Seminario Psicometria I

Università degli Studi
e Campus
Facoltà di Scienze Psicologiche

Corso Psicometria I
Relatori
Prof.ssa Simona Musacchio
Ing. Gianluca Pizzuti
Introduzione
 Cos' è la statistica?
 Definizione Trilussa (nota di colore)
 La statistica fornisce gli strumenti per
analizzare i fenomeni collettivi (caratteristiche
fisiche di un gruppo di soggetti).
Statistica descrittiva Statistica inferenziale
 Popolazione globale/campione  Campione
Descrizione  Stima delle caratteristiche
 Sintesi numerica  Sintesi numerica
 Analisi dei risultati  Analisi dei risultati
Campione statistico/Popolazione
 Il campione statistico è un sottoinsieme dell'universo di
riferimento, caratterizzato da attributi comuni alla
popolazione.
 La popolazione è l'insieme dei soggetti appartenenti alla
categoria oggetto di studio.
Fasi dell'analisi statistica
1
Definizione obiettivi Rilevazione
Analisi statistica
Elaborazione dati
Applicazione degli
esiti dell'analisi
Interpretazione dati
Fasi dell'analisi
statistica:definizione obiettivi
 Individuazione obiettivi
2  Delimitazione della ricerca nel tempo e nello
spazio
Fasi dell'analisi statistica:rilevazione
 L'osservazione dei fenomeni mediante opportuni

tecniche e strumenti
 L'oggetto della rilevazione può essere l'intera
popolazione o un campione di essa rappresentativo
3  Chi può fare la rilevazione?
 Enti pubblici (Istat) ed Istituti privati
 La rilevazione si effettua mediante formulari
strutturati ai fini dell'analisi
Fasi dell'analisi
statistica:elaborazione dati
 Sintesi dei dati più significativi mediante l'utilizzo
di opportuni indici
4
Fasi dell'analisi statistica:presentazione
ed interpretazione dei dati
 Rappresentazione dei dati mediante tabelle, grafici
ed indici
 Spiegazione dei risultati
5
Fasi dell'analisi statistica:applicazione
degli esiti dell'analisi
 La statistica non è fine a se stessa
Economia
Demografia
Statistica
..
..
..
..
..
Medicina Output
6
Indagine statistica: definizione
Il carattere oggetto di studio
1
La scala di misurazione del carattere
2
L'universo delle unità statistiche (popolazione)
3
4 L'ampiezza della rilevazione (totale o parziale)
Unità statistica :definizione
 Unità statistica : elemento base della popolazione sul

quale viene rilevata la caratteristica oggetto di studio
●Unità semplici (persona, abitazione)
●Unità composta (famiglia, edificio)
●Unità complesse, insieme di unità semplici
differenti,considerati nella loro globalità
(rapporto coniugale, rapporto di lavoro)

Carattere :definizione
 Carattere : elemento che descrive una

popolazione od un campione
 Modalità : valori assunti da un carattere su
un'unità statistica
 Tipologia carattere
●Qualitativo o Mutabile (rappresentato
mediante attributi)
●Quantitativo (rappresentato mediante numeri)

Variabile :definizione
 Variabile : rappresentata mediante numeri
 Modalità : valori assunti da un carattere su
un'unità statistica
 Tipologia carattere
●Qualitativo o Mutabile (rappresentato
mediante attributi)
●Quantitativo (rappresentato mediante numeri)

Variabili: tipologia
 Variabili Qualitative
● Modalità nominali (es. stato civile)
● Modalità ordinali (es. livello di istruzione)
 Variabili Quantitative
● Valori numerici (es. numero di figli)
 Variabili indipendenti (manipolata dallo sperimentatore)
 Variabili dipendenti (misurate dallo sperimentatore)
 Variabili di disturbo
Variabili: quantitative
 Variabili Quantitative
● Continue (numeri reali)
● Discrete (numeri interi)
Esempio di variabili dipendenti ed
indipendenti
 30 adolescenti vengono convocati per un test di memoria, a 15 di loro,
prima di iniziare la prova viene detto che si tratta di un compito
particolarmente difficile, agli altri 15 non viene data alcune indicazione.
Indicare la variabile indipendente e quella dipendente.
 VARIABILE INDIPENDENTE?
 Informazione sulla difficoltà della prova
 VARIABILE DIPENDENTE?
 Punteggio test di memoria
LA MISURAZIONE: definizione
 Misurazione
● Assegnare valori numerici ad eventi/oggetti secondo le
proprietà del sistema numerico (S.I.)
 Scale di misurazione
● Scala nominale (variabili o mutabili; i numeri hanno
valore di etichetta).
 Operazioni di misurazione
– Raggruppamento in classi
– Conteggio delle frequenze delle classi
● Scala ordinale (ordinamento secondo una specifica

