Professional Documents
Culture Documents
α
possiamo affermare che P (Z ≥ z α2 ) = 2 ed, equivalente-
1
mente, P (Z < −z α2 ) = α2 . Allo stesso modo
X̄−µ
P (−z α2 ≤ Z ≤ z α2 ) = 1 − α. Ora, sostituendo a Z = √
σ/ n
si
ottiene:
X̄ − µ
P (−z α2 ≤ Z ≤ z α2 ) = P (−z α2 ≤ √ ≤ z α2 ) =
σ/ n
σ σ
= P (X̄ − z α2 √ ≤ µ ≤ X̄ + z α2 √ ) =
n n
= 1−α
Abbiamo quindi trovato un intervallo per il parametro di popo-
lazione µ. Diremo che la probabilità che µ sia compreso tra
X̄ − z α2 √σn e X̄ + z α2 √σn è uguale a 1 − α.
Conoscendo la media campionaria, la varianza di popolazione
e la numerosità campionaria posso costruire un intervallo nel
quale, con un certo grado di probabilità o di confidenza, è
compreso il parametro di popolazione.
Esempio.
Sia x̄1 = 2.5 la media del carattere X nel campione casuale 1
di numerosità n = 10. Supponiamo che la varianza di popo-
lazione sia pari a σ 2 = 4.
Costruiamo l’intervallo di confidenza per µ per un livello di
significatività α = 0.05. Dalle tavole sappiamo che z α2 =
1.96 e −z α2 = −1.96.
L’intervallo di confidenza è allora:
σ σ
P (x̄ − z α2 √ ≤ µ ≤ x̄ + z α2 √ ) =
n n
2 2
= P (2.5 − 1.96 · √ ≤ µ ≤ 2.5 + 1.96 · √ ) =
10 10
= P (1.26 ≤ µ ≤ 3.74) = 0.95
Diremo quindi che, al 95%, la media di popolazione è com-
presa nell’intervallo (1.26, 3.74).
Se osserviamo, poi, un secondo campione di media x̄2 = 3.5
2
e stessa numerosità, l’intervallo di confidenza è pari a:
2 2
P (3.5 − 1.96 · √ ≤ µ ≤ 3.5 + 1.96 · √ ) =
10 10
= P (2.26 ≤ µ ≤ 4.74) = 0.95
Diremo quindi che, al 95%, la media di popolazione è com-
presa nell’intervallo (2.26, 4.74).
Infine supponiamo di osservare un terzo campione di media
x̄3 = 1.5 e stessa numerosità, l’intervallo di confidenza è pari
a:
2 2
P (1.5 − 1.96 · √ ≤ µ ≤ 1.5 + 1.96 · √ ) =
10 10
= P (0.26 ≤ µ ≤ 2.74) = 0.95
Al 95%, la media di popolazione è compresa nell’intervallo
(0.26, 2.74).
L’intervallo di confidenza ha sempre la stessa ampiezza, poiché
essa dipende da σ , da n e da z α2 che in questo caso sono costan-
ti. Evidentemente al variare del valore della media campionar-
ia osservata, varia anche l’intervallo. L’intervallo si restringe
se cresce n o se diminuisce σ , mentre invece diventa più am-
pio se si fissa un α più piccolo.
Nella figura successiva è riportato il grafico della distribuzione
di X̄ nell’universo dei campioni e gli intervalli di confidenza
calcolati nell’esempio.
3
Nel caso in cui la varianza di popolazioni non sia nota si ri-
corre, come nei test d’ipotesi, alla varianza campionaria cor-
retta. Pertanto l’intervallo di confidenza per la media diventa:
ŝ ŝ
P (X̄ − t α2 ,n−1 √ ≤ µ ≤ X̄ + t α2 ,n−1 √ ) = 1 − α
n n
Se n è piccolo, ci riferiremo non più alla statistica z bensı̀ alla
statistica t con n − 1 gradi di libertà.
Esempio.
Tornando all’esempio precedente, per cui n = 10 in tutti e 3 i
campioni, x̄1 = 2.5, x̄2 = 3.5 e x̄3 = 1.5 supponiamo di non
conoscere la varianza di popolazione ma di conoscere le vari-
anze campionarie corrette ŝ21 = 1.25, ŝ22 = 2.25, e ŝ21 = 1.50.
Gli intervalli di confidenza sono dunque per i tre campioni:
ŝ1 ŝ1
P (x¯1 − t α2 ,n−1 √ ≤ µ ≤ x¯1 + t α2 ,n−1 √ ) =
n n
√ √
1.25 1.25
= P (2.5 − 2.26 · √ ≤ µ ≤ 2.5 + 2.26 · √ ) =
10 10
= P (1.70 ≤ µ ≤ 3.29) = 0.95
4
ŝ2 ŝ2
P (x¯2 − t α2 ,n−1 √ ≤ µ ≤ x¯2 + t α2 ,n−1 √ ) =
n n
√ √
2.25 2.25
= P (3.5 − 2.26 · √ ≤ µ ≤ 3.5 + 2.26 · √ ) =
10 10
= P (2.43 ≤ µ ≤ 4.57) = 0.95
ŝ3 ŝ3
P (x¯3 − t α2 ,n−1 √ ≤ µ ≤ x¯3 + t α2 ,n−1 √ ) =
n n
√ √
1.50 1.50
= P (1.5 − 2.26 · √ ≤ µ ≤ 1.5 + 2.26 · √ ) =
10 10
= P (0.63 ≤ µ ≤ 2.38) = 0.95
Al 95%, la media di popolazione è compresa nell’intervallo
(1.70, 3.29) per il primo campione, nell’intervallo (2.43, 4.57)
per il secondo campione, (0.63, 2.38) per il terzo. In questo
caso, dato che ogni intervallo è costruito sulla varianza cam-
pionaria corretta, varia anche l’ampiezza dell’intervallo.