STATISTICA E STRATEGIE D'INDAGINE

01. Come si calcola e interpreta la varianza in un set di dati?. La varianza si calcola sommando i quadrati delle differenze tra ogni valore e la media, poi dividendo per il numero di osservazioni (o n-1 per campioni). Indica quanto i dati si discostano dalla media. La varianza è una misura della tendenza centrale dei dati. La varianza si calcola sommando i valori e dividendo per la deviazione standard. La varianza è sempre uguale alla media dei dati.

02. Quali sono gli effetti degli outliers sull'analisi della dispersione?. Gli outliers aumentano la varianza e la deviazione standard, influenzando negativamente misure come la media e rendendo meno rappresentativa l’analisi. Gli outliers migliorano sempre l'accuratezza delle analisi statistiche. Gli outliers riducono la deviazione standard. Gli outliers non hanno alcun effetto sulla media o sulla deviazione standard.

03. La popolazione in statistica è: L’intero gruppo oggetto di studio. Un insieme di campioni. La somma dei dati rilevati. Un dato numerico.

04. Un esempio di dato qualitativo è: Il peso. La temperatura. L’altezza. Il colore degli occhi.

05. La statistica inferenziale si occupa di: Trovare frequenze assolute. Descrivere tutta la popolazione. Ordinare i dati. Trarre conclusioni da un campione.

06. Qual è l’obiettivo principale della statistica?. Determinare i valori esatti. Raccogliere, organizzare e analizzare dati. Eseguire esperimenti. Prevedere il futuro con certezza.

07. Che cos'è la statistica descrittiva?. Una branca della statistica che descrive i dati. Un tipo di test ipotetico. Una tecnica di campionamento. Lo studio delle cause.

08. Quali strumenti statistici possono essere usati per monitorare le tendenze dei consumi alimentari nel tempo?. Le serie temporali non sono utili per prevedere tendenze future. Strumenti comuni includono analisi delle serie temporali, regressioni su dati longitudinali e modelli ARIMA per prevedere tendenze future. Le serie temporali richiedono sempre dati campionati mensilmente. Le analisi delle serie temporali si usano solo per dati statici.

09. Come si valuta l’efficacia di un modello statistico attraverso il coefficiente di determinazione (R²)?. R² indica la proporzione di variazione della variabile dipendente spiegata dal modello. Valori vicini a 1 indicano una buona capacità predittiva. R² indica sempre una relazione negativa tra le variabili. R² è sempre maggiore di 1 in un buon modello. R² non può mai essere utilizzato per valutare un modello.

10. In che modo i modelli predittivi aiutano a stimare il rischio di contaminazione degli alimenti?. I modelli predittivi si applicano solo ai dati di test. Utilizzano dati storici e algoritmi di apprendimento per identificare i fattori di rischio e prevedere la probabilità di eventi di contaminazione. I modelli predittivi si applicano solo a dataset completi. I modelli predittivi non possono stimare il rischio di contaminazione.

11. Come si utilizza l’analisi discriminante nella classificazione dei dati?. Si usa per classificare osservazioni in gruppi predefiniti, massimizzando la separazione tra gruppi sulla base delle variabili indipendenti. L'analisi discriminante non può essere applicata a dati continui. L'analisi discriminante non è utile per classificazioni. L'analisi discriminante è utilizzata solo per dati binari.

12. Qual è il ruolo della statistica descrittiva nelle indagini di mercato alimentare?. La statistica descrittiva analizza solo distribuzioni uniformi. Riassume i dati (es. medie, percentuali) per individuare tendenze nei consumi, preferenze e caratteristiche demografiche dei clienti. La statistica descrittiva non considera le frequenze. La statistica descrittiva si applica solo a campioni piccoli.

13. Come si applica l'analisi di regressione lineare nello studio dei consumi alimentari?. La regressione lineare non può essere utilizzata per analizzare i consumi. Permette di identificare la relazione tra consumo e fattori come prezzo, reddito, e preferenze, stimando l'impatto di ciascuna variabile. La regressione lineare richiede sempre dati normalizzati. La regressione lineare non può modellare relazioni negative.

14. In che modo l'analisi delle componenti principali (PCA) riduce la dimensionalità dei dati?. La PCA aumenta la dimensionalità dei dati. La PCA genera variabili casuali per ogni componente. La PCA elimina completamente le informazioni inutili. La PCA trasforma i dati in un nuovo sistema di coordinate, ordinando le componenti principali per varianza, riducendo il numero di variabili senza perdere informazioni significative.

15. Quali sono le principali misure di controllo qualità utilizzate nelle analisi statistiche?. Le carte di controllo non sono utilizzate nel controllo qualità. Il controllo di processo analizza i costi aziendali. Il controllo di processo non è una misura statistica. Esempi includono il controllo di processo (SPC), carte di controllo, analisi della capacità di processo (Cp, Cpk), e Six Sigma.

16. Cosa si intende per "interazione" nei modelli ANOVA?. L'interazione nei modelli ANOVA è irrilevante per l'analisi. L'interazione ANOVA non può essere calcolata con più di due fattori. L’interazione indica come due o più fattori combinati influenzano la variabile dipendente, in modo diverso rispetto agli effetti individuali. L'interazione ANOVA si applica solo a variabili indipendenti.

