Capitolo 3

Statistiche descrittive

Variabili categoriali

Frequenza assoluta il numero di osservazioni che hanno presentato quel valore/categoria

Frequenze relative le proporzioni, cioè il numero di osservazioni in una categoria diviso il numero totale di
osservazioni
Frequenze percentuali la proporzione moltiplicata per 100

Distribuzione di frequenze è una lista/tabella di tutti i possibili valori di una variabile a ciascuno dei quali è
associato un numero che rappresenta quante volte quel valore viene osservato nei dati in esame
Distribuzione di frequenze relative elenca i possibili valori della variabile con le loro rispettive proporzioni o
percentuali

 Per le variabili categoriali, oltre alla tabella distribuzione di frequenze, si usa il grafico a barre.

Variabili quantitative

Istogramma grafico che si usa per la rappresentazione di una distribuzione di frequenze di una variabile
quantitativa
. per distribuzioni discrete con un numero limitato di valori l’istogramma riporta una barra per ciascun
valore della distribuzione
. per distribuzioni continue o discrete con un elevato numero di valori bisogna dividere i possibili valori in
intervalli

 Per le variabili quantitative si usa anche il grafico digramma ramo e foglie

 La costruzione di distribuzione di frequenze o di istogrammi può essere fatta sia per i dati di
popolazione sia per i dati campionari; nel primo caso si fa riferimento a distribuzione di dati di
popolazione nel secondo invece a distribuzione di dati campionari.
Man mano che l’ampiezza campionaria aumenta le proporzioni campionarie in ciascun intervallo si
approssimano sempre di più alle vere proporzioni della popolazione.

La forma della distribuzione

Forma a U i punti più elevati (quelli che rappresentano le frequenze più elevate) sono riferiti ai valori più
bassi e più alti assunti dalle osservazioni della distribuzione
Forma campanulare la frequenza più elevata si registra nei valori centrali

Le distribuzioni appena spiegate sono simmetriche.

Code della distribuzione sono le parti della figura in corrispondenza dei valori bassi e alti, spesso una delle
cose è più lunga dell’altra

Distribuzione asimmetrica positiva se la coda più lunga è quella di destra

Distribuzione asimmetrica negativa se la coda più lunga è quella di sinistra
Descrivere il centro dei dati
Statistiche che descrivono la tipicità della distribuzione per una variabile quantitativa sono dette misure di
tendenza centrale

Media somma di valori assunti dalle osservazioni divisa per il totale delle osservazioni
y- = y1 + y2 + … + yn / n

n numerosità campionaria
y variabile
y con – (y barrato) media della variabile

Σ sommatoria
La formula si scrive anche y- = Σyi/n

Outlier valore anomalo

Mediana è il valore della variabile assunto dall’osservazione centrale del campione ordinato n + 1 / 2,
quando l’ampiezza campionaria è pari e si hanno due osservazioni la mediana è il risultato di y1+y2/2
. per le distribuzioni simmetriche media e mediana coincidono
. per le distribuzioni asimmetriche la media è spostata, rispetto alla mediana, nella direzione
dell’asimmetria

Moda è il valore osservato nella distribuzione con maggior frequenza, la distribuzione è bimodale se si
osservano due picchi

Descrivere la variabilità dei dati

Una misura numerica di tendenza centrale non da informazioni sulla dispersione delle osservazioni intorno
a tale valore

Campo di variazione è la differenza tra il valore più alto è il valore più basso di una distribuzione, non è
sensibile ad altre caratteristiche della variabilità dei dati
Deviazione basata sulle deviazioni dei dati da una misura di tendenza centrale come la media, la deviazione
di un’osservazione yi dalla media campionaria y- è la differenza tra i due valori yi – y-
. la deviazione è positiva quando l’osservazione ha un valore al di sopra della media
Deviazione standard (s) calcolata per n osservazioni è s = radice di Σ(yi – y-)2 / n – 1 = radice di somma
delle deviazioni al quadrato / ampiezza campionaria – 1 questa grandezza è la radice quadrata della
varianza s2 cioè s2 = Σ(yi – y-)2 / n – 1 = (y1 – y-)2 + (y2 – y-)2 + … / n – 1
 Regola empirica
Se l'istogramma della distribuzione ha una forma approssimativamente campanulare, allora
1. Circa i 68% delle osservazioni assume valori compresi tra y- - s e y- + S
2. circa il 95% delle osservazioni assume valori compresi tra y- - 2s e y- + 2s
3, la quasi totalità delle osservazioni assume valori compresi tra y- - 3s e y- + 3s