caratteristica)
 Operazione di misurazione
– Confronti di ordine
– Relazione di minore o maggiore
LA MISURAZIONE: le scale ad
intervalli
 Scale ad intervalli
● Caratteristiche
 Fondo scala pari a 0
 Unità di misura convenzionali
 Misurano la differenza tra eventi/oggetti
 L’ampiezza dell’intervallo è costante
 Operazioni di misura: addizione e sottrazione, trasformazione
dei numeri (normalizzazione)
 Esempi:
● Scala Celsius, Kelvin, Q.I., Test di atteggiamento e di
personalità
LA MISURAZIONE: le scale a rapporti
 Scale a rapporti
● Caratteristiche
 Lo 0 equivale ad assenza di proprietà
 Non assumono valori negativi
 Operazioni di misura: addizione e sottrazione, trasformazione
dei numeri (normalizzazione), moltiplicazione e divisione
 Esempi:
● Distanza, statura, peso
Output delle misurazioni: Dati
Variabili qualitative Frequenza
Misura
Variabili quantitative Punteggio Dati

Le Frequenze
 Definizione:
● è il numero delle volte secondo cui una modalità di una
variabile si presenta nella popolazione osservata
 Frequenze classificazione:
● Cumulate (somma progressiva delle frequenze della
distribuzione)
● Relative (frequenza della modalità/numero totale delle
osservazioni)
● Percentuali: freq.relat*100 (%)
Esempio
MASCHI 28
FEMMINE 22
Maschi 28 Femmine 22
Fm = 28 F f = 22
Il totale delle osservazioni N=50
Le frequenze relative dei maschi
sono F. rel=28/50=0,56
Le frequenze percentuali dei
maschi sono F%0 28/50x100= 1
56%
Le Classi
 Definizione:
● è un raggruppamento di dati in definiti intervalli
● Ogni intervallo è delimitato da un estremo inferiore ed
estremo superiore
● La differenza tra supinf= ampiezza di classe
 Regole di costruzione delle classi:
● Non meno di 5 e non più di 20
● Intervalli della medesima ampiezza
● Ampiezze preferite 3, 5, 10 o multipli
● Intervalli mutuamente esclusivi (es. 02, 35, 68….)
● Punto medio centrale =(sup+inf)/2 >costruzione
poligono di frequenza
Le Classi: rappresentazione
grafica
 Definizione:
● Spesso per avere una visione d'insieme di una
distribuzione di frequenza si usa rappresentarla su
grafici.
● istogramma: in cui sull'ascissa sono riportate le
modalità della distribuzione e sulle ordinate le rispettive
frequenze assolute o relative.
 Nel caso di distribuzione in classi: in ascissa vengono

rappresentati i limiti degli intervalli e in ordinata le
frequenze.
Le Classi: rappresentazione grafica-
Istogramma
90
80
70
60
50
Est
40
Ovest
30 Nord
20
10
0
1° 2° 3° 4°
Trim. Trim. Trim. Trim.
Poligono di frequenza
 Definizione:
● Poligono di frequenza: in cui sull'ascissa sono riportate le
modalità ( il valore medio di ciascuna classe )e sull'ordinata
le frequenze relative cumulate e i punti trovati si uniscono
con una spezzata
● Il poligono di frequenza si utilizza quando il ricercatore è

interessato a rappresentare nello stesso grafico più
distribuzioni di frequenze relative a gruppi diversi.
100
80
60 maschi
fr
40 femmine
20
0
1° Trim. 2° Trim. 3° Trim. 4° Trim.
Statistica descrittiva
 Definizione:
● I dati ottenuti durante uno studio empirico (dati grezzi)
possono essere sintetizzati in una forma analizzabile.
L’ampio numero di osservazioni si può ridurre in
numero più piccolo di indici statistici (statistiche
descrittive).
● Le principali statistiche descrittive sono:
 Misure della tendenza centrale: moda, mediana, media
 Misure della variabilità:range, differenza interquartile,
deviazione standard e varianza.
Statistica descrittiva-Moda
 Definizione:
 La moda è rappresentata dal valore più frequente della
distribuzione osservata. Può essere espresso in ogni scala
di misura (è l’unico indice di tendenza centrale per la scala
nominale) Quando la moda è unica si parla di distribuzione
unimodale, ma se ci sono due valori ugualmente frequenti
la distribuzione è detta bimodale.
Statistica descrittiva-Moda
 Esempio
● 10, 15, 13, 4, 9, 8, 15, 7, 13, 15, 2, 15, 19.  N = 13
● Il 15 si presenta più frequentemente, quindi è il valore