17. In che modo si differenziano moda, media e mediana in un set di dati?. La media è sempre più grande della moda in ogni dataset. Media: valore medio. Mediana: valore centrale dei dati ordinati. Moda: valore più frequente. Sono misure diverse che descrivono tendenza centrale. Moda, media e mediana sono sempre uguali in ogni dataset. Moda e mediana sono sempre uguali in distribuzioni normali.

18. Come si utilizza un istogramma per analizzare la distribuzione dei dati?. Un istogramma si utilizza solo per dati qualitativi. Un istogramma non può mostrare la distribuzione dei dati. Un istogramma mostra la frequenza dei dati suddivisi in intervalli. Permette di identificare forma, simmetria, picchi e presenza di outliers. Un istogramma rappresenta solo la frequenza cumulativa dei dati.

19. Qual è il significato del coefficiente di correlazione e come si interpreta?. Il coefficiente di correlazione misura la media dei dati. Il coefficiente di correlazione può avere valori superiori a 1. Il coefficiente di correlazione non ha alcuna utilità pratica. Il coefficiente di correlazione misura la forza e la direzione della relazione tra due variabili. Va da -1 (relazione negativa perfetta) a 1 (relazione positiva perfetta).

20. In che modo il test di normalità aiuta a valutare una distribuzione?. Il test di normalità si utilizza solo per dati qualitativi. Il test di normalità verifica se i dati seguono una distribuzione normale. Esempi includono il test di Shapiro-Wilk o Kolmogorov-Smirnov. Il test di normalità verifica la media dei dati. Il test di normalità garantisce che i dati siano uniformemente distribuiti.

21. Cosa rappresenta la simmetria in una distribuzione statistica?. La simmetria implica sempre la presenza di outliers. La simmetria non influisce sulla distribuzione di un dataset. La simmetria indica se i dati sono equamente distribuiti intorno alla media. Una distribuzione asimmetrica ha un 'bias' verso destra o sinistra. Una distribuzione simmetrica è sempre multimodale.

22. Come la dimensione del campione influenza i risultati di un test statistico?. La dimensione del campione non influenza i risultati di un test statistico. Un campione più grande riduce la media campionaria. Un campione più grande aumenta la probabilità di errore. Un campione più grande riduce l’errore standard, aumentando la potenza statistica e migliorando la precisione delle stime.

23. Qual è il ruolo del primo quartile e del terzo quartile nella statistica descrittiva?. Il primo quartile rappresenta il valore massimo dei dati. Il terzo quartile rappresenta il valore minimo del dataset. Il primo quartile rappresenta il valore mediano. Il primo quartile (Q1) rappresenta il 25% dei dati più bassi, mentre il terzo quartile (Q3) rappresenta il 75% più basso. Sono usati per calcolare il range interquartile (Q3-Q1).

24. Cosa si intende per errore tipo II in un test di ipotesi?. L'errore tipo II significa rifiutare un'ipotesi nulla vera. L’errore tipo II si verifica quando non si rifiuta un’ipotesi nulla falsa. La probabilità di commettere questo errore è indicata da β. L'errore tipo II si verifica quando si accetta un'ipotesi nulla vera. L'errore tipo II si verifica quando si rifiuta un'ipotesi alternativa.

25. Come si stabilisce la probabilità di errore in un test statistico?. La probabilità di errore non è influenzata dal livello di significatività. La probabilità di errore è fissata a priori attraverso il livello di significatività (α), ad esempio 0.05, che indica una tolleranza del 5% per rifiutare correttamente l'ipotesi nulla. La probabilità di errore è sempre pari a zero. La probabilità di errore non può essere determinata a priori.

26. Cosa significa un intervallo di confidenza al 99%?. Un intervallo di confidenza al 99% significa che la stima è precisa al 99%. Un intervallo di confidenza al 99% include solo valori superiori alla media. Un intervallo di confidenza al 99% rappresenta il valore medio. Significa che c’è una probabilità del 99% che l’intervallo contenga il vero valore del parametro sconosciuto.

27. Come si applica il concetto di campionamento casuale nell’inferenza statistica?. Il campionamento casuale garantisce l'assenza di bias nei dati. Il campionamento casuale prevede di scegliere valori medi. Il campionamento casuale garantisce che ogni unità della popolazione abbia pari probabilità di essere inclusa, riducendo bias e migliorando l’affidabilità delle inferenze. Il campionamento casuale significa scegliere le unità più vicine.

28. Qual è il significato del valore critico in un test statistico?. Il valore critico si trova sempre nel centro della distribuzione. Il valore critico è sempre uguale al livello di significatività. Il valore critico è il punto oltre il quale si rifiuta l’ipotesi nulla. Dipende dal livello di significatività (α) e dalla distribuzione del test. Il valore critico è un valore arbitrario scelto dall'analista.

29. Qual è la differenza tra intervallo di confidenza e livello di significatività?. Il livello di significatività rappresenta l'intervallo di confidenza. L'intervallo di confidenza è sempre uguale alla deviazione standard. L’intervallo di confidenza indica il range plausibile per un parametro. Il livello di significatività (α) rappresenta il rischio di errore tollerato per rifiutare l'ipotesi nulla. L'intervallo di confidenza rappresenta il range dei dati osservati.