Misure di posizione
Sono un altro modo per descrivere una distribuzione
Danno informazioni sul valore al di sotto del quale ricade una certa percentuale di osservazioni della
distribuzione

Percentili il p-esimo percentile è il valore nella distribuzione al di sotto del quale ricade il p% delle
osservazioni e al di sopra del quale ricade il (100 – p)% delle informazioni
Primo e terzo quartile il 25esimo percentile è chiamato primo quartile, il 75esimo percentile è chiamato
terzo quartile; un quarto delle informazioni ricade al di sotto del primo quartile e un quarto ricade al di
sopra del terzo

Misure di variabilità
Scarto interquartile è la differenza tra il primo è il terzo quartile indicato con IQR, descrive la dispersione
delle misure centrali della distribuzione, aumenta con l’aumentare della variabilità e non è influenzato
dalla presenza di outlier

Outlier osservazione che ricade a più di 1.5x(IQR) al di sopra del terzo quartile o a più di 1.5x(IQR) al di
sotto del primo quartile

Quante deviazioni standard dalla media? Lo z-score

Un altro modo per misurare una posizione in una distribuzione è di contare a quante deviazioni standard
dalla media ricade una certa osservazione.
Il numero di deviazioni standard che separano un'osservazione di una distribuzione dalla media della stessa
è chiamato z-score
z = osservazione – media / deviazione standard
Secondo la regola empirica, per una distribuzione campanulare è molto difficile che un'osservazione ricada
a più di tre deviazioni standard dalla media. Si potrebbe usare anche per individuare un outlier, basandosi
sulla regola che un outlier sarebbe un’osservazione che ha uno z-score >3

Statistica (statistiche campionarie) descrive una caratteristica del campione (lettere latine)
Parametro (parametri della popolazione) descrive una caratteristica della popolazione da cui il campione è
stato estratto (lettere greche)
μ (mi) media di una variabile della popolazione > costanti
σ (sigma) deviazione standard di una variabile della popolazione >

Capitolo 4
Distribuzioni di probabilità

La probabilità come una lunga serie di frequenze relative

Probabilità di un’osservazione (un campione/esperimento casuale) è la proporzione di volte in cui essa

dovrebbe verificarsi in una lunga sequenza di osservazioni
. occorre un gran numero di osservazioni per stimare una probabilità accurata
. dato che nel testo la probabilità è definita come una proporzione sarà un numero tra 0 e 1, nella pratica si
può esprimere anche percentuali, quindi valor tra 0 e 100.

Leggi probabilistiche di base

consideriamo P(A) la probabilità di un possibile evento A
1. P(non A) = 1 – P(A) se è nota la probabilità del verificarsi di un det evento, allora la probabilità che
esso non si verifichi è pari a 1 meno quella probabilità
2. Se A e B sono due possibili risultati (che non si sovrappongono) allora P(A o B) = P(A) + P(B) si
supponga di effettuare un’indagine per stimare la proporzione di popolazione di individui che
ritengono che BlaBla debba essere vietato, sia A un valore stimato per la proporzione campionaria;
tale valore è molto basso essendo oltre 0.10 al di sotto della proporzione calcolata nella
popolazione. Sia B un valore stimato per la proporzione campionaria; tale valore è molto alto
essendo oltre 0.10 al di sopra della proporzione calcolata nella popolazione. Applicando i metodi si
avrà che P(A) = P(B) = 0.03. La probabilità complessiva che la proporzione campionaria sia sbagliata
di più di 0.10 è: P(A o B) = P(A) + P(B) = 0.03 + 0,03 = 0.06
 3. Se A e B sono possibili risultati, allora P(A e B) = P(A) x P (B dato A)
Dai dati del Censimento USA si rileva che la probabilità che un adulto statunitense scelto a caso sia
sposato è pari a 0.56. Tra i coniugati, la probabilità che una persona risponda di essere molto felice,
è all'incirca 0.40 (data, cioè, la condizione di coniugato, la probabilità di essere molto felice è 0.40).
P(coniugato e molto felice) = P(coniugato) × P(molto felice e coniugato) = 0.56 x 0.40 = 0.22
Circa il 22% della popolazione adulta risulta essere sia coniugato sia molto felice.

