Notes on Statistical Concepts and Principles

STATISTICA DESCRITTIVA E INFERENZIALE

Introduzione alla Statistica Descrittiva

La statistica descrittiva è utilizzata per riassumere e descrivere un insieme di dati raccolti in uno studio di ricerca. Essa fornisce informazioni sul contenuto e sulle caratteristiche del dataset attraverso misure come media, mediana, moda e deviazione standard.

Statistica Inferenziale

La statistica inferenziale, al contrario, è usata per trarre conclusioni e fare inferenze basate sui dati di ricerca. Essa si riferisce all'osservazione di un campione che possiede caratteristiche di una popolazione. Si basa su metodi probabilistici e consente di elaborare conclusioni no definite, rendendo possibile il calcolo della probabilità di tali inferenze.

Modelli Statistici

Il modello statistico nasce come uno strumento per semplificare la comprensione delle relazioni che si instaurano tra le variabili. Le variabili studiate possono essere sia quantitative che qualitative.

Variabile e Valore

Una variabile è una caratteristica o una condizione che può variare tra i soggetti in un campione. Ad esempio, una variabile può avere diversi valori o punteggi associati ad essa, riflettendo le diverse condizioni o categorie dei soggetti esaminati.

Inferenza Statistica

L'inferenza statistica comporta l'uso di metodi basati sulla teoria della probabilità per formulare conclusioni sulla variabile associata a determinate caratteristiche della popolazione. Tuttavia, non è mai possibile raggiungere una certezza assoluta; le conclusioni sono sempre formulate su base probabilistica.

Ipotesi Null e Alternativa

Ipotesi Nulla (H₀)

L'ipotesi nulla è quella che il ricercatore va a verificare per determinare se può essere accettata o respinta. Essa rappresenta la posizione di default secondo cui non c'è effetto o differenza.

Ipotesi Alternativa (H₁)

L'ipotesi alternativa è contraria all'ipotesi nulla ed indica che si prevede l'esistenza di un effetto o di una differenza. Essa può essere semplice o composta, a seconda che si fissi un unico valore o diversi valori per il parametro in esame.

Regione Critica e Errori

La regione critica è un range di valori nel quale si sarà più inclini a rifiutare l'ipotesi nulla. Due categorie di errori possono presentarsi:

  1. Errore Tipo I (α): Rifiutare un'ipotesi nulla vera.
  2. Errore Tipo II (β): Accettare un'ipotesi nulla falsa.
Fenomeno Casuale e Spazio Campionario

Un fenomeno casuale può generare risultati altamente improbabili se l'ipotesi nulla è vera. Lo spazio campionario è l'insieme di tutti i risultati possibili per un fenomeno casuale. Una variabile casuale $X$ è definita come una funzione dello spazio campionario $S$ sul campo reale $R$.

Variabili Casuali

Variabile Casuale Discreta

Una variabile casuale discreta ha un rango costituito da un insieme finito di valori.
Esempi includono il lancio di un dado o il lancio di una moneta.

Variabile Casuale Continua

Una variabile casuale continua ha un rango composto da un insieme infinito di numeri reali contenuti in un intervallo $(a, b)$. Esempi possono includere il tempo di vita di un farmaco.

Funzione di Probabilità

Una funzione di probabilità assegnata a una variabile casuale deve rispettare i seguenti criteri:

  1. Non negatività: La probabilità di ogni valore deve essere $ ext{P}(X = x)
    e 0$.
  2. La somma totale delle probabilità deve essere 1, quindi:
    extP(X=x1)+extP(X=x2)+…+extP(X=xn)=1ext{P}(X = x_1) + ext{P}(X = x_2) + … + ext{P}(X = x_n) = 1

Funzione di Probabilità per Variabili Continue

Se una variabile casuale continua ha $R$ come insieme dei numeri reali, la sua funzione di probabilità deve soddisfare:

  1. Non negatività: $f(x)
    e 0$
  2. Area totale sotto la curva è uguale a 1:
    ext{Area} = ext{P}(a < X < b) = ext{Integrale} f(x) dx = 1
Distribuzioni di Probabilità

Alcune distribuzioni specifiche menzionate comprendono:

  • Distribuzione Binomiale
  • Distribuzione Normale
  • Distribuzione Chi-Quadrato
  • Distribuzione F di Snedecor
  • Distribuzione T di Student

Distribuzione Normale

La distribuzione normale è caratterizzata da una funzione di probabilità specificata da una legge matematica che è simmetrica e asintotica all'asse delle ascisse. I punti di flesso si trovano ai valori $ ext{μ} - ext{σ}$ e $ ext{μ} + ext{σ}$.
La variabile casuale continua può essere normalizzata tramite il punteggio z:
Z=x−extμextσZ = \frac{x - ext{μ}}{ ext{σ}}
Dove $ ext{μ}$ è la media e $ ext{σ}$ è la deviazione standard di quella distribuzione. Le tavole statistiche aiutano a calcolare le aree sotto la curva normale per determinati punteggi.

Distribuzione Campionaria

La distribuzione campionaria di una statistica, ad esempio la media, è una funzione di probabilità il cui dominio è costituito dai valori che la statistica può assumere. La media della distribuzione campionaria per la media sarà uguale alla media della popolazione e la varianza della distribuzione campionaria è uguale alla varianza della popolazione divisa per la dimensione del campione, che porta al concetto di errore standard.

Inferenza Statistica

Test Statistici e Decisioni

I test statistici possono essere classificati in vari tipi a seconda del confronto effettuato:

  • Test Univariati (es. t-test per campioni singoli)
  • Test Bivariati (es. t-test per campioni indipendenti)
  • ANOVA per confrontare più di due gruppi.
Errori nelle Decisioni Statistiche

Due tipi di errore sono discussi:

  1. Rifiutare un’ipotesi nulla vera.
  2. Accettare un’ipotesi nulla falsa.

Conclusione

La statistica è fondamentale per interpretare dati e fare inferenze basate su campioni, comprendendo le variabili e la loro distribuzione attraverso modelli matematici.