modale  La distribuzione è UNIMODALE
 Esempio
● 10, 15, 13, 4, 9, 8, 15, 7, 13, 15, 2, 13, 19.  N = 13, 15
● Il 13 ed il 15 si presentano più frequentemente, quindi
sono i valori modali  La distribuzione è BIMODALE
Statistica descrittiva-Mediana
 Definizione:
 MEDIANA −E’ rappresentata dal valore che occupa la posizione centrale della
distribuzione (valore che divide in due parti uguali la distribuzione, al di sopra
e al di sotto del quale si trovano il 50% dei casi)
 la determinazione della mediana è diversa a seconda che sia n dispari o pari.
 Se n è dispari, la mediana e l'intensità individuata dal posto centrale:
C = (n+1) / 2
 Ad esempio, la mediana dell'intensità 3, 15, 9, 2, 6,12, 5, si ottiene innanzitutto
ordinando la serie: 2, 3, 5, 6, 9,12,15.
 Siccome le intensità sono sette, numero dispari, il posto centrale è unico ed è
pari a:

C = (7+1) / 2 = 4 (posizione della mediana)
 La mediana è quindi, l'intensità individuata dal quarto posto, vale a dire che
essa è uguale a 6.
Statistica descrittiva-Mediana
 Se n è pari, la mediana è data dalla semisomma delle intensità
corrispondenti ai due posti centrali:

C = n / 2 C = (n / 2) + 1

 Ad esempio, la mediana delle intensità 7, 16, 2, 3, 9, 12, 15, 5, si ottiene
innanzitutto ordinando la serie: 2, 3, 5, 7, 9, 12, 15, 16. (n=8)
 Visto che si tratta di 8 numeri, numeri pari, i posti centrali sono due e
sono:
C = 4 (7 ) e C = 5 (9)
(posizioni della mediana)
 Pertanto, la mediana è dalla semisomma delle intensità individuate dal
quarto e dal quinto posto, vale a dire che essa è uguale a:

Me = (7 + 9) / 2 = 8
Statistica descrittiva-Media
 MEDIA (è il centro di gravità della distribuzione)
● La media aritmetica è data dalla somma delle misure osservate
diviso il numero delle osservazioni fatte (N)
● Si indica con M per i campioni e con μ per le popolazioni
● Può essere calcolata su scale di misura ad intervalli e a rapporti
(scale METRICHE)
 La media aritmetica è uguale alla somma dei termini divisa per il loro
numero.
 Se si indicano gli n termini di una serie con x1, x2, x3….. xn, la media
aritmetica sarà pari a:M = (x1 + x2 + x3 + ….. + xn ) / n
 Se ad esempio avessimo i valori 1, 2, 3, 7, 10, 13, specificano la
formula sopra enunciata, si ottiene:
M = (1+2+3+7+10+13) / 6 = 36/6 = 6
 La formula può essere meglio come:M = Σ Xi/N
Oppure M = Σ fi Xi/N
 (in questo caso si moltiplica la frequenza di ogni classe per il valore
medio di ogni classe)
Statistica descrittiva-Media-
Esempio
 M = Σ fi Xi/N
 Valore=193/10
VOTI FREQ. VALORE*FREQ.
18 2 36
1
19 3 57
20 5 100
TOTALE 10 193
Statistica descrittiva-Indici di
posizione
 Definizione:
 Gli indici DI POSIZIONE indicano la posizione che un valore occupa all’interno di una distribuzione.
● QUARTILI
● DECILI
● PERCENTILI
● I percentili o quantili sono le intensità che dividono una distribuzione in due parti, lasciandola da
una parte x% dei casi e dall’altra parte il rimanente (100 – x%).
I quantili si dicono quartili se dividono la distribuzione in 4 parti uguali, tali che:
il primo quartile lascia alla sinistra il 25% dei casi e alla sua destra il rimanente 75 % dei casi;
il secondo quartile, che coincide con la mediana lascia alla sua sinistra il 50% dei casi ed alla
destra il rimanente 50%; il terzo quartile lascia alla sua sinistra il 75% dei casi ed alla sua destra
il rimanente 25%.
1° quartile 2° quartile 3° quartile
__________|__________|___________|__________

