo di variazione rappresenta la differenza tra il valore minimo e il
valore massimo di un determinato carattere osservato in un dato insieme di osservazioni. Più ampio
è il range, più varie possono essere le caratteristiche assunte dalle unità statistiche, indicando una
maggiore variabilità. Tuttavia, questa misura è grezza poiché può essere influenzata in modo
significativo dalla presenza di valori anomali, cioè valori particolarmente alti o bassi che si
discostano dall'andamento prevalente del carattere. Questi valori anomali possono estremizzare il
campo di variazione, diventando il minimo e il massimo valore della distribuzione.

Differenza interquantile: Invece di considerare il valore minimo e massimo, la differenza

interquantile taglia una piccola percentuale dalla distribuzione sia a destra che a sinistra. Ad
esempio, prendendo il 10% dei dati a destra e a sinistra, ci si riferisce al primo e al nono decile,
evitando così di utilizzare il range tra il minimo e il massimo.

Differenza interquartile: L'indice della differenza interquartile si distingue come una misura ancor
più robusta rispetto al campo di variazione.

Indici di variabilità rispetto a un centro

La selezione del centro dipende dai dati a disposizione. In questo contesto, si utilizza la varianza,
un indice che valuta le differenze tra ciascuna osservazione e la media, comunemente chiamate
"scarti". La varianza si calcola come la media aritmetica dei quadrati degli scarti. Ogni osservazione
presenta delle differenze rispetto alla media: valori più elevati si discostano maggiormente dalla
media, mentre valori più vicini presentano differenze minori. Le differenze maggiori indicano una
maggiore variabilità, mentre differenze minori indicano una variabilità inferiore. Calcolando la
media di queste differenze, otteniamo un valore che rappresenta la variabilità complessiva dei dati
rispetto alla media. Tuttavia, grazie alla proprietà baricentrica, la somma degli scarti dalla media è
sempre uguale a zero. Per evitare questo inconveniente, eleviamo le differenze al quadrato prima di
calcolare la media. Questo indice risultante, noto come varianza, è sempre maggiore di zero e
aumenta proporzionalmente alla variabilità dei dati all'interno della distribuzione.
 Questo indice rappresenta la media degli scarti
elevati al quadrato. Il valore di questo indice sarà
pari a zero quando tutti i valori osservati (xi)
coincidono con la media, indicando quindi
l'assenza di variabilità. Tuttavia, tale indice
aumenta proporzionalmente alla presenza di
scarti significativi nella distribuzione dei dati,
evidenziando una maggiore varianza e una
maggiore dispersione delle unità statistiche
rispetto alla media.
Avremo espressioni diverse a seconda del tipo di rappresentazione dei dati da cui partiamo:
1) una successione di n valori
2) una distribuzione di frequenza: l'espressione prevede la sommatoria delle differenze tra ciascun
valore e la media, moltiplicata per la frequenza assoluta di ogni valore, divisa per il numero totale di
valori nella serie.
3) Per una distribuzione in classi di frequenza, l'espressione è simile a quella della distribuzione di
frequenza, ma invece di considerare i singoli valori, si considerano le classi di valori e le relative
frequenze.

Esempio distribuzione di frequenza

Nel gruppo di osservazioni

considerato, i clienti acquistano in media 3,97 bottiglie, con una deviazione standard di 2,41.
Calcolando la radice quadrata di 2,41, otteniamo il valore di 1,56, che possiamo interpretare come
la deviazione standard. Pertanto, affermiamo che la variabilità è di 1,56.
Esiste anche una formula alternativa per calcolare la varianza:

Scarto Quadratico Medio

Il concetto di scarto quadratico medio consiste nella radice quadrata della varianza. Questo indice è
direttamente connesso alla varianza stessa. È preferito perché la varianza, essendo una somma degli
scarti elevati al quadrato, presenta un'unità di misura non omogenea rispetto al fenomeno studiato.
La sua radice quadrata, al contrario, è espressa nella stessa unità di misura del carattere analizzato,
consentendo di interpretarla come uno scarto medio intorno alla media.

Indici Assoluti, Relativi e Normalizzati

La varianza ci fornisce una misura di variabilità. Tuttavia, quando otteniamo un valore di varianza,
possiamo solo determinare se è zero o maggiore di zero, poiché la varianza è sempre un valore
positivo. Questo ci colloca nell'ambito degli indici assoluti, che non forniscono alcuna indicazione
sull'entità della variabilità, in quanto manca un riferimento massimo per confrontare il valore
ottenuto. Sarebbe vantaggioso disporre di un indice relativo, il quale, con un range noto (valore
minimo e massimo), ci permetterebbe di valutare la variabilità e la sua intensità.
 Tra gli indici relativi, troviamo una categoria particolare: gli indici normalizzati. Questi indici, i cui
valori sono compresi tra 0 e 1 e si conosce il loro valore minimo e massimo, consentono
interpretazioni ancora più efficaci.

Massima Variabilità: Il massimo valore che la varianza può assumere, e quindi la massima
variabilità, dipende da due elementi variabili da distribuzione a distribuzione: la media al quadrato e
la numerosità delle osservazioni.

La varianza è sempre minore o uguale a questa determinata quantità. È essenziale calcolare questo
indice relativo in base alla specifica distribuzione.

Indici di Variabilità Relativa:

Coefficiente di Variazione: Il coefficiente di variazione mette in relazione la media e lo
scarto quadratico medio. Questo indice, rappresentato da un numero puro, è indipendente
dall'unità di misura e può essere utilizzato per confrontare distribuzioni diverse. Ha la
particolarità di avere un intervallo di valori compreso tra 0 e la radice quadrata di (n-1),
rendendolo un indice relativo grazie alla presenza di un valore massimo e minimo.

Scarto Quadratico Medio Relativo

Il rapporto tra il valore assunto dello scarto e il suo
massimo possibile per la distribuzione costituisce lo
scarto quadratico medio relativo. In questo caso, lo scarto quadratico è normalizzato. Il vantaggio di
questo indice risiede nella sua capacità di indicare se un risultato si avvicina più a 0 o a 1. È
importante notare che, nonostante il nome contenga "relativo", in realtà l'indice è normalizzato
poiché si situa tra 0 e 1.

Proprietà della Varianza

 La varianza è un valore compreso tra 0 e infinito, sempre positivo.
 Esprime la variabilità nell'unità di misura del carattere osservato, elevata al quadrato.
 Esiste la possibilità di utilizzare una formula alternativa.
 Non Linearità della Varianza: Quando una variabile X è soggetta a una trasformazione lineare che la
converte in una variabile Y attraverso un'altra trasformazione lineare, la media di Y, indicata come
alfa più beta, corrisponde alla media di X (Y = α + βX). Tuttavia, a differenza della media, la
varianza non segue la proprietà della linearità ma, piuttosto, manifesta una non linearità.
Se Y è una trasformazione lineare di X, la varianza di Y può essere ottenuta moltiplicando la
varianza di X per il quadrato del coefficiente di trasformazione beta.

 Decomposizione della Varianza: La decomposizione della varianza si basa sulla suddivisione delle
unità statistiche in gruppi. In questo contesto, possiamo considerare l'intero insieme di osservazioni
come un'unica entità e calcolare la varianza complessiva, indipendentemente dall'appartenenza dei
singoli dati ai gruppi.
Questa decomposizione rivela che la varianza totale può essere
espressa come la somma di due componenti:
 La varianza interna, che misura la variabilità all'interno di ciascun
gruppo, ovvero quanto le unità statistiche si discostano dalla media
del proprio gruppo.
 La varianza esterna, che misura quanto i gruppi differiscono tra
loro. Se le medie di tutti i gruppi sono vicine alla media totale, la
 varianza esterna sarà minore, indicando una minore differenza tra le medie dei gruppi e la media
complessiva.

Questa logica è comunemente utilizzata per valutare l'effetto di una variabile qualitativa su una
variabile quantitativa. Tipicamente, quando analizziamo insieme questi due tipi di variabili, è la
variabile quantitativa a definire gli equilibri.

Devianza: La devianza, indice che costituisce il numeratore della

varianza, rappresenta la somma degli scarti al quadrato, non
normalizzata per il numero di osservazioni (n). È sempre un valore
positivo e presenta una formula alternativa. Inoltre, gode della non
linearità e può essere decomposta.

Scostamento Semplice Medio

 Dalla Media: Simile alla varianza nella sua struttura di
calcolo, tuttavia, anziché considerare i quadrati degli scarti,
tiene conto dei valori assoluti. Questo indice è espresso nella
stessa unità di misura della variabile considerata.
 Dalla Mediana: Questo scostamento è calcolato rispetto alla mediana anziché alla media. È preferito
in presenza di valori anomali. Poiché la mediana rappresenta un valore centrale, è meno influenzata
dagli estremi della distribuzione e resta stabile anche in presenza di errori nei dati.

5. RELAZIONI TRA DUE CARATTERI

Principio sottostante alla valutazione della relazione tra X e Y
Esaminiamo tre scenari distinti:
 il primo coinvolge variabili di tipo misto, in cui una è qualitativa e l'altra quantitativa
 il secondo riguarda entrambe le variabili come quantitativi
 il terzo considera entrambi i casi come qualitativi.
Ci chiediamo se un cambiamento in una delle variabili influisce sull'altra (esiste una correlazione) o
se rimane invariata (le variabili sono indipendenti). Questa logica è comune a tutte e tre le
situazioni. Il metodo per valutare la risposta di Y al cambiamento di X varia in base alla natura di X
e Y stesse.

Relazioni statistiche
La connessione tra le due variabili prende nomi diversi:
1) Associazione (bidirezionale): una relazione reciproca tra due caratteri qualitativi.
2) Dipendenza (unidirezionale): una relazione di causa-effetto
 Dipendenza media tra due caratteri misti
 Dipendenza lineare tra due caratteri quantitativi
3) Interdipendenza (bidirezionale): una relazione di dipendenza reciproca tra due caratteri quantitativi
 Correlazione lineare
Un carattere di tipo quantitativo e uno di tipo qualitativo (dipendenza in media)
Esaminiamo un carattere quantitativo suddiviso in classi e un
carattere qualitativo che genera gruppi di osservazioni. In questo
contesto, l'area geografica determina gruppi di regioni del nord, del
centro e del sud. L'obiettivo è valutare se esista un effetto dell'area
geografica sul reddito medio, da cui il concetto di dipendenza in
media. Vogliamo verificare se il carattere qualitativo dipende in
media dal carattere quantitativo. Al variare di uno dei due caratteri,
l'altro cambia o rimane invariato? Quando l'area geografica varia,
il reddito varia o rimane costante? Se osserviamo profonde
disparità nei redditi medi tra le diverse aree geografiche, possiamo
dedurre l'esistenza di un effetto dell'area geografica sul reddito medio. Non ha senso considerare la
relazione inversa: se al variare del reddito, l'area geografica cambia o meno.

Poiché disponiamo di modalità del carattere qualitativo che definiscono questi gruppi, l'approccio
consiste nell'esaminare le medie del reddito rispetto alle tre classi generate dall'area geografica.
Quando trattiamo una distribuzione doppia e calcoliamo le medie parziali (rispetto ai diversi gruppi
generati dalla variabile qualitativa), ottenere risultati precisi può essere estremamente complesso.

Dobbiamo determinare se le variazioni nei redditi tra nord, centro e sud siano attribuibili alla
variabilità intrinseca del reddito o se dipendano dall'effetto dell'area geografica. Se le oscillazioni
delle medie dei tre gruppi sono ridotte, ciò indica che la variazione è principalmente dovuta alla
varietà dei redditi individuali. Al contrario, se le differenze sono significative, allora l'effetto
dell'area geografica potrebbe essere rilevante.

