Man mano che la tecnologia diventa sempre pi\u00f9 presente nella nostra vita quotidiana, vengono generati e raccolti pi\u00f9 dati che mai nella storia umana.<\/span><\/p>\n La statistica \u00e8 l’area che pu\u00f2 aiutarci a capire come utilizzare questi dati per eseguire le seguenti attivit\u00e0:<\/span><\/p>\n In questo articolo condividiamo 10 ragioni per cui il campo della statistica \u00e8 cos\u00ec importante nella vita moderna.<\/span><\/p>\n Le statistiche descrittive<\/a> vengono utilizzate per descrivere un dato grezzo. Esistono tre tipi principali di statistiche descrittive:<\/span><\/p>\n Ciascuno di questi elementi pu\u00f2 aiutarci a comprendere meglio i dati esistenti.<\/span><\/p>\n Ad esempio, supponiamo di avere un set di dati grezzi che mostra i punteggi dei test di 10.000 studenti in una determinata citt\u00e0. Possiamo utilizzare le statistiche descrittive per:<\/span><\/p>\n Utilizzando la statistica descrittiva, possiamo comprendere i punteggi dei test degli studenti molto pi\u00f9 facilmente che guardando semplicemente i dati grezzi.<\/span><\/p>\n Sempre pi\u00f9 elementi grafici vengono generati in giornali, media, articoli online e riviste.<\/span> Sfortunatamente, i grafici possono spesso essere fuorvianti se non si comprendono i dati sottostanti.<\/span><\/p>\n Ad esempio, supponiamo che una rivista pubblichi uno studio che trova una correlazione negativa tra i punteggi GPA e ACT degli studenti di una determinata universit\u00e0.<\/span><\/p>\n Tuttavia, questa correlazione negativa si verifica solo perch\u00e9 gli studenti che hanno sia<\/em> un punteggio GPA che ACT elevato sono in grado di frequentare un’universit\u00e0 d’\u00e9lite, mentre gli studenti che hanno sia<\/em> un punteggio GPA che ACT basso non sono ammessi affatto.<\/span> <\/p>\n Sebbene la correlazione tra ACT e GPA sia positiva nella popolazione, la correlazione appare negativa nel campione.<\/span><\/p>\n Questo particolare pregiudizio \u00e8 noto come pregiudizio di Berkson<\/a> . Essendo consapevoli di questo pregiudizio, puoi evitare di essere fuorviato da alcuni grafici.<\/span><\/p>\n Un concetto importante che imparerai in statistica \u00e8 il concetto di variabili confuse<\/a> .<\/span><\/p>\n Si tratta di variabili che non vengono prese in considerazione e che possono confondere<\/em> i risultati di un esperimento e portare a conclusioni inaffidabili.<\/span><\/p>\n Ad esempio, supponiamo che un ricercatore raccolga dati sulle vendite di gelati e sugli attacchi di squali e scopra che le due variabili sono altamente correlate. Ci\u00f2 significa che l\u2019aumento delle vendite di gelati sta causando pi\u00f9 attacchi di squali?<\/span><\/p>\n E ‘improbabile. La causa pi\u00f9 probabile \u00e8 la confusa temperatura<\/strong> variabile. Quando fuori fa pi\u00f9 caldo, pi\u00f9 persone acquistano il gelato e pi\u00f9 persone vanno al mare.<\/span> <\/p>\n Uno dei sottocampi pi\u00f9 importanti della statistica \u00e8 la probabilit\u00e0<\/strong> . \u00c8 il campo che studia la probabilit\u00e0 che si verifichino gli eventi.<\/span><\/p>\n Avendo una conoscenza di base della probabilit\u00e0, puoi prendere decisioni pi\u00f9 informate nel mondo reale.<\/span><\/p>\n Ad esempio, supponiamo che uno studente delle scuole superiori sappia di avere una probabilit\u00e0 del 10% di essere accettato in una determinata universit\u00e0. Utilizzando la formula per la probabilit\u00e0 di superare “almeno una”<\/a> , questo studente pu\u00f2 trovare la probabilit\u00e0 di essere accettato in almeno un’universit\u00e0 alla quale si candida e pu\u00f2 adeguare in base al risultato il numero di universit\u00e0 a cui si candida.