4. Sè A e B sono indipendenti, allora P(A e B) = P(A) x P (B)

Un metodo inferenziale che è spesso utilizzato fissando un valore pari a 0.95 alla probabilità di
effettuare una corretta inferenza. Si supponga che A rappresenti una corretta ipotesi sui maschi
della popolazione di interesse. Sia B una diversa ipotesi sulle femmine, anch'essa corretta. Allora,
poiché questi sono campioni e ipotesi indipendenti, la probabilità che entrambe le ipotesi siano
corrette è P(A e B) = P(A) x P (B) = 0.95 x 0.95 = 0.90

Variabile casuale per un campione/esperimento casuale ciascun possibile risultato ha una probabilità di
verificarsi, la variabile si dice casuale perché il risultato varia da osservazione a osservazione secondo una
variazione casuale che può essere spiegata dalle probabilità

Distribuzione di probabilità per variabili discrete assegna una probabilità a ciascun possibile valore della
variabile, ogni probabilità è un numero compreso tra 0 e 1, la somma delle probabilità di tutti i possibili
valori della variabile è pari a 1.
Sia P(y) la probabilità di un possibile risultato per una variabile y, allora:
0 <= P(y) <= 1 e Σtutti yP(y) = 1

Distribuzione di probabilità per variabili continue assegnano probabilità a intervalli di numeri, la probabilità
che un valore di una variabile cada in ciascun particolare intervallo è compreso tra 0 e 1, la probabilità che
un intervallo contenga tutti i possibili valori è pari a 1. Un grafico della distribuzione di probabilità di una
variabile continua è una curva liscia continua. L’area sottesa alla curva per un intervallo di valori
rappresenta la probabilità che la variabile assuma un valore all’interno di quell’intervallo

Parametri per descrivere le distribuzioni di probabilità

Distribuzione nella popolazione di una variabile la distribuzione di probabilità di una variabile per un
soggetto estratto casualmente dalla popolazione
Una distribuzione di probabilità ha parametri che descrivono le misure di tendenza centrale e la variabilità.
I valori dei parà e sono uguali a quelli che di rileverebbero se venissero selezionate casualmente
osservazioni di una variabile y che ha una determinata distribuzione di probabilità

Media di una distribuzione di probabilità (valore atteso di y) per una variabile discreta y è E(y) = μ = Σ yP(y),
la somma è calcolata su tutti i possibili valori della variabile. E(y) rappresenta ciò che ci si aspetta come
valore medio di y in una lunga serie di osservazioni

Deviazione standard di una distribuzione di probabilità misura la sua variabilità, si indica con σ, quanto più
grande è il valore di σ maggiore sarà la dispersione della distribuzione, approssimativamente σ indica
quanto lontano dalla media, della distribuzione, y tende ad assumere valori. Per interpretare σ serve la
regola empirica del capitolo 3.
(?) σ = radice di Σ(yi – y-)2 x ni / n- uguale σ = radice di Σ(yi – y-)2 P(yi)
La deviazione standard è la rad quad della varianza di una distribuzione di probabilità (in teoria non serve)
Distribuzioni di probabilità normale la sua curva campanulare ben descrive molti istogrammi di dati per
variabili che sono continue o discrete ma che assumono un gran numero di valori

Distribuzione normale è simmetrica, campanulare è caratterizzata da una media μ e da una deviazione

standard σ. La probabilità che un’osservazione ricada all’interno di un intervallo definito dalla media μ più
o meno un certo numero di deviazioni standard è la stessa per tutte le distribuzioni normali. Tale
probabilità è pari a 0.68 entro una deviazione standard, 0.95 entro due deviazioni standard e 0.997 entro
tre deviazioni standard.
Sostanzialmente l’intera distribuzione è compresa tra μ – 3σ e μ + 3σ (più alto è σ più è lunga la curva)

Tavola delle probabilità sottese alle code di una distribuzione normale

In una distribuzione normale per ciascun fissato valore z, la probabilità che un’osservazione ricada intorno
alla media più o meno z volte la deviazione standard, dipende dal valore di z.
Tale probabilità è data dall’area sottesa alla curva normale compresa tra μ – zσ e μ + zσ. Per ogni
distribuzione normale questa probabilità è 0.68 per z = 1 , 0.95 per z = 2 e quasi 1 per z = 3.
La tabella dello z-score contiene i valori delle probabilità per diversi insiemi di valori.
Si può anche usare al contrario, cioè parendo dalla probabilità si trova il valore di z che fornisce lo
scostamento dalla media di quel valore, in termini di deviazione standard
|
Il simbolo z in una tavola della normale si riferisce alla distanza, in termini di numero di deviazioni
standard, tra un possibile valore y di una variabile è la media μ della sua distribuzione di probabilità
z = y – μ / σ = osservazione – media / deviazione standard

 riassunto di come debba essere utilizzato lo z-score:

