lOMoARcPSD|42629397

Statistica

Statistica per l'economia (Università degli Studi dell'Insubria)

Scansiona per aprire su Studocu

Studocu non è sponsorizzato o supportato da nessuna università o ateneo.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])
 lOMoARcPSD|42629397

STATISTICA
STATISTICA →Analizza fenomeni COLLETTIVI in modo QUANTITATIVO,
ovvero raccoglie i dati, li sintetizza, analizza e alla fine ne permette la comprensione.
UNITA’ STATISTICA → L'unità statistica è l'unità elementare sulla quale si
vogliono misurare, rilevare, alcuni caratteri oggetti di studio
POPOLAZIONE STATISTICA → Insieme di tutti gli elementi oggetto di studio (il
fenomeno) ovvero di tutte le unità statistiche.
POPOLAZIONE → Es. Tutti gli studenti immatricolati nell’AA 20/21.
FENOMENO → Es. Performance degli studenti iscritti all’università.
N → È la numerosità della popolazione statistica.
CARATTERE (Variabile) → Le caratteristiche che vogliamo analizzare dalla
popolazione statistica.

Direttamente legate al carattere troviamo le MODALITA’ ovvero, i diversi modi con

i quali si manifesta un certo carattere:
es. n° Esami superati
• 0,1,2……10…N (INTERI E POSITIVI)
• Maschio o Femmina (GENERE)
• Possono risiedere in una regione italiana (carattere QUALITATIVO)

LA RILEVAZIONE → È un processo durante il quale ogni unità viene osservata per

vedere come le caratteristiche in questione si manifestano.

IL CAMPIONAMENTO → È il procedimento attraverso il quale da un insieme di

unità oggetto di studio si estrae un numero ridotto di casi scelti con criteri che
consentono di generalizzare i risultati ottenuti all’intera popolazione.

STUDI STATISTICI:
• OSSERVAZIONALI → Ci si limita ad osservare l’andamento di fenomeni per
poter trarre conclusioni. I dati esistono già in natura, sono solo da rilevare e
studiare.
• SPERIMENTALI → Lo sperimentatore compie interventi diretti, manipola le
condizioni della ricerca, applicando strategie terapeutiche o preventive.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

DUE BRANCHIE DELLA STATISTICA:

STATISTICA DESCRITTIVA →È una tecnica per collezionare, sintetizzare ed

elaborare i dati in modo da trasformarli in informazioni. È quindi un insieme di
metodi e strumenti che ci consentono di scrivere un certo fenomeno COLLETTIVO
al fine di sintetizzare gli aspetti rilevanti attraverso DIFFERENTI STRUMENTI
come:
• Tabelle di frequenza (matrice dei dati)
• Grafici
• Indici (di sintesi)

STATISTICA INFERENZIALE → Fornisce le basi per le previsioni e per le stime

che consentono di trasformare le informazioni in conoscenza.
L’INFERENZA è il processo tramite il quale si estraggono conclusioni o si prendono
decisioni circa una popolazione sulla base dei risultati campionari.

CLASSIFICAZIONE DEI CARATTERI

Può capitare di avere di avere un carattere DISCRETO ma espresso in INTERVALLI

→ CARATTERE CONTINUO
Es. CFU conseguiti
[0;10)
[10;20)
[20;30) …
Classificare correttamente è fondamentale per svolgere analisi nel modo corretto!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TABELLA O MATRICE DEI DATI:

Nella tabella sono presenti gli ELEMENTI che rappresentano la popolazione

statistica.

Esempio: POPOLAZIONE → Studenti dell’Università dell’Insubria

Nome e Cognome GENERE REGIONI VOTO MEDIO
A.B. F LOMB 21
L.D. F LOMB 21
E.F. M PIEM 27
G.H. M VENETO 28
L.M. F LOMB 30
N.D. F PIEM 27

Carattere QUANTITATIVO discreto → 21; 22; 27 …

Carattere QUANTITATIVO continuo → 21,234; 22,579; 27,12 …

TABELLA DELLE FREQUENZE ASSOLUTA:

𝑛𝑖 rappresenta la FREQUENZA ASSOLUTA della modalità/valore 𝑥𝑖 ovvero il

numero di unità statistiche che possiedono la modalità 𝑥𝑖

Esempio: GENERE (carattere)

𝑥1 = M
→ Modalità del genere
𝑥2 = F

MODALITA’ 𝑛𝑖
GENERE
𝑥1 = M 2 = 𝑛1
𝑥2 = F 4 =𝑛2

N = Numerosità Popolazione

Tabella di frequenze assolute per un carattere

Quali/quantitativo che ha K MODALITA’ DISTINTE

N= n1n2+n3+……nk

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

REGIONI ni
x1 = Lomb 3
x2 = Piem 2
x3 = Veneto 1
Tot 6→N

CLASSI DI VOTO ni
MEDIO
[18;22) 2
[22;26) 0
[26;31] 4
Tot 6→N

CLASSI DEL CARATTERE:

[ci-1, ci)
CLASSI DEL ni
CARATTERE

1° Int [c0, c1) n1

2° Int [c1, c2) n2
….. ….
….. ….
K° Int [ck-1, ck] nk
Tot N

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TABELLA DELLE FREQUENZE RELATIVE:

fi è la frequenza relativa della modalità/valore xi (oppure della classe [ci-1, ci)) ed è

definita come fi= ni/N
fi → Rappresenta la quota della popolazione che “cade” nella modalità xi
GENERE fI

𝑥1 = M 2/6 = 0,33
𝑥2 = F 4/6 = 0.67
Tot 1

f1+f2+f3+…+fk = 1
Esistono anche le frequenze percentuali
fi = fi x 100%
Le frequenze relative e le frequenze % sono utili perché sono le uniche che possiamo
utilizzare per fare confronti con popolazioni con numerosità diverse (con N
differenti!)
(non possiamo utilizzare le frequenze assolute per fare confronti)

FREQUANZA CUMULATA (RELATIVE E ASSOLUTE):

Ni = Frequenza cumulata assoluta della modalità xi oppure per la classe i-esima

[ci-1, ci) → n° di unità statistiche con modalità minore o uguale xi.

Se il carattere x ha k modalità ordinate (in senso crescente) allora abbiamo:

N1 = n° di unità che hanno modalità ≤ x1 = n1
…
N2 = n° di unità che hanno modalità ≤x2 = n1 + n2
…
Nk = n° di unità ≤ xk = N

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MODALITA’ ni Ni Fi
x1 n1 N1=n1 F1=N1/N
x2 n2 N2=n1+n2 F2=N2/N
… … … …
xk nk Nk=N Fk=Nk/N = 1

Esempio:
POPOLAZIONE 20 famiglie
CARATTERE → x = n° figli minorenni
x ni Ni Fi
0 0 0 0/20 = 0
1 7 7 7/20 = 0,35
2 4 11 11/20 = 0,55
3 5 16 16/20 = 0,80
4 4 20 20/20 = 1
Tot 20

Frequenze relative cumulate

Fi = Ni/N = frequenza cumulate assolute / ampiezza popolazione
Fi = f1+f2+f3+…+fi
Tutto ciò è equivalente al seguente ragionamento:
F1=f1
F2=f1+f2
F3=f1+f2+f3
…
Fk=f1+f2+f3+…= fk = 1

Fi è la quota di popolazione con modalità minore o uguale a xi, oppure con valore di x
minore o uguale alla classe i-esima [ci-1, ci]

I grafici sintetizzano la matrice dei dati (la tabella)

1. CARATTERE QUALITATIVO NOMINALE
a. Torta
b. Barre
2. CARATTERE QUALITATIVO ORDINALE
a. Barre
3. CARATTERE QUANTITATIVO DISCRETO
a. Aste
4. CARATTERE QUANTITATIVO CONTINUO (O IN CLASSI)
a. Istogramma

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

CARATTERE QUALITATIVO NOMINALE:

• GRAFICO A TORTA

L’intera torta rappresenta l’intera popolazione

- Fetta → Una fetta sarà rappresentativa di una modalità mentre la sua
AMPIEZZA sarà proporzionale alle fi (pi) relativa alla modalità in
questione.
Esempio 315 studenti = N
X = tipo di scuola superiore = CARATTERE

X fi pi (%)
Liceo Cl. 0,095 9,5
Liceo Sc. 0.369 36,9
ITC 0,457 45,7
Altro 0,079 7,9
1 100%
TIPI DI SCUOLA SUPERIORE
Altro Liceo Cl.

Liceo Sc.
ITC

• GRAFICO A BARRE

- Piano cartesiano
- Asse verticale (Y) frequenze relative o assolute

Ogni barra ha una sua modalità

- Base sempre uguale
- Altezza → Frequenza (assoluta o relativa)
TIPI DI SCUOLA SUPERIORE
0,5
0,4
0,3
0,2
0,1
0
Liceo Cl. Liceo Sc. ITC Altro

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

NB IL GRAGICO A BARRE SI USA ANCHE PER IL CARATTERE

QUALITATIVO ORDINALE.

CARATTERE QUANTITATIVO DISCRETO:

o GRAFICO AD ASTE

• Piano cartesiano
• Un’asta per ogni valore del carattere
• L’altezza sarà rappresentata dalla frequenza relativa o assoluta

Esempio: Numero di automobili per famiglia sapendo che abbiamo 20 famiglie

X = n° automobili
n° ni
Auto
0 1
1 6
2 6
3 3
4 0
5 4

CARATTERE QUANTITATIVO CONTINUO O IN CLASSI:

• ISTOGRAMMA

- Un rettangolo per ogni classe

- Rettangoli vicini/attaccati
- Rettangolo della classe i-esima

Ogni rettangolo ha un AREA che rappresenta la fi della classe, una BASE che invece
rappresenta la lunghezza della classe [ci-ci-1=di) e infine un ALTEZZA che è pari alla
densità data da hi.

Tabella Frequenze relative

CLASSE DI X fi di hi
[c0, c1) f1 d1=c1-c0 h1=f1/d1
[c1, c2) f2 d2=c2-c1 h2=f2/d2
…. …. …. ….
[ck-1, ck] fk dk=ck-ck-1 hk=fk/dk

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio: Popolazione di 100 Individui

N=100 X=Altezza in Cm

ALTEZZA ni fi di hi
[155, 160) 15 0,15 160-155=5 0,15/5=0,03
[160, 170) 25 0,25 10 0,025
[170, 175) 30 0,30 5 0,06
[175, 185] 30 0,30 10 0,03
100 1 Ricordare hi=fi/di

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

FUNZIONE DI RIPARTIZIONE:
La FdR è un grafico che ci permette di rappresentare caratteri quantitativi.
Si dice FdR la funzione Ƒ(x) che associa ad ogni valore x reale la frequenza relativa
di unità statistiche che hanno un carattere X ≤ x.
In breve → Ƒ(x) =frequenza relativa fi (X ≤ x)
Vale per ogni x ∈ R

1° CASO carattere X discreto

X assume k valori interi x1, x2, …, xk
ad ognuno di essi è assocciata una certa frequenza relativa f1, f2, …, fk

Ƒ(x) = fi (X ≤ x) → ∀ x ∈ R

NB Ƒ(x) rappresenta una frequenza cumulata.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
X = n° di figli
X fi Fi

0 0,1 0,1
1 0,3 0,4
2 0,25 0,65
3 0,20 0,85
4 0,15 1
Tot 1

Quale è la frequenza di famiglie che hanno NON PIU’ di 2 Figli?

Lo 0,65 (65%)

F(x) → A GRADINI

PROPRIETA’ DI QUESTO GRAFICO

1. A Gradini, costante a tratti
2. lim 𝐹 (𝑥 ) = 0
𝑥→ −𝑖𝑛𝑓
lim 𝐹 (𝑥 ) = 1
𝑥 →+𝑖𝑛𝑓
3. Funzione non decrescente
4. Continuità a destra ma F(x) è discontinuo
5. L’ampiezza del salto (fi+1 – fi) è uguale alla frequenza relativa del valore.

Conoscendo le frequenze relative di x posso calcolare anche la funzione di

ripartizione.
E’ vero anche il contrario e cioè che partendo da F(x) posso calcolare le frequenze
relative.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

2°CASO carattere X continuo

X assume valori in K classi

[CO; C1); [C1; C2); [C2; C3); …; [CK-1; CK]
Ovviamente con fk
Ad ogni classe è associate una frequenza relativa

Classi fk dk hk

[CO; C1) f1 d1=C1-C0 h1=f1/d1

…. …. …. ….
[CK-1; CK] fk dk=Ck-Ck-1 hk=fk/dk
1

Ƒ(x) = fi (X ≤ x) per ogni x ∈ R

F(x) → SPEZZATA

Fi-1 + hi (x - Ci-1) significa che questa parte di popolazione ha questo determinato

carattere!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

PROPRIETA’ DEL GRAFICO DI UNA Fx DI RIPARTIZIONE PER X

CARATTERE QUANTITATIVO CONTINUIO:
1. lim 𝐹 (𝑥 ) = 0
𝑥→ −𝑖𝑛𝑓
lim 𝐹 (𝑥 ) = 1
𝑥 →+𝑖𝑛𝑓
2. F(x) è non decrescente
3. F(x) è continua

INDICI SINTETICI
Strumenti che ci consentono di sintetizzare dei Dati:
• MISURA DI CENTRALITA’ (Media/Mediana/Quartili/Moda)
• MISURA DI VARIABILITA’ (Varianza/Devianza)
• MISURA DI CONCENTRAZIONE (Indice di GINI)

o MISURA DI CENTRALITA’ (o posizione)

Andiamo a confrontare diversi istogrammi

Nei grafici asimmetrici, il centro dei dati è sul lato opposto dell’asimmetria.

1. Il primo indice di centralità (o posizione) è la MEDIA ARITMETICA che

misura caratteri quantitativi.

i. Per dati non aggregati

x1, x2, …, xn
𝑥1 +𝑥2 +....+𝑥𝑛 ∑𝑁
𝑖=1 𝑥𝑖
𝜇 = 𝑁
=
𝑁

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:

5 altezze espresse in cm
A 160
B 170
C 180
D 173
E 158

160 + 170 + 180 + 172 + 158

𝜇= = 168
5

ii. Per dati in una tabella di frequenza (carattere discreto)

X fi ni
x1 f1 n1
x2 f2 n2
xk fk nk
Tot 1 N

𝑥1(𝑛1) + 𝑥2(𝑛2)+. . . +𝑥𝑘(𝑛𝑘)

𝜇=
𝑁
𝑘
1
𝜇 = ∑ 𝑥𝑖(𝑛𝑖)
𝑁
𝑖=1

Usando le frequenze relative → 𝜇 = ∑𝑘𝑖=1 𝑥𝑖(𝑓𝑖)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
6 studenti
x ni fi

21 2 0,33
27 2 0,33
28 1 0,17
30 1 0,17
6
La media Freq. Assoluta:
21(2) + 27(2) + 28(1) + 30(1)
𝜇= = 25,7
6
La Media Freq, Relativa
𝜇 = 21(0.33) + 27(0,33) + 28(0,17) + 30(0,17) = 25,7

iii. Per dati in una tabella di frequenza (carattere in classi)

Classi ni

[CO, C1) n1
[C1, C2) n2
… …
[CK-1, CK] nk
Tot N

Per ogni classe devo calcolare

X* = Valore centrale
𝐶𝑜+𝐶1 𝐶1+𝐶2
=x1* =x2*
2 2
1
Frequenza Assoluta 𝜇 = 𝑁 ∑𝑘𝑖=1 𝑥𝑖 ∗ (𝑛𝑖)
Frequenza Relativa 𝜇 = ∑𝑘𝑖=1 𝑥𝑖(𝑓𝑖)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

La MEDIA ARITMETICA ha delle proprietà:

1. INTERNALITA’
a≤𝜇≤𝑏
dove a = min {x1, x2, …, xn}
dove b = max {x1, x2, …, xn}

2. BARICENTRO
La nostra media 𝜇 è tale che ∑𝑁 𝑖=1(𝑥𝑖 − 𝜇 ) = 0 → La somma
degli scarti dalla media è nulla (𝑥𝑖 − 𝜇) = 𝑆𝑐𝑎𝑟𝑡𝑖.
3. LA MEDIA ARITMETICA MINIMIZZA LA SOMMA
DEGLI SCARTI AL QUADRATO DELLA MEDIA
mina∑𝑁 𝑖=1(𝑥𝑖 − 𝑎) → ha come soluzione a = 𝜇
2

ovvero ∑𝑁 𝑁
𝑖=1(𝑥𝑖 − 𝜇) ≤ ∑𝑖=1(𝑥𝑖 − 𝑎) per ogni a ∈ 𝑅
2 2

Possiamo misurare la perdita di informazione che si ha

sintetizzando i dati usando un indice a
∑𝑁𝑖=1(𝑥𝑖 − 𝑎) → Funzione di PERDITA QUADRATICA.
2

4. INVARIANZA RISPETTO A TRASFORMAZIONI

LINEARI.
Supponendo di avere i seguenti dati (x1, x2, …, xn)
calcoliamo la media aritmetica 𝜇x
Ora applichiamo una TRASFORMAZIONE LINEARE
Y1 = a + b(x1)
Y2 = a + b(x2)
…
Yn = a + b(xn)
La mia nuova media aritmetica sarà pari a 𝜇Y =a + b(𝜇x)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESEMPIO:

X → Numeri
X1 = 1
1+2+3
X2 = 2 𝜇x = 3 = 2
X3 = 3

Applico una trasformazione lineare

Yi = 2xi + 1 → Calcolare Media aritmetica Y

▪ Applico la trasformazione lineare alla media

𝜇y = 1 + 2(2) = 5

▪ Applico la trasformazione agli xi

Y1 = 1 + 2(1) = 3
Y2 = 1 + 2(2) = 5
Y3 = 1 + 2(3) = 7
𝑌1+𝑌2+𝑌3 3+5+7
𝜇y = = =5
3 3

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

5. PROPRIETA’ ASSOCIATIVA
Andiamo a dividere la nostra popolazione in gruppi
N = Ampiezza popolazione
G = Numero dei gruppi.
N1, N2, …, Ng → Ampiezze dei gruppi
Per ogni gruppo abbiamo una certa media
𝜇1 (1° gruppo); 𝜇2 (2° gruppo); 𝜇N (3° gruppo)

𝜇1(𝑁1) + 𝜇2(𝑁2) + ⋯ + 𝜇𝑛(𝑁𝑛)

𝜇=
𝑁
La media della popolazione è pari alla media delle medie dei
gruppi.
I gruppi possono avere numerosità diverse
N1≠N2

ESEMPIO:
X = Reddito mensile (mig. Euro)
Popolazione di 85 famiglie
3 Gruppi
Gruppi Ng 𝝁g

1 20 1,75 𝝁1
2 15 1,60 𝝁2
3 50 1,85 𝝁3

1,75(20) + 1,60(15) + 1,85(50)

𝜇= = 1,78 𝑚𝑖𝑔𝑙. 𝑒𝑢𝑟𝑜
85

6. LA MEDIA ARITMETICA NON E’ ROBUSTA

La media è influenzata da outlier, valori estremi, valori
anomali.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MEDIA ARITMETICA PONDERATA

Conosciamo il valore del carattere x per tutte le unità statistiche:

- Attribuiamo ad ogni valore un peso diverso
Xi = Valore x
Wi = Peso di xi

∑𝑁
𝑖=1 𝑥𝑖 (𝑊𝑖 )
𝜇𝑃 =
∑𝑁
𝑖=1 𝑊𝑖

VOTO X= CFU
ESAME VOTO
Mat. 27 12
Diritto 25 9
Contab. 22 9
30
27(12)+25(9)+22(9)
Voto medio ponderato = = 24,9
30

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MEDIA QUADRATA

1
𝜇𝑞 = √ ∑𝑁
𝑖=1 𝑥𝑖
2
𝑁

Si usa soprattutto quando ci interessa la media di scarti (+ o -) sia

positivi che negativi.