01. La frequenza assoluta indica: La media dei valori. Il numero di volte in cui un valore si presenta. La somma dei valori. La percentuale del valore.

02. Le modalità sono: I valori distinti che un carattere può assumere. Le unità statistiche. Le frequenze relative. Le medie.

03. La somma delle frequenze relative è sempre: Minore di 1. Uguale alla frequenza massima. Maggiore di 1. Uguale a 1.

04. Una tabella di frequenza include: Solo dati numerici. Modalità, frequenza assoluta e relativa. Solo valori qualitativi. Solo le medie.

05. La frequenza relativa si ottiene: Moltiplicando il dato per 100. Sottraendo dal totale. Dividendo la frequenza assoluta per il totale. Sommando le frequenze assolute.

01. Le frequenze cumulate servono a: Visualizzare la media. Calcolare la somma progressiva delle frequenze. Mostrare solo i valori più frequenti. Misurare la variabilità.

02. Un’ogiva rappresenta: Le frequenze cumulate. Le frequenze relative. I valori medi. Le medie mobili.

03. Quale grafico è più adatto per variabili continue?. Mappa. Istogramma. Torta. Diagramma a barre.

04. L’asse delle ascisse in un istogramma rappresenta: Le modalità o classi. Le frequenze. Le frequenze cumulate. La media.

05. Le frequenze cumulate relative sono: Le frequenze assolute. La somma progressiva delle frequenze relative. I valori medi. La differenza tra frequenze.

01. Una tabella di contingenza mostra: La relazione tra due variabili. I valori medi. Solo una variabile. La varianza.

02. Il test del Chi quadrato serve per: Calcolare la media. Stimare la deviazione. Verificare l’indipendenza tra due variabili. Calcolare le frequenze relative.

03. La V di Cramer è una misura di: Correlazione lineare. Associazione tra variabili categoriali. Deviazione standard. Variabilità assoluta.

04. Nel test del Chi quadrato, un p-value basso indica: L’indipendenza tra le variabili. Che i dati sono normali. Una dipendenza tra le variabili. Una frequenza nulla.

05. Una cella attesa è: La media aritmetica. La frequenza più alta. Il valore teorico calcolato sulla base dell’indipendenza. Il valore osservato.

01. La mediana è: La moda. La frequenza più bassa. La media. Il valore centrale in una distribuzione ordinata.

02. La media aritmetica si calcola: Frequenza più alta. Sottraendo i valori minimi dai massimi. Somma dei valori diviso il numero di valori. Valore centrale della distribuzione.

03. In presenza di outlier è preferibile usare: La moda. La media. La deviazione. La mediana.

04. Se una distribuzione è simmetrica: La moda è nulla. La media è sempre 0. Media e mediana coincidono. La mediana è maggiore.

05. La media è sensibile a: La frequenza relativa. Il numero di classi. La moda. Valori estremi.

01. Il 50° percentile corrisponde: Alla media. Alla mediana. All'intervallo interquartile. Alla moda.

02. La moda è: Il valore centrale. Il valore più frequente. La media dei dati. La somma dei valori.

03. I percentili dividono la distribuzione in: 12 parti. 4 parti. 100 parti. 10 parti.

04. Il primo quartile corrisponde a: 10° percentile. 75° percentile. 50° percentile. 25° percentile.

05. La presenza di più mode si chiama: Distribuzione casuale. Distribuzione simmetrica. Distribuzione multimodale. Distribuzione uniforme.

01. La deviazione standard è: La somma delle frequenze. La radice quadrata della varianza. Il valore più frequente. Il valore minimo.

02. Il coefficiente di variazione è utile per: Valutare la moda. Confrontare variabilità tra distribuzioni con unità diverse. Trovare la media. Trovare outlier.

03. Una varianza nulla indica: Frequenza nulla. Tutti i dati sono uguali. Alta dispersione. Distribuzione casuale.

04. La deviazione standard aumenta se: Diminuisce il numero di classi. Aumenta la dispersione. Diminuisce la media. Aumenta la moda.

05. La varianza misura: La mediana. La dispersione dei dati rispetto alla media. La moda. La media.

01. Un box plot asimmetrico indica: Dati mancanti. Errore nei dati. Distribuzione asimmetrica. Outlier assenti.

02. Gli outlier sono rappresentati: Con linee verticali. Con punti fuori dai baffi. Non sono visibili. Dentro la scatola.

03. Nel box plot, la linea dentro la scatola rappresenta: La media. Il massimo. La mediana. La moda.

04. Il box plot visualizza: Media e moda. Solo la mediana. Solo le frequenze. Mediana, quartili e outlier.

05. I baffi del box plot si estendono fino a: Frequenza cumulata. Media ponderata. Valori non considerati outlier. Massimo assoluto.

01. Il trend è: Una variazione casuale. Il coefficiente di variazione. La direzione generale della serie. La moda.

02. I dati in una serie storica sono ordinati: Per grandezza. Alfabeticamente. Cronologicamente. Per frequenza.

03. Una stagionalità è: Una distribuzione uniforme. La media mobile. Componente che si ripete regolarmente nel tempo. Un outlier.