Per calcolarli occorre:
1. Ordinare in senso crescente la distribuzione
2. Calcolare le frequenze cumulate
3. Calcolare la posizione del quartile con le seguenti formule:
1° quartile  pos Q1= ((n+1)/4) *1° quartile  pos Q2= ((n+1)/4) *2 3° quartile  pos Q3=
((n+1)/4) *3
posizione-Quartili
 Esempio
● Pos Q1=n+1/4*1= 101+1/4*1=101+1/4*1=25.5
● Corrisponde alla seconda posizione
Freq. F.cum.
1 10 10
2 21 31
3 20 51
1
4 26 77
5 20 97
6 4 101
101
posizione-Decili, centili o
percentili
 Esempio:
● Decili= nove punti che dividono la distrib. In 10 parti.
(pos D1= n+1/10*1;pos D3=n+1/10*3)
● Percentili= 99 punti che dividono la distrib. In 100 parti
(pos.P1= n+1/100*1)
dispersione o variabilità
 Definizione:
● Le medie facilitano la comprensione della frequenza dei
fenomeni collettivi. Per una più esatta conoscenza di
essi occorre però anche studiare la loro variabilità, cioè
la capacità di assumere differenti valori quantitativi in
un certo periodo di tempo, o in seguito all’influenza di
un altro o altri fenomeni.
Statistica descrittiva-Indici di dispersione o
variabilità-Campo variazione
 Campo di variazione
 E’ una misura della variabilità dei dati. Esso si ottiene dalla differenza
tra il valore massimo e quello minimo delle intensità di un fenomeno.
CV = XmaxXmin
 Ad esempio se le intensità di un dato fenomeno sono le seguenti:

29 24 20 28 22 22 23
 Il campo di variazione sarà:
29 – 20 = 9
variabilità-Differenza Interquartile
●Definizione
 Differenza interquartile: è un indice più robusto ai valori

anomali rispetto al campo di variazione.
 IQR=Q3Q1
dispersione o variabilità-Varianza
●Definizione
 Scostamento semplice medio (SSM)
è la differenza tra un singolo punteggio e il punteggio medio
 Devianza è la somma degli scarti elevati al quadrato di ciascun
punteggio dalla media
 Varianza: è la media dei quadrati degli scostamenti dalla media
di tutti i soggetti e indica la distanza media di ciascun soggetto
dalla media del campione.
 Si indica con s2.
 Scostamento quadratico medio o deviazione standard:
è la radice quadrata positiva della varianza
dispersione o variabilità-Varianza
●Esempio DATI MEDIA SCARTI
DALLA
SCARTI
QUADRATI
GREZZI MEDIA
1 4 7 3 9
2 5 7 2 4
3 6 7 1 1
4 7 7 0 0
5 8 7 1 1
6 9 7 2 4
7 10 7 3 9
49 0 28
variabilità-Deviazione Standard Calcolo
●Calcolo
 MEDIA= SX/N= 49/7=7
 DEVIANZA= sommatoria degli scarti al quadrato= 28
 VARIANZA= sommatoria degli scarti al quadrato/media=28/7=4
 DEVIAZIONE STANDARD=la radice quadrata positiva della
varianza= 2
Statistica descrittiva-Standardizzazione
delle misure
●Definizione naif
Per poter confrontare in maniera adeguata i punteggi ottenuti

da soggetti diversi in situazioni diverse, non possiamo
accontentarci di guardare il punteggio grezzo, ma dobbiamo
fare un confronto con dei punteggi, detti standardizzati, che
possano essere un riferimento generale.
delle misure
Per effettuare il confronto, si usano delle trasformazioniche
rendono confrontabili tra loro distribuzioni diverse.

