Svantaggi: Inferenza:

-considerare solo la parte procedimento

Vantaggi: mediante cui Errore di copertura: si
interessata della popolazione verifica se certi gruppi di
-meno costosa rispetto allo dall’analisi dei
per lo studio soggetti non risultano
studio sull’intera popolazione campioni si perviene a
Induzione : -complesso sul piano teorico conclusione relative inclusi nella lista.
-più facilitato a gestire solo
-si commettono errori di stima
-Passa dal particolare al alcune unità statistiche alla popolazione
Errore di mancata risposta:
-determinazione del numero
generale delle unità si verifica quando non si
-tipica della disciplina riesce a rilevare le
informazioni su tutto il
scientifiche campione
-si ottengono conclusioni
incerte Errore di misurazione: si
riferisce ad inaccuratezze
nella fase di intervista o
Errori di stima rilevazione dei dati ,

Errori non campionari

Deduzione:
-Passa dal generale al
particolare
-tipica della logica e della
matematica
-si ottengono conclusioni
certe
• Si ha per definizione quando ogni unità della
• Campione scelto sulle tematiche Campion popolazione ha la stessa probabilità di essere inclusa
Campione
a scelta affrontate e casuale nella popolazione. Può essere con o senza ripetizione.
semplice
razionata

• Campioni ottenuti tramite

Campione Campione • Soggetti scelto secondo un certo sistema.
di interviste sistematic
comodo o

Campion
• Campioni raggruppate in strati secondo caratteristiche
• Campioni ottenute dalle indagini e comuni
Campione con la presenza di un vincolo stratifica
per quote to

Campione • I campioni vengono divisi per gruppo

a
grappolo

Ciardi Davide
 Con ripetizione Campionamento casuale Senza ripetizione
o bernoulliano(una volta o in blocco(una volta
effettuato l’estrazione
semplice estratta l’unità statistica
dell’unità la si (tutte le unità della popolazione hanno non viene rnserita
reintroduce invariando uguale probabilità di far parte della nell’urna)
campione, ed ogni campione deve avere la CN,n=N!/n!(N-n)!
così la popolazione) stessa probabilità di essere formato) campioni
DN,n=Nn campioni

Teorema del limite centrale (TLC)

Media della La distribuzione delle medie Media della

popolazione campionarie segue, grosso popolazione
coincide con il modo, la distribuzione coincide con il
valore medio della normale valore medio della
media campionaria media campionaria
X X
M(X)=M M(X)=M

La media delle medie

campionarie è, grosso modo,
uguale al valore medio della
popolazione

La varianza X è pari
alla ennesima parte
La varianza X è della varianza della
uguale alla popolazione
L’errore standard è pari allo
ennesima parte moltiplicato per il
scarto quadratico medio della
della varianza della fattore di
popolazione diviso la radice
popolazione correzione
quadrata della dimensione del
Var(X)=σ2/n Var(X)=
campione
2
(σ /n)*(N-n/N-1)
SE= σ/ √n
 Parametro della popolazione: è il valore
caratteristico della popolazione (theta)
Stima e Stimatore
Del Lo stimatore: è una funzione delle
variabili aleatorie del campione
Campionamento
Stima: è il numero reale che si ottiene
dalla funzione (stimatore).
Caratteristiche
stimatore:
• Uno stimatore è consistente quando la probabilità
che esso fornisca una stima vicina al parametro
Consistenza della popolazione cresce al crescere della
dimensione del campione n,
lim Tn->0
n->oo

• Uno stimatore è corretto quando

Correttezza p,prelevati dalla popolazione più campioni
di uguale dimensione , la media delle stime
ricavate dai campioni è uguale al
parametro considerato

• A parità di dimensione del campione e di

Efficienza correttezza degli stimatore, fra due stimatori è più
efficiente quello la cui distribuzione campionaria
presenta varianza minore

• Uno stimatore è sufficiente quando

Sufficienza riassume tutte le informazioni circa il
parametro contenute nel campione