04. L’analisi delle serie storiche permette di: Individuare trend e ciclicità. Trovare moda. Calcolare frequenze. Trovare valori nulli.

05. Una serie storica è: Una sequenza di dati nel tempo. Un box plot. Una tabella statistica. Una media pesata.

01. Il numero indice base 100 indica: La frequenza assoluta. La varianza. La media mobile. La variazione rispetto a un periodo base.

02. Se un indice vale 120, indica: Un valore fuori scala. Una riduzione. Un aumento del 20% rispetto al valore base. Un errore di misura.

03. Cosa misura un indice complesso?. La variazione complessiva di più grandezze. La mediana dei valori. La deviazione standard. Il valore più frequente.

04. Gli indici complessi sono usati per: Calcolare la moda. Analizzare fenomeni economici. Trovare outlier. Contare le frequenze.

05. Un indice complesso aggregato può essere: Geometrico o aritmetico. Solo geometrico. Un valore casuale. Solo aritmetico.

01. Un rapporto di 0,5 indica che: La parte è il 50% del totale. C'è una differenza del 5%. È presente una simmetria. C'è un outlier.

02. Un rapporto statistico confronta: Solo valori medi. Solo dati continui. Due grandezze omogenee o eterogenee. Solo frequenze relative.

03. Il rapporto di struttura si utilizza per: Calcolare la media. Costruire box plot. Individuare outlier. Analizzare la composizione di un insieme.

04. Il rapporto di composizione indica: La moda. La media dei rapporti. La deviazione standard. La quota percentuale di una parte sul totale.

05. I rapporti possono essere espressi anche come: Percentuali. Deviazioni. Medie geometriche. Moda.

01. L'indice di Gini misura: La moda. La disuguaglianza nella distribuzione. La media aritmetica. La frequenza cumulata.

02. Un Gini pari a 0 indica: Massima disuguaglianza. Errore statistico. Deviazione nulla. Perfetta uguaglianza.

03. Un Gini pari a 1 indica: Distribuzione normale. Deviazione minima. Uguaglianza perfetta. Massima disuguaglianza.

04. La curva di Lorenz rappresenta: La media mobile. La deviazione standard. Il coefficiente di variazione. La distribuzione cumulata rispetto all'uguaglianza.

05. Lo strumento grafico legato al Gini è: Il box plot. La curva di Lorenz. Il grafico a torta. L'istogramma.

01. La probabilità varia tra: 0 e 1. 1 e 100. 0 e 100. -1 e 1.

02. Un evento impossibile ha probabilità: 0. 0.75. 0.25. 1.

03. Un evento certo ha probabilità: 0.5. 1. Imprevedibile. 0.

04. La probabilità empirica deriva da: Stime soggettive. Ragionamento teorico. Frequenze osservate. Campionamento casuale.

05. La probabilità classica si basa su: Media dei dati. Casi favorevoli / casi possibili. Osservazione empirica. Teorema di Bayes.

01. L'unione di due eventi rappresenta: La loro media. Il verificarsi di almeno uno dei due. Il verificarsi di entrambi. La differenza tra i due.

02. Il complemento di un evento è: La sua intersezione. Ciò che esclude l'evento stesso. La moda. La sua media.

03. L'intersezione di due eventi indica: Nessuno dei due. Che si verificano entrambi. Solo uno dei due. Il complemento.

04. Due eventi sono incompatibili se: Non possono accadere insieme. Accadono sempre insieme. Sono dipendenti. Sono indipendenti.

05. La somma delle probabilità di un evento e del suo complemento è: 0. 2. 1. 0.5.

01. La probabilità condizionata valuta: La media dei dati. La somma delle probabilità. La probabilità di un evento dato che un altro è accaduto. L'indipendenza.

02. P(A|B) si legge come: B dato A. Probabilità di A dato B. A e B. A o B.

03. Eventi indipendenti sono: Eventi certi. Sempre incompatibili. Eventi il cui verificarsi non influenza l'altro. Eventi impossibili.

04. Due eventi sono dipendenti se: La probabilità di uno dipende dall'altro. Sono mutuamente esclusivi. Sono incompatibili. Sono complementari.

05. Se A e B sono indipendenti allora P(A ∩ B) =. P(A) - P(B). P(A) / P(B). P(A) * P(B). P(A) + P(B).

01. Il Teorema di Bayes permette di: Calcolare frequenze relative. Trovare la media. Aggiornare la probabilità alla luce di nuove informazioni. Verificare simmetria.

02. P(A|B) secondo Bayes si calcola con: P(B|A)*P(A)/P(B). P(A)*P(B)/P(B). P(B)/P(A). P(A) + P(B).

03. Il denominatore del teorema di Bayes è: La somma delle varianze. La probabilità totale di B. La probabilità di A. Il complemento di A.

04. Il teorema di Bayes è utile in: Analisi delle frequenze. Diagnostica medica. Box plot. Diagramma a barre.

05. Il teorema di Bayes si basa su: Eventi condizionati. Moda. Numeri indici. Distribuzione normale.

01. Le stime puntuali sono: Sempre perfette. Non calcolabili. Soggette a errore. Casuali.

02. La media campionaria stima: Il valore massimo. La moda. La media della popolazione. La deviazione standard.

03. Una stima puntuale è: La moda. Un intervallo. Il test di ipotesi. Un singolo valore usato per stimare un parametro.

04. Un esempio di stima puntuale è: Media del campione. Deviazione standard della popolazione. Mediana teorica. Moda della popolazione.

