Sei sulla pagina 1di 1

Stock/Watson – Introduzione all’econometria – 4a edizione – Risposte alle domande di verifica dei concetti

_________________________________________________________________________________ 1

Capitolo 2 – Risposte alle domande di verifica dei concetti


2.1 Questi esiti sono casuali perché non sono noti con certezza fino a quando
non si verificano. Non si conosce con certezza il genere della prossima
persona che si incontrerà, né il tempo necessario per arrivare a scuola, e
così via.
2.2 Se X e Y sono indipendenti, allora Pr(Y ≤ y | X = x) = Pr(Y ≤ y) per tutti i
valori di y e x. In altre parole, indipendenza significa che le distribuzioni
condizionata e marginale di Y sono identiche e che, perciò, la conoscenza
del valore di X non cambia la distribuzione di probabilità di Y: la conoscenza
del valore di X non rivela nulla sulla probabilità con cui Y assume i diversi
valori.
2.3 Sebbene non vi sia in apparenza alcun nesso causale tra la pioggia e il
numero di bambini nati, la pioggia può comunque dare indicazioni circa il
numero dei nati. La quantità di pioggia rivela qualcosa sulla stagione, e le
nascite seguono un ciclo stagionale. Perciò, la quantità di pioggia fornisce
indicazioni sul mese, che a sua volta fornisce indicazioni sul numero di
bambini nati. La quantità di pioggia e il numero di bambini nati, quindi,
non sono distribuiti indipendentemente.
2.4 È improbabile che il peso medio di quattro studenti scelti a caso sia
esattamente 65 kg. Differenti gruppi di quattro studenti avranno pesi medi
differenti, a volte superiori a 65 kg, a volte inferiori. Dato che gli studenti
sono scelti a caso, anche il loro peso medio è casuale.
2.5 Tutte le distribuzioni avranno una forma normale e saranno centrate su 1, la
media di Y. Avranno però dispersioni differenti perché hanno varianze
differenti. La varianza di Y è 4/n, quindi si riduce al crescere di n. Nei
diagrammi, quando n = 2 la dispersione della densità normale dovrebbe
essere maggiore rispetto a quando n = 100. Quando n è molto grande la
varianza si avvicina a zero e la densità normale si riduce attorno alla media
di Y. In altre parole, la distribuzione di Y diventa fortemente concentrata
attorno a m Y al crescere di n (la probabilità che Y sia vicina a m Y tende a 1),
il che corrisponde a quanto affermato dalla legge dei grandi numeri.
2.6 L’approssimazione normale non sembra buona quando n = 5 ma sembra
buona per n = 25 e n = 100. Quindi Pr( Y ≤ 0,1) è approssimativamente
uguale al valore calcolato con l’approssimazione normale quando n è 25 o
100 ma non è ben approssimato dalla distribuzione normale quando n = 5.
2.7 La distribuzione di probabilità appare come nella Figura 2.3b ma con una
maggiore massa concentrata nelle code. Poiché la distribuzione è simmetrica
attorno a m Y = 0, Pr(Y > c) = Pr(Y < c), e data la massa significativa nelle
code della distribuzione, Pr(Y >c) rimane significativamente maggiore di
zero anche per grandi valori di c.