Esempio:
In un processo produttivo vogliamo monitorare gli scarti del peso
di un certo prodotto dal peso standard.
X= Scarto dal peso standard
4 prodotti N=4
X1 = 0,02
X2= -0,01
X3= 0,03
X4= -0,03
Media aritmetica = 0,0025

0,022 +(−0,01)2 +0,032 (−0,03)2

Media quadratica = 𝜇q = √ 4
= 0,024

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MEDIA GEOMETRICA

Si usa soprattutto per la media di variazioni nel tempo.

Esempio:
Consideriamo un investimento che ha i seguenti rendimenti
1°anno 10%
2°anno 50%
3°anno 25%
Qual è il rendimento medio dell’investimento?
1€ → Lo investiamo
Dopo 1 anno → 1+(0,10) = 1,10 €
Dopo 2 anni → 1,10 x (1+0,50)
Dopo 3 anni → 1,1 x 1,50 x 1,25 = a fine dei 3 anni → 2, 0625 €
Il rendimento medio è quel valore C tale che il valore finale resti
invariato.
C x C x C = 2,0625
C3 = 2,0625
3 3
√𝐶 3= √2,0625 = 1,273
C = Media = 1,273 →27,3%

Considerando i dati x1, x2, …, xn Tutti positivi, la media

geometrica è pari a:

𝜇g=(∏𝑁
𝑖=1 𝑥 i)
1/N

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio: Variazione dei prezzi in 4 anni

ANNO Var. ANNUA PREZZI
2009 x1=1,023
2010 x2=1,019
2011 x3=1,024
2012 x4=1,025

Variazione complessiva dei prezzi dal 2009 al 2012

1,023 x 1,019 x 1,024 x 1,025 = 1,094

Voglio calcolare la variazione MEDIA del periodo

𝜇g = (1,094)1/4 = 1,0227
𝜇g = 4√1,094 = 1,0227

L’incremento medio è 2,27% = 0,0227

DATI QUANTITATIVI!!!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MEDIANA

Si usa per caratteri quantitativi ma anche per caratteri

qualitativi ordinali.

La mediana (m) è quel valore (o modalità) che divide la

popolazione (ordinata) in 2 gruppi di uguale numerosità.
I 2 Gruppi:
- Nel 1° gruppo troviamo i valori che sono tutti minori
o uguali ad m
- Nel 2° gruppo troviamo i valori che sono maggiori o
uguali ad m.

• m per dati disaggregati per carattere discreto.

Dati = x1, x2, …, xn
o N è dispari
Devo ordinare i dati!
X1 ≤ X2 ≤ X3 …. ≤ Xn
𝑁+1
Calcolo la posizione centrale ( )
2
𝑁+1
La mediana m = x( ) → è il valore in corrispondenza
2
della pozione centrale della sequenza ordinata.

Esempio:
N = 7 Famiglie X = reddito
Dati: 3800; 3300; 2900; 4300; 13800; 5400; 4900.
Calcolare il reddito mediano
Ordino i dati {2900; 3300; 3800; 4300; 4900; 5400; 13800}
𝑁+1 7+1
Posizione MEDIANA → = =4
2 2
Medina X(4) = 4300 €

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

o N è pari
Ordiniamo i dati
X1 ≤ X 2 ≤ … ≤ Xn
𝑁 𝑁
Individuo le 2 posizioni centrali ( ) 𝑒 ( + 1)
2 2
Individuo i valori corrispondenti delle 2 posizioni XN/2 e
X(N/2) + 1
𝑥𝑁/2 +𝑥𝑁/2 + 1
La mediana è m = ( )
2

Esempio:
6 Studenti N= 6 X= Voto esame maturità
{23, 27, 24, 30, 27, 25}
Trovare il voto mediano
Ordino i dati
{23, 24, 25, 27, 27, 30}
Trovo le posizioni N = 6
XN/2 e X(N/2 )+1 → 3° e 4° posizione
XN/2 = X3 = 25; X(N/2)+1 = 27
25+27
MEDIANA = = 26
2
Il 50% ha voto ≥ 26 e il 50% ha il voto ≤ 26

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Dati in tabella di frequenza in carattere discreto

Xi fi Fi
X1 f1 F1
… … …
Xk fk Fk
Tot 1

ESEMPIO:
x= n° di figli N=5 famiglie
Xi fi Fi
0 0,2 0,2
1 0,2 0,4
2 0,4 0,8
3 0,2 1

Dove Fi supera 0,5? m= 2 Fi sta in 2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Tabella di frequenza → Carattere in classi continuo

X=Altezza N=50 individui

x fi Fi di hi
[150; 160) 0,02 0,02 10 0,002
[160; 170) 0,2 0,22 10 0,02
[170; 180) 0,7 0,92 10 0,07
[180; 200] 0,08 1 20 0,004

𝟎,𝟓−𝑭𝒊−𝟏
m = Ci-1* +
𝒉𝒊

0,5 − 0,22
in questo esempio → m = 170 + = 174 𝑐𝑚
0,07

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Se in Frequenze assolute
• N pari
𝑁
− 𝑁𝑖−1
2
m = Ci-1* + x di
𝑛𝑖
• N dispari
𝑁+1
− 𝑁𝑖−1
2
m = Ci-1* + x di
𝑛𝑖

Mediana Per Carattere Qualitativo ordinale

(dati disaggregati)
X → x1, …, xn N=Dispari
1. Ordiniamo in modo crescente
𝑁+1
2. Individuiamo la posizione centrale ( )
2
𝑁+1
3. La mediana sarà x( )
2

Esempio:

N=9 Rating obbligazioni

{a B Ba Baa Baa A A Aa Aaa}
𝑁+1
Ordinare! Troviamo la posizione =? 5° Posizione
2
m = X(5) = Baa cioè il 50% delle obbligazioni non supera
Baa.
-------------------------------------------------------------------

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Supponiamo N = Pari

-Ordiniamo i dati
𝑁 𝑁+1
-Individuiamo le 2 posizioni centrali ( ) e ( )
2 2
𝑁 𝑁+1
-Sappiamo che la mediana è compresa tra x( ) e x( )
2 2

Esempio 1

N=10 obbligazioni x = Rating

Dati{a B B Ba Baa Baa A A Aa Aaa}
𝑁 𝑁+1
x( ) e x( )
2 2
Baa Baa

In questo caso abbiamo una sola mediana Baa

Esempio 2

{ca B Ba Baa Baa A A Aa Aaa Aaa}

𝑁 𝑁+1
x( )= Baa e x( )= A
2 2

In questo caso abbiamo due Mediane!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

LE PROPRIETA’ DELLA MEDIANA

1. La mediana gode della proprietà della
INTERNALITA’
a≤m≤b
min max

2. La mediana gode della proprietà di INVARIANZA

rispetto a trasformazioni lineari.
(Caratteri Quantitativi)
Se x1, …, xn che hanno mediana mx
Trasformiano i nostri caratteri x1, …, xn y1, …, yn
Dove y1 = a + bx1
……
yn =a + bxn
Allora my = a + bmx

3. La mediana è l’indice sintetico che MINIMIZZA LA

FUNZIONE DI PERDITA LINEARE
𝑵

∑ |𝒙𝒊 − 𝒂| 𝒇𝒖𝒏𝒛𝒊𝒐𝒏𝒆 𝒅𝒊 𝒑𝒆𝒓𝒅𝒊𝒕𝒂 𝒍𝒊𝒏𝒆𝒂𝒓𝒆

𝒊=𝟏
𝑵 𝑵

∑ |𝒙𝒊 − 𝒎| ≤ ∑ |𝒙𝒊 − 𝒂|
𝒊=𝟏 𝒊=𝟏

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

4. La mediana E’ ROBUSTA e non è sensibile a dati

anomali (Outlier)
Es.
A:{2,9 3,3 3,8 4,3 4,9 5,4 13,8}
B:{2,9 3,3 3,8 4,3 4,9 5,4 103,8}

m = 4,3 (per entrambi)

media A = 5,49 ≠ media B = 22,2

La mediana appartiene alla famiglia dei QUARTILI.

I QUARTILI
Def. Il 1° Quartile è quel valore che lascia a sinistra nella
sequenza ordinata dei dati il 25% della popolazione.
Q1 è anche quel valore per cui al meno il 25% dei dati ha
valore di x ≤ Q1.

Calcoliamo Q1 per dati disaggregati:

1. Ordinare i dati
𝑁+1
2. Individuare la posizione
4
𝑁+1 𝑁+1
3. Se è un intero → Q1 x( )
4 4
Se non è un intero si approssima all’intero più vicino
Se il primo decimale è 5 allora Q è la media dei due
valori

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
N=10 Individui X=Reddito (in migliaia €)
Dati {10 15 18 20 22 23 27 28 29 30}
𝑁+1 10+1
Q1 = = = 2,75 → approssimo a 3
4 4
X(3) = 18 mila euro
Ovvero il 25% della popolazione ha un reddito minore o
uguale a 18 mila euro.

Def. Il 3° Quartile è il valore tale per cui almeno il 75%

della popolazione ha valore di x ≤ a Q3
1. Ordinare i dati
3
2. Determinare la posizione (N+1) x
4
3
3. Se (N+1) x 𝑛𝑜𝑛 è 𝑖𝑛𝑡𝑒𝑟𝑜 𝑎𝑝𝑝𝑟𝑜𝑠𝑠𝑖𝑚𝑜 𝑐𝑜𝑚𝑒 𝑝𝑒𝑟 𝑄 1
4

Esempio:
Vedi dati esempio prima
Q3 = (10+1) x ¾ → 8,25 → ovvero 8°posizion
X(8) = 28 mila euro
Ovvero il 75% della popolazione ha un reddito che non
supera 28 mila euro.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

BOX PLOT
È un GRAFICO in cui troviamo min, Q1, m, Q3, Max

Rappresentazione Grafica centralità dei dati (m)

Variabilità dei dati → Quanto sono lontani dal centro.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MODA
E’ il valore (o modalità) che ha la frequenza più alta.

Esempio:
x = Tipo di diploma superiore conseguito di 119 studenti
x ni
Liceo 50
ITC 35
ITIS 34
Tot 119

La moda è LICEO perché ha la Frequenza più alta.

Per un CARATTERE IN CLASSI → hi

hi più alto rappresenta la MODA e viene anche definita
come CLASSE MODALE.

La moda può essere BIMODALE/TRIMODALE/Ecc...

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INDICI DI VARIABILITA’:
Per dei Dataset di dati possiamo avere gli indici di
posizione e gli INDICI DI VARIABILITA’.

Questi indici di variabilità ci misurano quanto i dati sono

lontani dal centro e si usa SOLO PER DATI
QUANTITATIVI.

Esempio:
Abbiamo 2 città A e B e le confrontiamo per N° di figli per
famiglie.

𝜇 = 2 𝜇 = 2

Nella città A la media è molto rappresentativa.

Nella città B la media è poco rappresentativa.
A → Bassa variabilità
B → Alta variabilità

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

La VARIABILITA’ E’ la tendenza dei dati ad essere

LONTANI DAL CENTRO e LONTANI TRA DI LORO.

1. CAMPO DI VARIAZIONE (RANGE)

R= X(N) – X(1)
X(1) = min {x1, …, xn}
X(N) = max { x1, …, xn}
LIMITI DEL RANGE
- Non usa tutti i dati
- In caso di outlier il range è molto influenzato.
2. DIFFERENZA INTERQUARTILICA (SCARTO)
SIq = Q3 – Q1
Ci permette di usare valori non influenzati da outlier,
se ci sono outlier non rientrano in questo calcolo.
LIMITE DEL SI
- Non sfrutta tutti i dati ma solo Q3 e Q1

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

3. DEVIANZA
Misura la lontananza dei dati dalla media aritmetica dei
dati stessi.
• Devianza con DATI DISAGGREGATI
D =∑𝑵 𝒊=𝟏(𝒙𝒊 − 𝝁) ovvero la somma dei quadrati
2

degli scarti dalla media aritmetica.

• DATI CON FREQUENZE ASSOLUTA E CARATTERI
DISCRETI
Xi ni
x1 n1
… …
xk nk
Tot N

D =∑𝑵
𝒊=𝟏(𝒙𝒊 − 𝝁) x ni
2

NO CON FREQUANZE RELATIVE (fi)!!!

• DATI CON FREUANZE ASSOLUTA E CARATTERI
IN CLASSE.
Classi ni xi*
[C0, C1) n1 x*=media
… … intervallo
[Ck-1, Ck] nk …
𝐶𝑘−1 + 𝐶𝑘
x k=
2
Tot N

D=∑𝑲
𝒊=𝟏(𝑿𝒊 ∗ −𝝁) x ni
2

La devianza usa tutti i dati!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

I LIMITI DELLA DEVIANZA:

- D è influenzata da dati anomali
- Unità di misura che deve essere interpretata dato
che la sua misura è pari al quadrato dell’unità di
misura di X
- E’ influenzato dalla numerosità (cioè N)
essendo una somma N sale e quindi D sale, quindi
se le numerosità sono diverse le devianze non sono
confrontabili.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

4. VARIANZA:

𝑫𝒙 𝑫
Var(x) = → σ2 = 𝑵 oppure
𝑵𝒙
∑𝑵
𝒊=𝟏 𝒙𝒊^𝟐 (𝒏𝒊)
Var =𝝁2 – 𝝁 2
dove 𝝁2=
𝑵

La varianza è la media degli scarti al quadrato della media

aritmetica.
Grazie alla varianza è possibile confrontare popolazioni con
N diverse.
L’unità di misura è il quadrato dell’unità di misura di x.
La varianza è influenzata da dati anomali e usa tutti i dati.

• Varianza per dati disaggregati:

𝟏
σ2 = ∑𝑵𝒊=𝟏(𝒙𝒊 − 𝝁)
2
𝑵

• Varianza per frequenze assolute

𝟏
σ2 = ∑𝑵𝒊=𝟏(𝒙𝒊 − 𝝁) x ni
2
𝑵

• Varianza per frequenze relative

𝑛𝑖
Sapendo che fi = allora
𝑁
𝟏
σ2 = ∑𝑵
𝒊=𝟏(𝒙𝒊 − 𝝁) x fi
2
𝑵

• Varianza in classi
σ2 = ∑𝒌𝒊=𝟏(𝒙𝒊 ∗ − 𝝁)2 x fi
Dove xi* = Media della classe

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
x = N° figli N = 25

x ni xi-𝜇 (xi-𝜇)2
o 1 0-2,04 4,162
1 4 1-2,04 1,082
2 15 2-2,04 0,002
3 3 3-2,04 0,922
4 2 4-2,04 3,842
Tot 125

∑𝑁
𝑖=1 𝑥𝑖(𝑛𝑖) 0(1)+1(4)+2(15)+3(3)+4(2)
MEDIA = 𝜇 = = =
𝑁 25
2,04
𝟏 𝟏
σ2 = ∑𝑵 𝒊=𝟏(𝒙𝒊 − 𝟐, 𝟎𝟒)2 x ni = [𝟒, 𝟏𝟔𝟐(𝟏) +
𝑵 𝟐𝟓
𝟏, 𝟎𝟖𝟐(𝟒) + 𝟎, 𝟎𝟎𝟐(𝟏𝟓) + 𝟎, 𝟗𝟐𝟐(𝟑) +
𝟑, 𝟖𝟒𝟐(𝟐)] = 𝟎, 𝟕𝟓𝟖 𝒇𝒊𝒈𝒍𝒊 𝒂𝒍𝒍𝒂 ^𝟐

La Varianza è sempre e solo ≥ a 0 (NON PUO’

ESSERE NEGATIVA)
La Varianza può essere pari a 0 quando i nostri dati
sono tutti uguali ma σ2 = 0 se e solo se tutti gli scarti
sono nulli.
La varianza non ha limite superiore.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

La radice della varianza è LO SCARTO

QUADRATICO MEDIO o DEVIAZIONE
STANDARD!
𝜎 = √𝜎 2
Lo scarto quadratico medio ha la stessa unità di misura
dei dati.
Se x = reddito (€)
σ2 = D = €2
σ=€

5. COEFFICIENTE DI VARIAZIONE

Ci consente di confrontare 2 variabili diverse in termini

di variabilità.

Variabili diverse = con unità di misura differente.

Es Popolazione di studenti → Valutare se c’è maggiore
variabilità nel reddito o negli esami superati.
Possiamo anche confrontare se c’è più variabilità tra i
redditi in USA ($) o ITA (€)
𝜎
CV = → è un indice senza unità di misura.
|𝜇|

Ci indica quindi la costanza!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
USA = $ → Media 35.211$
Varianza 33$2
ITA = € → Media 19.873€
Varianza 35€2
Calcolare scarto quadratico medio → σ

σUSA = 5,74
σITA = 5,92
5,74
CVUSA = =0,00016
|35.211|
5,92
CVITA = =0,00029
|19.873|

Esiste una formula alternativa per la varianza:

1 1
σ2 = ∑𝑁 𝑖=1 (𝑥𝑖 − 𝜇) 2
= (∑𝑁 2
𝑖=1 𝑥𝑖 − 𝑁(𝜇 ))
2
𝑁 𝑁

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

6. NON LINEARITA’

Abbiamo dei dati x1, …, xn con varianza σ2x →

Applichiamo una trasformazione lineare.

Yi = a + bxi
→ Varianza dei nuovi dati sarà: σ2y = b2(σ2x)

Es. Abbiamo 5 dati x1, x2, …, x5

Con 𝜇x = 10 σx2 = 6
Applichiamo la seguente trasformazione lineare:

Yi=5xi – 2

𝜇y = (5x10)-2=48
σ2y = 52 x 6 = 150

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INDICI DI CONCENTRAZIONE
E’ la tendenza dei dati ad essere concentrati “nelle mani” di
poche unità statistiche.
Si usa solo per caratteri Quantitativi trasferibili e non
negativi.