05. La precisione di una stima puntuale dipende da: Variabilità e dimensione campionaria. Media mobile. Distribuzione simmetrica. Colore dei dati.

01. Uno stimatore è: Una moda. Un valore casuale. Una regola per calcolare una stima. Un parametro.

02. Uno stimatore corretto ha: Probabilità 1. Moda uguale al parametro. Deviazione nulla. Media uguale al parametro.

03. Lo stimatore della media è: Il massimo. La mediana. La media campionaria. La moda.

04. Gli stimatori possono essere: Corretti, efficienti e consistenti. Solo empirici. Invariabili. Solo corretti.

05. Uno stimatore efficiente ha: Probabilità più alta. Deviazione standard maggiore. Media più grande. Varianza più piccola tra gli stimatori corretti.

01. Se uno stimatore è corretto e ha varianza bassa: È efficiente. È casuale. È distorto. È incompleto.

02. Bias è: La moda. La deviazione. La somma dei residui. La differenza tra valore atteso dello stimatore e il parametro.

03. Uno stimatore è efficiente se: Ha EQM più basso. Ha media nulla. È approssimativo. È corretto.

04. L’EQM si calcola come: Varianza - Bias. Media * Bias. Varianza + Bias^2. Media^2.

05. EQM sta per: Esponente quadratico massimo. Errore qualità media. Equazione media. Errore quadratico medio.

01. Un parametro è: Un numero casuale. Una frequenza. Un valore del campione. Una misura della popolazione.

02. Un campione è: Un parametro. Un sottoinsieme della popolazione. Una media. L’intera popolazione.

03. Lo scopo del campionamento è: Misurare la moda. Calcolare percentili. Trarre conclusioni sulla popolazione. Calcolare indici complessi.

04. Un campione rappresentativo è: Solo numerico. Senza variabilità. Simile alla popolazione. Distorto.

05. Il campionamento casuale garantisce: Alta varianza. Sicurezza assoluta. Campione distorto. Uguale probabilità di selezione.

01. Nel campionamento da popolazioni finite si tiene conto di: Distribuzione normale. Numero di outlier. Fattore di correzione. Moda campionaria.

02. Il fattore di correzione riduce: La media. La probabilità. Il p-value. La varianza della stima.

03. La popolazione finita ha: Un numero limitato di unità. Infiniti elementi. Campioni ripetuti. Varianza nulla.

04. La formula della varianza si modifica per: Il coefficiente di Gini. La media del campione. La dimensione della popolazione. La deviazione.

05. La selezione di un campione senza reinserimento implica: Ripetizione costante. Unità non ripetibili. Errore sistematico. Campioni infiniti.

01. Nel campionamento casuale semplice ogni unità ha: Una probabilità inversa. Una probabilità nulla. La stessa probabilità di essere selezionata. Più probabilità se frequente.

02. Una selezione con reinserimento produce: Stime non corrette. Distribuzioni simmetriche. Valori distorti. Campioni indipendenti.

03. Lo svantaggio principale è: Complessa esecuzione. Alta distorsione. Necessità di una lista completa. Errori sistematici alti.

04. Un vantaggio del campionamento casuale semplice è: Semplicità di selezione. Alta correlazione. Basso errore sistematico. Minor variabilità.

05. Questo tipo di campionamento è adatto quando: Ci sono molti strati. Serve stratificare. La popolazione è omogenea. Si ignorano le variabili.

01. Il vantaggio del campionamento stratificato è: Più semplicità. Minor tempo. Minor dati. Maggiore precisione.

02. Ogni strato viene campionato: Congiuntamente. Una sola volta. Indipendentemente. In modo casuale unico.

03. È utile quando: La popolazione è piccola. Non si conosce la varianza. I dati sono ignoti. Le variabili variano molto tra sottogruppi.

04. Gli strati devono essere: Numerosi. Casuali. Internamente omogenei. Esternamente simili.

05. Nel campionamento stratificato si divide la popolazione in: Strati omogenei. Gruppi casuali. Modi disomogenei. Sottopopolazioni casuali.

01. Un esempio è: Selezione casuale semplice. Selezione di scuole e poi studenti. Box plot. Stratificazione.

02. Nel secondo stadio si campiona: All'interno dei grappoli. Ogni unità due volte. Solo uno strato. L'intera popolazione.

03. Il campionamento a stadi prevede: Più fasi di selezione. Selezione sistematica. Solo un livello. Stime continue.

04. Questo tipo è utile quando: La varianza è nulla. La popolazione è molto ampia e dispersa. I dati sono ordinali. Il Gini è noto.

05. Nel campionamento a grappoli si selezionano: Unità individuali. Solo maschi. Dati ripetuti. Gruppi interi.

01. L'ipotesi alternativa è: Sempre vera. Mai verificabile. Una supposizione neutra. Ciò che si accetta se H₀ è rifiutata.