2 tipi di trasformazioni:
● punti Z (in questo caso dobbiamo avere come riferimento la
media e la deviazione standard)
● percentili, decili, quartili (riferimento posizione nel gruppo)
Statistica descrittiva-
Standardizzazione delle misure-Z
 Formula Z transform
Xi − X
Zi =
s
Esempio
 Un bambino di 5 anni ha un punteggio 20 in test di lettura.
Tuttavia, possiamo domandarci: la posizione nel test del bambino di
5 anni è migliore rispetto al gruppo di 5 anni.
Confrontiamo il punteggio del bambino con la media del suo gruppo
(media=10;d.s.=5)
Otteniamo che: il bambino è migliore rispetto alla media della classe.
Standardizziamo il punteggio del bimbo (standardizzare una misura
significa riferire la misura stessa a una scala standard con media e
varianza note. La scala più comune è quella della standard o z che
ha la media 0 e varianza 1.
Esempio
 Tale trasformazione si ottiene trasformando
una serie di punteggi xi in punteggi zi con la
seguente formula:
X i − X 20 − 10
Zi = = =2
s 5
 Il bimbo sta 2 deviazioni standard sopra la
media.
 Se la media del suo gruppo fosse stata di 25:
20 − 25
Zb = = −1
 La prestazione del bimbo è inferiore alla 5
media del gruppo.
delle misure-Percentili
 Il percentile è il valore al di sotto del quale si trova una certa
percentuale di casi di una distribuzione.
 Esempio:il 94 percentile è il valore al di sotto del quale si trova il
94% dei casi di una distribuzione.
 Ad esempio si considera la distrib. delle medie dei voti
d’esame, il voto 29 corrisponde al 94° percentile della
distribuzione
delle misure-Percentili-Calcolo
 Il calcolo dei vari percentili è analogo a quello per il
calcolo della mediana, dividendo la numerosità totale
invece che per due, per il numero di classi che sono
individuate (10 per i decili, 100 per i centili, ecc.).
 Per i decili il primo decile sarà dato dal valore
corrispondente alla posizione n/10, il secondo dalla
posizione 2*n/10, il quinto da 5*n/10 (=nl2=Mediana),
…….
 il decimo da 10*n/10 (=n).
 Si esprime il punteggio di un soggetto in relazione alla posizione
occupata dal soggetto(So) nella distribuzione (cioè nel gruppo di cui
fa parte). In particolare, si calcola la sua posizione come se il
gruppo fosse formato da 100 soggetti(Ss).
 Procedura (simile alla mediana):
– si ordinano i Ss (da quello che ha preso il punteggio più
basso a quello che ha preso il punteggio più alto)
– si vede che posizione occupa il So (per es., è il 30° in
un distribuzione di 50 Ss)
– si vede che posizione il So occuperebbe se ci fossero
non 50 Ss ma 100 Ss.
– è logico pensare che se il So è 30° su 50 Ss sarebbe
60° su 100 Ss.
– si dice perciò che il So è al 60° percentile.
 In altre parole, si fa una proporzione:
30° : 50 = x : 100
x = 30/50 × 100 = 60°
 Il percentile indica perciò la percentuale di Ss che hanno avuto un
punteggio minore del So (e, per differenza, la percentuale di Ss che
hanno avuto un punteggio superiore).
 Un So è nel 25° percentile: significa che sotto di lui c’è il 25% dei
Ss e sopra di lui il 75%.
 Un soggetto al 50% percentile sta a metà.
Statistica Inferenziale
 La statistica inferenziale ha come obiettivo, invece, quello di

fare affermazioni, con una possibilità di errore controllata,
riguardo la natura teorica (la legge probabilistica) del fenomeno
che si osserva.
 La statistica inferenziale è fortemente legata alla teoria della