Due casi estremi:

1. MASSIMA CONCENTRAZIONE e si ha quando
x1 = x2 = … = xN-1 = 0
xN = ∑𝑁𝑖=1 𝑥𝑖 ovvero in xN si ha tutto l’ammontare
2. MINIMA CONCENTRAZIONE (Equidistribuzione)
X1 = x2 =x3 = … = xn = 𝜇
𝜇𝑥𝑁 = 𝐴

Misuriamo la concentrazione come “distanza” dalla

situazione di equidistribuzione.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

1. INDICE DI GINI
(Assume valore tra 0 e 1)
- Bisogna necessariamente ordinare i dati dal più
piccolo al più grande
- Calcoliamo Ai (ammontare assoluto cumulato)
A(1)= x1
A(2)= x1 + x2
…
A(N)= x(1) + x(2) + … + x(N) = A (ammontare
complessivo)
Ai = ∑𝑖𝐼=1 𝑥(j)
Ai
- Calcoliamo qi = con 0 ≤ qi ≤ 1
𝐴
Dove qi = Quota di fatturato che deriva dalle prime
i aziende.
A2
Q2 = ex
𝐴
- Calcoliamo pi = frequenze relative cumulate
𝑖
pi = cioè:
𝑁
1 2 𝑁
p1= ; p2 = ; …; pN = = 1
𝑁 𝑁 𝑁
Obiettivo che è confrontare qi e pi.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

CASO DI MASSIMA CONCENTRAZIONE

𝐴
q1 = q2 = q3 = … = qN-1 = 0 e qn = = 1
𝐴
1 2
p1 = ; p2 = ; …; pN = 1
𝑁 𝑁
pi ≠ qi per i = 1, …, N-1
Possiamo affermare che pi ≠ qi

CASO DI EQUIDISTRIBUZIONE
X(1) = x(2) = … = x(N) = 𝜇
A=Nx𝜇
𝜇 1
q1 = = = 𝑝1
𝑁𝑥𝜇 𝑁
𝜇+𝜇 2𝜇 2
q2 = = = =p2
𝑁𝑥𝜇 𝑁𝑥𝜇 𝑁
Possiamo affermare che qi = pi

∑𝑵−𝟏
𝒊=𝟏 (𝒑𝒊−𝒒𝒊)
G= ∑𝑵−𝟏
→ Formula per L’INDICE DI GINI
𝒊=𝟏 𝒑𝒊

PROPRIETA’
G = 0 Equidistribuzione
G<0 NON ESISTE
G = 1 Massima concentrazione
0≤G≤1 → Più il valore è vicino ad 1, più ci sarà
concentrazione; Più il valore sarà vicino a 0, meno ci sarà
concentrazione.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
Sono riportati nella seguente tabella i dati relativi al numero
di turisti, in un mese, nelle provincie dell’Emilia Romagna.
Calcolare Gini.
Provincia N turisti Provincia N turisti
BO 350 MO 100
MO 100 FC 150
FE 250 FE 250
FC 150 BO 350
RA 600 RN 500
RN 500 RA 600
1950

i N turisti Ai Qi pi (dato da i/N) pi-qi

1 100 100 0,0513 0,1667 0,1154
2 150 250 0,128 0,333 0,205
3 250 500 0,2564 0,5 0,2436
4 350 850 0,436 0,667 0,2308
5 500 1350 0,6923 0,833 0,141
6 600 1950 - - -
A=1950 0,936

∑𝑵−𝟏
𝒊=𝟏 (𝒑𝒊−𝒒𝒊) 𝟎,𝟗𝟑𝟔
G= ∑𝑵−𝟏
= = 𝟎, 𝟑𝟕𝟒
𝒊=𝟏 𝒑𝒊 𝟐,𝟒𝟗𝟗

Significa che la concentrazione dei turisti nelle provincie è

pari al 37% di quella massima ipotizzabile.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

[Link] DI LORENZ
Asse X: pi i = 1, …, N
Asse Y: qi P0 = Q 0

Se equidistribuzione: pi = qi

Se si parla di max concentrazione q1=q2=….=qn-1=0

Qn=1

L’area di concentrazione è l’area tra la spezzata di

concentrazione dei dati e la retta di equidistribuzione.
Più l’area è grande più il coefficiente di Gini sarà alto.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Calcoliamo l’area di concentrazione:

1
A= – somma delle aree dei trapezi
2
𝟏 (𝒒𝒊+𝒒𝒊−𝟏)(𝒑𝒊−𝒑𝒊−𝟏)
A = − ∑𝑵 𝒊=𝟏
𝟐 𝟐
A misura quanto siamo lontani dalla retta a 45°
A= 0 se siamo in equidistribuzione.
A= maxA se c’è massima concentrazione, dove:
1
maxA= − 𝐴𝑟𝑒𝑎 𝑢𝑙𝑡𝑖𝑚𝑜 𝑡𝑟𝑖𝑎𝑛𝑔𝑜𝑙𝑜
2
𝑁−1
1 1− 𝑁−1
𝑛
maxA= − =
2 2 2𝑁

Data la presenza di N non posso usare A per confronti tra

popolazioni.

Indice di Gini = Area di concentrazione NORMALIZZATA

𝑨 𝑨 𝟐𝑵
G= = 𝑵−𝟏 =𝑨( )
𝒎𝒂𝒙 𝑨 𝑵−𝟏
𝟐𝑵
𝑵−𝟏
A= G ( )
𝟐𝑵

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ANALISI BIVARIATA
Ci chiediamo se ci siano relazioni tra due caratteri ovvero
se esiste dipendenza.

Esempio: c’è un legame tra titolo di studio e il primo

stipendio nel mondo del lavoro? Oppure c’è un legame tra
R&S e utili aziendali?

X e Y → -due CARATTERI

Che possono essere:

1. Con DATI DISAGGREGATI
Titolo studio Reddito
x1 y1
x2 y2
… …
xn yn

2. Tabella di FREQUENZA ASSOLUTA (o di doppia

entrata)
x|y y1 y2 … yn
x1 n11 n12 n1n
x2 n21 n22 n2n
… … … …
xn nn1 nn2 nnn

X = ha R modalità che corrispondono a R righe

Y = ha C modalità che corrispondono a C colonne

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

x|y y1 y2 … yc
x1 n11 n11 n1C
x2 n21 n22 n2C
… … … …
xR nR1 nR2 nRC
N
La somma di tutti i nij è uguale alla numerosità della
popolazione (N).

NB La somma delle frequenze MARGINALI

ASSOLUTE è sempre = N

3. Tabella a doppia entrata con FREQUENZE

RELATIVE CONGIUNTE
x|y y1 y2 yC fi.
(frequenza
marginale
di x)
x1 f11 f12 f1C f 1.
x2 f21 f22 f2C f 2.
… … … … …
xR fR1 fR2 fRC f R.
f.j f.1 f.2 f.C 1
(Frequenza
marginale
di Y)

Frequenza relativa congiunta

𝑛𝑖𝑗
Fij = frequaneza relativa di x= xi e y =yj =
𝑁

La somma delle frequenze relative congiunte è 1

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Cosa accade se 1 o 2 caratteri NON SONO

QUANTITATIVI?

INDIPENDENZA STATISTICA
Diciamo che X e Y sono STATISTICAMENTE
INDIPENDENTI quando fij = fi. x f.j

In generale, posso calcolare fi. e f.j solo se ho a

disposizione fij
Partire dalle MARGINALI PER RIEMPIRE una
tabella a doppia entrata NON SI PUO’ a meno che x e
y siano indipendenti.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Altro Modo per verificare se X e Y sono INDIPENDENTI

- FREQUENZA CONDIZIONATA –

3. Frequenze condizionate relative di X dato Y.

𝒇𝒊𝒋 𝒇𝒓𝒆𝒒𝒖𝒆𝒏𝒛𝒂 𝒄𝒐𝒏𝒈𝒊𝒖𝒏𝒕𝒂 𝒅𝒊 𝒙 = 𝒙𝒊 𝒆 𝒚 = 𝒚𝒋

Fi|j = =
𝒇.𝒋 𝒇𝒓𝒆𝒒𝒖𝒆𝒏𝒛𝒂 𝒎𝒂𝒓𝒈𝒊𝒏𝒂𝒍𝒆 𝒚 = 𝒚𝒋
Ovvero la frequenza di x = xi dato che y = yj

4. Frequenze condizionate relative di Y dato X.

𝒇𝒊𝒋 𝒇𝒓𝒆𝒒𝒖𝒆𝒏𝒛𝒂 𝒄𝒐𝒏𝒈𝒊𝒖𝒏𝒕𝒂 𝒅𝒊 𝒙 = 𝒙𝒊 𝒆 𝒚 = 𝒚𝒋

Fj|i== =
𝒇𝒊. 𝒇𝒓𝒆𝒒𝒖𝒆𝒏𝒛𝒂 𝒎𝒂𝒓𝒈𝒊𝒏𝒂𝒍𝒆 𝒙 = 𝒙𝒊
Ovvero la frequenza di y =yj dato x = xi

Dall’esempio precedente → Calcoliamo le frequenze

condizionate di X dato che Y = nord.
X fi|j = fi|j = 1 → NORD
x1 = [0; 10) f11/f.1 = 0,1/0,4 = 0,25
x2 = [10; 50) f21/f.1 = 0,1/0,4 = 0,25
x3 = [50; 100] f31/f.1 = 0,2/0,4 = 0,5
Tot 1

0,25 → il 25% di tutte le aziende del nord è di piccole

dimensioni.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

1. Se X e Y sono due variabili quantitative

a. Dipendenza lineare tra X e Y si misura con
COVARIANZA e CORRELAZIONE
- X e Y sono INCORRELATE o linearmente
indipendenti cov(x; y) = ρ(x;y) = 0
- Se cov(x; y) e ρ(x;y) ≠ 0 allora c’è correlazione tra
X e Y.
In questo caso cov(x; y) = cov(y; x) e ρ(x; y) = ρ(y;x)
b. Anaisi ASIMMETRICA –
Regressione lineare Y dipende da X
2. Se X e Y sono variabili di qualunque natura.
a. Indipendenza statistica tra X e Y:
fij = fi. x f.j ∀i,j
Oppure condizionate
fi|j = fi. ∀i, j → frequenza condizionata di x|y
fj|i = f.j ∀i, j → frequenza condizionata di y|x
b. Se non c’è INDIPENDENZA STATISTICA c’è
connessione tra X e Y → 𝝌2
3. ANALISI DELLA DIPENDENZA IN MEDIA
Si verifica solo se ALMENO una delle due variabili è
quantitativa X e Y.
Si parla di analisi asimmetrica
- Dipendenza in media di Y da X
≠
- Dipendenza in media di X da Y

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

x/y y1 … yc ni.
x1 n11 n1c n1.
… … … …
xR nR1 nRC nr.
n.j n.1 n.c N
Frequenze condizionate assolute

Calcoliamo le frequenze RELATIVE condizionate di Y|X

𝑛𝑖𝑗
Fj|i =
𝑛𝑖.
Freq. Y dato che X = x1
Y fj|1
y1 n11/ni.
y2 n1/2/ni.
… …
yc nic/ni.
Tot 1

Se Y è quantitativa e X è quali o quantitativa.

Possiamo calcolare la media di Y nei gruppi →

Calcolo le medie condizionate di Y a X

𝜇y = ∑𝑐𝑗=1 𝑦𝑗 (𝑓𝑗|𝑖)
Dove fj|i = è la frequenza condizionata di Y dato X = xi

Noi possiamo calcolare la media di Y su tutta la

popolazione.
1
𝜇y = ∑𝑐𝑗=1 𝑦𝑗(𝑛. 𝑗)
𝑁

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Se X ha R valori distinti allora avremo R medie

condizionate di Y.

Esempio:
Consideriamo una popolazione di 500 individui per i quali
abbiamo rilevato Titolo di studio = Y e Reddito (€) = X
x/y Lic media Diploma Laurea ni.
[0; 10) 88 9 3 100
[10; 30) 143 38 19 200
[30; 100] 120 38 42 200
n.j 351 85 64 500

Calcoliamo le frequenze CONDIZIONATE di X|Y

x/y fi|1 fi|2 fi|3 Val centrale
xi*
[0; 10) 88/351 =0,2507 0,10 0,05 5
[10; 30) 143/351=0,4074 0,445 0,30 20
[30; 100] 120/351=0,342 0,445 0,65 65

1 1 1
Perché stiamo usando la freq. Relativa? Perché ci permette
di confrontare i valori!

X e Y sono statisticamente indipendenti?

Non sono indipendenti perché fi|j cambia al variare di j

Calcoliamo le Medie condizionate di x|y

𝜇x(yj) = ∑𝑅𝑖=1 𝑥𝑖 ∗ (𝑓𝑖|𝑗)
μx(y1) = 5(0,2507) + 20(0,4074) + 65(0,342) = 31,63€
μx(y2) = 5(0,10) + 20(0,445) + 65(0,445) = 38,33 €
μx(y3) = …= 48,50 €

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

In base ai risultati ottenuti si può affermare che

all’aumentare del titolo di studio il reddito medio dei gruppi
aumenta.
Sembra esserci una dipendenza della media di X da Y.

Consideriamo tutti i dati e calcoliamo la media globale.

La media di X → μx GLOBALE è pari alla media delle
medie dei gruppi:
μx = μx(y1)(f.1) + μx(y2)(f.2) + μx(y2)(f.3) =
= 31,63(351/500) + 38,33(85/500) + 48,5(64/500) = 34,95 €

La DIPENDENZA IN MEDIA confronta le medie

condizionate.
[x|y (se x è quantitativa); y|x (se y è quantitativa)]

Casi Estremi:
1. Indipendenza in media di Y da X
Sia ha quando tutte le medie condizionate di y da x
sono uguali tra di loro e uguali alla media globale.
X NON INFLUENZA la media di Y
2. Dipendenza in media di Y da X
Si ha quando tutte le medie condizionate di y da x
assumono valori diversi tra di loro al variare di X

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
Abbiamo un campione composto da 62 Famiglie.
- N° componenti = X
- Spesa per consumo alimentare € in classi = Y
x/y [115; 200) [200; 400) [400; 600) [600;1100] ni.
1 5 4 0 0 9
2 0 11 3 1 15
3 0 4 7 4 25
4 1 4 4 7 16
5 0 0 0 7 7
n.j 6 23 14 19 62

Esiste una dipendenza in media di Y da X?

𝑛𝑖𝑗
- Calcolo le frequenze condizionate di Y da X fj|i=
𝑛𝑖.
Y fj|1 fj|2 fj|3 fj|4 fj|5 Y*
[115; 200) 5/9 0 0 1/16 0 157,5
[200; 400) 4/9 11/15 4/15 4/16 0 300
[400; 600) 0 3/15 7/15 4/16 0 500
[600; 1100] 0 1/15 4/15 7/16 7/7 850
1 1 1 1 1

Medie condizionate
μy(x1) = 157,5(5/9)+300(4/9)+0+0=220,83 €
μy(x2) = 376,7 €
μy(x3) = 540 €
μy(x4) = 581,7 €
μy(x5) = 850,0 €

C’è dipendenza in media di Y da X.

(Le medie condizionate sono diverse!)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Abbiamo visto 3 tipi di indipendenza tra variabili:

1. INDIPENDENZA statistica (X e Y sia qualitative che
quantitative)
2. INDIPENDENZA IN MEDIA (Almeno una tra X e Y
deve essere quantitativa)
3. INDIPENDENZA LINEARE (X e Y devono essere
quantitative)

Legami tra i tipi di indipendenza:

Il legame più forte è l’indipendenza statistica (simmetrica)

fig = fi.(f.j)
oppure
𝑛 .(𝑛.𝑗)
nij = 𝑖
𝑁
oppure
fi|j= fi

Il legame intermedio è in media (asimmetrica)

di x da y se
μ(x)(yj) = tutte uguali
di y da x se
μ(y)(xi) = tutte uguali

Il legame più debole è l’indipendenza lineare o

incorrelazione (simmetrica)
Si ha quando Cov(x; y) = 0
E di conseguenza ρ(x; y) = 0

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Se X e Y sono statisticamente indipendenti → Allora sono

anche Indipendenti in media (di x da y e di y da x) →
Allora sono anche incorrelati.

1. Consideriamo 2 caratteri X e Y di qualunque natura

sappiamo che sono indipendenti se fij = fi.(f.j) ∀ i,j
Alternativamente
• Frequenze condizionate → per verificare la condizione
di indipendenza.
2. X e Y sono indipendenti se fi|j = fi. ∀ i,j
[Sapere il valore di Y non modifica la distribuzione di
frequenza di x].
3. X e Y sono indipendenti se fj|i = f.j ∀ i,j

I 3 modi per verificare l’indipendenza sono tra di loro

equivalenti, basta verificarne una sola.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
Consideriamo i caratteri Genere e Reddito.
x/y ALTO BASSO fi.
M 0,18 0,12 0,30
F 0,42 0,28 0,70
f.j 0,6 0,4 1
Verificare se X ed Y sono indipendenti.

Fij = fi.(f.j)

1. f11 = 0,18 = 0,30 x 0,18 V

….
f22 = 0,28 = 0,70 x 0,40 V
SONO INDIPENDENTI
0,18
2. Fi|j = fi. → = 0,30
0,60
0,42
= 0,70
0,60
0,12
= 0,30
0,40
0,28
= 0,70
0,40

0,18
3. fj|i = f.j → = 0,60
0,30
0,12
= 0,40
0,30
0,42
= 0,60
0,70
0,28
= 0,40
0,70

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INDICE CHI QUADRO:

Può capitare che x e y non siano indipendenti.

Parliamo di CONNESSIONE
• Indipendenza → Assenza di connessione
• Massima connessione = Si ha quando ad un valore o
modalità (di x) è associato un solo valore o modalità di
y.
x\y y1 y2 y3
x1 12 0 0
x2 0 0 30
x3 0 27 0

Esempio: Tabella a doppia entrata.

x\y -1 1 fi.
-1 0,1 0,4 0,5
0 0,05 0,3 0,35
1 0,05 0,1 0,15
f.j 0,2 0,8 1

1) x e y sono indipendenti?
fij = fi.(f.j) ∀ i,j
0.1 = 0,5(0,3) Vero
0,05 ≠ 0,35(0,2) Falso
Verifichiamo il grado di connessione → χ2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Calcoliamo la tabella a doppia entrata TEORICA (in

caso di indipendenza).
x\y -1 1 fi.
-1 0,1 0,4 0,5
0 0,07 0,28 0,35
1 0,03 0,12 0,15
f.j 0,2 0,8 1
Queste sono le frequenze teoriche (ovvero se fossero
indipendenti).
Le frequenze teoriche (valori viola) sono calcolate partendo
dalle marginali (valori rossi) e moltiplicandole tra di loro.

2) Tabelle delle differenze (CONTIGENZE)

Cij = fij (Realtà) – fij (Teoria)
x\y -1 1
-1 0 0
0 -0,02 0,02
1 0,02 -0,02
0

INDICE CHI QUADRO

𝑪𝒊𝒋𝟐
𝑹 𝑪
χ =
2
∑𝒊=𝟏 ∑𝒋=𝟏 ̂
𝒇𝒊𝒋
=0^2/0,1 + (0^2/0,4) + (-0,02^2/0,07) + (0,02^2/0,28) +
(0,02^2/0,03) + (-0,02^2/0,12) = 0,024

Gli ESTREMI del χ2 sono 0 ≤ χ2 ≤ min {R-1; C-1}

N°righe N°colonne
0 ≤ χ2 ≤ min {3-1; 2-1} = 1
(Se freq. Assolute 0 ≤ χ2 ≤ N ∙ min {3-1; 2-1})

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INDICE CHI QUADRO NORMALIZZATO

𝝌𝟐
χ2 =
𝒎𝒊𝒏 {𝑹−𝟏; 𝑪−𝟏}

0 ≤ χ2 ≤ 1

χ2 = 0,024/min{3-1; 2-1} = 0,024/1

se con frequenze assolute:

𝜒2
χ2 =
𝑁 ∙ 𝑚𝑖𝑛 {𝑅−1; 𝐶−1}

RELAZIONE TRA DUE VARIABILI

QUANTITATIVE:
X e Y quantitative (ASSOCIAZIONE LINEARE)

Grafico a dispersione

Nel Grafico c’è associazione lineane o correlazione positiva

tra x e y

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

In questo grafico invece la correlazione è negativa tra x e y.

La distanza tra i punti e la retta interpolante ci indica quanto

sono correlate le due variabili; se i punti sono molto vicini
allora la correlazione è molto forte, mentre più diradati
sono i punti meno correlate sono le variabili.

INDICE DI ASSOCIAZIONE LINEARE:

COVARIANZA
1. RAW DATA – DATI DISAGGREGATI

𝟏
Cov(x, y) = ∑𝑵
𝒊=𝟎(𝒙𝒊 − 𝝁𝒙)(𝒚𝒊 − 𝝁𝒚)
𝑵
𝑚𝑒𝑑𝑖𝑎 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑜𝑡𝑡𝑜 𝑑𝑒𝑔𝑙𝑖 𝑠𝑐𝑎𝑟𝑡𝑖

La Cov(x; y) può essere sia maggiore che minore di zero.