Per calcolare i valori medi, applichiamo la proprietà associativa della media aritmetica e utilizziamo
la decomposizione della varianza. Questa decomposizione consente di suddividere la varianza totale
del fenomeno in due componenti: varianza interna ed esterna. Questo concetto è cruciale poiché il
carattere qualitativo definisce i gruppi. La varianza esterna ci aiuta a comprendere se le differenze
medie sono dovute alla variazione interna tra le regioni (nord, centro e sud) o se sono influenzate
dalla variabile "area geografica".

Ad esempio, consideriamo se il fatturato cambia in base al settore merceologico, ovvero se esiste un

effetto del settore merceologico sul fatturato. Se il fatturato rimane costante, ciò suggerisce
l'assenza di un effetto significativo del settore merceologico; viceversa, se si osservano variazioni
significative, l'effetto del settore merceologico potrebbe essere rilevante. L'indice ETA, basato sulla
decomposizione della varianza, è uno strumento utile per valutare questo tipo di relazione.
La scomposizione della varianza riveste un ruolo fondamentale nell'analisi statistica. Se le medie
dei gruppi sono tutte identiche, coincidendo con la media complessiva, allora la varianza esterna è
pari a zero e la varianza interna equivale alla varianza totale.
Tuttavia, se le medie dei gruppi differiscono tra loro, ciò indica che esiste una varianza esterna
maggiore di zero e una varianza interna minore della varianza totale.
La varianza esterna misura l'importanza delle differenze tra le medie, ovvero la variabilità delle
medie. Quando rapportiamo la varianza esterna alla varianza totale, otteniamo un indice che ci
fornisce una misura dell'importanza relativa della variabilità delle medie rispetto alla variabilità
complessiva.

L'indice ETA (η) o ETA-quadro (η2), essendo il rapporto tra la varianza esterna e la varianza totale,
assume sempre valori compresi tra 0 e 1. In analisi reali, non si verificano mai i due valori estremi.
Quando l'indice è pari a 0, indica che la varianza esterna è nulla; quindi, le medie sono tutte uguali e
vi è una perfetta indipendenza in media. Al contrario, quando l'indice è pari a 1, si verifica una
perfetta dipendenza in media, indicando che l'effetto della variabile quantitativa sulla variabile
qualitativa raggiunge il massimo valore.

Esercizio

Valori centrali delle classi: 12,5 ; 17,5 ; 22,5 ; 27,5

La varianza esterna mostra un'incidenza significativamente elevata rispetto alla varianza totale. Ciò
evidenzia un'impronta decisa dell'area geografica sul reddito.
Due caratteri di tipo qualitativo
Valutiamo se esiste una relazione tra i due caratteri al variare di uno dei due, ossia se vi è un legame
reciproco tra di essi, senza che uno sia antecedente all'altro.
Consideriamo il legame bidirezionale: si tratta di una relazione reciproca in cui entrambi i caratteri
sono coinvolti contemporaneamente.

Ad esempio, prendiamo in esame due caratteri come il colore dei capelli e della pelle. Supponiamo
che i capelli possano essere neri o biondi, mentre la pelle può essere chiara o scura. È ragionevole
aspettarsi un'associazione tra questi due caratteri: ci aspettiamo che ci siano più individui con
capelli neri e pelle scura rispetto a individui con capelli biondi e pelle chiara.
D'altro canto, consideriamo due altri caratteri in cui non esiste alcun legame evidente, come il
colore dei capelli e il genere televisivo preferito. In questo caso, non ci sono aspettative riguardo
alle frequenze e possiamo ipotizzare una distribuzione casuale.
In sintesi, le frequenze possono fornire un'indicazione sull'esistenza di una relazione tra le variabili.
Se le frequenze sono equilibrate, non c'è associazione; se alcune modalità prevalgono nettamente su
altre, vi è una relazione tra i due caratteri considerati.
È importante notare che non sempre si analizzano frequenze assolute e che le tabelle a doppia
entrata possono essere interpretate sia per righe che per colonne. Inoltre, consideriamo una
relazione bidirezionale, che implica una dipendenza sia dalle righe alle colonne che dalle colonne
alle righe. Pertanto, esaminiamo le distribuzioni condizionate, prendendo in considerazione le righe
e le colonne interne alla tabella.

Osservando le frequenze assolute, notiamo un valore particolarmente

elevato: 312. Questo valore spicca rispetto agli altri e potremmo
interpretarlo come un'associazione attrattiva tra la marca dei succhi
(MM) e i capelli neri.

Per ottenere una visione più chiara delle relazioni tra i due caratteri,
eseguiamo il calcolo dei profili riga. Questo processo consiste nel
dividere ciascun valore della tabella per il totale di riga, creando così
distribuzioni condizionate. I nuovi totali di riga saranno tutti uguali a 1.
Applichiamo lo stesso procedimento anche per le distribuzioni
marginali, dividendo il totale di colonna per il totale della tabella. In
questo modo, il valore sbilanciato di 312 scompare. I profili riga
diventano tutti uguali tra loro, indicando un'uguaglianza nelle
distribuzioni condizionate di riga.
Confrontando le distribuzioni dei capelli rispetto alla scelta, notiamo
che sono tutte simili. Ciò suggerisce che il comportamento del carattere
"colore dei capelli" non varia tra le due modalità di scelta.
In questo contesto, non osserviamo variazioni nell'uno rispetto all'altro
carattere al variare dell'altro. Di conseguenza, possiamo concludere che
vi è un'indipendenza tra i due caratteri.
Possiamo fare lo stesso discorso al contrario, con le colonne.

Condizione di indipendenza per le frequenze

Per garantire l'indipendenza di Y da X, è necessario che tutti i valori dei profili
colonna siano identici (pij = pi.). Per calcolare "pij", dividiamo il valore "nij" per
"n.j", che è lo stesso di "nj." diviso “n”. Ogni frequenza dovrebbe corrispondere al
totale della riga diviso per il totale della colonna, il tutto diviso per il totale della
tabella.
Ragionando allo stesso modo per i profili riga, purché ci sia
indipendenza di X da Y, è necessario che tutti i valori dei profili
colonna siano identici (pij = p.j).

Indipendentemente dal punto di partenza, sia che consideri

l'indipendenza delle righe dalle colonne o viceversa, si giunge alla stessa condizione per la
frequenza della cella "ij". Le frequenze risultanti sono comunemente denominate "teoriche".

Connessione
Indice Chi-quadro (Χ2): basato sulla somma dei quadrati delle differenze tra
le frequenze teoriche e le frequenze osservate.
Se i due caratteri sono indipendenti, le frequenze osservate saranno
esattamente uguali alle frequenze teoriche, che rappresentano la condizione
di indipendenza. In tal caso, tutti i termini della sommatoria saranno nulli (indicando l'assenza di
connessione tra X e Y). Se le frequenze differiscono, ciò indica una mancanza di indipendenza.
Maggiore è la discrepanza rispetto alle frequenze teoriche, maggiore è la forza della connessione tra
X e Y.

Esempio: Abbiamo una tabella a doppia entrata di frequenze osservate.

Prima di valutare l'indipendenza, calcoliamo l'indice chi-

quadro, ma prima dobbiamo determinare le frequenze
teoriche e i totali.

Procediamo con la costruzione della tabella delle

frequenze teoriche, "nij cappello".
n11* = (1261 × 9573)/13851

Questa tabella fornisce i valori che ci aspetteremmo di osservare se i caratteri fossero indipendenti.
Tuttavia, poiché le frequenze osservate differiscono da quelle teoriche, possiamo dedurre che non
esiste indipendenza tra i caratteri.
Nota: Le frequenze teoriche, contenendo numeri decimali, sono stime e possono includere valori
decimali. L'assoluta coincidenza tra frequenze teoriche e osservate è rara; l'importante è
comprendere l'entità della discrepanza. Non esiste una soglia precisa per determinare la forza del
legame.

Per valutare l'indice chi-quadro,

consideriamo che è sempre positivo
e valutiamo l'entità della sua
grandezza. Il valore massimo di chi-
quadro varia a seconda del numero
totale di osservazioni e della
struttura della tabella (numero di
righe e colonne). In questo caso, il
valore massimo di chi-quadro è
uguale a n(min(r,c) - 1), dove n è
13851 e il minimo tra righe (2) e
colonne (3) è 2.

Indice V di Cramer
L'indice V di Cramer fornisce una misura
della forza dell'associazione tra le variabili.
In questo caso la connessione non è così
robusta.
Indice T di Tchuprov
Un altro indice utilizzato è l'Indice T di Tchuprov, normalizzato e derivato dalla radice quadrata
dell'indice V di Cramer, cioè √T.

Indice Phi-quadro di Fisher

Un'altra misura di associazione è l'Indice Phi-quadro di Fisher,

che, a differenza di T di Tchuprov, non è normalizzato.

Formulazione alternativa
Esiste una formulazione alternativa per calcolare il Chi-quadro,
particolarmente utile quando si trattano frequenze basse. In questo
caso, si considera la somma delle righe e delle colonne della tabella
delle frequenze, moltiplicata per il rapporto delle frequenze al
quadrato, meno uno. È importante notare che in questo metodo non è
necessario calcolare le frequenze teoriche.

Perfetta dipendenza unilaterale e bilaterale

Nel caso bilaterale, la tabella presenta lo stesso numero
di righe e colonne. Parliamo di perfetta dipendenza
quando, dato uno specifico valore per una delle due
variabili, il valore dell'altra variabile è univocamente
determinato. In questo scenario, tutte le frequenze, ad
eccezione di quelle lungo la diagonale della tabella,
sono pari a zero. Ciò significa che vi è una sola
frequenza diversa da zero in ciascuna riga e colonna,
indicando una massima dipendenza tra le variabili.
Conoscere il valore di una variabile implica
automaticamente conoscere il valore dell'altra.

Nel caso della dipendenza unilaterale, vi è una sola frequenza

diversa da zero per ciascuna colonna, ma non
necessariamente per ciascuna riga. Ad esempio, conoscere il
 tipo di scelta non implica automaticamente conoscere il tipo di negozio. Analogamente, potremmo
avere una sola frequenza diversa da zero per ciascuna riga, ma non per ciascuna colonna. In
entrambi i casi, la conoscenza di una variabile non implica automaticamente la conoscenza
dell'altra.

Due caratteri di tipo quantitativo

Per esaminare l'associazione tra variabili quantitative, dobbiamo considerare sia l'interdipendenza
tra di esse che il grado di indipendenza reciproca. Questo significa esplorare attentamente se esista
un legame bilaterale tra le due variabili e valutare quanto l'influenza di una variabile sull'altra sia
indipendente.

Legame bilaterale
Quando le variabili X e Y variano, è fondamentale
determinare se esista un legame tra di esse. Per
illustrare questo concetto, consideriamo gli 8
studenti come punti su un diagramma cartesiano,
posizionati in base alle loro coordinate su entrambe
le variabili. Questo diagramma, noto come
diagramma di dispersione, riveste un ruolo cruciale nell'analisi dell'eventuale relazione tra le due
variabili. L'osservazione della disposizione dei punti ci fornisce importanti indicazioni: una forma
allungata e inclinata suggerisce una connessione tra le variabili. Ad esempio, l'aumento dei valori
della variabile X è generalmente associato a un aumento dei valori della variabile Y. Tuttavia, è
importante notare che questa relazione può non essere valida per tutti i punti: ci possono essere
eccezioni in cui un aumento del voto al test non si traduce necessariamente in un aumento del voto
in matematica, nonostante la tendenza generale sia quella di una correlazione positiva.