. se è noto un valore di y e si ha bisogno di trovare la probabilità a esso corrispondente, si trasforma y in
uno z-score con la formula z = y – μ / σ e si usa la tavola per determinare la probabilità di interesse
. se è nota la probabilità è si ha bisogno di trovare un valore per y, si trasforma la probabilità in una
probabilità sottesa alla coda della distribuzione è si trova lo z-score utilizzando la tavola, quindi si calcola
y = μ + zσ

Distribuzione normale standardizzata è una distribuzione normale con media μ=0 e deviazione standard
σ=1, i valori della distribuzione normale standardizzata coincidono con gli z-score

Le distribuzioni campionarie descrivono come variano le statistiche

Distribuzione campionaria di una statistica è la distribuzione di probabilità che fornisce le probabilità per i
possibili valori che la statistica può assumere, a differenza delle distribuzioni viste fino ad ora questa
fornisce le probabilità non per osservazioni individuali ma per possibili valori di una statistica calcolata
attraverso le osservazioni, è importante perché aiuta a prevedere quanto precisa sia la stima del parametro
di interesse

Media ed errore standard della distribuzione campionaria di y-

La media della distribuzione campionaria di y- è pari a μ
L’ampiezza della distribuzione campionaria di y- è descritta dalla sua deviazione standard che è chiamata
errore standard di y-, viene indicato con σy-, indica quanto y- varia tra tutti i possibili campioni.
Supponiamo di selezionare in ripetizione dalla popolazione campioni di dimensione n , trovando y- per
ciascun gruppo di n osservazioni. Allora, in una lunga serie, la deviazione standard dei valori y- dovrebbe
essere pari all'errore standard, Il simbolo σy- (al posto di σ) e il termine errore standard (al posto di
deviazione standard) distinguono questa misura dalla deviazione standard o della distribuzione della
popolazione. In realtà esiste una formula σy- = σ / radice di n.
| definizione
Si consideri un campione casuale di dimensione n estratto da una popolazione di media μ e deviazione
standard σ. La distribuzione campionaria di y- fornisce le probabilità per i possibili valori di y-. Essa ha
media μ ed errore standard σy- = σ / radice di n

Errore campionario stimare μ attraverso y- produce un errore in quanto si è considerato solo un parte della
popolazione, questo errore noto come errore campionario tende a diminuire all’aumentare della
dimensione campionaria n.

Teorema del limite centrale per campioni casuali di elevata ampiezza n, la distribuzione campionaria della
media campionaria y- è approssimativamente una distribuzione normale

Capitolo 5

Stima puntuale e intervallare

Ci sono due tipi di stima nei parametri

stima puntuale è un singolo numero che rappresenta la migliore previsione del valore assoluto del
parametro
stima intervallare è un intervallo di numeri intorno alla stima puntuale, all’interno del quale si ritiene che
ricada il valore del parametro e tiene conto del margine di errore

stima è spesso usato per abbreviare stima puntuale, indica il valore ottenuto applicando lo stimatore a uno
specifico campione
stimatore si riferisce a un particolare tipo di statistica impiegato per stimare un parametro, ciascun
parametro può avere diversi possibili stimatori
|
un buon stimatore ha una distribuzione campionaria che è centrata intorno al parametro e ha l’errore
standard più piccolo possibile
. uno stimatore è corretto se la sua distribuzione campionaria è centrata all’interno del parametro
. uno stimatore è distorto se tende in media a sottostimare o sovrastimare il parametro
ad esempio il campo di variazione campionario è tipicamente più piccolo di quello della popolazione e non
può essere più grande
. uno stimatore è efficiente quando ha un errore standard più piccolo di quello di altri stimatori per cui si
riuscirà a determinare stime del parametro in media più vicine al vero valore.