02. L'ipotesi nulla è indicata con: σ². μ. H₀. H₁.

03. Un test di ipotesi verifica: La varianza. Una supposizione sulla popolazione. L'indice di Gini. La media.

04. Un errore di I tipo è: Accettare H₀ quando è falsa. Fare un errore casuale. Rifiutare H₀ quando è vera. Errore di calcolo.

05. Un errore di II tipo è: Rifiutare H₁. Accettare H₀ quando è falsa. Usare il test sbagliato. Confondere media e varianza.

01. Se p > α allora: H₀ è falsa. Si rifiuta H₀. Non si rifiuta H₀. Si accetta H₁.

02. La regione critica è: L'insieme dei valori che portano al rifiuto di H₀. L'intervallo di confidenza. La media campionaria. La varianza.

03. La regione di accettazione è: Il valore massimo. L'intervallo in cui si accetta H₀. Il complemento di H₁. La moda.

04. La soglia di significatività è indicata con: p. β. α. μ.

05. Un p-value minore di α implica: Errore. Rifiuto di H₀. Accettazione di H₀. Rifiuto di H₁.

01. Un'ipotesi semplice definisce: Un valore specifico del parametro. Un confronto tra medie. Un intervallo. Un outlier.

02. Si usa spesso la distribuzione: Poisson. Normale. Binomiale. Uniforme.

03. Un esempio è: μ <50. μ > 50. μ ≠ 50. μ = 50.

04. Se H₀ è vera, il test: Ha una distribuzione nota. È asimmetrico. È non valido. Ha media nulla.

05. Un test a due code verifica: Solo sopra la media. Differenze in entrambe le direzioni. Solo sotto. Distribuzione binaria.

01. Il p-value può essere usato per: Calcolare medie. Costruire box plot. Determinare moda. Valutare l'evidenza statistica.

02. Se p <α allora: Test fallisce. Si rifiuta H₁. Si accetta H₀. Si rifiuta H₀.

03. Il p-value si confronta con: σ. H₁. α. μ.

04. Un piccolo p-value indica: Evidenza contro H₀. Supporto a H₀. Deviazione nulla. Nessuna informazione.

05. Il p-value rappresenta: La deviazione standard. La moda. La media della popolazione. La probabilità di osservare un risultato estremo sotto H₀.

02. La variabile indipendente è detta: ε. X. Z. Y.

03. La regressione lineare analizza: La varianza. La media dei dati. La distribuzione cumulata. La relazione tra due variabili.

04. La forma generale è: Y = XY + b. X = a + bY. Y = a + ε. Y = a + bX + ε.

05. L'obiettivo è: Calcolare la moda. Stimare la mediana. Prevedere Y da X. Verificare outlier.

01. Il coefficiente b indica: L'effetto di X su Y. La media di Y. Il massimo valore. La deviazione standard.

02. Il R² misura: La deviazione. La bontà dell'adattamento del modello. La varianza. La media.

03. Il termine ε rappresenta: La frequenza. Il parametro noto. Il coefficiente. L'errore.

04. Un R² vicino a 1 indica: Nessuna relazione. Errore alto. Distribuzione casuale. Forte relazione.

05. Il coefficiente di determinazione è: b. R². ε. r.

01. Il test F serve a: Misurare deviazione. Calcolare media. Stimare p-value. Verificare la significatività complessiva.

02. La specificazione corretta include: Tutte le variabili rilevanti. Solo variabili casuali. Valori osservati. Frequenze assolute.

03. Un errore di specificazione avviene se: Si usa la moda. Si misura la varianza. Si calcola la media. Una variabile importante è esclusa.

04. Il modello lineare è valido se: Gli errori sono indipendenti e omoscedastici. La moda è costante. La varianza è nulla. La curva è esponenziale.

05. Un eccesso di variabili può portare a: Errore tipo II. Multicollinearità. Distribuzione normale. Bias.

01. Il termine 'residuo' indica: Il parametro. Il bias. La distanza tra valore osservato e retta stimata. La media mobile.

02. Cosa minimizza il metodo dei minimi quadrati?. La deviazione standard. Il p-value. La somma delle medie. La somma dei quadrati degli errori.

03. In un modello lineare semplice, l'errore è definito come: Differenza tra valore osservato e stimato. Varianza dei residui. Media dei valori. Valore minimo.

04. Il coefficiente angolare b rappresenta: La costante. La media di Y. La varianza. La variazione di Y per ogni unità di X.

05. La bontà dell'adattamento si misura con: R². Errore assoluto. p-value. Media campionaria.

01. Per modificare il colore di un grafico in Excel: Si usa la media. Si accede al menu formato grafico. Si sommano le frequenze. Serve una macro.

02. Un diagramma a barre rappresenta: Dati continui. Medie campionarie. Distribuzioni normali. Frequenze di variabili qualitative.

03. Un istogramma è usato per rappresentare: Distribuzioni casuali. Variabili quantitative continue. Dati nominali. Dati testuali.

04. Un grafico a torta è adatto a rappresentare: Distribuzioni continue. Box plot. Mediane. Proporzioni su scala nominale.

05. Nel software Excel, per creare un grafico si selezionano: Dati e tipo di grafico. Valori casuali. Solo formule. Solo intestazioni.