Covarianza
La covarianza è un indice che quantifica il tipo di legame esistente tra due variabili.
Matematicamente, è definita come:
Nella formula, si calcolano gli scarti dalla
media per entrambe le variabili e si
moltiplicano tra loro. Il punto nel grafico
cartesiano in cui si intersecano le medie di X
e Y rappresenta il baricentro della
dispersione.

È importante notare che il valore della

covarianza può essere sia positivo che
negativo, e il suo segno fornisce
informazioni cruciali sull'associazione tra le
variabili. Considerando i quattro settori
formati dalle rette nel grafico, possiamo
trarre le seguenti conclusioni:
 Se entrambi gli scarti sono positivi, il prodotto dei due scarti sarà positivo.
 Se entrambi gli scarti sono negativi, il prodotto dei due scarti sarà positivo.
 Se uno dei due è negativo e l'altro positivo, il prodotto dei due scarti sarà negativo.

L'analisi dei punti distribuiti nei settori positivi e negativi fornisce un'indicazione chiara
dell'andamento delle variabili rispetto all'asse x: se i punti predominano nei settori positivi, la
covarianza sarà caratterizzata da scarti positivi; al contrario, se prevalgono nei settori negativi, i
 termini saranno principalmente negativi. In sostanza, una covarianza positiva indica che,
all'aumentare di X, aumenta anche Y, indicando un legame diretto di interdipendenza positiva tra le
variabili. Viceversa, una covarianza negativa suggerisce una relazione inversa: all'aumentare di X,
diminuisce Y, evidenziando un legame inverso di interdipendenza tra le variabili.
La covarianza assume valori compresi tra meno e più infinito. Quando è uguale a zero, indica
l'assenza di relazione tra X e Y, con una distribuzione equa dei punti nei quattro settori del grafico.
In questo caso, non emerge alcuna forma particolare che suggerisca un legame diretto o inverso tra
le variabili.

Esempio:
Esaminiamo tre distribuzioni doppie, ognuna comprendente due
variabili.

Nel primo caso, osserviamo una predominanza di punti nei

quadranti che generano termini positivi della covarianza. Qui, al
crescere della variabile X, la variabile Y mostra un incremento
corrispondente.

Nel secondo caso, notiamo una maggiore concentrazione di punti nei settori che producono termini
negativi della covarianza. In questo contesto, un aumento della variabile X corrisponde a una
diminuzione della variabile Y.

Nel terzo caso, la covarianza assume un valore prossimo allo zero. Non riscontriamo una prevalenza
di punti in nessuno dei quattro settori del piano cartesiano. In questa situazione, la covarianza vicina
a zero non consente di stabilire con certezza se esista un legame diretto o inverso tra le variabili
esclusivamente dall'analisi grafica.

Riassumendo…

Esempio di calcolo:
Procedura di Calcolo della Covarianza:
1) Calcolare le Medie: Calcolare la media delle variabili X
e Y.
2) Calcolare gli Scarti: Per ciascuna osservazione, calcolare lo scarto tra il valore della variabile X e la
media di X, e tra il valore della variabile Y e la media di Y.
3) Calcolare i Prodotti degli Scarti: Moltiplicare tra loro gli scarti ottenuti per X e Y.
4) Sommare i Prodotti degli Scarti: Sommare tutti i prodotti degli scarti ottenuti nel passaggio
precedente.

L'Indice Normalizzato di Covarianza (Rho):

Questo indice, normalmente compreso tra 1 e -1, è noto come
coefficiente di correlazione. Nel caso in cui il coefficiente sia
molto vicino a 1, indica una forte concordanza tra le variabili,
stesso vale per un
valore vicino a -1.

Il coefficiente di correlazione
varia da valori molto bassi a valori più alti, e questa
variazione determina la disposizione dei punti nel grafico.
Quando il coefficiente di correlazione si trova al centro
dell'intervallo, cioè intorno a zero, i punti si
distribuiscono casualmente e non presentano un
allineamento particolare.

Nella fascia centrale dell'intervallo, il coefficiente si

sposta da 0 verso 1, indicando un allineamento dei punti
in una retta crescente, o verso -1, indicando un
allineamento in una retta decrescente. È importante notare
che la correlazione più debole non è associata al valore -1,
ma al valore 0.
Nella prima fascia dell'intervallo:
 Se il coefficiente è uguale a 0, i punti sono distribuiti casualmente, senza un allineamento evidente.
 Se il coefficiente è pari a 1, i punti si dispongono in modo da formare una retta crescente.
 Se il coefficiente è pari a -1, i punti si allineano invece in una retta decrescente.

Esercizio
X Y X-MX Y-MY (X-MX)( Y-MY) (X-MX)2 ( Y-MY)2
1 4 -3,9 -1,3 5,07 15,21 1,69
4 3 -0,9 -2,3 2,07 0,81 5,29
3 9 -1,9 3,7 -7,03 3,61 13,69
6 6 1,1 0,7 0,77 1,21 0,49
7 9 2,1 3,7 7,77 4,41 13,69
9 5 4,1 -0,3 -1,23 18,81 0,09
7 6 2,1 0,7 1,47 4,41 0,49
5 2 0,1 -3,3 -0,33 0,01 10,89
4 5 -0,9 -0,3 0,27 0,81 0,09
3 4 -1,9 -1,3 2,47 3,61 1,69
TOT = 49 TOT = 53 Devianze 50,9 48,1
 M(X) = 4,9 M(Y) = 5,3 Varianze 5,09 4,81

Codevianza = 11,3
Covarianza = 1,13

SQM(Varianze): √ 5 , 09=2,256 √ 4 ,81=2,193

1 , 13
ρ= =0,228
2,156 ⋅2,193
Cod ( x , y ) 11, 3
ρ= = =0,228
√ Dev ( x ) Dev ( y ) √50 , 9 ⋅48 , 1
L'assenza di una relazione tra due variabili diventa evidente quando non osserviamo alcun
allungamento significativo nella dispersione dei punti nel grafico. Questo scenario persiste anche
quando la nube dei punti non assume una forma circolare. Nel caso in cui la variabile Y non mostri
né un aumento né una diminuzione
costante al variare della variabile X,
ci troviamo di fronte a una
situazione di indifferenza.

In tali circostanze, non

consideriamo un legame di interdipendenza tra le due variabili, ma piuttosto consideriamo la
variabile X come un antecedente logico della variabile Y. Ci chiediamo se la variazione di X
influenzi direttamente la variazione di Y, senza che quest'ultima ne determini a sua volta una. In
questa situazione, X è considerata indipendente, mentre Y dipendente da X. Analizzeremo quindi in
che misura l'effetto di X si riflette su Y.

Regressione lineare
La regressione lineare è un metodo utilizzato per studiare la
relazione tra due variabili quantitative, X e Y, in cui X è considerata
la variabile indipendente e Y la variabile dipendente. Si ipotizza che
esista una relazione lineare del tipo y = α + βx.

Il parametro α rappresenta il valore che Y assume quando X è

uguale a 0. In altre parole, α non dipende da X. Il parametro β, noto
come coefficiente angolare, misura la variazione di Y associata a
una variazione unitaria di X. Un aumento del coefficiente angolare
indica un incremento maggiore di Y rispetto a una retta con un
angolo più piccolo. Quindi, β rappresenta l'effetto di X su Y.
L'obiettivo della regressione lineare è quello di calcolare l'equazione della retta che meglio si adatta
ai dati osservati, rappresentati dai punti nel piano cartesiano, in modo da minimizzare le discrepanze
tra i valori osservati e quelli predetti dalla retta.

Cos'è un Modello?
Un modello è una rappresentazione matematica di un fenomeno reale, espressa mediante funzioni,
equazioni e altre forme, che permette di definire i legami tra le varie caratteristiche del fenomeno.

Modello Lineare: In un contesto statistico, un modello lineare è spesso rappresentato

dall'equazione y = α + βx. L'interpolazione consiste nel calcolare i parametri α e β.
Per la statistica, un modello è un insieme di ipotesi sui dati che si presume approssimino in modo
sufficientemente accurato il meccanismo probabilistico che li ha generati.
Fenomeno Deterministico: Quando un fenomeno può essere descritto completamente da una
funzione, ad esempio quando si considerano due variabili X e Y allineate lungo una retta, si tratta di
un fenomeno deterministico. In questo caso, conoscendo la funzione, si conosce interamente il
fenomeno, e non c'è variabilità nella relazione.

Fenomeno Stocastico o Aleatorio: Nel caso di un fenomeno stocastico, osservando due variabili, si
possono incontrare punti che si distribuiscono attorno a una retta, ma non lungo di essa. Questo
perché, ad uno stesso valore di X, possono corrispondere diversi valori di Y, non esiste quindi una
relazione univoca. In questo contesto, la retta rappresenta
un'approssimazione matematica della relazione, ma nel
fenomeno reale esiste una componente casuale che non può
essere spiegata dalla funzione matematica. Questo è ciò che
definiamo "errore", la parte della variabilità che non può
essere modellizzata tramite una funzione matematica.

Pertanto, nel caso di un fenomeno stocastico, c'è una parte

spiegabile attraverso una funzione lineare e una parte casuale
che il modello non riesce a spiegare.

La prima espressione descrive la relazione ipotetica tra le

variabili X e Y, rappresentata da una retta immaginaria. Questa retta ipotetica è una
rappresentazione teorica della relazione tra le variabili, la cui forma e pendenza non sono ancora
note.
La seconda espressione, invece, si riferisce alla retta che vogliamo stimare a partire dai dati
osservati. Qui, yi diventa y cappello (ŷ), che rappresenta il valore predetto di Y sulla retta stimata,
mentre a e b sono le stime dei parametri α e β. Il parametro a è la stima dell'intercetta, mentre b è la
stima del coefficiente angolare.

Partendo da un diagramma di dispersione con punti già osservati,

l'obiettivo è trovare la retta che meglio si adatta a questi punti. Utilizzando
un criterio di minimizzazione delle distanze, cerchiamo la retta che si
avvicina il più possibile ai punti osservati. La retta migliore è quella che
minimizza le differenze tra i valori osservati e i valori previsti sulla retta,
ottenendo così una stima ottimale dei parametri α e β.

Il residuo svolge un ruolo cruciale nel determinare la retta ottimale,

che è quella che minimizza la somma dei residui. Tuttavia, è
possibile calcolare il residuo solo dopo aver stabilito la retta, la
quale è individuata quando la somma dei quadrati dei residui è
minima.

Metodo dei minimi quadrati

I valori che rendono minima sono:
 Il coefficiente angolare b è intrinsecamente
correlato al segno della covarianza: sarà positivo quando la covarianza è positiva e negativo quando
la covarianza è negativa. Il segno di b fornisce quindi un'indicazione immediata sulla natura del
legame tra X e Y: se positivo, indica una relazione diretta (corrispondente a una retta inclinata
positivamente), mentre se negativo, indica una relazione inversa (corrispondente a una retta
inclinata negativamente). Se b assume il valore 0, ciò suggerisce l'assenza di un legame lineare tra
X e Y.
Esempio

Indice di Determinazione Lineare

L'indice di determinazione lineare valuta quanto bene il modello si adatta ai dati osservati.

Si può dimostrare che il quadrato della

distanza tra y e ŷ può essere suddiviso in
due parti: dalla variabile dipendente Y al
valore previsto ŷ (devianza residuale) e dal
valore previsto ŷ al valore stimato y'
(devianza di regressione). La devianza
residuale rappresenta quanto il modello sia
accurato rispetto ai dati osservati: se è elevata per tutti i punti, il modello potrebbe non adattarsi
adeguatamente ai dati.

L'indice di bontà, noto come R2, è dato dal rapporto tra la devianza di regressione e la devianza di y.