Come stimatore da applicare ai dati campionari si può usare la formula con cui si calcola il valore del
parametro della popolazione:
per stimare una proporzione della popolazione si può usare come stimatore la proporzione campionaria
per stimare una media della popolazione μ si può usare la media campionaria y-
e così via per la deviazione standard
. il simbolo ^ detto “cappello” messo sulla lettera che identifica il parametro viene usato per rappresentare
la stima di quel parametro

Stima di massima verosimiglianza questa stima è il valore del parametro che risulta più verosimile in
relazione ai dati osservati, la stima risponde a questa domanda: se il parametro risultasse uguale a un cero
valore (ad esempio il valore della stima) quale sarebbe stata la probabilità di osservare i dati che
effettivamente sono stati raccolti con l’indagine campionaria?
. Per molte distribuzioni della popolazione lo stimatore di massima verosimiglianza della media della
popolazione è la media campionaria
Proprietà degli stimatori per grandi campioni
. sono efficienti per campioni relativamente ampi
. possono essere affetti da errore che diminuisce al crescere dell’ampiezza campionaria
. hanno distribuzione campionaria approssimativamente normale

Per avere delle informazioni corrette l’inferenza non dovrebbe basarsi solo sulla stima puntuale ma
dovrebbe anche indicare quanto sia precisa la stima rispetto al vero valore del parametro.
|
Le indicazioni sulla precisione della stima puntuale sono basate sull’ampiezza della della stima intervallare
di un parametro, e dato che contengono il parametro con un certo livello di fiducia, vengono indicati come
intervalli di confidenza per un parametro è un intervallo di valori entro cui si ritiene ricada il valore di un
parametro; la probabilità associata al fatto che l’intervallo contenga il parametro è detta livello di fiducia,
questo numero è prossimo a 1 come 0.95.
|
La distribuzione campionaria normale determina la probabilità che lo stimatore produca valori entro una
certa distanza dal parametro, con probabilità 0.95 assume valori entro due deviazioni standard, con 0.99
entro tre.
Quanto più piccolo è l’errore standard tanto è preciso lo stimatore.
In realtà la distribuzione campionaria è solo approssimativamente normale, per costruire un intervallo di
confidenza si aggiunge e si sottrae alla stima puntuale qualche multiplo (uno z-score) del suo errore
standard, chiamato margine di errore stima puntuale +- margine di errore
Per avere un intervallo di confidenza che ha il 95% di livello di confidenza si prende la stima puntuale e si fa
+- un margine di errore pari a circa due errori standard.

Intervallo di confidenza per una proporzione

Con dati categoriali un’osservazione può assumere valori che sono una delle categorie della variabile,
questo avviene con variabili nominali o ordinali e continue ma misurate in scale di misura categoriali. Per
sintetizzare i dati calcoliamo le proporzioni o percentuali di osservazioni che ricadono in ciascuna categoria.

Proporzione campionaria è il suo errore standard

Sia π una proporzione della popolazione. π assume valori compresi tra 0 e 1. La sua stima puntuale è la
proporzione campionaria che essendo la stima di π viene indicata con π-.
Bisogna ricordare che la proporzione campionaria è una media quando vengono posti y=1 per
un’osservazione nella categoria di interesse e y=0 in tutti gli altri casi, per questo la proporzione della
popolazione π è la media μ della distribuzione di probabilità le cui probabilità sono pari a
P(1) = π e P(0) = 1 – π
La deviazione standard di questa distribuzione di probabilità sarà σ = radice di π (1 – π).
Dato che la formula per l’errore standard della media campionaria è σy- = σ / radice n
l’errore standard σπ- della proporzione campionaria π^ è σπ- = σ / radice n = radice π (1 – n) / n
Al crescere dell’ampiezza campionaria l’errore standard diminuisce: la proporzione campionaria tenderà a
prendere valori più vicini al valore della proporzione nella popolazione

Intervallo di confidenza per una proporzione nel caso di grandi campioni

poiché la proporzione campionaria π^ è una media campionaria si applica il teorema del limite centrale:
per campioni casuali di elevata ampiezza, la distribuzione campionaria di π^ è approssimativamente una
distribuzione normale intorno al parametro π oggetto di stima.
Dato che … pertanto π^ si trova entro 1.96 σπ- unità dal parametro π cioè π – 1.96σπ- e π + 1.96 σπ- cioè si
osserva un valore π^ e l’intervallo π^ +- 1.96 σπ- contiene, con probabilità 0.95, il parametro della
popolazione π. Quindi la probabilità che π^ non si trovi entro 1.96 σπ- da π è pari a 0.05, la probabilità che
π^ +- 1.96 σπ- non contenga π è pari a 0.05.
L'intervallo π^ +- 1.96 σπ- è una stima intervallare per π con un livello di fiducia pari a 0.95.
Viene chiamato intervallo di confidenza al 95%. Nella realtà, il valore dell'errore standard non è noto
perché dipende dal "parametro ignoto π. Per questa ragione si stima l'errore standard sostituendo la
proporzione campionaria e impiegando se = radice π^ (1 – π^) / n.
Si è utilizzato il simbolo s per indicare la deviazione standard campionaria che stima la deviazione standard
della popolazione σ. Si usa se per indicare la stima campionaria dell'errore standard.
La formula dell'intervallo di confidenza impiega questo errore standard stimato.
In sintesi, l'intervallo di confidenza al 95% per π è pari a π^ +- 1.96(se) dove se = radice π^ (1 – π^) / n.