<\/span><\/p>\n Un altro concetto importante che imparerai nelle statistiche sono i valori p<\/a> .<\/span><\/p>\n La definizione classica di valore p \u00e8:<\/span><\/p>\n Un valore p<\/strong> \u00e8 la probabilit\u00e0 di osservare una statistica campionaria estrema almeno quanto la statistica campione, dato che l’ipotesi nulla \u00e8 vera.<\/span><\/p>\n<\/blockquote>\n Ad esempio, supponiamo che una fabbrica affermi di produrre pneumatici con un peso medio di 200 libbre. Un revisore ipotizza che il peso medio effettivo degli pneumatici prodotti in questo stabilimento sia diverso di 200 libbre. Quindi esegue un test di ipotesi e scopre che il valore p del test \u00e8 0,04.<\/span><\/p>\n Ecco come interpretare questo valore p:<\/span><\/p>\n Se la fabbrica produce effettivamente pneumatici con un peso medio di 200 libbre, il 4% di tutti gli audit otterr\u00e0 l’effetto osservato nel campione, o pi\u00f9, a causa di un errore di campionamento casuale. Questo ci dice che ottenere i dati campione ottenuti dal revisore sarebbe piuttosto raro se la fabbrica producesse effettivamente pneumatici con un peso medio di 200 libbre.<\/span><\/p>\n Pertanto, il revisore probabilmente rifiuterebbe l\u2019ipotesi nulla secondo cui il peso medio effettivo degli pneumatici prodotti in questo stabilimento \u00e8 effettivamente di 200 libbre.<\/span><\/p>\n Un altro concetto importante che imparerai in statistica \u00e8 la correlazione<\/a> , che ci dice l’associazione lineare tra due variabili.<\/span><\/p>\n Il valore di un coefficiente di correlazione \u00e8 sempre compreso tra -1 e 1 dove:<\/span><\/p>\n Comprendendo questi valori, puoi comprendere la relazione tra le variabili nel mondo reale.<\/span><\/p>\n Ad esempio, se la correlazione tra la spesa pubblicitaria e le entrate \u00e8 0,87, allora puoi capire che esiste una forte relazione positiva tra le due variabili. Man mano che spendi pi\u00f9 soldi in pubblicit\u00e0, puoi aspettarti un aumento prevedibile delle entrate.<\/span><\/p>\n Un altro motivo importante per apprendere la statistica \u00e8 comprendere modelli di regressione di base come:<\/span><\/p>\n Ciascuno di questi modelli consente di effettuare previsioni sul valore futuro di una variabile di risposta<\/a> in base al valore di determinate variabili predittive nel modello.<\/span><\/p>\n Ad esempio, le aziende utilizzano continuamente pi\u00f9 modelli di regressione lineare nel mondo reale quando utilizzano variabili predittive come et\u00e0, reddito, etnia, ecc. per prevedere quanti clienti spenderanno nei loro negozi.<\/span><\/p>\n Allo stesso modo, le societ\u00e0 di logistica utilizzano variabili predittive come la domanda totale, la dimensione della popolazione, ecc. per prevedere le vendite future.<\/span><\/p>\n Indipendentemente dal campo in cui lavori, ci sono buone probabilit\u00e0 che i modelli di regressione vengano utilizzati per prevedere un fenomeno futuro.<\/span><\/p>\n Un altro motivo per studiare la statistica \u00e8 essere consapevoli di tutti i diversi tipi di pregiudizi che possono sorgere negli studi del mondo reale.<\/span><\/p>\n Ecco alcuni esempi:<\/span><\/p>\n Avendo una conoscenza di base di questi tipi di pregiudizi, puoi evitare di commetterli quando conduci ricerche o esserne consapevole quando leggi altri documenti o studi di ricerca.<\/span><\/p>\n Molti test statistici fanno ipotesi sui dati sottostanti studiati.