L'indice di determinazione lineare, comunemente indicato come R 2, è un indice normalizzato che

varia da 0 a 1. Assume il valore 0 quando la devianza di regressione è nulla, il che significa che tutta
la discrepanza è attribuibile alla devianza residuale. In questo caso, tutti i punti previsti ŷ si trovano
sulla media, rendendo la retta di regressione orizzontale.
Quando R2 è uguale a 1, significa che la devianza residuale è nulla e i punti osservati y si trovano
esattamente sulla retta di regressione. Questo indica una relazione lineare perfetta tra le variabili,
caratterizzata da una funzione deterministica.
Il coefficiente di correlazione al quadrato è equivalente a R2, offrendo una misura alternativa della
bontà dell'adattamento del modello lineare ai dati osservati.
Esempio:
Consideriamo due variabili: il numero totale di dipendenti e il numero di dipendenti laureati,
registrati in un campione di sette aziende.

x
e

y indicano le medie.

In presenza di una correlazione nulla, osserviamo una

dispersione di punti che non segue un particolare allungamento.
La covarianza si avvicina a zero, così come il coefficiente di
correlazione e R2, i quali riflettono l'assenza di una relazione
lineare tra le variabili. Questi tre
indicatori forniscono
informazioni sulla covarianza tra
le variabili.
 6. PROBABILITÀ
Utilizziamo la descrizione del campione per inferire il
comportamento dell'intera popolazione. Il campione
viene estratto con criteri che lo rendono rappresentativo
della popolazione, cercando di rifletterne le caratteristiche.
Ad esempio, nel caso si voglia stimare il reddito pro capite di una città, è necessario selezionare un
campione, come ad esempio 300 unità statistiche (abitanti). È importante distribuire queste 300
unità in modo diverso su tutta l'area, così da avere zone con tenore di vita basso e altre con tenore di
vita alto.
Una volta ottenuto il campione, è possibile calcolare il reddito medio della popolazione. Tuttavia,
per valutare se questa media rappresenti accuratamente il valore medio della popolazione, è
essenziale considerare il rischio di errore associato all'uso della media campionaria come stima
della media effettiva. Poiché non possiamo mai conoscere il vero risultato, né ottenere certezza
assoluta nella scelta del campione, l'inferenza statistica ci consente di valutare il rischio di errore,
ossia la probabilità di commettere un errore nella nostra stima.
Per quantificare il rischio di errore, dobbiamo comprendere da cosa deriva questo errore. Esso
deriva dal fatto che osservando un campione, è plausibile che se ne estraessimo un altro, i risultati
potrebbero essere diversi. Quanto più i campioni possono variare tra loro, tanto maggiore è la
variabilità del fenomeno all'interno della popolazione, e di conseguenza maggiore è il rischio di
errore.

Il momento dell'analisi
Il concetto di probabilità si riferisce a situazioni che non sono ancora state osservate. Dopo aver
effettuato l'osservazione di un fenomeno, si entra nel campo della certezza, mentre prima ci si trova
nell'ambito dell'incertezza.

Certezza:
 Variabili statistiche: si riferiscono a fenomeni che possono assumere diversi valori e modalità.
 Distribuzioni di frequenza
 Rappresentazioni grafiche che includono la funzione di ripartizione empirica, che traccia
l'andamento delle frequenze relative cumulate, e l'istogramma, che mostra la distribuzione delle
frequenze di un carattere x suddiviso in classi sull'asse y, rappresentando la densità di frequenza.

Incertezza:
 Variabili casuali: equivalenti alle variabili statistiche ma relative a un momento precedente
all'osservazione, rappresentano fenomeni non ancora osservati.
 Distribuzioni di probabilità: permettono di elencare i possibili valori e conoscere la probabilità con
cui tali valori possono manifestarsi.
 Rappresentazioni grafiche: includono la funzione di ripartizione, precursore logico della funzione di
ripartizione empirica, che illustra l'andamento delle probabilità, e la densità di probabilità.

La varianza svolge un ruolo cruciale poiché, se ipotizziamo in modo estremo che la variabilità sia
nulla, tutte le unità statistiche sarebbero identiche, rendendo la statistica superflua. In uno scenario
in cui la varianza è zero, ogni campione sarebbe identico, rendendo la scelta di un campione rispetto
 a un altro irrilevante e non comportando alcun rischio di errore. Saremmo in una situazione in cui
basterebbe osservare una singola unità statistica.
Quando la varianza è maggiore di zero, indica che esiste un'informazione significativa da acquisire.
La popolazione è composta da unità statistiche diverse tra loro, così come i campioni, quindi
l'estrazione di un campione rispetto a un altro produce sempre un risultato diverso. Di conseguenza,
più i campioni sono eterogenei, maggiore è il rischio di errore nel sistema statistico.

Legami logici tra gli elementi principali dell'inferenza

 Le variabili casuali sono definite dalle loro distribuzioni di probabilità e possono essere
categorizzate in:
- Univariate: discrete o continue
- Bivariate: includono il valore atteso, la varianza, la covarianza e la correlazione
 Le combinazioni lineari di variabili casuali: valore atteso e della varianza.
 Il Teorema Limite Centrale stabilisce che, per una combinazione lineare di variabili casuali di cui
non è conosciuta la distribuzione singolarmente, la distribuzione tende a una distribuzione normale.
 Le distribuzioni che derivano dalla normale.

Teoria della probabilità

La teoria della probabilità riguarda la possibilità di occorrenza di un evento futuro, ponendoci in
una fase antecedente al suo manifestarsi. Questo concetto è regolato da elementi teorici e formali,
quali insiemi di assiomi e teoremi che forniscono una misura della probabilità che un fenomeno si
verifichi.
Elementi fondamentali della probabilità:
 Esperimento casuale: consiste in un processo che produce risultati. La probabilità è sempre
associata all'occorrenza di un evento specifico, definito come uno dei risultati di tale esperimento
casuale. Ad esempio, il lancio di un dado genera una serie di risultati, ognuno dei quali rappresenta
un evento. I risultati di un esperimento casuale presentano due caratteristiche intrinseche: sono
necessari (poiché almeno uno dei possibili risultati deve verificarsi) e incompatibili (poiché soltanto
un risultato può manifestarsi alla volta).
 Condizione di incertezza: ci troviamo di fronte a un esperimento non ancora svolto, il quale
potrebbe produrre diversi risultati, ma dei quali non siamo a conoscenza.

I risultati potenziali di un esperimento possono essere enumerati o elencati in alcuni casi, mentre in
altri casi, come ad esempio nel caso della previsione del tasso di inflazione dell'anno successivo, ciò
non è possibile poiché i risultati sono infiniti.

Teorie e Calcolo della Probabilità

Nella teoria della probabilità, esistono diverse impostazioni che consentono di definire in modo
variegato gli elementi fondamentali della stessa teoria e di ottenere misure diverse della probabilità.

1. La prima impostazione è l'impostazione assiomatica, che individua tre elementi primitivi della
probabilità:
1) Prova: un esperimento il cui risultato non è prevedibile con certezza.
2) Evento: un possibile risultato di una prova.
3) Probabilità: un numero associato alla possibilità che si verifichi un evento.
L'impostazione assiomatica include anche gli assiomi, che sono regole fondamentali che governano
l'assegnazione delle probabilità.

2. La seconda impostazione è quella classica, in cui la probabilità di un certo risultato è determinata

dal rapporto tra il numero di casi favorevoli al verificarsi di quel risultato e il numero totale di casi
possibili, assumendo che questi siano tutti ugualmente probabili. Tuttavia, questa teoria non è
 applicabile quando i risultati non possono essere considerati tutti equiprobabili o quando il numero
di casi possibili non è finito.

3. Impostazione soggettiva: in cui la probabilità rappresenta il grado di fiducia che un individuo ha

nell'occorrenza di un certo evento. Una critica a questa impostazione è che le valutazioni della
probabilità possono variare da individuo a individuo.

4. Impostazione frequentista: secondo cui, all'aumentare del numero di prove (con un numero che
tende all'infinito), la probabilità dell'evento A coincide con la frequenza relativa di tale risultato, a
condizione che tutte le prove si svolgano nelle stesse circostanze. Una critica a questa impostazione
è che non sempre tutte le prove si svolgono nelle stesse condizioni.

Lo spazio campionario (o campione) Ω

Nella trattazione di questa teoria, l'uso degli strumenti derivanti dalla teoria degli insiemi riveste un
ruolo fondamentale. Gli insiemi vengono impiegati per descrivere gli spazi associati agli
esperimenti casuali. Un concetto cruciale è quello di spazio campionario, il quale, associato
all'esperimento casuale, fornisce l'insieme di tutti i possibili risultati ottenibili da una prova
(esperimento casuale).
All'interno dello spazio campionario, suddividiamo gli eventi in semplici o elementari (costituiti da
un solo risultato) e composti (combinazioni di risultati possibili). Inoltre, ci sono due casi estremi:
l'evento certo (costituito dall'intero spazio campionario) e l'evento impossibile (un insieme vuoto,
che non contiene alcun elemento del campione). All'evento certo è associata una probabilità pari a
1, mentre a quello impossibile è associata una probabilità pari a 0.

Possiamo impiegare le operazioni tra insiemi per definire le combinazioni di eventi elementari e
composti. Gli eventi composti possono essere considerati come l'unione di più eventi elementari.
L'unione di due insiemi costituisce un insieme che contiene gli elementi presenti in entrambi gli
insiemi, mentre l'intersezione tra due insiemi è un insieme che include solo gli elementi comuni a
entrambi.
Gli assiomi del calcolo delle probabilità ci consentono di dedurre le caratteristiche necessarie
affinché un numero possa essere considerato una misura di probabilità:
1) La probabilità è sempre rappresentata da un numero compreso tra 0 e 1.
2) Il valore 1 è associato alla probabilità dello spazio campionario (evento certo).
3) Se consideriamo l'unione di due eventi nello spazio campionario, la probabilità di tale unione è
uguale alla somma delle probabilità dei due eventi se i due eventi sono incompatibili, ovvero se la
loro intersezione è nulla.

Esempio
Operazioni sugli eventi
Unione: è formata da tutti gli elementi che appartengono sia all'insieme A che all'insieme B. In
questo contesto, non possiamo applicare il terzo assioma, poiché gli eventi non hanno intersezione
nulla e quindi non sono incompatibili.

Intersezione: Per calcolare la probabilità

dell'intersezione, si utilizza l'impostazione classica: si
determina il numero di casi favorevoli e si divide per il
numero totale di casi possibili. Ad esempio, se abbiamo
un insieme di 10 casi, di cui 2 favorevoli all'evento di
interesse, la probabilità sarà 2/10.

Negazione: Ad
esempio, se
consideriamo
l'evento di
ottenere un numero pari, la sua negazione, indicata come A
complementare, consiste nell'ottenere un numero dispari.

Relazione tra Eventi

Due eventi incompatibili sono quegli eventi che non
possono verificarsi simultaneamente. Dal punto di vista
grafico, sono rappresentati da due insiemi la cui intersezione
è vuota. In pratica, il verificarsi di uno implica
automaticamente la non-verifica dell'altro in un dato esperimento casuale.

Partizione dello Spazio Campionario: Lo

spazio Ω è un insieme di eventi necessari e
incompatibili, in cui le intersezioni sono
nulle.

Inclusione: Se un evento A è incluso in un evento B, allora il verificarsi di A implica

automaticamente il verificarsi di B. In altre parole, si dice che A implica B.