probabilità.
Probabilità
• La probabilità che si verifichi un certo evento è uguale alla
frequenza (relativa) con cui l’evento si verifica in un numero di
prove sufficientemente grande, ripetute nelle medesime
condizioni.
fA
P( A) = lim
n →∞ n
• P(A) è la probabilità di verificarsi un evento A
• Lim limite per n che tende all’infinito ∞ e indica un numero
molto grande
• fA frequenza con cui si è verificato l’evento A in un numero di
prove n
Probabilità-Posteriori
Probabilità a posteriori: è data dal rapporto tra i risultati
favorevoli e il totale delle prove effettuate, quando questo
numero diventa infinitamente grande. Il concetto di
probabilità a posteriori si riduce in definitiva a quello di
frequenza relativa di un fenomeno, quando il numero di
prove è finito (quella sopradetta).
Non è possibile definire la probabilità in base ad un’unica
prova ma le prove devono essere molte e ripetute.
Es: lanciando un dado 10 volte avremo la seguente
sequenza (4752928145) la probabilità di ottenere la faccia
5; basata sulla frequenza relativa in 10 lanci, è di 2/10=0.20
Probabilità-Teorica
Definizione: probabilità a priori o teorica: è il rapporto tra
numero di casi favorevoli al verificarsi di un evento ed il
totale degli eventi possibili, supposti equiprobabili.
Riprendendo il caso del lancio di un dado non truccato, la
probabilità dell'evento esce 6 è uguale a 1/6.
Probabilità-Concetti generali
Evento: uno dei possibili risultati di una prova; se la
prova consistesse nell’osservazione dell’esito del lancio
del dado, l’evento sarebbe la faccia 5.
La prob.di A si definisce con P(A), faccia 5.
Tutte le altre facce esclusa la 5 hanno la prob.P(non A)
P(A) +P(non A)= 1
La somma delle probabilità di tutti gli eventi è uguale a
1 (probabilità dell’evento certo)
Probabilità-Concetti generali-
Principio della somma
• La probabilità di verificarsi di due eventi mutualmente
escludentisi è uguale alla somma delle probabilità di
verificarsi dei singoli eventi:
P(A U B) = P (A) + P (B)
• La probabilità che lanciando un dado si
ottenga l’evento numero dispari (faccia 1,3,5) sarà
uguale: P1+P3+P5= 1/6+1/6+1/6=3/6= ½
Principio del prodotto
 Definizione:
Quando due eventi si verificano simultaneamente o in
successione :
P (A e B) = P (A) * P (B)
la probabilità di avere 2 con due dadi è data dalla prob.di
avere 1 con dado e 1 con l’altro.
P (s=2) = P (1) * P (1)= 1/6*1/6 = 1/36
La combinazione 1+ 1 è solo una dei 36 eventi possibili che
corrispondono ai 36 diversi modi possibili in cui si
possono combinare le 6 facce del primo dado con le 6
facce del secondo.
Probabilità condizionata
 Definizione:
Abbiamo trattato di eventi indip., quando invece si tratta di
eventi non indipen. Ossia quegli eventi che il verificarsi
dell’uno modifica la prob. del verificarsi dell’altro.
Ad esempio nel lotto l’aver estratto un numero (tra i 90
possibili) modifica la prob. di estrazione del numero
successivo (1/89)
P (A B) = P (A) * P (B/A)= P(B) P(A/B)
 P (∅) = 0;
 P (Ā) = 1 P(A), dove Ā è not A
 P (A U B)= P(A) +P(B) P(A∩B)
Tra due eventi A e B può sussistere una relazione per la
quale, sapendo che una prova ha generato un risultato
che appartiene a B, si è indotti a modificare la
valutazione del verificarsi di A. La probabilità dell'evento
B, dato che si è verificato l'evento A, è il rapporto fra la
probabilità del contemporaneo verificarsi di A e B e la
probabilità di A, se questa è diversa da zero.
P ( A ∩B )
P( A B) = ; P ( B ) >0
P( B)
P ( B ∩A)
P ( B A) = ; P ( A) >0
P ( A)
Probabilità-Distribuzione normale
 La Curva normale è la curva continua rappresentativa
delle distribuzioni che più frequentemente si incontrano in
statistica
 E’ simmetrica e unimodale. Media, moda e mediana
coincidono. I valori si addensano attorno alla media (il
94,5dei valori sono posizionati entro i due scarti quadrati
medi sopra e sotto la media.) Per descriverla bastano la
media e la d.s.
 Un solo valore appare con la frequenza massima, quella
centrale, e sono tanto meno frequenti quanto più si
allontanano dal valore centrale.
 Si applica a variab. Continue ossia che la funzione viene
definita su tutto l’asse dei numeri reali da ∞ a +∞ (sulle
ascisse si trovano tutti i valori di x e sulle ordinate le
frequenze di ciascun valore)
 La somma di tutte le prob. È uguale a 1
 Espressa dall’integrale:
+∞
ƒ ƒ(x)dx=1
∞
 Che esprime l’area racchiusa dalla distrib. a campana
1/2 .(Χμ)2/ σ2
 F(x)=1/σ√2π e
 F(x)=frequenza di un dato valore di x
 X=qualsiasi valore nella distribuzione
 μ=media della distribuzione
 σ=deviazione standard della distrib.
 π=3,1416
 e=2,7183(base dei logaritmi neperiani)
σ 2 µ sono media e varianza della popolazione
Probabilità-Distribuzione normale-
Esempio
 L’area sottesa nel punto x esprime qual’è la probababilità che
si presenti un valore inferiore o superiore a x. Per esempio
consideriamo una distribuzioni di voti all’esame, ci sono 20
possibilità che uno studente abbia una media superiore al 27,5
Probabilità-Distribuzione normale-
Esempio
 Vogliamo sapere qual è la prob. , in una distrib. di Q.I. µ = 100 σ = 10, di
ottenere un punteggio compreso tra 90 e 100:
X2=100
ƒ ƒ(x)dx=?
x1=90
 Trasformiamo i punti grezzi in punti z:
 Z1= xµ /σ = 90100/10= 1
 Z2= 100100/10=0
 L’integrale diventa: 0
 ƒ f(z)dz=?
 1
 L’area che ci interessa è l’area tra 0 e –1. Sulla tavola B troviamo l’area tra
0 e 1. Riga = I cifra decimale colonna= II cifra decimale
Z1=1 riga=1.0 col.=0 = .3413 la risposta che cercavamo
Probabilità-Distribuzione
binomiale
 Ad ogni evento si associa una prob. che assume una
distribuzione che si definisce in base all’evento. X= evento
e f(x) la sua distribuzione . In caso x assume 2 valori (testa
e croce), eventi indip.Se eseguiamo n prove avremo una
distrib. teorica definita binomiale.
 Equazione: f(x)= n C x p x q nx
 p= prob. che si verifichi l’evento
 Q= prob che non si verifichi l’evento
 n C x = numero dei modi in cui si possono combinare x
successi (nx) insuccessi in n prove
binomiale
 n C x
 Si definisce comb. di n oggetti a r a r , tutte le possibili
repliche che si costituiscono con n oggetti senza tener
conto dell’ordine degli oggetti stessi.
 La combinazione formula:
 n C x = { r}= n!/ r! (nr) !=
n
 Il punto ! Si legge fattoriale e indica tutta la serie di numeri
naturali.
 Per es n=4 n!= 4= 4*3*2*1=24
 4C 2 = { 2}= 4!/ 2!(42)!= 4*3*2*1/ (2*1) (2*1)=6
4
binomiale
 La distribuzione Binomiale si applica in caso di variab.