Se è maggiore di zero x e y sono CONCORDANTI e la
associazione lineare è positiva.
Se è minore di zero x e y sono DISCORDANTI e la
associazione lineare è negativa.
La Cov(x; y) può essere uguale a zero e quindi non c’è
associazione lineare.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Una forma alternativa/ridotta per il calcolo della

Covarianza per i raw data è:
Cov(x; y) = μxy – μx(μy)
1
Dove μxy = ∑𝑁
𝑖=1 𝑥𝑖𝑦𝑖 𝑚𝑒𝑑𝑖𝑎 𝑑𝑒𝑖 𝑝𝑟𝑜𝑑𝑜𝑡𝑡𝑖
𝑁
1 𝑁 1
μx = ∑ 𝑥𝑖 μy = ∑𝑁
𝑖=1 𝑦𝑖
𝑁 𝑖=1 𝑁

Esempio:

X = Altezza (in m) Y = Peso (in kg) N=5

Xi Yi Xi(Yi)
1,60 50 80
1,70 55 93,5
1,68 60 100,8
1,65 57 94,05
1,75 65 113,75
8,38 287 482.1
∑ 𝑥𝑖 ∑ 𝑦𝑖 ∑ 𝑥𝑖(𝑦𝑖)

Cov(x; y) = (482.1/5) – [(8,38/5) x (287/5)] = 0,2176

𝜇xi(yi) – μxi(μyi)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

2. Dati con FREQUENZE ASSOLUTE CONGIUNTE

(nij)

x\y y1 … yc ni.
x1 n11 … n1c
… … … …
xr nr1 … nrc
n.j
NB Ha senso calcolare la Covarianza SOLO quando x e y
sono caratteri quantitativi.

Due modi di calcolare:

𝟏
- Cov(x; y) = ∑𝑹 𝒊=𝟏 ∑𝑪𝒋=𝟏(𝒙𝒊 − 𝝁𝒙)(𝒚𝒋 − 𝝁𝒚) ∙ 𝒏𝒊𝒋
𝑵
- Cov(x; y) = μxy – μxμy
1
dove μxy = ∑𝑅𝑖=1 ∑𝐶𝑗=1 𝑥𝑖𝑦𝑗 ∙ 𝑛𝑖𝑗
𝑁
1
μx = ∑𝑅𝑖=1 𝑥𝑖𝑛𝑖.
𝑁
1 𝐶
μy = ∑𝑗=1 𝑦𝑖𝑛. 𝑗
𝑁

3. Dati con FREQUENZE RELATICE CONGIUNTE

(fij = nij/n)

Due modi di calcolare:

𝟏 𝑪
- Cov(x; y) = ∑𝑹 ∑ (𝒙𝒊 − 𝝁𝒙)(𝒚𝒋 − 𝝁𝒚) ∙ 𝒇𝒊𝒋
𝑵 𝒊=𝟏 𝒋=𝟏
- Cov(x; y) = μxy – μxμy
1
dove μxy = ∑𝑅𝑖=1 ∑𝐶𝑗=1 𝑥𝑖𝑦𝑗 ∙ 𝑓𝑖𝑗
𝑁
1
μx = ∑𝑅𝑖=1 𝑥𝑖𝑓𝑖.
𝑁
1 𝐶
μy = ∑𝑗=1 𝑦𝑖𝑓. 𝑗
𝑁

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

LE PROPRIETA’ DELLA COVARIANZA:

1. E’ SIMMETRICA: Cov(x, y) = Cov(y, x)

2. Cov(x, y) > 0 se x e y sono concordanti.

Cov(x, y) < 0 se x e y sono discordanti.
Cov(x, y) = 0 sono linearmente indipendenti.

3. -σxσy ≤ Cov(x,y) ≤ + σxσy

σx = Deviazione standard di x
σy = Deviazione standard di y
Poiché min e max della Covarianza dipendono dalla
variabilità delle due variabili non usiamo la covarianza
per misurare l’intensità della relazione ma usiamo:
𝐶𝑜𝑣(𝑥,𝑦)
-1 ≤ ≤ +1
𝜎𝑥𝜎𝑦
Coefficiente di correlazione lineare
𝐶𝑜𝑣(𝑥,𝑦)
ρ= si usa per misurare l’intensità della
𝜎𝑥𝜎𝑦
relazione lineare.
ρxy = -1 Perfetta discordanza (pendenza retta negativa)
ρxy = +1 Perfetta concordanza (pendenza retta
positiva)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esercizio:
x\y 1 2 fi.
0 0,3 0,1 0,4
3 0 0,3 0,3
5 0,2 0,1 0,3
f.j 0,5 0,5 1,0
Calcolare Cov(x,y) e ρ(x, y)

- Cov(x; y) = μxy – μxμy = 3,8 – 2,4(1,5) = 0,2

μxy = 0(1)(0,3) + 0(2)(0,1) + 3(1)(0) + 3(2)(0,3) + 5(1)(0,2)

+ 5(2)(0,1) = 3,8

μx = 0(0,4)+ 3(0,3) + 5(0,3) = 2,4

μy = 1(0,5) + 2(0,5) = 1,5

𝐶𝑜𝑣 (𝑥,𝑦 ) 0,2

- ρ= = = 0,19
𝜎𝑥𝜎𝑦 1,11(0,5)
𝜎𝑥 = 2,11 𝜎𝑦 =0,5

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ANALISI DI REGRESSIONE LINEARE

(semplice)
Si utilizza solo per variabili quantitative.
Y = Variabile dipendente/target/risposta/endogena
X =Variabile indipendente/esplicativa/predittiva/esogena

Analisi di regressione ≠ Analisi di covarianza

X e Y hanno due ruoli diversi ≠ X e Y sono sullo stesso piano

Esempio:
- Reddito nucleo famigliare (X = Variabile indipendente)
e soddisfazione del cliente (Y = Variabile dipendente).
- Consumo di frutta (Y) e età (X).
- Media voti degli esami (Y) e Spesa annua in libri (X).
- N° Sport praticati (X) e Body mass index (Y).
- Prezzo (X/Y) e Quantità (Y/X)

Obiettivi di questo modello:

1. Spiegare la variabilità di Y attraverso X
2. Prevedere i valori di Y attraverso X

L’ipotesi di questo modello è quella di approssimare in

modo lineare il legame di Y e X.
Ipotiziamo che ci sia una
retta che approssima i dati
del grafico a dispersione.
𝑌̂ = 𝛼̂ + 𝛽̂𝑥

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Vogliamo individuare la retta migliore possibile tra tutte le

rette del piano, e il metodo che utilizziamo è quello dei
MINIMI QUADRATI.
La distanza tra il punto nel piano e la retta è l’errore che si
commette nel modello, quindi la retta migliore è quella che
minimizza la somma dei quadrati degli errori (o residui):

∑𝑁
𝑖=1(𝑦𝑖 − 𝑦𝑖
̂ )^2

dove
yi = E’ il valore osservato di Y per l’unità statistica i-esima.
𝛼̂ + 𝛽̂𝑥𝑖 = 𝑦𝑖
̂ = E’ il valore previsto di Y, della retta, per la
l’unità i-esima.

Procedimento per individuare la retta ottimale, retta dei

mini quadrati:

min∑𝑁 ̂ + 𝛽̂𝑥𝑖)]^2
𝑖=1[𝑦𝑖 − (𝛼

→ Derivata prima della somma dei quadrati degli errori

rispetto ad 𝛼̂ e rispetto a 𝛽̂ sono uguali a zero
→ Derivate secondo > zero

La soluzione unica è:
𝐶𝑜𝑣(𝑥,𝑦)
𝛽̂ = → il segno dipende da cov(x,y)
𝜎2𝑥
𝛼̂ = μy -𝛽̂𝜇𝑥

𝛽̂ > 0 se e solo se Cov(x, y) maggiore di 0

𝛽̂ < 0 se e solo se Cov(x, y) minore di 0
𝛽̂ = 0 se e solo se Cov(x, y) uguale a zero

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Interpretazione dei coefficienti:

𝛽̂ (Slope) Misura l’impatto di X su Y → al crescere di una

unità di x, allora 𝑌̂ varia di 𝛽̂ unità.
ATTENZIONE! ricordati che 𝑌̂ è la STIMA.

𝛼̂ (costante) → Se x = 0 allora 𝑌̂ = 𝛼̂
ATTENZIONE! No sempre ha senso interpretare la
costante! (Se x = 0 non appartiene al range dei valori di X
osservati, la costante non si può interpretare).

Esercizio:

N = 6 Imprese X = n° Dipendenti Y = Fatturato (100K €)

X Y xiyi xi^2
15 9,2 138
10 5,2 52
8 4,5 36
7 6,8 47,6
12 8,3 99,6
9 7,5 67.5
61 41,5 440,7

Vogliamo spiegare il fatturato in funzione del numero di

dipendenti, mediante un modello di regressione lineare.
1. Determinare l’equazione della retta dei minimi quadrati.
2. Disegnare il diagramma a dispersione e aggiungere la retta
determinata.
3. Fornire l’interpretazione dei coefficienti 𝛼̂ e 𝛽̂

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

1. 𝑌̂ = 𝛼̂ + 𝛽̂ 𝑥
μx = 61/6 = 10.167
μy = 41.5/6 = 6.917 (K€)

Cov(x, y) = μxy – μxμy = 440.7/6 – 10.167 = 3.13 > 0

σ^2 = 7.13 (n° dipendenti al quadrato)
𝛽̂ = 3.13/7.13 = 0,436 coefficiente angolare della retta
di regressione
𝛼̂ = μy - 𝛽̂ μx = 6.917 – 0.439 ∙ 10.167 = 2.45 costante
della retta

2.

3. 𝛽̂ = 0.439 se il n° di dipendenti aumenta di 1 il

fatturato atteso/stimato/medio/previsto aumenta di
43900 €
𝛼̂ non può essere stimata perché 0 non fa parte del
range dei valori osservati (che vanno da 7 a 15) perché
sennò dovrei dire che se x=0 allora alfa vale 2.45 ma
non abbiamo aziende senza dipendenti.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

REGRESSIONE LINEARE (Continua)

̂ + 𝛽̂𝑥
Y=∝

Due obiettivi: Esplicativo e Predittivo.

𝐶𝑜𝑣(𝑋, 𝑌)
𝛽̂ =
𝜎2
̂ = 𝜇𝑦 − 𝛽̂𝜇𝑥
∝

Previsione con il modello di regressione lineare

1. Calcolo i coefficienti
̂ + 𝛽̂𝑥 per fare
2. Utilizzo l’espressione della retta Y = ∝
previsioni per un determinato valore x*.

Esempio (sui dati dell’esercizio precedente):

𝑌̂ = 2,45 + 0,439𝑋
Qual è il fatturato previsto dal modello di regressione per
un’azienda con 20 dipendenti?
Y*=2,45 + 0,439(20) = 11,23 (1.123.000 €)
Questa previsione NON è affidabile perché X=20 non
appartiene al range dei valori osservati delle X.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio (sui dati dell’esercizio “prezzo/km dal centro”)

Fornire una previsione (se attendibile) del prezzo di un
cocktail di un locale a 3 km dal centro e di uno a 20 km
𝐶𝑜𝑣 (𝑋,𝑌) 𝐶𝑜𝑣(𝑋; 𝑌)
ρ(X; Y) = - 0,6276 𝛽̂ = 2 ρ
𝜎 𝜎𝑥𝜎𝑦
𝜎𝑦
→𝛽̂ = 𝜌(𝑋; 𝑌) ∙ → 𝛽̂ = −0,89 € (se aumento la
𝜎𝑥
distanza dal centro di un km devo diminuire il prezzo di
0,89€)
̂ = 𝜇𝑦 − 𝛽̂ 𝜇𝑥 = 12,2224
∝
𝑌̂ = 12,2224 − 0,8942𝑋
X 1* = 3
Y* = 12,2224 – 0,8942(3) = 9,54 €
X2** = 20
Y**= 12,2224 – 0,8942(20) = -5,66€

Essendo il 20km fuori dal nostro range considerato, il

risultato non è attendibile e il suo risultato non ha senso!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

BONTA’ DI FIT DEL MODELLO

è una misura dell’affidabilità del modello

Coefficiente di determinazione R2 0≤R2≤1

ANOVA (Analysis of Variance) – Scoposizione della

devianza è una procedura che ci permette di calcolare R2.

∑𝑁𝑖 (𝑌𝑖 − 𝜇𝑦) = Devianza di Y = SST (Sum of Square

2

Total)
SST = SSR + SSE
(SSR = sum of square regression)
(SSE = Sum of squares errors)

∑𝑁 2 𝑁 ̂ 2 𝑁 ̂ 2
𝑖=1( 𝑌 i-μy) = ∑𝑖=1(𝑌i-μy) + ∑𝑖=1(𝑌i-𝑌i)
Dev tot. = Dev. Spiegata dal modello + Dev. Non spiegata

Finché il modello sia buono, SSR deve essere alto e SSE

deve essere basso.
R2 è la % di devianza spiegata dal modello.
𝑆𝑆𝑅 𝑆𝑆𝐸
R2 = = 1 − → 0 ≤ R2 ≤ 1
𝑆𝑆𝑇 𝑆𝑆𝑇

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Il modello di regressione si dice “perfetto” se Yi = 𝑌̂i per

ogni i (R2 = 1 → SSE=0 SSR=SST)
Il modello è “pessimo” se R2 tende a 0

I casi intermedi sono

- 0<R2≤0,2 Modello spiega meno del 20%
dell’informazione contenuta nella Y, modello molto
debole.
- 0,2<R2≤0,4 Modello spiega tra il 20% e il 40%
dell’informazione contenuta nella Y, modello
“debole”.
- 0,4<R2≤0,6 Modello spiega tra il 40% e il 60%
dell’informazione contenuta nella Y, modello
abbastanza buono.
- 0,6<R2≤0,8 Modello spiega tra il 60% e l’80%
dell’informazione contenuta nella Y, modello buono.
- 0,8<R2≤1 Modello spiega oltre l’80%
dell’informazione, modello ottimo.

La forma alternativa (più semplice) per calcolare R2

R2=[ρ(X;Y)]2

Esempio:
ρ(X;Y) = -0,7 → R2 = 0,49 oppure ρ(X;Y) = 0,2 → R2 = 0,04

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esercizio:

Consideriamo una popolazione di N=8 famiglie, di cui rileviamo il carattere

REDDITO MENSILE (in k€)=X e consumo mensile in GENERI ALIMENTARI (in
k€)=Y
xi yi
4,5 0,75
5 0,85
5,5 0,85
6 0,95
7 1,05
7,5 1,25
8 1,25
9 1,35

1. Determinare l’equazione dei minimi quadrati (retta di regressione) assumendo

di voler spiegare il consumo (Y) in funzione del reddito.
2. Disegnare il grafico opportuno per rappresentare x e y congiuntamente,
accostare a tale grafico la retta di regressione del punto 1.
3. Fornire l’interpretazione di 𝛽̂
4. Valutare la bontà della retta al punto 1 mediante un opportuno indice e
commentare.
5. Prevedere il consumo per generi alimentari di una famiglia con reddito pari a
9.700 € (x* = 9,7).

Soluzioni:
1. 𝑌̂ =∝̂ + 𝛽̂ 𝑋
𝐶𝑜𝑣(𝑋; 𝑌)
𝛽̂ =
𝜎^2𝑥
̂ =μy-𝛽̂μx
∝
𝜇𝑦=1,0375 k€ μx=6,5625 k€ Cov(X;Y)= μxy – μxμy =0,30
σ x = 2,15 (k€)
2 2

0,3
𝛽̂ = = 0,14
2,15
̂ = 1,0375 -0,14(6,5625) = 0,12
∝
̂ = 0,12 +0,14X → Equazione dei minimi quadrati
𝒀

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

2.

3. 𝛽̂ = 0,14 Significa che se il reddito aumenta di 1000€ allora il consumo

atteso in generi alimentari aumenta di 0,14 x 1000€ (140€).
𝐶𝑜𝑣(𝑋;𝑌) 2
4. Coefficiente di determinazione R2 = [ρ(X;Y)]2 = [ ] = 0,96 modello
𝜎𝑥𝜎𝑦
quasi perfetto
5. Previsione con X*=9,7 → Y*=0,12 + 0,14 (9,7) = 1,478
Il consumo previsto per questa famiglia è 1478€ al mese, tuttavia questa
previsione non è affidabile perché 9,7 non fa parte del range da noi
considerato.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esercizio Riepilogativo:
Sono state analizzate, alla fine dei rispettivi campionati, 10 squadre di calcio
internazionali.
Si vogliono stimare i coefficienti della retta di regressione che spiega la percentuale
di vittorie nell’ultimo campionato in funzione del numero di giocatori del club che
gioca anche nella sua rispettiva squadra nazionale di calcio.
La tabella seguente riassume i risultati delle rilevazioni.
Numero giocatori (X) % Vittorie(Y)
media 5 51,5%
dev. Standard 2,7487 14,5%

Inoltre, il coefficiente di correlazione lineare tra le variabili è 0,7426.

1. Calcolare i coefficienti della retta dei minimi quadrati.
2. Interpretare 𝛽̂.
3. Calcolare R2 e commentare il risultato.
4. Prevedere la % di vittorie con un club con 7 giocatori che giocano in nazionale.

Risultati:
𝐶𝑜𝑣(𝑋;𝑌) 𝜎𝑦 0,145
1. 𝛽̂ = = 𝜌(𝑋; 𝑌) ∙ = 0,7426 ∙ = 0,0382
𝜎^2𝑥 𝜎𝑥 2,7487
̂ = 𝜇𝑦 − 𝛽̂ 𝜇𝑥 = 0,515 – 0,0382(5) = 0,324
∝
𝑌̂ = 0,324 + 0,0383X
2. 𝛽̂ = 0,0382 significa che per ogni giocatore in più che gioca anche in
nazionale il modello prevede 3,82% di vittorie in più nel corso dell’anno.
𝐶𝑜𝑣(𝑋;𝑌) 2
3. 𝑅2 = [ρ(X;Y)]2 = [ ] = 0,74262 = 0,55145 = 55,145% il modello è
𝜎𝑥𝜎𝑦
abbastanza buono dato che più del 55% dell informazioni di Y sono contenute
in X.
4. 𝑋 ∗= 7 Y* = 0,324 + 0,0382(7) = 0,5914 = 59,14%

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

STATISTICA INFERENZIALE
VARIABILI ALEATORIE DISCRETE E CONTINUE

La V.A. è una funzione che trasforma i risultati di un esperimento

aleatorio, che chiamiamo w, in un numero reale X: Ω → R.
Ω (Spazio campionario).
• Variabile Aleatoria discreta
• Variabile Aleatoria continue

VARIABILI ALEATORIE DISCRETE:

V.A. è discreta se l’insieme dei possibili valori è FINITO o
UN’INFINITÀ NUMERABILE.
Tipicamente deriva da un processo di conteggio.

Funzione di probabilità di X
𝑃 (𝑋 = 𝑥) ∀𝑥 ∈ 𝑆𝑥
p(X){ (𝑆𝑢𝑝𝑝𝑜𝑟𝑡𝑜 𝑑𝑖 𝑋, 𝑙′𝑖𝑛𝑠𝑖𝑒𝑚𝑒 𝑑𝑒𝑖 𝑝𝑜𝑠𝑠𝑖𝑏𝑖𝑙𝑖 𝑣𝑎𝑙.)
0 𝐴𝑙𝑡𝑟𝑜𝑣𝑒

PROPRIETA’:
1. p(X) ≥ 0 𝑥 ∈ R
2. ∑𝑥∈𝑆𝑥 𝑝(𝑋) = 1

GRAFICO DI p(X): AD ASTE

Esempio: X = n° di computer venduti in un giorno in un dato negozio.