Principali Teoremi del Calcolo delle Probabilità

Il terzo teorema integra quanto stabilito dal terzo assioma

del calcolo delle probabilità. Presi due eventi A e B, la
probabilità dell'unione di A e B è data dalla somma delle
probabilità dei due eventi, meno la probabilità della loro
intersezione. Quando ci troviamo di fronte a due eventi
con intersezione nulla, questa relazione diventa il terzo
assioma.
Eventi Subordinati
Esiste una relazione tra due eventi tale per cui la conoscenza della verifica di uno influisce sulla
nostra valutazione della probabilità dell'altro. Esempi di questo sono la probabilità che una squadra
vinca una partita dopo essere in vantaggio di 3 reti a 0 alla fine del primo tempo, o la probabilità di
estrarre un numero maggiore di 7 (B) sapendo che il numero è pari (A).

Probabilità Condizionata
Una relazione tra due eventi può influenzare la probabilità dell'altro. Ciò avviene perché valutare la
probabilità di A rispetto all'intero spazio campionario è diverso dall'avere la conoscenza che si è
verificato B, poiché lo spazio campionario si riduce a B. La nuova quantificazione sarà
l'intersezione tra A e B rispetto a B, quindi si calcola il rapporto tra la probabilità di A intersezione
B e la probabilità di B. Questa probabilità è detta probabilità di A dato B, ovvero la probabilità che
A si verifichi dato che B si è verificato.

Indipendenza Stocastica
Due eventi A e B sono indipendenti se il verificarsi di uno non modifica la probabilità dell'altro. Se
la probabilità di A dato B è uguale alla probabilità di A, allora il verificarsi di B non influenza la
probabilità di A, e viceversa. La probabilità di A moltiplicata per la probabilità di B è uguale alla
probabilità dell'intersezione tra A e B.
La dichiarazione di indipendenza tra due eventi non implica che siano incompatibili; possono
comunque avere un'intersezione. Tuttavia, se due eventi sono incompatibili, allora non sono
indipendenti.

Variabile casuale
La variabile casuale è una funzione il cui dominio è lo spazio campionario, associando a ciascun
evento un numero reale. In altre parole, essa traduce gli eventi in numeri, partendo dall'insieme di
eventi (Ω) e associando a ciascuno di essi un valore nel campo dei numeri reali.
Se consideriamo l'osservazione di un fenomeno come un esperimento, essa darà luogo a vari
risultati, ossia ai diversi valori che il fenomeno può assumere. Ad esempio, se osserviamo il reddito
di un gruppo di individui, i possibili valori osservati saranno i risultati dell'esperimento.

La variabile casuale, quindi, associa ai risultati di un esperimento una serie di numeri reali. Ma non
si ferma qui: associa a ciascun numero un valore di probabilità, che è sempre compreso tra 0 e 1.
Prendiamo ad esempio il lancio di una moneta. Gli esiti possibili sono "Testa" (T) e "Croce" (C),
due eventi qualitativi. Definiamo una variabile casuale X come il numero di teste ottenute nel lancio
di una moneta, quindi X può essere 1 se esce testa e 0 se non esce.

Per associare i valori delle probabilità, scriviamo P(xi) = P(X = xi). Ad esempio, avremo:
xi P(xi)
0 ½
1 ½
TOT = 1
Il totale delle probabilità assegnate ai singoli valori della variabile casuale è sempre 1.

La tabella rappresenta la distribuzione delle quantità

della variabile casuale, che diventa nota una volta che
la sua distribuzione di probabilità è definita. Questo
permette di fare ragionamenti basati su valori e le
probabilità associate ad essi.
Tutto ciò che è qualitativo può essere trasformato in una
variabile casuale, trasferendo così l'informazione in una
forma quantitativa.

Le variabili casuali si distinguono in due categorie

principali: discrete e continue.

Le variabili casuali discrete assumono valori discreti e di solito derivano da un processo di

conteggio. Ogni singolo valore che la variabile può assumere è
indicato con xi, mentre pi rappresenta la probabilità associata a ogni
valore xi. È importante notare che tutti i valori di probabilità p1 sono
maggiori di zero e la somma di tutti i valori di probabilità è sempre
uguale a 1. Questo tipo di variabile casuale è solitamente
rappresentato graficamente su un asse x, dove xi è l'asse delle ascisse
e pi è l'asse delle ordinate.

D'altra parte, le variabili casuali continue sono definite su un

intervallo continuo e i loro valori possono assumere un numero infinito
di possibilità all'interno di tale intervallo. La loro distribuzione è
rappresentata da una curva continua, che esprime la funzione di densità
di probabilità f(x). Questa funzione non esprime direttamente la
probabilità che la variabile casuale assuma un valore specifico xi, ma
piuttosto la probabilità che essa cada in un intervallo infinitesimale
intorno a X.

Funzione di densità di propabilità

La funzione di densità di probabilità è fondamentale nel determinare la probabilità di un evento ed è
sempre associata a un'area. Affinché una funzione di densità di probabilità f(x) sia ben definita,
devono sussistere due condizioni necessarie.
In primo luogo, la funzione di densità di probabilità deve essere non negativa, quindi f(x) deve
essere maggiore o uguale a zero per ogni valore di x. In
secondo luogo, l'integrale da meno infinito a più infinito di
f(x) dx deve essere uguale a 1. In termini grafici, ciò
significa che l'area al di sotto della curva che rappresenta la
funzione di densità di probabilità è sempre unitaria,
indipendentemente dalla forma specifica della curva stessa.

Il valore atteso e la varianza sono due parametri fondamentali che caratterizzano una variabile
casuale e forniscono informazioni significative sulla distribuzione di probabilità associata ad essa. Il
valore atteso rappresenta il valore medio o centrale della distribuzione e offre un'indicazione del
punto di riferimento della variabile casuale. La varianza,
d'altra parte, descrive la dispersione dei dati attorno al valore atteso e fornisce informazioni sulla
consistenza dei dati rispetto alla loro media.

Funzione di ripartizione
La funzione di ripartizione è una misura della probabilità che la
variabile casuale X assuma valori minori o uguali a un dato valore
x0 (X ≤ x0). In altre parole, essa rappresenta la probabilità che X
non superi il valore x0.
Nel caso discreto, la funzione di ripartizione è la somma delle
probabilità di tutti i valori della variabile casuale fino al punto x0.

Esempio variabile discreta

Nel caso continuo, la funzione di ripartizione è rappresentata

dall'integrale da meno infinito a x0 della funzione di densità di
probabilità. In termini pratici, rappresenta l'area sotto la curva della
funzione di densità di probabilità fino al punto x0.

La funzione di ripartizione è non decrescente: all'aumentare di x0,

l'area sotto la curva può aumentare o rimanere costante, ma non
diminuire. La sua definizione è limitata tra 0 e 1.

Inoltre, possiamo calcolare la probabilità di un intervallo

determinato calcolando l'integrale dalla estremità inferiore
all'estremità superiore della funzione di densità di probabilità.

Per attribuire probabilità a fenomeni reali, è essenziale ridurli a schemi teorici, inquadrandoli come
possibili risultati di un esperimento casuale e traducendoli in variabili casuali. L'obiettivo nell'uso di
modelli di variabili casuali è determinare la probabilità dei possibili valori della variabile casuale o
degli intervalli di valori nel caso di variabili continue.

Normale
La distribuzione normale, anche conosciuta come distribuzione gaussiana, è caratterizzata da due
parametri fondamentali: il valore atteso e la varianza. Questi parametri definiscono univocamente
una variabile casuale X distribuita secondo una distribuzione normale. Si possono avere infinite
variabili casuali normali, ognuna con caratteristiche
diverse in base ai valori del valore atteso e della
varianza.
La distribuzione normale presenta una forma
campanulare simmetrica, dove il punto più alto
coincide con il valore atteso della distribuzione.

Il parametro σ (sigma), che rappresenta la

deviazione standard, indica la distanza tra i punti di flesso della curva e il punto medio. Maggiore è
il valore di sigma, maggiore è la dispersione dei dati intorno al valore atteso e
quindi la varianza della distribuzione. Quando la curva si allarga, si abbassa
perché l'area sotto la curva deve rimanere costantemente uguale a 1.
Il valore atteso determina la posizione della curva lungo l'asse x reale, mentre il
parametro σ2 ne regola la larghezza.

Un'integrale della distribuzione normale da meno infinito a più infinito è

sempre uguale a 1, il che significa che l'area totale sotto la curva della
distribuzione normale è unitaria.

La funzione di ripartizione della distribuzione normale rappresenta

l'area sotto la curva dalla estrema sinistra della distribuzione fino al
punto x0. Nel punto medio della distribuzione, il valore della funzione di
ripartizione è 0.5. La probabilità associata al punto medio è pari a 1/
1 .
√2 π σ 2

Supponiamo di avere una variabile casuale X

distribuita normalmente con media 170 e varianza 100, quindi X ~ N(170, 100). In questo contesto,
l'intervallo compreso tra 160 e 180 centimetri rappresenta un intervallo di un σ, in quanto la
deviazione standard (sigma) è la radice quadrata della varianza,
ovvero 10.
Se vogliamo calcolare la probabilità che un individuo abbia
un'altezza compresa tra 172 e 175 centimetri, possiamo utilizzare la
funzione di densità di probabilità (f(x)) della distribuzione normale e calcolare l'integrale tra 172 e
175 di questa funzione.

Tuttavia, possiamo semplificare questo calcolo utilizzando il processo di standardizzazione. Per fare
ciò, generiamo una nuova variabile casuale Z chiamata standardizzata, definita come
X−μ(media)
Z= . Questa trasformazione porta qualsiasi variabile casuale normale ad una forma
σ
standard con media 0 e varianza 1.
- σ = -1 e σ = 1
Il vantaggio è che gli estremi tra i quali è compresa X si possono standardizzare.

Legami tra la v.c. Normale e la sua standardizzata

Il legame tra la variabile casuale normale e la sua versione standardizzata si esprime nel seguente
modo:
Probabilità per una variabile casuale X:

dove f(x) è la funzione di densità di probabilità della variabile casuale

normale X.

Probabilità per una variabile casuale standardizzata Z:

dove f(z) è la funzione di densità di probabilità della
variabile casuale normale standardizzata Z e F(z0) è la sua
funzione di distribuzione cumulativa.

Dalle tavole della distribuzione normale standard, si ha che: F(z) = 1 - F(-z)

Da questa relazione, possiamo dedurre che: F(-z) = 1 - F(z)
Una variabile casuale X che segue una distribuzione normale ha una certa media μ e una deviazione
standard σ. La funzione di densità di probabilità f(x) descrive la probabilità di trovare X in un dato
intervallo.
Variabile casuale standardizzata: La variabile casuale standardizzata Z è ottenuta
normalizzando X sottraendo la media μ e dividendo per la deviazione standard σ:

Variabili Casuali Legate alla Normale

1. Distribuzione Chi-quadro: La somma dei quadrati di g variabili casuali normali standardizzate

indipendenti segue una distribuzione chi-quadro con g gradi di libertà:

2. Distribuzione t di Student: Il rapporto tra una variabile casuale normale standardizzata e la radice
quadrata di una variabile casuale chi-quadro, indipendente dalla prima, divisa per i propri gradi di
libertà, segue una distribuzione t di Student con g gradi di libertà:

3. Distribuzione F di Fisher-Snedecor: Il rapporto tra

due variabili casuali chi-quadro indipendenti,
ciascuna divisa per i propri gradi di libertà g1 e g2, segue una distribuzione F di Fisher-Snedecor con
g1 e g2 gradi di libertà:

Variabile Casuale Uniforme Continua

Una variabile casuale uniforme continua è generata da un esperimento il cui meccanismo
probabilistico (ad esempio, un ago ruotante, il rotolamento di una pallina perfettamente sferica,
ecc.) porta alla determinazione di un numero reale che, per motivi fisici, è compreso in un intervallo
delimitato.
Se X è una variabile casuale uniforme continua nell'intervallo [a, b], allora X ~ U(a, b). La
funzione di densità di probabilità f(x) è definita come:

Momenti:
Valore atteso (media): E(X) = (a + b)/2
Varianza: Var(X) = (b - a)2 /12

Caso particolare: X ~ U(0,1)

Quando X segue una distribuzione uniforme continua nell'intervallo [0, 1], i momenti sono:
Valore atteso (media): E(X) = 1/2
Varianza: Var(X) = 1/12

Funzione di Ripartizione della Variabile Casuale Uniforme Continua

Per una variabile casuale X distribuita uniformemente nell'intervallo
[a, b], la funzione di ripartizione cumulativa F(x) è definita come:

Sottointervalli di Pari Ampiezza Hanno la Stessa Probabilità: Nella distribuzione uniforme

continua, qualsiasi sottointervallo di uguale lunghezza ha la stessa probabilità. Questo riflette la
natura uniforme della distribuzione, dove ogni valore all'interno dell'intervallo [a, b] è
equiprobabile. La probabilità che la prova generi un numero reale compreso in un certo
intervallo è proporzionale alla lunghezza dell’intervallo stesso.