Discrete e dicotomiche.
 È simmetrica se la prob, di verificarsi l’evento è p=0.50
 p≠ 0.50 non è asimmetrica
 Per la variabili continue si utilizza la distribuzione
normale.
Verifica delle ipotesi
 La popolazione: l’insieme degli elementi a cui si rivolge il
ricercatore per la sua indagine.
 Campione: un sottoinsieme della popolazione che ha tutte le
caratteristiche della popolazione da cui proviene (campione
rappresentativo)
 Quando si lavora con dati del campione si ricorre alla stima dei
parametri (che non sono altro che media, varianza, etc.)
perché non si conosce la distribuzione della popolazione da
cui i soggetti provengono. Per ottenere queste informazioni si
utilizzano i parametri del campione.
Verifica delle ipotesi-
Campionamento
 Il campionamento casuale corrisponde ad un'estrazione da
una popolazione di un determinato numero di individui/oggetti.
Il campionamento casuale può essere:
● Con reinserimento: se ogni elemento estratto viene

reinserito all’interno della popolazione nella quale può
essere di nuovo estratto (in questo caso la popolazione
rimane la stessa) ;
● Senza reinserimento: la popolazione cambia ad ogni

estrazione e con essa la probabilità che ciascun elemento
ha di essere estratto.
Verifica delle ipotesi-Parametri
indicatori
 Il Parametro di una popolazione è la caratteristica oggetto d’esame nella
popolazione.
 Indicatore o statistica sintetizza la caratteristica oggetto d’esame nel
campione estratto casualmente dalla popolazione che ci interessa .
 Es Una volta determinata l’ampiezza n del campione, restano definite n
variabili casuali X1, ognuna delle quali rappresenta l’iesima estrazione,
che, a sua volta, è suscettibile di assumere il valore x1.
 Una volta effettuato il campionamento si avranno a disposizione n valori
per le n variabili casuali e la media di quel determinato campione sarà
data dalla media dei valori assunti dalla variabile casuale.(indicatore più
diffuso)
 Questa media non è altro che uno dei possibili valori che può assumere la
variabile casuale, detta media del campione o media campionaria.
indicatori-Distribuzione campionaria
della media
 Distribuzione campionaria della media: esempio di distribuzione
campionaria NOTA (che quindi ha media, varianza e deviazione standard
note)
 Si chiama ERRORE STANDARD la deviazione standard delle

distribuzioni campionarie.
 Proprietà dei parametri della distribuzione campionaria delle medie
 La media delle medie del campione coincide con la media della
popolazione dalla quale i campioni sono estratti.Anche se la media della
distribuzione campionaria è uguale alla media della popolazione non è
detto che la forma sia identica; ciò riguarda l’ampiezza del campione:
aumentando l’ampiezza dei campioni aumenta la media di ciascuno di essi
diventando una stima più precisa della popolazione
indicatori-Distribuzione campionaria
della media
 Esiste una relazione tra la variabilità della distribuzione

campionaria delle medie, la variabilità della popolazione (σ 2) e
l’ampiezza del campione (n). Tale relazione si esprime con:
Var. (x) = σ2 /n ovvero σ 2 x = σ2 /n
 All’aumentare di n la variabilità (o varianza) della distribuzione
campionaria delle medie diminuisce fino a tendere a zero (per
la legge dei grandi numeri)
Verifica delle ipotesi-Esempio
 Compito del ricercatore è quello di controllare se l’ipotesi

formulata è da considerare verificata o meno. Significa
prendere una decisione.
 Dopo aver estratto un campione,dopo aver sintetizzato i dati
con un adeguato indicatore,si può considerare verificata
l’ipotesi? O il valore ottenuto sul campione è suff. vicino al
valore atteso in funzione dell’ipotesi?
 Il problema diventa un problema di distanza tra il valore
ottenuto e il valore atteso:tale distanza può essere dovuta:
 Al caso l’ipotesi nulla è vera
 Non al caso l’ipotesi nulla è falsa
 In quest’ultimo caso si può formulare un ipotesi alternativa