<\/span><\/p>\n Quando si leggono i risultati di uno studio o si conduce il proprio studio, \u00e8 importante capire quali ipotesi \u00e8 necessario fare affinch\u00e9 i risultati siano affidabili.<\/span><\/p>\n I seguenti articoli condividono le ipotesi formulate in molti test e procedure statistici comunemente utilizzati:<\/span><\/p>\n Un altro motivo per studiare la statistica \u00e8 comprendere il concetto di ipergeneralizzazione<\/strong> .<\/span><\/p>\n Ci\u00f2 si verifica quando gli individui che partecipano ad uno studio non sono rappresentativi<\/a> degli individui della popolazione complessiva e pertanto non \u00e8 appropriato generalizzare i risultati di uno studio all\u2019intera popolazione.<\/span><\/p>\n Ad esempio, supponiamo di voler sapere quale percentuale di studenti di una determinata scuola preferisce il “dramma” come genere cinematografico preferito. Se la popolazione studentesca totale \u00e8 un mix di 50% ragazzi e 50% ragazze, allora un campione composto da 90% ragazzi e 10% ragazze potrebbe portare a risultati distorti se un numero significativamente inferiore di ragazzi preferisce il teatro come genere preferito.<\/span><\/p>\n Idealmente, vogliamo che il nostro campione assomigli ad una \u201cmini-versione\u201d della nostra popolazione. Pertanto, se la popolazione studentesca complessiva fosse composta per il 50% da ragazze e per il 50% da ragazzi, il nostro campione non sarebbe rappresentativo se includesse il 90% di ragazzi e solo il 10% di ragazze.<\/span> <\/p>\n Pertanto, sia che tu stia conducendo la tua indagine o leggendo i risultati di un sondaggio, \u00e8 importante capire se i dati del campione sono rappresentativi della popolazione totale e se i risultati dell\u2019indagine possono essere generalizzati con sicurezza alla popolazione.<\/span><\/p>\n Consulta i seguenti articoli per acquisire una conoscenza di base dei concetti pi\u00f9 importanti delle statistiche introduttive:<\/span><\/p>\n Statistica descrittiva o inferenziale<\/a> Il campo della statistica riguarda la raccolta, l’analisi, l’interpretazione e la presentazione dei dati. Man mano che la tecnologia diventa sempre pi\u00f9 presente nella nostra vita quotidiana, vengono generati e raccolti pi\u00f9 dati che mai nella storia umana. La statistica \u00e8 l’area che pu\u00f2 aiutarci a capire come utilizzare questi dati per eseguire le seguenti […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Motivo 1: utilizzare le statistiche descrittive per comprendere il mondo<\/strong><\/span><\/h3>\n
\n
\n
Motivo 2: attenzione alla grafica fuorviante<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/berkson6.png\")
<\/p>\n Motivo 3: diffidare delle variabili confuse<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/confondre4.png\")
<\/p>\n Motivo 4: prendere decisioni migliori utilizzando le probabilit\u00e0<\/strong><\/span><\/h3>\n
Motivo 5: comprendere i valori P nella ricerca<\/strong><\/span><\/h3>\n
\n
Motivo 6: comprendere la correlazione<\/strong><\/span><\/h3>\n
\n
Motivo 7: fare previsioni sul futuro<\/strong><\/span><\/h3>\n
\n
Motivo 8: comprendere i potenziali bias negli studi<\/strong><\/span><\/h3>\n
\n
Motivo 9: comprendere le ipotesi formulate dai test statistici<\/strong><\/span><\/h3>\n
\n
Motivo 10: evitare un’eccessiva generalizzazione<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rep_sample1.jpg\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Popolazione vs. campione<\/a>
Statistiche vs parametri<\/a>
Variabili qualitative e quantitative<\/a>
Livelli di misura: nominale, ordinale, intervallo e rapporto<\/p>\n","protected":false},"excerpt":{"rendered":"