Modelli di variabili casuali

Un modello di variabile casuale (v.c.) è una funzione nota, f(x), che associa a ogni valore x di una
v.c. X la corrispondente probabilità.
Obiettivo: Calcolare la probabilità per tutti i valori che X può assumere.

Per le variabili casuali discrete la funzione è definita come f(x) = p(xi)

Per ogni possibile valore xi della v.c. X, la funzione p(xi) fornisce la probabilità che X sia uguale a
xi.

Per le variabili casuali continue la funzione è definita come f(x).

Per ogni possibile valore x della v.c. X, la funzione f(x) fornisce la probabilità che X assuma valori
compresi in un intorno infinitesimale di x.

Uniforme discreta
 Una variabile casuale uniforme discreta è generata da una prova che può essere assimilata
all’estrazione di una pallina da un’urna contenente n palline identiche, ma numerate da 1 a n. Se X
segue una distribuzione uniforme discreta su n elementi, si scrive X ~ Ud(n).
La probabilità per ciascun valore xi è data da: p(xi) = 1/n dove i = 1, 2, 3, …, n.

Momenti Valore atteso (media): E(X) = (n + 1)/2

Varianza: Var(X) = (n2 – 1)/12

Variabile Casuale di Bernoulli

Una variabile casuale di Bernoulli è una variabile discreta
che può assumere solo due valori distinti. Si indica con \(
X ~ Ber(p), dove p rappresenta la probabilità di successo.
La variabile casuale di Bernoulli modella situazioni in cui un singolo esperimento può avere due
possibili esiti:
- E: successo, con probabilità p
- E*: insuccesso, con probabilità 1 – p
Il numero possibile di valori che X può assumere è 0 (insuccesso) o 1 (successo).

La funzione di probabilità della variabile casuale di Bernoulli è data da p(x) = p x (1 - p)(1-x)

- Per x = 1: p(x) = p1 (1 - p)1 - 1 = p
- Per x = 0: p(x) = p0 (1 - p)1 - 0 = 1 - p

Questa variabile casuale può sembrare insignificante da un punto di vista pratico. Se desidero
conoscere la probabilità di ottenere 1 o 0 successi e utilizzo la variabile casuale di Bernoulli con una
probabilità di successo p, allora la probabilità di successo è già nota. Tuttavia, essa assume
un'importanza cruciale quando si definisce una variabile casuale più complessa, come quella
binomiale. Attraverso la variabile casuale di Bernoulli, possiamo stabilire la probabilità di ottenere
x successi in una singola prova, mentre quella binomiale ci fornisce l'espressione per calcolare la
probabilità di ottenere x successi in più prove.
Con la variabile casuale di Bernoulli, si affronta un panorama più articolato, dove il numero di
successi può variare notevolmente. Mentre in una singola prova si può avere solo 0 o 1 successo, in
n prove possiamo ottenere da 0 a n successi.

I valori possibili della variabile casuale sono racchiusi in un intervallo discreto che va da 0 a n. Le
probabilità non sono semplici da dedurre. Per ciascun valore, è necessario utilizzare un'espressione
che varia con x. Pertanto, l'espressione diventa: p(x) = ()
n =¿ x
x
p (1-p)n-x

Immaginiamo di avere un'urna con palline di colori diversi, diciamo 4 palline bianche e 6 nere. Se
consideriamo il successo come l'estrazione di una pallina bianca, allora la probabilità di successo è
p(B) = 4/10 = 0.4. Questo tipo di procedura, noto come schema di estrazione con ripetizione o con
reinserimento, è comune.
La probabilità di ottenere successo in due estrazioni consecutive sarà 0.4 × 0.4, ma solo se
reinseriamo la pallina, poiché altrimenti altereremmo la composizione dell'urna. Supponendo che le
prove siano ripetute e le palline reinserite, la probabilità rimane costante.

Se rappresentiamo questa situazione con una variabile casuale X distribuita come una binomiale
B(n,p), dove n è il numero di prove e p è la probabilità di successo in una singola prova, possiamo
analizzare un esempio con n = 5 e p = 0.4. Vogliamo calcolare la probabilità che la variabile casuale
x assuma il valore 3, cioè la probabilità di ottenere 3 successi su 5 prove. Per avere 3 successi, gli
altri due devono essere insuccessi. Per determinare questa probabilità, dobbiamo considerare sia il
fattore di probabilità sia il numero di combinazioni di successi e insuccessi possibili, il quale è
determinato dal calcolo binomiale.
L'espressione completa diventa: P(x) = n!/(x!(n-x)!)
Il valore atteso sarà E(x) = n ×p, mentre la varianza sarà Var(x) = n × p (1 - p).

La binomiale ha un andamento asintotico, ha un

limite per n che tende a infinito.

Il valore di p varia da un valore molto basso, partendo da

0.1 e aumentando successivamente a 0.3 e poi a 0.5. La
rappresentazione delle tre variabili casuali attraversa una
trasformazione dalla completa asimmetria a una
situazione più simmetrica, soprattutto quando la
probabilità di successo è uguale a quella di insuccesso.

La simmetria si avvicina quando p si avvicina a 0.5. Se

aumentiamo il numero di prove, i possibili valori della
variabile casuale crescono in modo significativo,
rendendola sempre più simile a una distribuzione
normale. Con l'aumentare di p(n), la variabile binomiale
può essere approssimata da una variabile casuale normale.
 Utilizzando il simbolo θ, facciamo riferimento a
una qualsiasi variabile casuale. L'espressione X
~ f(x, θ) comprende tutte le variabili casuali che
possiamo immaginare.
Una variabile casuale rappresenta il fenomeno
oggetto di studio, ciò che ci interessa
investigare. Quando parliamo di variabile
casuale, ci riferiamo a un aspetto che
caratterizza la popolazione di interesse. È una
rappresentazione della popolazione che
vogliamo studiare, poiché desideriamo stimare
qualcosa riguardante questa popolazione.
Per stimare il valore di θ, eseguiamo
l'estrazione di un campione.

Il principio base di base dell’inferenza

Il principio fondamentale dell'inferenza statistica risiede nel fatto che, estraendo un singolo
campione anziché l'intera popolazione, non possiamo determinare con certezza se quel campione sia
rappresentativo o meno. Pertanto, abbiamo bisogno di comprendere l'errore commesso, anche se
non possiamo quantificarlo.
L'idea di quanto ci stiamo sbagliando è irraggiungibile, ma possiamo valutare la probabilità di
commettere un errore, che rappresenta l'affidabilità della nostra stima. Per fare ciò, adottiamo il
principio del campionamento ripetuto. Immaginiamo di poter estrarre tutti i possibili campioni
derivanti dalla popolazione e di effettuare una stima su ognuno di essi.
Considerando la possibilità di estrarre tutti i campioni possibili, si genera una stima su ciascuno di
essi. La media di queste stime, detta media campionaria, è una variabile casuale che varia in base ai
diversi campioni. Questa variabile prende il nome di variabile campionaria.
Trattando la media come una variabile casuale, possiamo modellarla utilizzando distribuzioni come
la Normale. Confrontando la media ottenuta dal nostro campione con il modello di distribuzione
scelto, possiamo valutare se il campione è affidabile o meno.

Gli elementi fondamentali dell'inferenza statistica includono:

Popolazione X descritta dalla distribuzione f(x; θ)
Campione Casuale (X1, X2, …, Xn): è un campione non ancora osservato, che definiamo a partire da
una popolazione X, e in questo caso, abbiamo estratto i valori dalla popolazione.
Campione Osservato (x1, x2, …, xn).
Lo Spazio Campionario è l'insieme di tutti i possibili campioni.
Prima dell'estrazione, il campione è costituito da una n-pla di variabili casuali. Ogni elemento del
campione, se composto da n elementi, può essere considerato come la realizzazione della variabile
casuale Xi, dove Xi rappresenta l'i-esima estrazione della variabile casuale X.
Le variabili casuali delle "osservazioni campionarie" Xi seguono la stessa distribuzione della
variabile casuale che descrive la popolazione. Il Campione Casuale è costituito da un insieme di
valori X1, X2, …che sono osservazioni nel campione che abbiamo rilevato.
 Ciascuna di queste osservazioni campionarie rappresenta una realizzazione di una variabile casuale.
Prima di osservare il campione, esso è considerato una variabile casuale in quanto può comprendere
un insieme di valori diversi pari a tutti i possibili valori derivanti dalla popolazione.

Immaginiamo di voler estrarre campioni da una

certa popolazione X, con ogni campione che ha
un'ampiezza di 8. Prima di essere estratta, ogni
prima osservazione campionaria è una variabile
casuale che può assumere qualsiasi valore
proveniente dalla popolazione. Questo principio si
applica a tutte le osservazioni campionarie. Ogni
singola osservazione campionaria sarà quindi una
variabile casuale che replica la popolazione, poiché
la variabile casuale può assumere qualsiasi valore
presente nella popolazione.

Statistiche e Parametri
Definiamo la statistica come una funzione delle osservazioni campionarie. Anche la statistica stessa
è una variabile casuale. Quando definiamo una statistica in generale, essa è considerata una
variabile casuale poiché il suo valore dipende dal campione che viene estratto. Tuttavia, una volta
che abbiamo estratto il campione e calcolato la statistica, diventa la statistica calcolata.

Esempio: Prima di osservare il campione, indichiamo la media con X*, mentre dopo l'osservazione
la rappresentiamo con x*. La differenza sta semplicemente nel passaggio dalla lettera maiuscola a
quella minuscola.
In presenza di un parametro generico θ, utilizziamo una statistica indicata con T n (riferita al valore
casuale), che può essere anche chiamata stimatore. Una volta estratto il campione, questa diventa la
Statistica Calcolata tn, che rappresenta la stima di θ.

Stimatori e Stime
Supponiamo che sulla popolazione sia definita una variabile X, la cui distribuzione, seppur
incognita, è completamente caratterizzata da un parametro θ o da un insieme di parametri θ.
Le n osservazioni campionarie (X1, …, Xn) sono altrettante variabili casuali la cui distribuzione e i
cui parametri sono uguali a quelli della variabile X.
Una funzione delle osservazioni campionarie è una statistica che, nel contesto della stima di un
parametro, viene definita stimatore.
Il valore che lo stimatore assume in uno specifico campione estratto costituisce la realizzazione
campionaria della variabile casuale e rappresenta la stima.
L'obiettivo è trovare, sulla base di un campione casuale X1, X2, …, Xn, un valore o un insieme di
valori per θ (o per θ) che siano la migliore approssimazione possibile del valore incognito della
popolazione. La distinzione tra statistica e stimatore è sottile: gli stimatori sono essenzialmente
delle statistiche, ma la differenza risiede nel fatto che le statistiche sono generali funzioni delle
osservazioni campionarie, mentre, ad esempio, la media campionaria è sia una statistica che uno
stimatore, in quanto mira a stimare il valore atteso.