0 1 2 3 4 5 6
X={
0,05 0,1 0,2 0,2 0,2 0,15 0,1

P(3≤X<6) = P(X∈ [3; 6)) = 0,2+0,2+0,15 = 0,55

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Delle V.A. discrete è importante conoscere e calcolare due valori

di sintesi.
1. Valore atteso o media o speranza matematica o momento
primo
E(X) = ∑𝑥∈𝑆𝑥 𝑥 ∙ 𝑝(𝑥 )
2. Varianza V(X) = ∑𝑥∈𝑆𝑥(𝑥 − 𝜇)^2 ∙ 𝑝(𝑥) = 𝐸(𝑥^2) −
[𝐸(𝑥)]^2

VALORE ATTESO DI UNA QUALUNQUE TRASFORMAZIONE DI X

Se X ~ p(x) nota, allora per calcolare il valore atteso di Y=g(x)
(Y=X^2, Y= X-K, Y=1/X, …)

Basta usare la proprietà:

E(Y) = E(g(x)) = ∑𝑥∈𝑆𝑥 𝑔(𝑥)𝑝(𝑥)

Esempio:
1 2 3
X={ Y=X^3
0,3 0,4 0,3

E(Y) = E(X^3) = ∑3𝑥=1 𝑥^3𝑝(𝑥) = 1^3(0,3) + 2^3(0,4) +

3^3(0,3) = . ..

TRASFORMAZIONE LINEARE DI X a e b COSTANTI

E(a) = a
E(a + x) = a + E(x)
E(b.x) = b(E(x))
Y=a+bx
E(Y) = E(a+bx) = a + b(E(x)) Valore atteso è un operatore lineare

V(a) = 0
V(a+x) = V(x)
V(b(x)) = b^2V(x)
Y =a+bx

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

V(Y) = V(a+bx) = b^2V(x) Varianza non è un operatore lineare

STANDARDIZZAZIONE: E’ una trasformazione lineare.
Se X è una VA con funzione p(x) nota, con E(x)=μ e V(x)=σ2,
𝑥−𝜇
allora la sua trasformazione Z = 𝜎 ha E(z)=0 e V(z)=1
𝑥−𝜇 𝑥−𝜇
E( 𝜎
)=0 V( )=1
𝜎

DISTRIBUZIONI NOTEVOLI DI VA DISCRETE:

1. Bernoulli
2. Binomiale
3. Poisson

• BERNOULLI:
Esperimento aleatorio con 2 Esiti
“successo” con probabilità p o “insuccesso” con probabilità 1-p
0, 1 − 𝑝
X={ X~ Ber(p)
1, 𝑝

P(X) = pX(1-p)1-X, X=0, 1

Se X=0 allora p(0) = p0(1-p)1-0 = 1-p

Se X=1 allora p(1) = p1(1-p)1-1 = p

Grafico ad aste: X~ Ber(0,1) X~ Ber (0,5)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

• BINOMIALE
X = Numero di “Successi” su n prove indipendenti.
X~Bin(n;p)
P(x)= (𝑛𝑥) ∙ 𝑝x(1-p)n-x
coefficiente binomiale, ovvero numero di possibili modi di
osservare x successi su n prove indipendenti (n° di combinazioni).
𝑛!
(𝑛𝑥) = 𝑥!(𝑛−𝑥)!

Grafici di p(x):
N=10 p=0,1 \ N=10 p=0,5 \ N=10 p=0,9

Distr. Asimmetrica a destra Simmetrica a Sinistra

E(X) = n∙ 𝑝
V(X) = n∙p(1-p)
Si ricavano dal fatto che VA Bin è la somma di n VA Ber
indipendenti.

Se Y1, Y2, …, Yn sono VA Bernulliane indipendenti di parametro

p

Yi ~Ber(p)
Allora X=∑𝑁𝑖=1 𝑌𝑖 ~𝐵𝑖𝑛 (𝑛, 𝑝)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esercizio:
16 prodotti.
La probabilità che un pezzo sia difettoso è 0,05 la partita di
prodotti viene acquistata se il numero di pezzi difettosi è inferiore
a 3.

a) Qual è la probabilità che la partita venga acquistata?

X= n° di pezzi difettosi tra i 16 della partita
X~𝐵𝑖𝑛(16; 0,05)
P(partita acquistata) = p(x< 3) = p(x≤2) =p(x=0) + p(x=1) +
p(x=2) = p(o) + p(1) + p(2) = …

P(x) = (𝒏𝒙)𝒑x(1-p)n-x = (𝟏𝟔

𝒙
)𝟎, 𝟎𝟓x0,9516-x

… = (160
)0,05^0 ∙ 0,95^16 + ( 16
1
)0,05^1 ∙ 0.95^15 +
(16
2
)0,05^2 ∙ 0,95^14 = 0,44 + 0,37 + 0,14 = 0,95

b) Quali sono Valore atteso e Varianza del numero di pezzi

difettosi?
E(X) = n(p) = 16(0,05) = 0,8
V(X) = n(p)(1-p) = 16(0,05)(0,95) = 0,76

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

• POISSON
X = Numero di eventi che accadono in un certo lasso di tempo
X∈ {0, 1, 2, …}
Esempi:
- N° di clienti che entra nell’ufficio postale per ogni ora
- N° di telefonate ricevute da un call center al giorno
- N° di morti covid in una settimana

X~ Poi(λ) La sua funzione di probabilità è:

𝜆𝑥 ∙𝑒 −𝜆
p(x) = 𝑥! , x=0, 1, 2, …
Parametro λ: E(x) = V(X) = λ, λ≥0

Esercizio: Il numero medio di telefonate ricevute da un call center

al minuto è pari a 2.
Calcolare:
a) La probabilità di ricevere 3 telefonate nel prossimo minuto
b) La probabilità di ricevere più di 1 telefonata nel prossimo
quarto d’ora

X = n° di telefonate (Evento) in un minuto (periodo di tempo)

𝜆𝑥 𝑒 −𝜆
X~𝑃𝑜𝑖(2) → p(x) =
𝑥!
23 𝑒 −2
a) p(3) = ? p(x=3) = 3! = 0,18 = 18%
b) Y = n° di telefonate in un quarto d’ora Y~Poi(2∙15=30)
p(Y> 1) = 1-p(Y≤1) = 1-p(Y=0)-p(Y=1)= 1-p(o)-p(1) =
300 𝑒 −30 301 𝑒 −30
=1- 0!
− = 1∙-e-30-30∙e-30 = 0.999
1!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

LEGAME TRA DISTRIBUZIONE BINOMIALE E

DISTRIBUZIONE DI POISSON

Se X~Bin(n; p) e n è molto grande e p molto piccolo allora la

funzione di probabilità della distribuzione binomiale tende alla
funzione di probabilità della distribuzione di Poisson, con λ = n∙p
Possiamo APPROSSIMARE la distribuzione Binomiale con
quella di Poisson se:
𝑛
n∙p ≤ 7 oppure >500 𝑝

Esercizio:
Un analista finanziario prevede che il 3.5% di tutte le SME (small-
medium enterprises) statunitensi è destinato a dichiarare
fallimento nell’anno seguente.
Consideriamo una popolazione di 100 SME
Qual è la probabilità che almeno 3 delle 100 imprese dichiarino
fallimento?
“successo” = Dichiarazione di fallimento da parte dell’impresa
P=0,035
N=100
X = n° di imprese che dichiara il fallimento tra le 100 considerate

X~𝐵𝑖𝑛 (100; 0,035) p(x≥3) =1-p(x< 3) = 1 − 𝑝(0) − 𝑝(1) −

𝑝(2) =*

Si può approssimare a una distribuzione di Poisson?

n∙ 𝑝 = 100 ∙ 0,035 = 3,5 < 7 𝑂𝑘!
𝑛 100
= = 2857 > 500 𝑂𝑘!
𝑝 0,035

X≈Poi (λ = n∙ 𝑝 = 3,5)
3,50 𝑒 −3,5 3,51 𝑒 −3,5 3,52 𝑒 −3,5
*= 1- − = 0,679
0! 1! 2!

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

VARIABILI ALEATORIE CONTINUE:

Caratterizzate da un’infinità non numerabile di possibili valori.

Se VA continua allora la sua distribuzione di probabilità si
caratterizza con:

FUNZIONE DI DENSITA’ f(x)

f(x) tale che p(x∈ 𝐴) =∫𝐴 𝑓(𝑥) 𝑑𝑥 per ogni A ⊆ R

PROPRIETA’:
1. f(x) ≥ 0 ∀𝑥 ∈ 𝑅
+∞
2. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = ∫𝑅 𝑓(𝑥)𝑑𝑥 = 1

Se X è una VA continua → p(X=x) = 0

P(a< 𝑥 < 𝑏) = P(a ≤ x ≤ b) = P(a< 𝑥 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑥 < 𝑏)

Come calcolare P(a< 𝑥 < 𝑏) in modo alternativo al calcolo

integrale:

Con la funzione di ripartizione F(x) = 𝜙(𝑥)

𝑥
F(x) = p(X ≤ x) = p(X < x) = ∫−∞ 𝑓(𝑡) 𝑑𝑡 ∀𝑥 ∈ 𝑅

F(x*) = p(X< 𝑥 ∗)
0 ≤ F(x) ≤1

P(a< 𝑥 < 𝑏) = 𝑃(𝑥 < 𝑏) − 𝑃(𝑥 < 𝑎)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TRE FAMIGLIE DI DISTRIBUZIONE NOTEVOLI PER VA

CONTINUE:
1. UNIFORME CONTINUA
2. ESPONENZIELE NEGATIVA
3. NORMALE (E NORMALE STANDARD)

• UNIFORME CONTINUA
X~𝜇[𝑎; 𝑏] 𝑐𝑜𝑛 𝑎, 𝑏 ∈ 𝑅, 𝑎 < 𝑏
1
𝑠𝑒 𝑎 ≤ 𝑥 ≤ 𝑏
f(x)={𝑏−𝑎
0 𝐴𝑙𝑡𝑟𝑜𝑣𝑒
𝑎+𝑏 𝑏 1
E(x) = 2
[= ∫𝑎 𝑥 ∙ 𝑏−𝑎 𝑑𝑥]

(𝑏−𝑎)2
V(x) = 12
variabilità aumenta al crescere alla lunghezza dell’intervallo

0 𝑠𝑒 𝑥 < 𝑎
𝑥−𝑎
Fdr → F(x) ={𝑏−𝑎 𝑠𝑒 𝑎 ≤ 𝑥 ≤ 𝑏
1 𝑠𝑒 > 𝑥

Sottointervallo (c; d) di (a; b)

𝑑−𝑐
P(c< 𝑥 <d) = 𝑏 − 𝑎

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Il tempo di attesa X per un autobus nella fermata può essere
modellato con una distribuzione UNIFORME CONTINUA
nell’intervallo [0; 20] minuti.
1) Qual è la probabilità di aspettare l’autobus più di 15 minuti.
2) Qual è il tempo medio di attesa?
3) Qual è l’incertezza del tempo di attesa misurato con la varianza.

X~μ[0;20]
1 1
= 𝑠𝑒 0 ≤ 𝑥 ≤ 20
f(x)={𝑏−𝑎 2
0 𝐴𝑙𝑡𝑟𝑜𝑣𝑒
𝑥−𝑎 15−0
1) p(x> 15) = 1 – p(x≤15) = 1- F(15) = 1- 𝑏−𝑎 = 1 − =
20−0
0,25
1
Soluzione alternativa = (20-15)∙ 20 = 0,25
Base Altezza
𝑎+𝑏 20
2) E(X) = 2 = 2 = 10 𝑚𝑖𝑛𝑢𝑡𝑖

(𝑏−𝑎)2
3) V(X) = = 33,3 𝑚𝑖𝑛𝑢𝑡𝑖 2
12

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

• ESPONENZIALE NEGATIVA
(Si utilizza per un fenomeno che assume solo valori positivi)
- Tempo
- Reddito
- Fatturato
- Patrimonio
Con probabilità decrescente e asimmetrica.
X~𝑒𝑥𝑝(𝜆)
−𝜆𝑥
f(x) = { 𝜆 ∙ 𝑒 𝑥>0
0 𝐴𝑙𝑡𝑟𝑜𝑣𝑒

λ è il parametro della esponenziale negativa, λ> 0

Se x= tempo di attesa per un evento allora

λ è la “velocità” con cui l’evento accade.

+∞ 1
E(x) =∫0 𝑥 ∙ 𝜆 ∙ 𝑒 −𝜆𝑥 𝑑𝑥 = 𝜆
Il tempo medio di attesa decresce al crescere di λ.
1
V(x) = E(x2)-[E(x)]2 = 𝜆2
Al crescere della media, cresce anche la varianza.

Al crescere di λ, l’incertezza (cioè la varianza) nel tempo di attesa

decresce (la curva diventa più ripida).

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

𝑥
F(x) = ∫0 𝜆 ∙ 𝑒 −𝜆𝑡 𝑑𝑡 =. . . = 1 − 𝑒 −𝜆𝑥 , 𝑥 > 0

Usata per “modellare” ad esempio la

distribuzione del reddito.

ESERCIZIO:
X=Tempo d’attesa presso l’ufficio postale
X~𝑒𝑥𝑝(𝜆), Tempo medio di attesa 5 minuti (E(x)=5)
Qual è la probabilità di aspettare più di 10 minuti?
1 1
E(X)= 5 = perciò λ=5
𝜆
p(x> 10) = 1-p(x≤10) =1-F(10) = 1-(1-e-λx) = 1-1+e-2 = 0,135 = 13,5%

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

• DISTRIBUZIONE NORMALE (GAUSSIANA)

Se X ha distribuzione normale allora è
simmetrica e ha alta probabilità di
assumere valori vicino alla media e ha
bassa probabilità di assumere valori
lontani dalla media.

Può assumere valori in tutto R (-∞; +∞)

Si usa per misure quali: altezza, peso, pressione del sangue,

processi produttivi/controllo qualità, finanza.

X~𝑁(𝜇; 𝜎2) μ = E(X) è il Valore atteso -∞ < 𝜇 < +∞

σ2= V(X) è la varianza σ2 ≥ 0

Se la varianza non cambia, la forma della

“campana” rimane la stessa e viene
semplicemente traslata.

Se la media non cambia, ma cambia

la varianza, cambia anche la forma
della “campana” che al diminuire
della varianza tende a concentrarsi
intorno alla media diminuendo la
densità intorno alle ”ali della curva”.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

LA FUNZIONE DI DENSITA’ DI X~N (μ; σ2) E’:

1
1 − ∙(𝑥−𝜇)2
f(X) = ∙𝑒 2𝜎2 , x∈R
√2𝜋∙𝜎

• DISTRIBUZIONE NORMALE STANDARD

Z~𝑁(0; 1) μ = 0 σ2 = 1

Se X~N(μ; σ2) e Z~N(0; 1)

𝑋−𝜇
Allora Z = 𝜎

𝑧2
1 −
La Funzione di densità di z f(z) = ∙𝑒 2 , z∈R
√2𝜋

La funzione di ripartizione della normale standard è:

𝑧
𝜑(𝑧) = ∫ 𝑓𝑧 (𝑡) 𝑑𝑡
−∞

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
1. p(z> 0,19) = 1- p(z< 0,19) = 1- 𝜑(0,19)=1- 0,5753 =
0,4247

2. p(z≤-0,43) = p(z≥0,43) = 1-p(z< 0,43) = 1 − 𝜑(0,43) =

0.336
3. p(z> 0) = 0,5

4. p(1,65 < 𝑧 < 2,2) =

=p(z< 2,2) − 𝑝(𝑧 < 1,65) = 𝜑(2,20) − 𝜑(1,65) =
0,9861 − 0,9505 = 0,0356 = 3,56%

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

5. Trovare z a partire dalla probabilità:

p(Z< 𝑧) = 0,95
Devo trovare dalle tavole il
Valore di z per cui mi avvicino
di più a 0,95 = 𝜑(𝑧)
z=1,64 (𝜑(𝑧) = 0,9495)
z=1,65 (𝜑(𝑧) = 0,9505)
vanno bene entrambi.

ESERCIZIO: Utilizzo delle tavole quando X~𝑁(𝜇; 𝜎 2 )

X = Altezza in cm
X~𝑁 (μ=170; σ2=10)

Qual è la probabilità che una persona estratta a caso dalla

popolazione X abbia un’altezza non superiore a 175 cm?
𝑥−𝜇 175−𝜇 175−170
p(X≤175) = p( ≤ ) = 𝑝(𝑧 ≤ )= p(z≤1,58) =
𝜎 𝜎 √10
0,9429
Standardizzazione Tavole

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

COMBINAZIONE LINEARE DI VARIABILE ALEATORIA

Due VA X e Y (sia continue, sia discrete) di cui conosciamo

media (μx; μy) e varianza (σx; σy);
allora possiamo calcolare qualsiasi media e varianza di una
qualsiasi combinazione lineare di X e Y

W=aX+bY+c a, b, c ∈ R

Saranno:
1) E(W)= E(aX+bY+c) = aE(X)+bE(Y)+c = aμx+bμy+c

2) V(W) = V(aX+bY+c) = a2V(X)+b2V(Y)+2abCOV(X;Y) =

a2σ2X+b2σ2Y+2abσXY

Se X e Y sono indipendenti (COV(X;Y)=0)

V(W) = a2σ2x+b2σ2y

Se le due VA sono NORMALI X~𝑁(μx; σ2x) e Y~𝑁(𝜇𝑦; 𝜎2𝑦)

X e Y INDIPENDENTI allora
1) W = aX+bY+c → W~N(aμx+bμy+c; a2σ2x+b2σ2y)
2) Se a=b=1 e c=0 X+Y~N(μx+μy; σ2x+σ2y)
3) Se a=1, b=-1, c=0 X-Y~ N(μx-μy; σ2x-σ2y)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

STATISTICA INFERENZIALE
Statistica descrittiva = Descrivere, analizzare e sintetizzare dei dati
(come se fossero i dati di una POPOLAZIONE).
I dati che noi analizziamo con la descrittiva sono tipicamente
campionari!
Es. Popolazione composta da tutte le famiglie italiane (circa 20
milioni).
Tramite tecniche di campionamento possiamo ottenere un
campione rappresentativo delle famiglie di riferimento.
Es. Famiglie nel panel Auditel.
Partendo da questo campione si fanno statistiche descrittive, per
poi generalizzare ovvero INFERENZA STATISTICA.

CAMPIONAMENTO:

Come estrarre un campione rappresentativo da una popolazione di

riferimento?

Ci sono:
• CAMPIONE PROBABILISTICO: Ogni unità della
popolazione ha probabilità nota e non nulla di essere estratto.
(Rappresentativo)
• CAMPIONE NON PROBABILISTICO: Non tutte le unità
della popolazione hanno probabilità non nulla di essere
stratte. (Non Rappresentativo)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
Popolazione di riferimento → Cittadini di Varese
Intervista a persone che hanno visitato centri commerciali (NON
PROBABILISTICO).
Popolazione di riferimento → Studenti di una classe
Estrazione degli studenti in prima fila (NON PROBABILISTICO)

CAMPIONAMENTI PROBABILISTICI (Dobbiamo avere la

lista della popolazione):
- Campione casuale semplice (tutte le unità statistiche della
popolazione hanno la stessa probabilità di essere estratte, cioè
appartenere ad un campione)
- Campione casuale stratificato (la popolazione è formata da
strati per esempio in base alla occupazione)
- Campionamento a grappoli
- Campionamento a due stadi
- Ecc…

STATISTICA INFERENZIALE – Le fasi:

1. Estrarre un campione casuale semplice da una popolazione.
2. Analizzare il fenomeno di interesse, misurato da una
variabile X rispetto alla popolazione (approccio parametrico
– il parametro è una caratteristica della popolazione).