01. La scala degli assi in un grafico permette di: Formattare celle. Personalizzare l’intervallo dei dati. Cambiare le etichette dei dati. Creare nuovi campi.

02. L’aggiunta di etichette ai dati consente di: Mostrare i valori esatti. Creare intervalli di confidenza. Modificare la formula. Misurare la media.

03. Per aggiungere una legenda: Si usa la media mobile. Si ordina il foglio. Si modifica l’asse Y. Si attiva dal menu Layout grafico.

04. Un grafico a dispersione mostra: Frequenze cumulate. Percentili e moda. Relazione tra due variabili quantitative. Mediana e quartili.

05. I titoli dei grafici in Excel servono per: Cambiare il tipo di dato. Descrivere il contenuto del grafico. Ordinare i dati. Eliminare gli outlier.

01. Per ottenere l'equazione della retta di regressione: Si attiva l’opzione 'Visualizza equazione sul grafico'. Non è possibile. Si calcola manualmente. Si usa un filtro.

02. In un grafico Excel, la retta di regressione si inserisce come: Curva spline. Linea media. Linea di tendenza. Rettangolo.

03. La pendenza della retta indica: La moda. L’intervallo di confidenza. Il valore medio. L’effetto della variabile indipendente.

04. Il coefficiente di determinazione in Excel è: R². b. p. r.

05. In Excel, per eseguire una regressione lineare si usa: Cerca Verticale. Filtro avanzato. Strumento Analisi Dati. Grafico a torta.

01. Un problema tipico dei dati multidimensionali è: Sovrapposizione di informazioni. Distribuzione uniforme. Varianza nulla. Media bassa.

02. La riduzione dimensionale serve a: Escludere outlier. Aumentare la complessità. Creare nuove variabili casuali. Semplificare l’analisi mantenendo l’informazione.

03. La visualizzazione di dati multidimensionali può avvenire tramite: Grafici a dispersione 3D. Istogrammi. Box plot. Diagrammi a torta.

04. Un dataset con 10 variabili è: Bidimensionale. Indipendente. Semplice. Multidimensionale.

05. Per dati multidimensionali si intende: Solo due variabili. Dati binari. Una sola osservazione. Dati con più di due variabili.

01. L'ACP è usata per: Ridurre la dimensionalità dei dati. Stimare il p-value. Trovare la moda. Fare inferenza causale.

02. Il grafico delle componenti principali mostra: La curva di Lorenz. La moda. La dispersione dei dati proiettati. Il campionamento stratificato.

03. I componenti principali sono: Le medie delle variabili. I massimi valori. Gli outlier. Combinazioni lineari delle variabili originali.

04. La prima componente principale spiega: La maggior parte della varianza. La media dei dati. Il valore minimo. La moda.

05. Un vantaggio dell’ACP è: Rischio di collinearità. Maggiore complessità. Semplificazione con perdita minima d’informazione. Valori più alti.

01. Il k-means è un algoritmo di clustering: Partizionale. Lineare. Bayesiano. Gerarchico.

02. Il numero ottimale di cluster si valuta con: Indice di silhouette. Media campionaria. Moda dei gruppi. Frequenze relative.

03. Il clustering serve a: Raggruppare dati simili. Trovare p-value. Verificare ipotesi. Calcolare medie.

04. Il clustering non supervisionato implica che: Non si usano etichette predefinite. Serve una regressione. Si conoscono i gruppi. Ci sono variabili dipendenti.

05. Nel clustering gerarchico si costruisce: Un dendrogramma. Un istogramma cumulato. Un box plot. Una curva ROC.

01. Il tasso di incidenza misura: Tutti i casi presenti. Nuovi casi in un intervallo di tempo. Le guarigioni. Il numero di test effettuati.

02. L'epidemiologia studia: Le medie mobili. Distribuzione e determinanti delle malattie. La moda dei dati. Il clustering.

03. Una strategia di prevenzione primaria mira a: Evitare l’insorgenza della malattia. Curare la malattia. Ridurre le complicanze. Controllare i sintomi.

04. Le fonti principali di dati epidemiologici sono: Sondaggi casuali. Registri sanitari e notifiche obbligatorie. Campioni stratificati. Interviste telefoniche.

05. La sorveglianza epidemiologica è: Solo report grafici. Studio dei trend economici. Raccolta e analisi continua dei dati sanitari. Solo un’indagine una tantum.

01. La sorveglianza passiva si basa su: Dati già raccolti. Controlli diretti. Studi sperimentali. Test su animali.

02. La prevenzione secondaria è finalizzata a: Controllo degli effetti collaterali. Vaccinazioni. Cura ospedaliera. Diagnosi precoce e trattamento tempestivo.

03. Un buon test di screening deve essere: Solo economico. Solo rapido. Sensibile e specifico. Riservato a medici.

04. Lo screening è uno strumento di: Prevenzione terziaria. Sorveglianza attiva. Prevenzione secondaria. Prevenzione primaria.

05. La prevenzione terziaria agisce su: Fattori di rischio. Prevenzione vaccinale. Complicanze e disabilità. Cause della malattia.