La stima del parametro θ può essere eseguita attraverso tre possibili strumenti:
 Stima Puntuale: Estraggo un campione e calcolo uno stimatore T su questo singolo campione,
ottenendo così un risultato t, che rappresenta la stima puntuale. Questo approccio fornisce un'unica
stima basata sul singolo campione estratto.
 Stima per Intervalli: Costruisco un intervallo intorno a t sulla base della variabilità di T al variare
del campione. Tale intervallo, con una probabilità nota, contiene θ. Questo metodo permette di
ottenere una stima più accurata, considerando la variabilità del campione.

 Verifica delle Ipotesi: Utilizzo delle informazioni a priori su θ per definire un'ipotesi sul suo valore
e verificare tale ipotesi sulla base del campione t. Questo approccio parte dalla conoscenza
pregressa del parametro θ e utilizza il campione per determinare se tale conoscenza è ancora valida.
Questo metodo consente di confrontare un dato acquisito con un'evidenza empirica derivante dal
campione.

La distribuzione campionaria

La media varia al cambiare del campione, diventando quindi una variabile casuale con la sua
distribuzione di probabilità, nota come distribuzione campionaria.

Per comprendere il comportamento previsto della media al variare del campione, è fondamentale
conoscere le caratteristiche della distribuzione campionaria. Tuttavia, ancor prima di questo,
sarebbe utile comprendere il valore atteso e la varianza della media (ovvero quale sia la media delle
medie campionarie al variare del campione e quanto varia questa media).
 Più la media campionaria oscilla da campione a
campione, maggiore è il rischio di errore. Se i campioni
estratti dalla popolazione generano valori poco variabili,
l'errore associato all'estrazione di un campione è ridotto.
Al contrario, se le medie campionarie sono molto diverse
tra loro, il rischio di errore aumenta notevolmente.

Per comprendere il valore atteso e la varianza della

media campionaria, dobbiamo considerare la somma di n
variabili casuali.

Ecco alcune osservazioni sul campionamento senza reintroduzione (CSR) e con reintroduzione
(CCR):

- Quando n = 1, i risultati ottenuti con il CCR coincidono con quelli ottenuti con il CSR.
- Quando n = N, la varianza della media campionaria nello schema CSR è nulla, poiché il campione
coincide con l'intera popolazione e non vi è alcuna incertezza legata al campionamento.
- Quando n < N, il fattore di correzione utilizzato nel CSR è inferiore a 1, il che significa che la
varianza della media campionaria nel CSR è inferiore a quella ottenuta nel CCR.
- Quando n è molto piccolo rispetto alla numerosità della popolazione N, il fattore di correzione per il
CSR è prossimo a 1, rendendo trascurabile la differenza tra i due schemi.

Se X è distribuito normalmente, anche la

distribuzione campionaria è distribuita normalmente.
Al variare del campione, il campione ci fornirà un
valore diverso dalla stima.
Il teorema del limite centrale
Il Teorema del Limite Centrale stabilisce che se abbiamo una successione di variabili casuali X 1, X2,
…, Xn che sono indipendenti e identicamente distribuite e che tutte hanno media e varianza costanti,
allora la media di questa successione, quando n tende all'infinito, si distribuirà sempre più come una
distribuzione normale.
È importante notare che il Teorema del Limite Centrale rimane valido anche quando la successione
Xn è composta da variabili casuali che non sono identicamente distribuite, a condizione che
ciascuna variabile casuale Xi sia indipendente dalle altre e abbia momenti primi e secondi finiti μ e
σ2 (non necessariamente costanti).
In condizioni molto generali, la somma di n variabili casuali indipendenti è approssimativamente
normale quando n tende all'infinito, indipendentemente dal tipo di distribuzione di ciascuna delle
Xi.

La successione Xn delle variabili casuali X1, X2, …, Xn, indipendenti e identicamente distribuite con
media μ e varianza σ2 costanti, costituisce un campione casuale.
Quando un fenomeno reale può essere visto come la somma o la media di un gran numero di cause
indipendenti, indipendentemente dai modelli probabilistici che generano le singole variabili casuali,
è ragionevole aspettarsi che la distribuzione di probabilità di tale fenomeno possa essere
approssimata dalla distribuzione normale.
In altre parole, ogni volta che ci troviamo di fronte a un fenomeno reale di cui non conosciamo la
distribuzione di probabilità, per campioni di dimensioni
considerevoli, la distribuzione campionaria della media
può essere ragionevolmente approssimata dalla
distribuzione normale.
Indipendentemente dal fatto che conoscessimo o meno
la distribuzione di X, se disponiamo di un campione
sufficientemente grande, possiamo utilizzare la
distribuzione normale per la media campionaria. Questo
ci consente di valutare il risultato del campione rispetto
a una distribuzione nota, permettendoci di determinare
se il nostro singolo campione è associato a una
probabilità alta o bassa.
Distribuzione chi-quadro: La distribuzione chi-quadro non è simmetrica ed è definita solo per valori
maggiori di 0.
Distribuzione t di Student: La distribuzione t di Student è simmetrica, simile alla distribuzione
normale.

Stima per Intervalli

La stima per intervalli è un processo che prevede di definire un intervallo attorno alla stima ottenuta
dall'unico campione estratto, caratterizzato da un certo livello di confidenza. Questo livello di
probabilità indica la fiducia che riponiamo in questo intervallo in termini di possibilità che esso
contenga il valore incognito che stiamo stimando.
Per costruire l'intervallo, si definiscono due valori che delimitano un intervallo attorno alla stima
puntuale. Questo intervallo è caratterizzato da una probabilità che il valore incognito ricada al suo
interno.

Intervallo di Confidenza
Definiamo intervallo di confidenza, rispetto a un parametro θ da stimare, l'intervallo che ha al
centro la stima campionaria t. La probabilità che il valore reale del parametro θ sia compreso tra t-Δ
e t + Δ è pari a 1 - α dove α è il livello di fiducia associato all'intervallo.
L'intervallo di confidenza è quindi definito dai suoi estremi inferiore (Lower) e superiore (Upper).
Per comprendere l'intervallo di confidenza, è necessario distinguere due momenti teorici: prima e
dopo l'estrazione del campione.
Prima dell'Estrazione del Campione: Prima dell'estrazione del campione, parliamo del valore che
assumerà il nostro stimatore T, il quale non ha ancora assunto un valore specifico. In questo
contesto, l'intervallo di confidenza ha estremi T - Δ e T + Δ. Qui, l'intervallo è definito come
intervallo casuale poiché i suoi estremi sono due variabili casuali che possono assumere vari valori
in funzione dei possibili valori dello stimatore.
Dopo l'Estrazione del Campione: Dopo l'estrazione del campione, lo stimatore T ha assunto un
valore specifico t. In questo caso, l'intervallo non è più casuale ma determinato da t - Δ e t + Δ. Una
volta calcolata la stima, l'intervallo casuale diventa un intervallo di confidenza.

Determinazione degli Estremi dell'Intervallo di Confidenza

La determinazione degli estremi dell'intervallo di confidenza inizia
con la fissazione del livello di confidenza desiderato. Se sappiamo di
avere a che fare con una variabile casuale normale standardizzata,
possiamo individuare due valori a destra e a sinistra dello 0, che
chiamiamo -Zα/2 e +Zα/2 . A destra di Zα/2, l'area è α/2 e a sinistra di -Zα/2
l'area è sempre α/2. Il livello di confidenza, pari a 1 - α, viene fissato,
determinando così il valore di α.

Supponiamo di voler stimare la media di una popolazione che

sappiamo essere distribuita normalmente con media μ e varianza
σ2. L'incognita è la media μ, mentre la varianza σ2 è nota.
Estraiamo un campione casuale dalla popolazione.

Poiché la popolazione è distribuita normalmente, anche la media

campionaria X seguirà una distribuzione normale. Se
standardizziamo la media campionaria, otteniamo una variabile
casuale normale standardizzata, indicata come Z.
 Una volta fissato il livello di confidenza,
abbiamo tutti gli elementi necessari per
calcolare Δ, la quantità che aggiungiamo e
sottraiamo alla stima campionaria per ottenere
gli estremi dell'intervallo.

Il livello di confidenza 1 – α rappresenta la

frequenza relativa degli intervalli casuali che
contengono il valore incognito μ. Tra tutti i
possibili intervalli di confidenza costruiti in
questo modo sulla base di tutti i possibili
campioni, il 95% conterrà μ, mentre il 5% non
lo conterrà.

È importante non confondere il livello di confidenza con la probabilità che μ sia contenuto
nell'intervallo specifico calcolato dal campione. Il livello di confidenza indica la percentuale di
intervalli di confidenza, calcolati su molti campioni, che conterranno il valore incognito del
parametro.
Poiché la media campionaria varia con ogni campione,
anche l'intervallo di confidenza varia, spostandosi
all'interno della distribuzione. Il valore centrale
dell'intervallo di confidenza è la media campionaria, che
cambia con ogni campione estratto.
Per avere un intervallo che non contiene il vero valore
del parametro, la media campionaria deve trovarsi in
una coda della distribuzione. Quando la media
campionaria cade molto lontano dal valore del
parametro, è possibile che l'intervallo non includa il
valore reale della media.

Supponiamo di voler stimare l'altezza media degli individui attraverso un campione. Posso
selezionare uno dei tanti possibili campioni dalla popolazione. In questi campioni, ci saranno sia
persone molto alte che molto basse, ma è raro ottenere un campione composto esclusivamente da
persone molto alte o molto basse; la probabilità di tale evento è molto bassa.
Quando si verifica l'eventualità di ottenere un campione che si discosta notevolmente dalla media
della popolazione, è possibile che l'intervallo di confidenza costruito non includa il valore incognito
del parametro. Questo accade nel 5% dei casi se abbiamo stabilito un livello di confidenza del 95%.
Nessuno può dire con certezza se l'intervallo calcolato contiene il valore incognito della media, ma
conosciamo il rischio di errore associato all'intervallo stesso.

Esempio:
Valori Frequenti del Livello di Confidenza
 1 - α = 95%: α = 0.05, z = 1.96
 1 - α = 99%: α = 0.01, z = 2.58
Il livello di confidenza incide sull'ampiezza dell'intervallo di confidenza: più è alto il livello di
confidenza, più l'intervallo sarà ampio. Questo accade perché un livello di confidenza più alto
richiede di catturare una porzione maggiore della distribuzione, aumentando così l'ampiezza
dell'intervallo.
Allo stesso modo, maggiore è la varianza, più ampio sarà l'intervallo di confidenza (a parità di α e
n). Una varianza elevata indica che i possibili campioni sono molto diversi tra loro, rendendo la
stima della media più variabile e meno precisa.
Maggiore è la dimensione del campione n, più piccolo sarà l'intervallo di confidenza (a parità di α e
σ2). Man mano che n aumenta, il campione diventa sempre più simile alla popolazione, rendendo la
stima della media più precisa. Di conseguenza, al variare del campione, la stima cambierà di meno,
riducendo l'ampiezza dell'intervallo di confidenza.