CAMPIONE ALEATORIO: È un insieme di VA (X1, …, Xn) n è

l’ampiezza del campione.
VS
REALIZZAZIONE CAMPIONARIA (campione): È un insieme
di numeri (x1, …, xn).

Obiettivo della statistica inferenziale → Stimare (approssimare)

un parametro (caratteristica incognita della popolazione) non noto
attraverso il campione.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Errore campionario = errore che si commette perché non si sta

considerando tutta la popolazione ma solo il campione.

DEFINIZIONE FORMALE DI CAMPIONE CASUALE:

Si definisce campione casuale, estratto da una popolazione

X~𝑓(𝜃) 𝜃 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝑛𝑜𝑛 𝑛𝑜𝑡𝑜, il vettore aleatorio (X1, X2, ...,
Xn) costituito da n variabili aleatorie indipendenti e identicamente
distribuite come X.
Xi~𝑓(𝜃)

Cioè:
- Indipendenti: Probabilità congiunta di (X1, …, Xn) è uguale al
prodotto delle probabilità marginali.
- Identicamente distribuite come X: Significa che le probabilità
marginali di X1, X2, …, Xn sono uguali a f(𝜃)

Esempio:
Media: E(X1) = E(X2) = … = E(Xn) = E(X)
\ Elementi del campione /
Varianza: V(X1) = V(X2) = … = V(Xn) = V(X)

(X1, …, Xn) Campione casuale è formato da variabili aleatorie

→ Campione aleatorio
Ciascuna Xi ha la sua distribuzione.

ESEMPIO: X = Reddito delle famiglie italiane

Estraggo un campione di ampiezza n.

(X1, X2, …, Xn) = campione casuale (aleatorio)

n = 5 Estrazione oggi
Famiglia bianchi 15k€ /Fam. Rossi 35K€/Ecc (Realizzazione
campionaria)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

L’insieme di tutti i possibili campioni che possono essere estratte

dalla stessa popolazione si chiama distribuzione campionaria.

X~𝑓(𝜃) dove 𝜃 è il parametro da stimare quindi l’obiettivo è

stimare il parametro con il campione casuale (aleatorio) di
ampiezza n (X1, …, Xn) e con campione osservato (realizzazione
campionaria.
Quindi devo stimare un numero non noto (parametro 𝜃) con un
vettore di numeri (x1, …, xn).

STIMATORE
Quantità aleatoria, funzione delle variabili (X1, …, Xn), con una
sua distribuzione.
𝒏
𝟏
̅ = ∙ ∑ 𝑿𝒊 𝑺𝒕𝒊𝒎𝒂𝒕𝒐𝒓𝒆 𝒅𝒆𝒍𝒍𝒂 𝒎𝒆𝒅𝒊𝒂
𝑿
𝒏
𝒊=𝟏
VS

STIMA
E’ il valore che assume lo stimatore in corrispondenza di una
determinata realizzazione campionaria.
𝑛
1
𝑥̅ = ∙ ∑ 𝑥𝑖 𝑀𝑒𝑑𝑖𝑎 𝑐𝑎𝑚𝑝𝑖𝑜𝑛𝑎𝑟𝑖𝑎 (𝑠𝑡𝑖𝑚𝑎 𝑑𝑒𝑙𝑙𝑎 𝑚𝑒𝑑𝑖𝑎)
𝑛
𝑖=1

Parametro incognito μ =media del reddito

STIMATORE DI 𝜽
T = T(X1, …, Xn)
Lo stimatore è una variabile aleatoria → ha una sua distribuzione
di probabilità.

STIMA DI 𝜽
t = T(x1, …, xn)
La stima è la realizzazione dello stimatore, è ciascuno dei possibili
valori assunti dallo stimatore.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
Popolazione di ampiezza N = 4
Parametro (normalmente incognito) è la media μ
X = Età
1 età 18, 2 età 20, 3 età 22, 4 età 24 → μ = 21

Estraiamo campione casuale di ampiezza n = 2

x1\x2 18 20 22 24
18 (18; 18) (18;20) (18; 22) …
20 (20;18) … … …
22 … … … …
24 … … … …
16 diverse realizzazioni campionarie.
𝑋 +𝑋 𝑥 +𝑥
Stimatore di μ: 𝑋̅ = 1 2 2 → stima di μ: 𝑥̅ = 1 2 2
x1\x2 18 20 22 24
18 18 19 20 21
20 19 20 21 22
22 20 21 22 23
24 21 22 23 24
Sono tutte le possibili realizzazioni dello stimatore.

18 19 20 21 22 23 26
𝑋̅ = { 1 2 3 4 3 2 1
16 16 16 16 16 16 16

μ = 21
Errore Campionario

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

RIEPILOGO:

1) STIMA PUNTUALE Stimare 𝜃 con un numero

2) STIMA PER INTERVALLI (Intervalli di coincidenza) Stimare
𝜃 con un intervallo di valori
3) VERIFICA DI IPOTESI Verificare ipotesi a priori su 𝜃
attraverso dati campionari

Campione casuale (Aleatorio/Teorico) (X1, …, Xn) di ampiezza n

tale che:
1) X1, …, Xn INDIPENDENTI
2) X1, …, Xn Identicamente distribuite come la popolazione

Dal campione aleatorio possiamo avere molti diversi campioni

osservati/realizzazioni campionarie (x1, …, xn).

Per Stimare 𝜃 dobbiamo sintetizzare il campione casuale

aleatorio/campione osservato
→ Sintesi (X1, …, Xn) è lo stimatore di 𝜗 T = T(X1, …, Xn)
→ Sintesi (x1, …, xn) è la stima di 𝜃 t = T(x1, …, xn)

1) Media campionaria per μ

2) Varianza campionaria per σ2
3) Proporzione campionaria per p

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

MEDIA CAMPIONARIA

Se (X1, …, Xn) è un campione aleatorio estratto da una

popolazione X con media (della popolazione) μ = E(X) non nota
allora per stimare μ useremo la media campionaria.
Stimatore 𝑥̅ = 𝑛1 ∙ ∑𝑛𝑖=1 𝑋𝑖
Stima Se i dati osservati sono (X1, …, Xn) allora la stima puntuale
di μ è 𝑥̅ = 𝑛1 ∙ ∑𝑛𝑖=1 𝑥𝑖

Proprietà di 𝑋̅
1) E(𝑋̅) = E(𝑛1 ∙ ∑𝑛𝑖=1 𝑋𝑖) = μ
𝜎 2
V(𝑋̅) = V(𝑛1 ∙ ∑𝑛𝑖=1 𝑋𝑖) = (𝑛1 ∙ ∑𝑛𝑖=1 𝑋𝑖) =
𝑛
𝜎
(√𝑉(𝑋̅) = 𝜎𝑋̅ = 𝑛
= Errore standard di ̅)
𝑋
√

2) Se (X1, …, Xn) è un campione aleatorio I.I.D. estratto da

𝜎2
X~N(μ; σ2) allora 𝑋̅~(𝜇; ) 𝑛

3) TEOREMA CENTRALE DEL LIMITE Se (X1, …, Xn) è un

campione casuale estratto da una popolazione X con media μ e
varianza σ2 allora al crescere di n la distribuzione 𝑋̅ = 𝑛1 ∙ ∑𝑛𝑖=1 𝑋𝑖 è
𝜎2
approssimativamente normale con media μ e varianza .
𝑛
𝜎 2
𝑋̅ ≈ N(μ; 𝑛 ) → approssimazione

L’approssimazione è buona quando:

n ≥ 30 se σ2 Noto
n ≥ 50 se σ2 Non è noto

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Il prezzo medio di vendita delle nuove abitazioni è 115K€ con
Dev. St. 25K€, estraiamo un campione casuale di 110 nuove
abitazioni vendute.
Qual è la probabilità che il prezzo medio del campione sia
superiore a 110K€?

= p(z > -2) = p(z 2) = 𝜑(2) = 0.9772

La probabilità che usando un campione si stimi che il prezzo

medio di vendita sia almeno 110k€ è del 97.7%

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

VARIANZA CAMPIONARIA
1
Stimatore della varianza (quantità aleatoria) → S2=𝑛−1 ∙ ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
1
Stima della varianza (numero) → s2=𝑛−1 ∙ ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2

Si usa per stimare σ2

Le proprietà:
1. Se (X1, …, Xn) è un campione casuale da popolazione
generica X~𝑓(𝜃) allora:
𝟏
̅ )2) = σ2
E(S2) = E(𝒏−𝟏 ∙ ∑𝒏𝒊=𝟏(𝑿𝒊 − 𝑿
2. Se (X1, …, Xn) è un campione casuale da popolazione
normale X~𝑁(μ; σ2), allora
(𝒏−𝟏)𝑺𝟐
~𝝌2n-1
𝝈𝟐
distribuzione CHI QUADRO con n-1 gradi di libertà.
La distribuzione chi quadrato è la somma di n-1
distribuzioni Z indipendenti elevate al quadrato.
1
𝑆̃2 = 𝑛 ∙ ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 (divido per n anziché n-1) allora
𝑛−1 2
E(𝑆̃2) = ∙σ ≠ σ2 → 𝑆̃2 tende a sottostimare la reale varianza σ2
𝑛

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Campione casuale di 5 dipendenti n° ore straordinario nell’ultimo mese
(X1, …, Xn) = (22, 16, 28, 12, 18)
Utilizzare uno stimatore e relativa stima per stimare:
1. Il numero medio di ore di straordinario di tutti i dipendenti nell’ultimo mese
2. La Varianza del numero di ore di straordinario

Risultato:
22+16+28+12+18
1. 𝑋̅ → 𝑥̅ = = 19,2 𝑜𝑟𝑒 stima puntuale di μ
5
1 5
2. 𝑆 → s2 2
= ∙ ∑𝑖=1(𝑥𝑖 − 19,2)2 = 37,2 ore2 stima puntuale di σ2
4

Se cambia il campione osservato (X1, …, Xn) = (0, 30, 15, 22, 18), calcolare 𝑥̅ e s2
0+30+15+22+18
𝑥̅ = = 17 𝑜𝑟𝑒 stima puntuale di μ
5
1
s2 = ∙ ∑5𝑖=1(𝑥𝑖 − 17)2 = 122 ore 2 stima puntuale di σ2
4

PROPORZIONE CAMPIONARIA:

Da usare solo se la popolazione è bernoulliana.

X~𝐵𝑒𝑟(p)
p è il parametro incognito ed è la proporzione di “successi” nella
popolazione.

Come stimare p?

X può assumere solo 0 / 1 (dummy)

E(X) = p
∑ 𝑋𝑖
Stimiamo p con 𝑋̅ = → % di “successi” nel campione.
𝑁

PROPRIETA’:
1. E(𝑋̅) = 𝑝 in media lo stimatore della proporzione è p
𝑝(1−𝑝)
V(𝑋̅) = 𝑛
𝑝(1−𝑝)
2. 𝑋̅ ≈ 𝑁(𝑝; ) approssimazione n ≥ 50
𝑛

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Nella popolazione di un comune il 40% è laureato si estrae un campione casuale di
120 abitanti.
Qual è la probabilità che la stima, basata sul campione, della proporzione di laureati
del comune sia compresa tra 35-40%?
1
X = “essere laureato” = { X~𝐵𝑒𝑟(p)
0
N=120
∑ 𝑋𝑖
Stimatore di p è 𝑋̅ = → numero di laureati nel campione
120
n ≥ 50 → possiamo applicare il teorema centrale del limite
0,4 ∙ (1 − 0,4)
𝑋̅ ≈ 𝑁(0,4; )
120

p(0,35< 𝑋̅ < 0,45) = p (0,35≤ 𝑋̅≤0,45) =

0,35−0,4 𝑋̅−0,4 0,45−0,4
=p( < < ) = p (-1.12 < 𝑍 <1.12) =
√0,24⁄120 √0,24⁄120 √0,24⁄120

= p (Z < 1.12) – p (Z < -1.12) = dalle tavole della normale =

= 0.8686 – (1-08686) = 0,74 = 74%

PROPRIETA’ DEGLI STIMATORI:

1. NON DISTORSIONE (o correttezza) PER 𝜽

Per stimare il parametro 𝜃 con T = T(X1, …, Xn) allora si
dice T è corretto per 𝜃 se E(T) = 𝜃 cioè in media lo stimatore
stima in modo corretto 𝜃.
𝑋̅ è corretto per μ
S2 e corretto per σ2
𝑋̅ è corretto per p
2. NON DISTORSIONE (o correttezza) ASINTOTICO PER 𝜽
Lo stimatore T è asintoticamente non distorto per 𝜃 se
lim 𝐸(𝑇) = 𝜃 con n grande E(T) ≅ 𝜃
𝑛→+∞
Si può dimostrare che 𝑆̃2 è asintoticamente non distorto per
σ2.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Come si misura la distorsione di uno stimatore 𝜃?

Bias(T, 𝜃) = E(T) – 𝜃 può essere positivo o negativo

Bias(T, 𝜃) = 0 quando ti è non distorto per 𝜃

Le proprietà 3 e 4 controllano media e varianza delle stime

attraverso l’indice ERRORE QUADRATICO MEDIO (EQM):

EQM (T, 𝜃) = E[(T-𝜃)2] = V(T) + [Bias (T, 𝜃)]2

misura l’errore che si commette stimando theta con T

3. EFFICIENZA RELATIVA
Se due stimatori alternativi per stimare 𝜃, T1 e T2 diciamo
che T1 è più efficiente o semplicemente migliore di T2 se il
suo EQM è minore di quello di T2.
Se T1 e T2 sono entrambi non distorti (Bias = 0) allora
diciamo che T1 è più efficiente di T2 se V(T1) < V(T2)

ESERCIZIO:
Vogliamo stimare la media della popolazione normale
X~N(𝜃; σ2=1).
Abbiamo due stimatori alternativi per 𝜃

T1~𝑁(𝜃-2; 2)
T2~N(𝜃; 7)

Quale dei due stimatori è più efficiente?

EQM (T1, 𝜃) = V(T1) + [Bias(T1, 𝜃)]2 = 2+[E(T1)-𝜃]2 =

= 2+[𝜃-2-𝜃]2 = 2+4 = 6

EQM (T2, 𝜃) = V(T2) = 7

Lo stimatore più efficiente è T1 poiché EQMT1 < EQMT2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

4. CONSISTENZA FORTE
Lo stimatore T è detto consistente in senso forte per 𝜃 se
lim 𝐸𝑄𝑀 (𝑇, 𝜃) = 0
𝑛→+∞

Uno stimatore è consistente se per grandi campioni l’errore

quadratico medio diventa trascurabile (Stime stabili e
trasqurabili).

Esempi:
1. Media campionaria è uno stimatore consistente per μ
EQM (𝑋̅, 𝜇) = V(𝑋̅) + [Bias(𝑋̅, 𝜇)]2 perché E(𝑋̅) = 𝜇
𝜎2
̅
V(𝑋) = lim 𝑉(𝑋̅) = 0
𝑛 𝑛→+∞
2. Varianza campionaria S2 è stimatore consistente per σ2

ESERCIZIO:
T per stimare 𝜃
1 1
𝜃− 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
𝑛 2
T={ 1 1
𝜃+ 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
𝑛 2
1 1
𝜃 − 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
2 2
Se n=2 T = { 1 1
𝜃 + 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
2 2
1 1
𝜃− 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
10 2
Se n=10 T = { 1 1
𝜃+ 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à
10 2

T è consistente in senso forte per 𝜃?

EQM(T, 𝜃) = V(T) + [Bias(T, 𝜃]2

1 1 1 1
Bias(T, 𝜃) = E(T) – 𝜃 E(T) = ( 𝜃 − ) ∙ + (𝜃 + ) ∙ = 𝜃
𝑛 2 𝑛 2
Perciò EQM(T, 𝜃) = V(T)
V(T) = E(T2) – [E(T)]2 = E(T2) – 𝜃2 = *
1 1 1 1 1
E(T2) = ( 𝜃 − )^2 ∙ + (𝜃 + )^2 ∙ = 𝜃2 + 2
𝑛 2 𝑛 2 𝑛
1 1
*V(T) = 𝜃 +2
–𝜃 =2
𝑛2 𝑛2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

lim 𝐸𝑄𝑀(𝑇, 𝜃) = 0
𝑛→+∞

T è consistente in senso forte per 𝜃.

ESERCIZIO 2:
SI consideri un campione casuale di ampiezza n=2 (X1, X2) proveniente da una
popolazione con media μ e varianza σ2, vogliamo stimare la media μ della
popolazione.
Tre candidati stimatori:
1. T1 = ½ X1 + ½ X2 = 𝑋̅
2. T2 = 1/3 X1 + 2/3 X2
3. T3 = ¼ X1 + ¾ X2

Quale stimatore scegliere?

Proprietà 3 Efficienza relativa

Lo stimatore più efficiente è T1

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

STIMA PER INTERVALLI:

(Stima puntuale ± Margine di errore)

Definizione di intervallo di confidenza:

Sia (X1, …, Xn) un campione casuale di ampiezza n estratto da
X~𝑓(𝜃)
Consideriamo due stimatori T1(X1, …, Xn) e T2(X1, …, Xn)

Tali che:
1. T1 < T2
2. p(T1< 𝜃 <T2) = 1- α α ∈(0, 1)

Allora: (T1, T2) è detto stimatore per intervallo di 𝜃 a livello (1-α)%

Chiamando t1 e t2 i valori assunti da T1 e T2 in corrispondenza di

una determinata realizzazione campionaria allora (t1, t2) è detto
stima per intervallo di 𝜃 o intervallo di confidenza per 𝜃. (1-𝛼)%

Solitamente si scelgono tre livelli di confidenza:

1-α = 0,99 = 99%
1-α = 0,95 = 95% (il più utilizzato)
1-α = 0,90 = 90%

A parità di altre condizioni, l’ampiezza dell’intervallo di

confidenza, cresce all’aumentare della confidenza

NON E’ CORRETTO affermare che 𝜃 ∈ (t1, t2) con probabilità

1-α, è corretto invece dire che 𝜃 ∈ (T1, T2) con probabilità 1-α.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INTERVALLI DI CONFIDENZA

• Per μ
• Per σ2
• Per p
• Per μx-μy (Per due popolazioni)

1. INTERVALLO DI CONFIDENZA PER LA MEDIA

(μ incognita):
a. Con Varianza della popolazione σ2 nota
Si stima 𝜇 con 𝑋̅: stimatore non distorto e consistente in senso
forte.
𝜎2 𝑋̅−𝜇
̅
Se X è normale, allora 𝑋~N(μ; ) Z~𝑁(0; 1)→ Z = 𝜎
𝑛 ⁄ 𝑛
√
Andiamo a costruire un intervallo aleatorio tale per cui la
probabilità con cui p(-Z1α/2 < 𝑍 <Z1-α/2) = 1-α
𝑋̅−𝜇
p(-Z1-α/2 < 𝜎 <Z1-α/2) = 1-α
⁄ 𝑛
√
p(𝑋̅-Z1-α/2 ∙ 𝜎⁄ < 𝜇 < 𝑋̅+ Z1-α/2 ∙ 𝜎⁄ ) = 1 – α
√𝑛 √𝑛

Nell’intervallo aleatorio (𝑋̅-z1-α/2 ∙ 𝜎⁄ ; 𝑋̅+ Z1-α/2 ∙ 𝜎⁄ )

√𝑛 √𝑛
μ è contenuto con probabilità pari a (1-α)%

Quando il campione è stato osservato, l’intervallo aleatorio si

“realizza”, trasformandosi in un intervallo numerico.
Si definisce intervallo di confidenza per la media della
popolazione μ a livello (1-α)% nel seguente intervallo:
i.c.1-α (μ) = (𝑋̅-z1-α/2 ∙ 𝜎⁄ ; 𝑋̅+ z1-α/2 ∙ 𝜎⁄ )
√𝑛 √𝑛
𝑥̅ : è la stima puntuale del parametro.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

LCL (Lower Confidence Limit) = 𝑋̅-z1-α/2 ∙ 𝜎⁄ estremo

√𝑛
inferiore
UCL (Upper Confidence Limit) = 𝑋̅+z1-α/2 ∙ 𝜎⁄ estremo
√𝑛
superiore

z1-α/2 ∙ 𝜎⁄ = me margine di errore o errore di campionamento

√𝑛

z1-α/2 = Fattore di affidabilità, dipende dal livello di confidenza

Esempio: 1-α = 0,95 1-α/2 = 0,975 quindi z1-α/2= 1,96

Al crescere del livello di confidenza, cresce il margine di errore!