01. Il modello di sorveglianza integrata combina: Esami di laboratorio. Solo indagini ISTAT. Diverse fonti di dati. Solo test clinici.

02. La valutazione del rischio è: Processo per stimare la probabilità e la gravità di un evento. Un campionamento casuale. Un modello di regressione. Un test diagnostico.

03. Il sistema di allerta precoce serve a: Identificare focolai rapidamente. Distribuire farmaci. Gestire le vaccinazioni. Contare i ricoveri.

04. Il follow-up epidemiologico è importante per: Monitorare l’evoluzione di un caso. Costruire box plot. Fare inferenze causali. Misurare solo la media.

05. Gli indicatori di salute includono: Frequenze relative. Tassi di mortalità e morbosità. Deviazioni standard. Percentili di cluster.

01. La comunicazione del rischio deve essere: Solo scientifica. Segreta. Chiara, trasparente e tempestiva. Limitata agli esperti.

02. Il principio di precauzione si applica quando: C’è incertezza sugli effetti di un rischio. C’è certezza dell’innocuità. Il rischio è nullo. I dati sono completi.

03. La gestione del rischio comprende: Solo report grafici. Analisi, comunicazione e controllo. Solo stime di regressione. Analisi della varianza.

04. Le strategie di prevenzione devono essere: Solo suggerite da policy. Sempre sperimentali. Solo teoriche. Basate su evidenze scientifiche.

05. Le autorità sanitarie coordinano: Sorveglianza, risposta e comunicazione. Studio di cluster. Analisi inferenziali. Solo test clinici.

01. Le misure di frequenza servono a: Quantificare eventi sanitari in una popolazione. Visualizzare dati con grafici. Misurare la moda. Costruire cluster.

02. Il tasso di incidenza rappresenta: Percentuale di sopravvivenza. Media dei ricoveri. Casi totali. Nuovi casi in un periodo.

03. La prevalenza misura: Solo nuovi casi. Casi risolti. Campioni selezionati. Tutti i casi presenti in un certo momento.

04. L’unità di tempo per l’incidenza è spesso: Un mese. Un giorno. Un anno. Non è necessaria.

05. Il numeratore nella prevalenza è: Campioni testati. Numero di persone con la malattia. Tutta la popolazione. Il numero di guarigioni.

01. La prevalenza può essere: Solo relativa. Solo assoluta. Solo stimata. Puntuale o periodica.

02. Una malattia cronica ha spesso: Solo casi acuti. Alta prevalenza. Alta incidenza. Nessuna frequenza.

03. La prevalenza periodica include: Casi al tempo iniziale + nuovi casi durante l’intervallo. Solo nuovi casi. Nessun caso esistente. Solo casi terminali.

04. La prevalenza aumenta se: Viene usato il clustering. Aumentano i casi e/o la durata della malattia. Diminuisce l'incidenza. La popolazione cambia.

05. La formula della prevalenza è: Morti / nati vivi. Casi nuovi / tempo. Casi esistenti / popolazione totale. Casi / test effettuati.

01. Il tasso di sopravvivenza è: Solo per tumori. Una forma di incidenza. Uguale alla prevalenza. Complementare alla letalità.

02. Il numeratore nel tasso di mortalità è: Numero di test. Numero di decessi. Popolazione esposta. Numero di malattie.

03. Il rapporto di mortalità infantile è: Morti anziani / popolazione. Vaccinati / nati. Morti <1 anno / nati vivi. Casi pediatrici / ospedalizzati.

04. Il tasso di letalità misura: Gravità dei sintomi. Incidenza della malattia. Proporzione di morti tra i malati. Prevalenza cumulata.

05. La mortalità generale si calcola come: Sopravvissuti / popolazione. Malattie / test. Nuovi casi / tempo. Morti totali / popolazione.

01. Il tasso standardizzato elimina: Campionamenti stratificati. Effetti di struttura demografica. Errori nei dati. Test doppi.

02. Per confronti tra popolazioni si usa: Prevalenza istantanea. Letalità teorica. Tasso standardizzato. Indice di clustering.

03. Il tasso grezzo può essere distorto da: Misure relative. Composizione della popolazione. Campionamento casuale. Test poco sensibili.

04. Un esempio di misura specifica è: Mediana di durata. Moda cumulata. Prevalenza assoluta. Mortalità per età.

05. Le misure specifiche di frequenza si applicano a: Tutta la popolazione. Sottogruppi di popolazione. Solo cluster noti. Solo malattie rare.

01. Le misure di incidenza possono essere espresse anche come: Percentili. Tassi per 1.000 o 100.000 abitanti. Deviazioni standard. Valori assoluti.

02. L’incidenza cumulativa è calcolata su: Test con p<0.05. Popolazione a rischio all'inizio. Totale dei soggetti esaminati. Solo malati cronici.

03. L'analisi delle frequenze permette di: Determinare il p-value. Identificare pattern e anomalie. Stimare l'errore tipo II. Costruire regressioni.

04. Una misura cumulativa è: Un intervallo di confidenza. La media delle osservazioni. Una moda pesata. Somma delle nuove occorrenze nel tempo.

05. Le misure di frequenza sono fondamentali per: Solo diagnosi individuali. Misure di bias. Test randomizzati. Sorveglianza sanitaria.