Versione Mobile | Vai alla versione Desktop
Differenze tra versione Mobile e versione Desktop
OBIETTIVO:
esaminare i rapporti fra campione e popolazione da cui esso proviene
Finora abbiamo descritto alcuni metodi che consentono di estrarre da una popolazione un campione affidabile. In questa Unità (es in quelle successive) vediamo come si utilizzano i dati che si ottengono dallo studio del campione.
Dopo aver selezionato un campione, procederai a misurare il parametro che ti interessa su tutte le 
unità) del campione stesso. Alla fine del tuo lavoro, conoscerai lo stato degli animali che compongono il campione. Però, in realtà, questo dato non ti interessa molto: infatti, a te interessa conoscere lo stato degli animali dell'intera popolazione!
ESEMPIO. E' necessario valutare la copertura anticorpale per il virus della pseudopeste in un gruppo di 1000 galline. Prelevi un campione di sangue da 20 soggetti scelti mediante randomizzazione, e poi effettui il dosaggio degli anticorpi pseudopeste. Delle 20 galline, 18 (90%) risultano protette. Questa conclusione non ti soddisfa del tutto: in effetti, a te interessa sapere qual è la percentuale di animali protetti nell'intero gruppo e non nel campione!
Proseguiamo il ragionamento iniziato nell'esempio. Sicuramente il tuo buon senso ti porterà a ritenere che, se è protetto il 90% del campione, allora sarà protetto il 90% della popolazione. Più in generale:
Sei proprio sicuro che l'uguaglianza dello schema soprastante sia vera? In effetti, l'uguaglianza dello schema non è una vera uguaglianza matematica. Tornando all'esempio: puoi essere sicuro che siano protette proprio 900 galline su 1000? Ovviamente no, potrebbero essere, per esempio, 870 o 815, o 945 ecc.. In sostanza, il problema che stiamo affrontando è quello di fare un corretto processo di inferenza. In altre parole, dobbiamo passare dal «particolare» (il campione) al «generale» (la popolazione) senza commettere un errore troppo grande. Ciò non può essere ottenuto ricorrendo al semplice buon senso. Il problema va risolto, invece, con un metodo oggettivo, ricorrendo alla statistica inferenziale (non farti spaventare da questa terminologia... vedrai che è più facile di quel che pensi!).
Sarà quello che faremo nelle prossime Unità di questo Capitolo.
In base a quanto detto finora, dovresti essere convinto che l'uguaglianza dello schema precedente va sostituita con questa:
Il processo di inferenza porta sempre con sé una certa quota di errore. Ciò è inevitabile, perché il campione non potrà mai essere perfettamente rappresentativo della popolazione da cui proviene. Pertanto, attraverso la misura ottenuta su un campione, potremo soltanto ottenere una stima della «vera» caratteristica della popolazione. Questa stima, come vedrai nelle prossime Unità, può essere calcolata facilmente.
Per ora basterà dire che la precisione della stima è influenzata da alcuni fattori, dei quali ne conosci già uno: il metodo di campionamento. Infatti, se il campionamento non è stato fatto correttamente, il campione è distorto, non è rappresentativo della popolazione, e quindi la stima è inaffidabile.
Un altro fattore molto importante che influisce sulla precisione della stima è il numero di animali che compongono il campione (numerosità del campione). Anche questo è un concetto facilmente intuibile: campioni grandi sono più affidabili, e permettono stime più precise
ESEMPIO. Continuando l'esempio precedente, se tu avessi selezionato un campione di 200 galline (anzichè di 20), ti saresti avvicinato maggiormente alla vera percentuale di animali protetti nel gruppo di 1000, e quindi avresti potuto fare una stima più precisa. L'opposto sarebbe accaduto se tu avessi esaminato un campione composto soltanto da 4 galline.
Riassumendo: «stima» significa «valutazione approssimativa». La stima, per sua stessa natura, non può essere esatta ma, se il campione è stato selezionato con una metodica corretta (randomizzazione), ne potremo stabilire la 
variabilità, ossia i limiti probabili di oscillazione.
NELLA PROSSIMA UNITÀ:
viene proposto un esempio di stima della frequenza di una malattia in una popolazione; si spiega come calcolare la varianza e l'errore standard e l'utilizzo pratico di quest'ultimo.