𝜎
⁄ 𝑛 = Errore standard di 𝑋̅ → è la radice di della varianza di 𝑋̅
√

Se σ aumenta, cioè la varianza della popolazione σ2 è maggiore,

allora il me cresce.
Se n aumenta, cioè estraggo più unità statistiche dalla popolazione
allora il me decresce.

NB il livello di confidenza 1-α è una scelta dell’analista!

L = W = 2me = UCL – LCL = ampiezza dell’intervallo di

confidenza.

Minore è il margine di errore e la lunghezza/ampiezza di un

intervallo di confidenza maggiore sarà la sua precisione.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Esempio:
X = “tasso di disoccupazione in Italia nel 2020”
𝑋̅ = 10,1% Stima puntuale
i.c.95% (μ) = (9,9%; 10,3%) → (10,1% ± 0,2%) me ridotto
i.c.95% (μ) = (9,1%; 11,1%) → (10,1% ± 1,0%)
i.c.95% (μ) = (0,1%; 20,1%) → (10,1% ± 10%) me molto elevato

Come ridurre il margine di errore?

1. 1-α diminuisce
2. σ2 diminuisce
3. n aumenta

ESERCIZIO:
Si vuole sottoporre un questionario sulla spesa per servizi X in migliaia di € ad un
campione casuale di aziende.
Conosciamo la varianza della spesa per servizi, σ2 = 400 (nota)
Assumendo l’ipotesi di una distribuzione normale per la spesa per servizi, qual è
l’ampiezza campionaria minima per un intervallo di confidenza al 95% per la spesa
media di lunghezza/ampiezza non superiore a 10?
Ricorda L=2me

X~N(μ; 400)
𝜎
i.c.1-α (μ) = (𝑋̅ ± 𝑍1−∝ ∙ )
2 √𝑛

n* tale che L ≤ 10
𝜎
L = 2 𝑍1−∝ ∙ = 10 → risolviamo per n e arrotondiamo per eccesso per trovare n*
2 √𝑛

𝑍1−∝ = 1,96 (dalle tavole)

2
√400
L = 2∙ 1,96 ∙ = 10 → √𝑛 = (2/10 ∙ 1,96 ∙ 20) = 7,84 → n= 61,4 arrotondando per
√𝑛
eccesso n* = 62

Il che significa che per avere una lunghezza pare a 10 (ovvero un margine di errore
massimo pari a 5) devo estrarre almeno 62 unità statistiche.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Fissiamo ora n = 64 aziende. Otteniamo dal campione intervistato che la sommatoria

per i che va da 1 a 64 di Xi è uguale 768.

Costruire un intervallo di confidenza per la spesa media μ a livello 1-α = 0,95

𝜎
i.c.95% (μ) = (𝑋̅ ± 𝑍0,975 ∙ )
√𝑛
1
𝑋̅ = ∙ ∑64
𝑖=1 𝑋𝑖 = 768/64 = 12
64
𝑍0,975 = 1,96
𝜎
= 20/8
√𝑛

𝜎
i.c.95% (μ) = (𝑋̅ ± 𝑍0,975 ∙ ) = (12 ± 1,96 ∙ 20/8) = (7,1; 16,9)
√𝑛

Come si interpreta questo i.c.?

Siamo confidenti al 95% che la spesa media per servizi di tutte le aziende della
popolazione sia compresa tra 7100€ e 16900€

Se avessimo scelto un livello di confidenza 1-α = 0,99, come sarebbe cambiato

l’intervallo al punto precedente?
i.c.99% (μ) = (12 ± 2,576 ∙ 20/8) = (5,57; 18,42)
L’intervallo amplia per poter avere una maggiore confidenza.

INTERVALLO DI CONFIDENZA PER LA MEDIA μ DI

UNA POPOLAZIONE NORMALE CON VARIANZA σ2
DELLA POPOLAZION NON NOTA.

X~N(μ; σ2) entrambe non note.

1
Visto che σ2 non è nota, si stima utilizzando S2 = 𝑛−1 ∙ ∑𝑛𝑖=1(𝑋𝑖 −
𝑋̅)2
La formula dell’intervallo di confidenza si basa sul fatto che:
̅ −𝝁
𝑿
𝑺⁄ ~ 𝝉(n-1) T ha una distribuzione T di student con n-1 gradi di libertà
√𝒏
(σ è sostituita con un suo stimatore, S)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

CARATTERISTICHE DELLA T DI STUDENT:

• È campanulare (Come la N)
• È simmetrica rispetto allo zero (come la normale standard)
• Ha media 0 (come la normale standard)
• Ha code più pesanti (Varianza > 1)
• Ha delle sue tavole specifiche

Si legge così:
1. Fisso la riga = G.d.l.
2. Trovo la colonna
corrispondente.

Si definisce intervallo di confidenza a livello 1-α% per μ:

𝑠
i.c.1-α(μ) = (𝑥̅ ± tn-1;1-α/2 ∙ )
√𝑛

Attenzione: tn-1;1-α/2 è sempre maggiore di Zn-1;1-α/2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

𝐥𝐢𝐦 𝒕𝒏−𝟏;𝟏−∝/𝟐 = 𝒁𝟏−∝/𝟐

𝒏→+∞
Esercizio:
Il fatturato X delle aziende di un certo settore è distribuito secondo una legge
normale, media μ e varianza σ2, entrambe non note.
Da un campione casuale di otto aziende osserviamo i seguenti valori del fatturato in
k€.
(40, 35, 80, 20, 60, 70, 75, 45)
1. Costruire un intervallo di confidenza a livello 1-α = 0,95 per il fatturato medio
di tutte le aziende del settore
X = Fatturato X~(μ; σ2) n= 8
i.c.95% (μ) = ?
𝑠
i.c.95% (μ) = (𝑥̅ ± t7;0,975 ∙ )
√8
40+35+ 80+20+60+70+75+45
𝑥̅ = = 53,125 k€
8
1 1
𝑠2 = ∙ ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅ )2 = [(40 − 53,125)2+(35-53,125)2+….] =456,7 k€2
𝑛−1 7

t7;0,975 = 2,365

√456,7
i.c.95% (μ) = (53,125 ± 2,365 ∙ ) = (35,24; 71,00)
√8

2. Se 1-α diventasse 90%, L aumenta o diminuisce?

Diminuisce, perché abbassando la confidenza, il margine di errore scende

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INTERVALLI DI CONFIDENZA PER LA MEDIA

DELLA POPOLAZIONE:

Esercizio:
Da un campione di 160 lavoratori in una certa città emerge che la distanza media
casa-lavoro è 12,5 km con deviazione standard 4,6 km.
Costruire un intervallo di confidenza a livello 99% per la distanza media casa-lavoro
di tutti i lavoratori della città.
n=160 𝑋̅=12,5 km s=4,6 km 1-α=99% μ=?
X= Distanza casa-lavoro Non conosciamo la distribuzione di X e σ2
𝑠 4,6
i.c.(99%) (μ) = (𝑋̅ ±Z0.995∙ ) = (12,5±2,576∙ ) = (11,56; 13,44) km
√𝑛 √160

tavole della normale standard Z0.995 = 2,57

(tavole della t di student con ∞ gradi di libertà: Z0.995 = 2,576)
Con una confidenza del 99% la distanza media casa-lavoro di tutti i lavoratori della
città non è inferiore a 11,56 km né superiore a 13,44 km.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INTERVALLI DI CONFIDENZA PER LA

PROPORZIONE (Grandi campioni):

Popolazione X di Bernoulli X~Ber (p)

p è la probabilità di “successo” o proporzione di “successi” nella

popolazione.
p = E(X)
Lo stimatore per p è 𝑃̂ oppure 𝑋̿ (proporzione campionaria)
Grazie al teorema centrale del limite, se n ≥ 50:
𝑝(1−𝑝)
𝑃̂ = 𝑋̿ ≈N(p; 𝑛 )

L’intervallo di confidenza per p a livello (1-α)% è:

𝑝̂(1−𝑝̂) 𝑋(1−𝑋) ̅ ̅
i.c.1-α(p) = (𝑝̂ ± 𝑍1−∝⁄ ∙ √ ) = (𝑋̅ ± 𝑍1−∝⁄ ∙ √ 𝑛 )
2 𝑛 2

Esercizio:
Si intervista un campione casuale di 100 clienti di un supermercato chiedendo loro il
grado di soddisfazione.
Emerge che dei 100 intervistati, 20 sono insoddisfatti, 60 indifferenti e 20 soddisfatti.
1) Fornire una stima puntuale della proporzione di clienti soddisfatti.
20
p: proporzione di clienti soddisfatti 𝑝̂ = 𝑥̅ = = 20%
100
2) Stimare per intervalli a livello 95% la proporzione di clienti soddisfatti.
n = 100 > 50 è possibile costruire i.c. applicando il teorema centrale del limite.
𝑋(1−𝑋) ̅ ̅ 0,2∙0,8
i.c.95%(p) = (𝑋̅ ± 𝑍1−∝⁄ ∙ √ ) = (0,2 ± 1,96∙ √ ) = (12,16%; 27,84%)
2 𝑛 100
Z0,975 = 1,96

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INTERVALLI DI CONFIDENZA PER LA VARIANZA σ2 DI

UNA POPOLAZIONE NORMALE:

X~N(μ; σ2) parametri non noti della popolazione

Obiettivo: Stimare σ2 con intervallo
- Parametro μ: parametro di “disturbo” → Da stimare con 𝑋̅
1
- Stimiamo poi σ2 con s2 = ∙ ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 Varianza Camp.
𝑛−1
1
S = 𝑛−1 ∙ ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅ )2Varianza Camp.
2

(𝑛−1)𝑆 2
Sappiamo che: ~ℵ2 n-1Distribuzione CHI QUADRATO
𝜎2

Tavole χ2 si leggono come quelle della T di student

- Fisso la riga (Gradi di libertà n-1)
∝
- Trovo la colonna 1- 2

Per ricavare l’intervallo di confidenza si parte da:

2 (𝑛−1)𝑆 2
p(ℵ n-1, α/2< < ℵ2 n-1, α/2) = 1-α
𝜎2 (𝑛𝑜𝑛 𝑛𝑜𝑡𝑜)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Un produttore vuole monitorare la variabilità nei livelli di impurità contenuta nella
merce consegnata.
Un campione casuale di 15 consegne a evidenziato una deviazione standard dei livelli
di impurità pari a 2,36.
Si assuma una distribuzione normale per il livello di impurità.
1) Costruire un i.c. a livello 95% per la varianza della popolazione.
2) Come cambia i.c. se il livello diventa 99%?

n = 15 s = 2,36

(𝑛−1)𝑠 2 (𝑛−1)𝑠 2 14∙5,5696 14∙5,5696

1) i.c.95% (σ2) = ( 2 ; 0,975
; 2 ; 0,025
)=( ; ) = (2,985; 13,852)
𝜒𝑛−1 𝜒𝑛−1 26,1 5,63
𝜒𝑛−1 2 ; 0,975 = χ214; 0,975 = 26,1
χ2n-1; 0,025 = χ214; 0,025 = 5,63

A livello di confidenza pari a 95% la “vera” varianza del livello di impurità di tutta la
merce è compresa tra 2,985 e 13,852

2) 1-α = 99% → 1-α/2 = 0,995 α/2 = 0,005

χ214; 0,995 =31,3
χ214; 0,005 = 4,07
14∙5,5696 14∙5,5696
i.c.99%(σ2) = ( ; ) = (2,49; 19,13)
31,3 4,07

Esercizio intervalli di confidenza per p (Proporzione):

In un’azienda che produce scarpe, vi è un dibattito interno, il marketing manager
sostiene che oltre il 70% del nostro target conosce il nostro brand, mentre il CEO
sostiene che meno del 50% del nostro target conosce il nostro brand.
Viene eseguita una ricerca sulla brand awareness guidata:
Campione casuale di 100 persone (nel target di riferimento),
62 dichiarano di conoscere il brand.
Costruire un i.c. al 95% sulla proporzione di persone.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

1) Check numerosità n=100>50 ok! Posso costruire i.c.

𝑋̅(1−𝑋̅ ) 0,62∙0,38
2) i.c.95%(p) = (𝑋̅ ± 𝑍1−∝⁄ ∙ √ ) = (0,62 ± 1,96∙ √ ) = (0,5248; 0,7151) =
2 𝑛 100
(52,48%; 71,51%)
62
𝑝̂ = 𝑥̅ = = 62% stima puntuale di p
100

Il CEO ha torto!
Il marketing manager non ha del tutto torto perché ci sono valori plausibili per p
superiori al 70%

Come cambia l’ampiezza/lunghezza dell’intervallo se:

1) n = 150 → ampiezza scende
2) 1-α = 99% → Ampiezza aumenta
3) 𝑥̅ = 𝑝̂ = 0,55 → Ampiezza aumenta

CONFRONTO TRA DUE POPOLAZIONI:

Intervalli di confidenza per la differenza tra medie (μx-μy) di due
popolazioni normali.

1) Varianze delle popolazioni σ2x e σ2y Note

2) Varianze delle popolazioni σ2x e σ2y Non note ma uguali

Prima popolazione: X~𝑁(𝜇𝑥; 𝜎 2𝑥 ) da cui estraiamo un campione

casuale di ampiezza nx

Seconda popolazione: Y~𝑁(𝜇𝑦; 𝜎 2𝑦 ) da cui estraiamo un

campione casuale di ampiezza ny

Assumiamo che i due campioni siano INDIPENDENTI

Obiettivo: Stimare per intervallo il parametro “differenza tra

medie” = μx-μy

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

INTERVALLO DI CONFIDENZA PER μx-μy CON VARIANZE

σ2x e σ2y NOTE:

Stimatore per μx-μy è 𝑋̅ − 𝑌̅

Stima per μx-μy è 𝑥̅ − 𝑦̅
𝜎2
𝑋̅~N(μx; 𝑥 ) vale quando x è normale o nx ≥ 30
𝑛𝑥
𝜎𝑦2
𝑌̅~N(μy; ) vale quando Y è normale o ny ≥ 30
𝑛𝑦
𝜎𝑥2 𝜎𝑦2
𝑋̅ − 𝑌̅~N (μx - μy; 𝑛 + 𝑛 )
𝑥 𝑦
E(X-Y) = E(X) - E(Y)
V(X-Y) = V(X)+V(Y)
Se x e y sono indipendenti.

Si definisce intervallo di confidenza a livello (1-α)% per μx-μy:

𝜎𝑥2 𝜎𝑦2
i.c.1-α(μx-μy) = ((𝑥̅ − 𝑦̅) ± 𝑧1-α∙ √ + )
𝑛𝑥 𝑛𝑦
(Stima puntuale ± Margine di errore)

Esercizio:
Si considerino due campioni indipendenti di prof. di contabilità (X) e di sistemi
informativi (Y).
Viene rilevato il n° di ore impiegate per preparare ogni lezione.
1) Prof. Contabilità nx = 321 𝑥̅ = 3,01 ore
2) Prof. S.I. ny = 94 𝑦̅ = 2,88 ore
Da studi precedenti sappiamo che la deviazione standard del numero di ore per i prof
di contabilità è σx 1,09 ore, mentre quella dei prof di S.I. è σy 1,01 ore.
Costruire un i.c. a livello 95% per la differenza del n° medio di ore di preparazione
tra le due popolazioni.
X = n° di ore di preparazione Contabilità
Y = n° ore di preparazione S.I.
1,092
𝑋̅~N(μx; )
321
1,01 2
𝑌̅~N(μy; )
94

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

𝜎𝑥2 𝜎𝑦2 1,092 1,012

i.c.95% (μx-μy) = ((𝑥̅ − 𝑦̅) ± 𝑧0,975∙ √ + ) = (3,01-2,88 ± 1,96 ∙ √ + )=
𝑛𝑥 𝑛𝑦 321 94
(-0,11; 0,37) ore
Nell’i.c. cadono sia valori negativi che positivi, quindi non c’è differenza
statisticamente significativa tra le medie delle due popolazioni (perché il valore 0
appartiene l’intervallo di confidenza).

INTERVALLO DI CONFIDENZA PER μx-μy CON VARIANZE

σ2x e σ2y NON NOTE MA UGUALI:

σ2x = σ2y ma non li conosciamo!

(𝑋̅−𝑌̅)−(𝜇𝑥 −𝜇𝑦 )
~ N(0; 1)
𝜎2 𝜎2
𝑦
√𝑥 +
𝑛𝑥 𝑛𝑦

→ Sulla base di questa formula si calcola l’i.c. per μx-μy con

varianze note
(𝑋̅−𝑌̅)−(𝜇𝑥 −𝜇𝑦 )
~ T(nx + ny-2)
𝑆2 𝑆2
√ 𝑝+ 𝑝
𝑛𝑥 𝑛𝑦

→ Sulla base di questa formula si calcola l’i.c. per μx-μy con

varianze non note ma uguali.
2 (𝑛𝑥−1)𝑆𝑥2 +(𝑛𝑦−1)𝑆𝑦2
Sp= 𝑛𝑥 + 𝑛𝑦 −2
p = pooled o ponderata

Si definisce i.c. a livello (1-α)% per 𝜇𝑥 − 𝜇𝑦 :

𝑠𝑝2 𝑠𝑝2
i.c.1-α(𝜇𝑥 − 𝜇𝑦 ) = ((𝑥̅ − 𝑦̅) ± tnx+ny-2; 1-α/2 ∙ √𝑛 + )
𝑥 𝑛𝑦

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Gli abitanti della città A si lamentano che le multe per eccesso di
velocità sono più alte di quelle della città B.
Si estraggono due campioni indipendenti dalle due città chiedendo
agli abitanti estratti la somma pagata per la multa.
Campione di A (100, 125, 135, 128, 140, 142, 128 ,137, 156, 142)
nx =10
Campione di B (95, 87, 100, 75, 110, 105, 85, 95)
ny = 8

- Assumendo che le varianze delle somme pagate nelle due città

siano uguali.
- Le distribuzioni delle somme pagate nelle due città siano
entrambe normali.

Costruiamo l’i.c.95% per la differenza dell’ammontare medio

pagato nelle due città.