quando si può dubitare dell’ipotesi nulla
 Es: un ricercatore vuole sapere se topi affamati vanno sempre
nel braccio sinistro di un labirinto a 2 vie, anche in assenza di
cibo.
 Ipot. Nulla: i topi sceglieranno in egual misura il braccio sinistro
e quello destra (H0: p=.50)
 Ip. Alter.:i topi scelgono il braccio sinistro in un numero
maggiore rispetto a quello destro che ci si potrebbe aspettare
dal caso (H1>.50)
 Supponiamo di aver estratto un campione di 10 topi: ci
attendiamo che i topi scelgono il braccio sinistro:
 μ0 =np= 10*.05= 5
 Nel caso in cui l’ipot. Nulla sia vera.
 Effettuato l’esperimento i topi scelgono 6 volte il braccio
sinistro.
 Sulle tavole della distribuzione binomiale
 Leggiamo la prob. di un risultato di 6 con n=10 p=.50
otteniamo .20508 ossia una prob. del 20% di ottenere risultato
6. Per convenzione si sceglie con probabilità critica (α ) quella
pari al 5% (.05)
 Tutti i risultati che hanno prob. Di verificarsi minori di tale livello
sono considerati significativi ossia si accetta l’ipot. Alternativa.
 Il risultato 6 che corrisponde a una prob. 20% è superiore al

5%. Accettiamo l’ipot. Nulla.
Verifica delle ipotesi-Esempio-
Regione Critica
I livelli di probabilità adottati sono 0,05 0,01 e 0,001,

generalmente indicati α e detti livelli di significatività. Essi
determinano la regione di rifiuto per l'ipotesi nulla.
Verifica delle ipotesi-Errori
 Si individuano due tipi di errori
● rifiutare H0 quando è vera, errore di primo tipo
● accettare H0 quando è falsa, errore di secondo tipo
 I livelli di di probabilità critica α= .050,.01, .001 significa

rischiare di sbagliare rifiutando l’ipot. Nulla 5 volte su 100, 1
volta su 100, 1 volta su 1000. Nell’ultimo caso l’errore è
minimo anche se esiste la possibilità di accettare l’ipot.nulla
quando è vera l’ipot. Alternativa (errore di 2 tipo).
Verifica delle ipotesi-Errori-Livelli
di probabilità
 si Chiamiamo β la prob.di accettare l’ipotesi nulla quando è

vera H1;
● 1β si accetta H1 quando è vera (decisione corretta)
● 1α si accetta Ho quando è vera (decisione corretta)
 α si accetta Ho quando è falsa
 La quantità 1β si chiama potenza del test ed esprime quindi la
capacità di un test statistico riconoscere la falsità di H0 quando
questa è effettivamente falsa.
 TRYSTORMING…
Just do it !!!
Termine seminario
Studiare
Esercitarsi
Rilassarsi

Seminario Psicometria I

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Seminario Psicometria I

Загружено:

Авторское право:

Доступные форматы

Università degli Studi

Facoltà di Scienze Psicologiche

 L'osservazione dei fenomeni mediante opportuni

 Unità statistica : elemento base della popolazione sul

 Carattere : elemento che descrive una

● Scala ordinale (ordinamento secondo una specifica

Variabili quantitative Punteggio Dati

 Nel caso di distribuzione in classi: in ascissa vengono

● Il poligono di frequenza si utilizza quando il ricercatore è

● Il 15 si presenta più frequentemente, quindi è il valore

 Differenza interquartile: è un indice più robusto ai valori

Per poter confrontare in maniera adeguata i punteggi ottenuti

 La statistica inferenziale ha come obiettivo, invece, quello di

 La statistica inferenziale è fortemente legata alla teoria della

 La distribuzione Binomiale si applica in caso di variab.

● Con reinserimento: se ogni elemento estratto viene

● Senza reinserimento: la popolazione cambia ad ogni

 Si chiama ERRORE STANDARD la deviazione standard delle

 Esiste una relazione tra la variabilità della distribuzione

 Compito del ricercatore è quello di controllare se l’ipotesi

 In quest’ultimo caso si può formulare un ipotesi alternativa

 Il risultato 6 che corrisponde a una prob. 20% è superiore al

I livelli di probabilità adottati sono 0,05 0,01 e 0,001,

 I livelli di di probabilità critica α= .050,.01, .001 significa

 si Chiamiamo β la prob.di accettare l’ipotesi nulla quando è

Вам также может понравиться