Intervallo di confidenza per la media con varianza e media non note

In questo caso, non conosciamo né la media né la varianza
della popolazione. Quindi, dobbiamo stimare sia la media che
la varianza.
Poiché non utilizziamo la varianza vera della popolazione ma
la sua stima, introduciamo un elemento di incertezza
aggiuntivo. Di conseguenza, l'intervallo in cui può cadere il
parametro diventa più ampio rispetto al caso in cui la varianza
fosse nota.
La stima della varianza della popolazione s2 segue una
distribuzione t di Student. Questa stima, chiamata varianza
corretta, riflette la variabilità aggiuntiva dovuta all'uso del
campione per stimare la varianza.

All'aumentare dei gradi di libertà, la curva t di Student tende a restringersi e a diventare più simile a
una distribuzione normale. Con un numero
elevato di gradi di libertà, la distribuzione t di
Student si avvicina alla distribuzione normale
standard.
Determinazione della Numerosità Campionaria Ottimale
Quando il campione e la variabilità di X portano a un intervallo di confidenza troppo ampio rispetto
alla precisione desiderata, è necessario considerare la numerosità campionaria. L'ampiezza
dell'intervallo di confidenza dipende anche dalla dimensione del campione: più grande è il
campione, più stretto sarà l'intervallo di confidenza. Pertanto, aumentando la numerosità del
campione, possiamo ottenere un intervallo più piccolo e più preciso.
Se vogliamo un intervallo di confidenza più stretto, dobbiamo aumentare la dimensione del
campione n.

Esempio

Un campione di 115 osservazioni può ridurre l'ampiezza

dell'intervallo di confidenza a più o meno 0,5.

Stima per Intervallo di una Popolazione (per Grandi Campioni)

L'intervallo di confidenza per la media è solo uno tra i molteplici possibili intervalli che possiamo
costruire; in realtà, è possibile creare intervalli di confidenza per qualsiasi parametro della
popolazione. Si parte dal parametro che si desidera stimare, si sceglie uno stimatore e da questo
stimatore si risale alla distribuzione campionaria dello stesso.
Uno dei tipici intervalli di confidenza con cui ci confrontiamo è quello per stimare la proporzione
della popolazione, ossia la percentuale di unità statistiche che presentano una certa caratteristica o
soddisfano una certa condizione. Questo problema ricorre, ad esempio, in un sondaggio elettorale,
dove si vuole stimare la percentuale di persone che voteranno per un determinato candidato. Ogni
unità statistica (persona) nel campione ha un possibile risultato che può essere interpretato come un
successo o un fallimento (ad esempio, voto o non voto).

Considerando un campione di ampiezza n, se invece di sondare un singolo soggetto si intervistano

più persone (n), possiamo calcolare la probabilità che un certo numero di
persone voti per un candidato. Quindi, quando si desidera conoscere quanti
individui soddisfano una determinata condizione, possiamo fare riferimento alla distribuzione di
Bernoulli. Se si è interessati al numero stesso, ci si rivolge al coefficiente binomiale. Tuttavia, di
solito ci interessa la percentuale, quindi ci riferiamo alla proporzione di successi e si utilizza:
Il parametro che si vuole stimare attraverso un intervallo di confidenza è indicato con la lettera
greca (π). Questa lettera rappresenta la proporzione incognita nella popolazione e costituisce il
focus della stima mediante l'intervallo di confidenza.

Se possiamo standardizzare la variabile casuale normale:

P−π
z= N ( 0 ,1 )

Quindi:
√ π ( 1−π )
n

Esempio:

Della variabile casuale proporzione, non conosciamo la distribuzione specifica. La proporzione

rappresenta essenzialmente la media di variabili casuali Bernoulliane. Tuttavia, se il campione è
sufficientemente grande, è comunque possibile applicare il teorema del limite centrale.
È pertanto possibile considerare l'ampiezza dell'intervallo di confidenza per valutare se sia possibile
ridurla utilizzando un campione di dimensioni maggiori.

Esempio:
Stima per intervallo della differenza tra medie
La stima per intervallo della differenza fra medie è un
procedimento che richiede l'estrazione di due campioni, per
i quali calcoliamo le rispettive medie campionarie al fine di
stimare due sottopopolazioni. L'obiettivo è indagare se
queste medie siano effettivamente diverse o se considerare le due sottopopolazioni sia superfluo in
quanto non presentano differenze significative tra loro.

Se questa distribuzione è una Normale si può standardizzare:

( X−Y )−( μ x −μ y )
z= N ( 0 , 1)

√
2 2
σx σ y
+
nx ny

( )
( X −Y )−( μ x −μ y )
P −z α ≤ ≤ z α =1−α
2

√ σ 2x σ 2y
+
nx ny
2

( √ √ )
2 2 2 2
σx σ y σx σ y
P ( X−Y ) −z α + ≤ ( μ x −μ y ) ≤ ( X −Y ) + z α + =1−α
2
nx ny 2
nx ny
Con questo intervallo di confidenza miriamo a determinare se le medie sono uguali o diverse. Un
indicatore significativo della diversità delle medie è la presenza o l'assenza dello zero all'interno
dell'intervallo. Se l'intervallo include lo zero, ciò suggerisce la possibilità che le medie siano
effettivamente uguali.
 Dall’ultimo esempio, se calcoliamo gli intervalli di
confidenza separati per le due medie otteniamo:

che sono separati tra loro.

In questo caso in termini di numero medio di

denunce non sono molto diversi tra regioni del
nord e regioni del sud.

La verifica delle ipotesi statistiche

La verifica delle ipotesi statistiche si focalizza sul
problema pratico di determinare quale tra diverse
situazioni possibili, riferite alla popolazione, sia quella meglio supportata dalle evidenze empiriche,
ossia dal campione.
La coerenza del risultato campionario con un'ipotesi specificata per la popolazione si valuta
considerando se il risultato ottenuto dal campione si discosta così notevolmente dal valore
teorizzato per θ da cadere in un insieme di valori ritenuti poco probabili secondo l'ipotesi su θ. Tale
risultato suggerirà la possibilità di ipotesi alternative a quella specificata.
Il test statistico, rappresentato dalla regola di decisione, associa a ogni valore campionario una
decisione sul parametro θ.

Riflettendo sugli intervalli di confidenza: Consideriamo un campione X1, ..., Xn, un parametro θ, e
una statistica Tn il cui valore calcolato sul campione è tn. La probabilità P(θ - Δ ≤ tn ≤ θ + Δ) = 1 - α
ha senso solo se il valore di θ è noto (caso in cui risulta inutile). A meno che... se θ è sconosciuto:
prima di estrarre il campione, tn non è un valore fisso ma una variabile casuale campionaria Tn,
quindi possiamo discutere la probabilità che Tn assuma valori compresi (ossia che tn cada) in un
certo intervallo intorno a θ.
A quale scopo? Per determinare se le nostre conoscenze su θ sono avvalorate dall'evidenza empirica
(cioè dal campione).

L'intervallo è fisso, poiché è centrato su μ,

mentre x varia a seconda del campione tra tutte
le possibili estrazioni. Infine, μ rimane fisso.
Verifica di ipotesi sulla media μ

Verifica di ipotesi sulla media μ con X distribuito come N(μ, σ2), dove σ2 è nota. La decisione si
basa sui valori critici, con i quali va confrontato il valore-test (ossia il valore della statistica-test
calcolata sul campione).
I valori critici sono derivati dalla distribuzione della statistica-test, fissato il livello di significatività
desiderato per il test.
Dobbiamo determinare se vi è una differenza significativa
tra le medie delle due popolazioni o meno. Se le medie sono
uguali, allora possiamo considerare le due popolazioni come
equivalenti.
Ma a cosa serve esattamente il test sulla differenza tra due
medie?
Se prendiamo due campioni, X e Y, che osservano lo stesso
fenomeno e calcoliamo le rispettive medie campionarie, è
probabile che queste medie abbiano due valori
numericamente diversi. La domanda è: questa differenza è
"significativa"? In altre parole, è dovuta a una differenza
strutturale tra i due campioni, oppure è semplicemente il
risultato di fluttuazioni casuali della media, causate dalla
variabilità intrinseca del fenomeno in esame?

C'è una differenza significativa al 5%.

Non è riscontrabile una differenza significativa al
5%. In questo esempio, stiamo valutando la
significatività della differenza tra due medie.
Tuttavia, è importante notare che esiste la
possibilità di valutare la significatività della
differenza anche tra tre o più medie.

Il rapporto tra la varianza esterna e la

varianza interna è fondamentale nell'analisi
statistica. La devianza interna viene
suddivisa in (n - G), dove G rappresenta il
numero dei gruppi, mentre la devianza
esterna viene divisa per (G-1).

Questo approccio è basato sulla

conoscenza della distribuzione
campionaria di queste quantità, rendendole
utilizzabili come statistiche test. Tale
analisi ci fornisce indicazioni sulla
significatività della differenza tra le medie.
La distribuzione di riferimento si estende da 0 a più infinito, e l'area sotto la curva è costantemente
pari a 1, poiché rappresenta una funzione di densità di probabilità.
Nell'ambito della costruzione delle ipotesi, formuliamo un'ipotesi nulla e una alternativa. L'ipotesi
nulla presuppone che la devianza esterna sia uguale a 0,
implicando che le medie tra i diversi gruppi (indicati con i e j
da 1 a G) siano tutte uguali, e di conseguenza la devianza
interna è pari alla devianza totale.
Nell'ipotesi alternativa, suggeriamo che almeno una media
differisca dalle altre. Man mano che la devianza esterna
aumenta, la devianza interna tende a 0, mentre il valore
complessivo tende verso più infinito.
Esempio
Tra i gruppi, abbiamo la devianza esterna,
mentre all'interno dei gruppi abbiamo la varianza
interna. Il concetto di somma dei quadrati
consiste nel rapporto tra la devianza interna e il
grado di libertà (G-1), mentre la media dei
quadrati corrisponde al rapporto tra la devianza
esterna e il grado di libertà (n-G).
Il valore p misura l'area A a destra del valore test
ottenuto dal campione. Se l'area è ampia,
significa che il valore della distribuzione si
avvicina a 0, il che implica la possibilità di
accettare l'ipotesi nulla. Il p-value rappresenta
quindi una misura della coerenza tra l'ipotesi
nulla e i risultati ottenuti dal campione. In questo
caso, non si osserva una differenza significativa.

Se il coefficiente β è pari a 0, significa che non vi è alcuna

relazione tra le variabili X e Y; in altre parole, Y non dipende da X.
Allo stesso modo, se R2 è uguale a 0, non esiste alcuna relazione
tra le variabili considerate.

I gradi di libertà sono calcolati come il numero di righe

meno uno moltiplicato per il numero di colonne meno
uno. In questo caso, (3-1) × (4-1) = 6. Accettare l'ipotesi
nulla implica che non vi sia alcuna relazione tra
l'occupazione attuale e il voto di laurea.
 Nel modello di regressione lineare semplice, si
presuppongono diverse condizioni: i punti sono
distribuiti intorno alla retta, gli errori seguono una
distribuzione con varianza costante e sono non
correlati tra loro, X è nota e senza errore, e
valutiamo l'andamento di Y in funzione di X. Si
ipotizza inoltre che gli errori seguano una
distribuzione normale con media 0 e varianza σ2.
Che si traduce in:

Se queste ipotesi sono verificate, la statistica

test di R2 segue una distribuzione F di Fisher
e la statistica test di a e b segue una
distribuzione t di Student.

Se il coefficiente di regressione b è uguale a 0, non vi è alcuna

relazione tra X e Y. b rappresenta la stima del coefficiente di
regressione, mentre sb è l'errore standard della stima di b.
Non vi è alcuna relazione significativa tra le due variabili considerate, quindi il modello lineare
viene rifiutato.