𝑠𝑝2 𝑠𝑝2
i.c.95% (𝜇𝑥 − 𝜇𝑦 ) = ((𝑥̅ − 𝑦̅) ± tnx+ny-2; 1-α/2 ∙ √𝑛 + 𝑛𝑦
)
𝑥
𝑥̅ = 133,3 €
𝑦̅ = 94 €
tnx+ny-2;1-α/2 = t16; 0,975 = 2,12
(𝑛𝑥−1)𝑆𝑥2 +(𝑛𝑦−1)𝑆𝑦2 9𝑠𝑥2 +7𝑠𝑦2
2
sp= 𝑛𝑥 + 𝑛𝑦 −2
= = 179,26 €2
16

179,26 179,26
i.c.95% (𝜇𝑥 − 𝜇𝑦 ) = (39,3 ± 2,12 ∙ √ + ) = (25,84; 52,76) €
10 8

Con un livello di confidenza del 95%, gli abitanti di A pagano in

media di più degli abitanti di B.
Poiché zero non appartiene all’i.c., allora vi è una differenza
statisticamente significativa tra le medie.

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

VERIFICA DELLE IPOTESI (TEORIA DEI TEST)

IPOTESI: E’ un’affermazione sulla popolazione.

IPOTESI PARAMETRICA: E’ un’affermazione su di un
parametro, o più parametri della popolazione.

Esempio:
A Varese, la spesa media in traffico telefonico è 42 €/mese.
In Italia, la proporzione di adulti con il cellulare è paria al 92%.
Le donne vengono pagate in media meno degli uomini.

La verifica delle ipotesi è uno “scontro” tra due ipotesi:

IPOTESI NULLA H0 VS IPOTESI ALTERNATIVA H1

IPOTESI NULLA: Si riferisce al parametro della popolazione,

non al campione. Generalmente contiene l’uguale!

Es. H0: μ = 42; H0 = μx = μy; H0 ≥ 60%

Il test inizia sempre con l’assunzione che l’ipotesi nulla sia vera.
(Ipotesi nulla vera, fino a prova contraria cioè con evidenza
empirica).
Generalmente l’ipotesi nulla rappresenta lo status quo, la
situazione storica.
Il risultato finale del test si riferisce all’ipotesi nulla:
1) “Si rifiuta H0”
2) “Non si rifiuta H0”

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

IPOTESI ALTERNATIVA: Si riferisce al parametro della

popolazione, non al campione. Generalmente non contiene
l’uguale!

Es. H1: p < 0,92; H1: σ2 ≠ 3

Generalmente è l’ipotesi che il ricercatore vuole dimostrare e sfida

lo status quo, rappresentando il cambiamento.

Come funziona in pratica la verifica delle ipotesi?

1) AFFERMAZIONE: Es. Età media delle persone collegate = 30

(Ipotesi sulla popolazione) μ = 30
2) Estraggo un campione casuale e ottengo 𝑥̅ = 20.
È plausibile 𝑥̅ = 20 se μ = 30?
3) Se poco plausibile rifiuto l’affermazione, Se è plausibile non
rifiuto l’affermazione. Come decido?
4) Si decide attraverso la STATISTICA TEST: è una statistica,
funzione dei dati campionari, che viene usata per decidere (regola
di decisione).
“Misura la distanza dall’ipotesi nulla”: più è vicina a 0, più i dati
campionari sono vicini a H0, più è lontana da 0, più i dati
campionari smentiscono H0.
Qual è la soglia della statistica test superata la quale posso
rifiutare H0? È determinata dal LIVELLO DI
SIGNIFICATIVITA’ α DEL TEST.
Questo livello permette di definire quali sono i valori della
statistica test improbabili quando H0 è vera.
Viene fissato a priori dal ricercatore.
0,01 1% più conservativo per H0
0,05 5% (più utilizzato)
0,10 10% meno conservativo per H0
Questo livello fornisce il o i VALORI CRITICI del test, e quindi
definisce la regione di rifiuto (di H0).

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

H0 VERA H0 FALSA

NON No errore! Errore di II

RIFIUTO tipo
H0

RIFIUTO Errore di I No errore!

H0 tipo

α = probabilità di commettere errore di I tipo

1-α = probabilità di NON commettere errore di I tipo
β = probabilità di commettere errore di II tipo
1- β = probabilità di NON commettere errore di II tipo

ERRORE DI I TIPO: Rifiuto H0, ma H0 è vera

p(errore di I tipo) = p(rifiuto H0/H0 è vera) = α
α è chiamato anche livello di significatività del test.
Viene fissato a priori dal ricercatore.
α = 0,01 1% più conservativo per H0
α = 0,05 5% (più utilizzato)
α = 0,10 10% meno conservativo per H0

ERRORE DI II TIPO: Non rifiuto H0, ma H0 è falsa

p(Errore di II tipo) = p(non rifiuto H0/ H0 falsa) = β
α viene fissato a priori, β viene determinato di conseguenza.

Cosa impatta su β?
Se α diminuisce allora β aumenta.
Se n aumenta allora β diminuisce.
Se σ2 diminuisce allora β diminuisce.
Se la differenza tra il valore del parametro reale (sotto H1) e il
valore sotto H0 diminuisce, allora β tende a cresce.
1-β è la POTENZA DEL TEST = p(Rifiutare H0/H0 falsa)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TEST SULLA MEDIA CON VARIANZA DELLA

POPOLAZIONE NOTA:

- Popolazione Normale – X~𝑁(μ; σ2) σ2 nota

Fase 1: Determinazione di ipotesi nulla e alternativa

A)H0: μ = μ0 o H0: μ ≤ μ0
H1: μ > μ0

Test unilaterale / a una coda a destra

B) H0: μ = μ0 o H0: μ ≥ μ0
H1: μ < μ0

Test unilaterale a sinistra

C) H0: μ = μ0
H1: μ ≠ μ0

Test bilaterale o a due code

Fase 2: Determinazione della statistica test e della sua

distribuzione sotto H0.

𝑋̅−𝜇0
Statistica test → Z = 𝜎 ~ N(0; 1) sotto H0 (ossia se H0 è vera).
⁄ 𝑛
√

Fase 3: Regola di decisione

Rifiuto l’ipotesi nulla se:
A) Il valore osservato della statistica test supera Z1-α (quantile
della normale standard che lascia alla sua sinistra 1-α%)
𝑋̅−𝜇0
Z= 𝜎 > Z1-α
⁄ 𝑛
√

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Il valore osservato di 𝑋̅ supera μ0 + Z1-α𝜎⁄

√𝑛

B) Il valore osservato della statistica test è inferiore a -Z1-α

𝑋̅−𝜇0
Z= 𝜎 < -Z1-α
⁄ 𝑛
√

C) Il valore osservato della statistica test supera in valore

assoluto Z1-α/2
𝑋̅−𝜇0 𝑧 > 𝑧1−∝/2
|Z| = | 𝜎 | > -Z1-α/2 {𝑧 < −𝑧 se una delle due vale
⁄ 1−∝/2
√𝑛
allora rifiuto H0

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Fase 4: Determinazione del valore osservato della statistica test →

DECISIONE.

Se osservo un valore nella regione di rifiuto, allora rifiuto H0,

altrimenti non rifiuto H0.

ESERCIZIO:
Da un’indagine condotta in un’azienda di Milano, risulta che i tempi (in minuti)
impiegati dai dipendenti che abitano nell’hinterland per recarsi al lavoro si
distribuiscono normalmente con una deviazione standard di 8 minuti.
Da un campione casuale di 10 dipendenti, il tempo medio impiegato per recarsi a
lavoro è risultato pari a 44,5 minuti.
Il servizio navetta per i dipendenti sarà attivato solo se il tempo medio per recarsi a
lavoro è superiore a 40 minuti.
Scegliere le ipotesi da sottoporre a verifica:
Sulla base della realizzazione campionaria, l’azienda introdurrà il servizio oppure no?

1) H0: μ = 40 (non introduco) o H0: μ ≤ 40

H1: μ > 40 (introduco) Test a una coda a destra!
𝑋̅−40
2) 8 ~ N(0; 1) sotto H0 (quando H0 è vera)
⁄
√10
𝑋̅−40
3) Rifiuto H0 se: z = 8 > z1-α α = 0,05 z0,95 = 1,645
⁄
√10
Rifiuto H0 se: 𝑋̅ > 40 + z1-α ∙ 8⁄ = 40 + 1,645 ∙ 8⁄ = 44,1616
√10 √10

𝑋̅−40 44,5−40
Z=8 = 8⁄ = 1,7788 > 1,645 → rifiuto H0 con α = 0.05
⁄
√10 √10
(Bisogna fare solo uno tra i due calcoli!)

L’azienda introdurrà il servizio navetta!

Se α = 0.10, il risultato cambia?

→ La soglia diventa più facile da superare, e a maggior ragione, rifiuto H0 con α =
0,10
Z0,90 = 1,282

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Se α = 0,01, il risultato cambi? → La soglia diventa più difficile da superare

Z0,99 = 2,26

1,7788 < 2,326 → Non rifiuto H0 con α = 0,01

P-VALUE o LIVELLO DI SIGNIFICATIVITA’

OSSERVATO (dipende dal campione).

(da confrontare con il livello di significatività α scelto a priori)

Il P-Value è la probabilità di osservare, in un altro campione, le

stesse caratteristiche di quello osservato, valori più estremi della
statistica test, dato che H0 è vera.

Def. Informale “Il p-value misura quanto l’ipotesi nulla è

plausibile”.
Rifiuto H0 se p-value < α

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TEST SULLA MEDIA DI UNA POPOLAZIONE NORMALE;

σ2 NON NOTA

X~N(μ; σ2) 𝜎2 Non nota

1)
A)H0: μ = μ0 o H0: μ ≤ μ0
H1: μ > μ0

Test unilaterale / a una coda a destra

B) H0: μ = μ0 o H0: μ ≥ μ0
H1: μ < μ0

Test unilaterale a sinistra

C) H0: μ = μ0
H1: μ ≠ μ0

Test bilaterale o a due code

𝑋̅ − 𝜇0
2) T = 𝑠 ~ 𝜏 (𝑛−1) sotto H0
⁄ 𝑛
√

3) Rifiuto H0 se:
𝑋̅ − 𝜇0
A) t = 𝑠 > tn-1; α
⁄ 𝑛
√
B) t < -tn-1; α

𝑋̅ − 𝜇0
C) |t| =| 𝑠 | > tn-1; α/2
⁄ 𝑛
√
A,b,c, p-value <∝

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Lo store manager di un ipermercato vuole sapere se la spesa media dei suoi clienti di
quest’anno, in seguito alla modifica della strategia di pricing, è significativamente
cambiata rispetto all’anno scorso, quando era pari a 37,50 €.
Per questo motivo analizza lo scontrino di 120 clienti, scelti casualmente ottenendo
una media di 36 € e una deviazione standard di 8,57 €.

1) Specificare le ipotesi da sottoporre a verifica, giustificando la scelta.

H0: μ = 37,5
H1: μ ≠ 37,5
Chiede di testare se la spesa media è cambiata rispetto a 37,5

2) Qual è il p-value del test che lo store manager vuole fare?

Assumo che X sia normale

𝑋̅ − 𝜇0 36 − 37,5
Statistica test: t = 𝑠 = 8,57 = 1,9173
⁄ 𝑛 ⁄
√ √120
p-value = p(osservare valori più estremi di quello osservato dato che H0 è vera) =
p(|t| > 1.9173 | H0 vera) = 2p(t > 1,173) = 2p(z >1,9173) = 2[1-p(z < 1,92)] =
= 2[1-0,9726] = 0,0548

3) Prendere una decisione sulla base del p-value osservato.

α = 0,05 → non rifiuto H0 (non è cambiato significativamente).
α = 0,01 → non rifiuto H0
α = 0,10 → Rifiuto H0

Riprendo l’esercizio del “servizio navetta”.

Qual è il p-value del test?

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Ceteris paribus, il P-value del test a due code è il doppio del p-

value dell’analogo test a una coda.

In sintesi, il test sulla media, generica popolazione (X)

(Applico il teorema centrale del limite)

σ2 nota rifiuto H0 a livello α se n ≥ 30

σ2 non nota rifiuto H0 a livello α se n ≥ 50

A) H0: μ ≤ μ0 H1: μ > μ0

𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝜎 > z1-α 𝑠 > z1-α si usa z al posto della t
⁄ 𝑛 ⁄ 𝑛
√ √

B) H0: μ ≥ μ0 H1: μ < μ0

𝑋̅ − 𝜇0 𝑋̅ − 𝜇0
𝜎 < -z1-α 𝑠 < -z1-α
⁄ 𝑛 ⁄ 𝑛
√ √

C) H0: μ = μ0 H1: μ ≠ μ0
𝑋̅ − 𝜇0 ̅ − 𝜇0
𝑋
| 𝜎 | > z1-α/2 | 𝑠 | > z1-α/2
⁄ 𝑛 ⁄ 𝑛
√ √

→ Per tutti sotto vale p-value < α

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
X = Affitto mensile
X~N(μ; σ2)
Campione casuale di 10 Bilocali
𝑥̅ = 885 € s2 = 450 €2
Si vuole verificare che l’affitto medio in città sia inferiore a 900€/mese.

H0: μ = 900
H1: μ < 900

𝑋̅ − 𝜇0
T= 𝑠 ~ 𝜏 (𝑛−1)
⁄ 𝑛
√

α = 0,05 → Soglia tn-1; 1-α = t9; 0,95 = 1,833

𝑋̅ − 𝜇0 885 − 900
Valore osservato della statistica test T = 𝑠 = = -2,236
⁄ 𝑛 √450⁄10
√
t = -2,236 < -t9;0,95 = -1,833
Rifiuto H0 con α = 0,05

p-value = p(t <-2,236| H0 vera)

Tavole t di student
Riga 9, tra quali cade?

→ 0,02 < 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0,05

Con la t di student, si trova un’intervallo di valori per il p-value

Se la domanda fosse: L’affitto medio è diverso da 900 €/mese?

Quale sarebbe p-value
H0: μ = 900
H1: μ ≠ 900

p-value = p(|t| > 2,236 | H0 vera) = p(t < -2,236) + p(t > 2,236) = 2p(t < -2,236)
𝑝−𝑣𝑎𝑙𝑢𝑒
0.025 < < 0,05
2
0,05 < 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0,10 → Non rifiuto H0 con α = 0,05

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TEST SULLA PROPORZIONE DI UNA POPOLAZIONE

(grandi campioni n ≥ 50):

1)

A) H0: p ≤ μ0 H1: p > μ0 test unilaterale destroy

B) H0: p ≥ μ0 H1: p < μ0 test unilaterale sinisto

C) H0: p = μ0 H1: p ≠ μ0 test bilaterale

2)
𝑝̂−𝑝0 𝑋̅−𝑝0
Z= = ≈ 𝑁(0; 1) sotto H0 con n ≥ 50
𝑝0(1−𝑝0) 𝑝0(1−𝑝0)
√ √
𝑛 𝑛

𝑥̅ (1−𝑝0) 𝑝̂(1−𝑝0)
Nb. Nell’intervallo di confidenza si usa √ =√
𝑛 𝑛

3) Rifiuto H0 se:

𝑝̂−𝑝0 𝑋̅−𝑝0
A) Z = = > z1-α
𝑝0(1−𝑝0) 𝑝0(1−𝑝0)
√ √
𝑛 𝑛

B) z < -z1-α

C) |z| > z1-a/2

A, b, c p-value < α

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

ESERCIZIO:
Gruppo editoriale vuole lanciare una nuova rivista.
Il management decide di mettere la rivista sul mercato solo se più del 10% dei
potenziali clienti la acquista.
A tale scopo, realizza un “numero zero”, di cui sono vendute 845 copie a fronte di
8000 potenziali clienti.
A) Decidere se lanciare o meno la rivista sul mercato giustificando la risposta sulla
base di un’opportuna procedura statistica, con un livello di significatività pari a 0,05.
B) Scegliendo un livello di significatività diverso, il risultato del test cambia?
Calcolare il p-value e commentare i risultati ottenuti.
C) Calcolare un intervento di confidenza per p a livello 95%

A) H0: p ≤ 0,10 H1: p > 0,10

Voglio dimostrare che oltre il 10% del target acquista la rivista per poterla mettere sul
mercato.

α = 0,05 → z1-α = z0.95 = 1,645 n = 8000 > 50

𝑝̂−𝑝0 845
z= 𝑝̂ = 𝑥̅ = = 0,1056
𝑝0(1−𝑝0) 8000
√
𝑛

0.1056 − 0.10
z= = 1,6471 > 1,645 → rifiuto H0 con α = 0,05
0,10(0,90)
√
8000

B) p-value = p(Z > 1,6471| H0 vera) = 1 – p(z < 1,6471) = 1- 0,9505 = 0,0495

Se α = 0,10 allora rifiuto H0

Se α = 0,01 allora non rifiuto H0

𝑝̂(1−𝑝̂) 0,1056∙0,8944
C) i.c.1-α(p) = i.c.95%(p) = 𝑝̂ ± 𝑧1−∝/2 ∙ √ = (0,1056 ± 1,96 ∙ √ )=
𝑛 8000
(0,0989; 0,1123) = (9,89%; 11,23%)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TEST SULLA VARIANZA DI UNA POPOLAZIONE

NORMALE:

X~N(μ; σ2) entrambi non noti.

μ = parametro di disturbo, stimato con 𝑥̅

1
σ2 = Parametro di interesse, stimato con S2 = 𝑛−1 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2

(𝑛−1)𝑆 2
~𝜒 2 n-1
𝜎2

1)
A) H0: σ2 ≤ σ20 H1: σ2 > σ20 Test a una coda a destra

B) H0; σ2 ≥ σ20 H1: σ2 < σ20 Test a una coda a sinistra

C) H0: σ2 0 σ20 H1: σ2 ≠ σ20 Test a due code

2 (𝑛−1)𝑆 2
2) 𝜒 n-1 =
𝜎2 0
~ 𝜒 2 n-1 Sotto H0

3) Rifiuto H0 se:
(𝑛−1)𝑠 2
A) 𝜒 2 n-1 = > 𝜒 2 n-1; 1-α
𝜎2 0

2 (𝑛−1)𝑠 2
B) 𝜒 n-1 =
𝜎2 0
< 𝜒 2 n-1; α

2 (𝑛−1)𝑠 2
𝜒 n−1 = 𝜎2 0
< 𝜒 2 n − 1; α/2
C) { (𝑛−1)𝑠 2
Una delle due
𝜒2n − 1 = 𝜎2 0
2
> 𝜒 n − 1; 1 − α/2

ESERCIZIO:

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

Per valutare la precisione di uno strumento di misurazione si effettuano 5 rilevazioni.

Si vuole valutare se la varianza della misurazione è significativamente inferiore a 2,
ponendo α = 0,05 si assuma X normale.

Rilevazioni → (3; 4,5; 2,2; 1,9; 3,5)

1) H0: σ2 ≥ 2 H1: σ2 < 2 2 = σ20

(𝑛−1)𝑆 2
2) ~𝜒 2 (4) sotto H0
𝜎20

(𝑛−1)𝑠 2
3) Rifiuto H0 se: < 𝜒 2 n-1; α = 𝜒 2 4;0.05 = 0,71
𝜎02

(𝑛−1)𝑠 2 4∙𝑠 2
Valore osservato della statistica test 𝜒 2 n-1 = = = 2,174
𝜎20 2

𝜒 2 n-1 = 2,174 non è < 0,71 → non rifiuto H0 con α = 0,05 non posso affermare che la
varianza sia inferiore a 2

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])

 lOMoARcPSD|42629397

TEST SULLA DIFFERENZA TRA MEDIE DI DUE

POPOLAZIONI NORMALI:

1) Varianze delle popolazioni σ2x e σ2y note, campioni

indipendenti.

2) Varianze delle popolazioni σ2x = σ2y non note ma uguali,

campioni indipendenti.

1) X~N(μx; σ2x nota) Y~N(μy; σ2y nota)

Scaricato da Matteo Mastrodomenico (mastrodomenicomatteo04@[Link])