Controllo del livello di fiducia per incrementare le possibilità di una corretta inferenza si aumenta il livello
di fiducia fino al valore di 0.99.
L’espressione generale per l’intervallo di confidenza per una proporzione della popolazione π è
π^ +- z (se) con se = radice π^ (1 – π^) / n.

Capitolo 6

Ipotesi affermazione sulla popolazione, previsione che un parametro impiegato per descrivere alcune
caratteristiche di una variabile assuma un particolare valore numerico i ricada in un certo intervallo di
valori; esempio: la metà o più dei canadesi sono adulti sono soddisfatti del loro servizio sanitario nazionale.

Test di significatività utilizza i dati campionari per riassumere le evidenze empiriche riferibili ad una certa
ipotesi; ciò viene fatto confrontando le stime puntuali dei parametri con valori previsti dalle ipotesi.
La metodologia statistica di questi test si chiama verifica delle ipotesi si divide in cinque parti:
1. assunzioni ciascun test premette determinate condizioni per la sua validità e riguardano i seguenti
aspetti:
. tipo di dati
. casualizzazione
. distribuzione della popolazione
. dimensione campionaria, la validità dei test cresce al crescere della dimensione campionaria
2. ipotesi riguardo al valore di un parametro
. ipotesi nulla H0 è un’affermazione su un particolare valore assunto dal parametro
. ipotesi alternativa Ha attesta che il parametro prende valori in un qualsiasi altro intervallo di valori
solitamente il valore posto nell’ipotesi nulla corrisponde all’assenza di effetto
i valori nell’ipotesi alternativa rappresentano un effetto di qualunque tipo.
3. test statistico (il parametro al quale fanno riferimento le ipotesi ha una stima puntuale) valuta
quanto questa stima ricada vicino al valore del parametro ipotizzato con H0; spesso questa distanza
è espressa nei termini di quanti errori standard separano la stima dal valore del parametro
ipotizzato sotto H0.
4. P-valore è la probabilità che il test statistico sia pari al valore osservato o a uno più grande nella
direzione prevista da Ha; è determinato presumendo che H0 sia vera. Quanto più piccolo è P tanto
più forte è l’evidenza.
5. Conclusione riportare il P-valore e la decisione formale.
Capitolo 7

Confronto tra due gruppi

Per variabili quantitative vengono confrontate le medie

Per variabili categoriali vengono confrontate le percentuali

I due gruppi che devono essere confrontati si possono rappresentare con una variabile binaria o
dicotomica, cioè una variabile che ha solo due categorie.
|
I metodi per il confronto di due gruppi sono casi particolari di metodi statistici bivariati, una data variabile
di interesse è analizzata in ogni categoria di una seconda variabile.
|
Variabile risposta, variabile di interesse relativamente alla quale vengono fatti confronti
Variabile esplicativa variabile che definisce i gruppi

Studio longitudinale confronta medie e proporzioni in due o più istanti temporali

Campioni indipendenti quando esiste un appaiamento naturale tra ciascun soggetto di un campione è un
soggetto nell’altro campione, solitamente si verifica quando si hanno stessi soggetti ma può anche
verificarsi in campioni con soggetti diversi
|
Comunemente i confronti riguardano campioni indipendenti

Gli studi sperimentali e osservazionali sono esempi di studi trasversali che usano una singola indagine per
comparare dei gruppi

Errore standard della differenza tra due stime per due stime da campioni indipendenti che hanno errori
standard pari a se1 e se2, la distribuzione campionaria della loro differenza ha
errore standard stimato = radice di (se1)2 + (se2)2

Un altro modo di confrontare due proporzioni o due medie è attraverso il loro rapporto
Il rapporto tra due proporzioni è spesso chiamato rischio relativo, quando le proporzioni sono vicine allo 0
il rapporto è più utile della differenza