MODELLI STOCASTICI DELLA CLASSE GLM
|
|
- Gildo Cavalli
- 8 anni fa
- Visualizzazioni
Transcript
1 MODELLI STOCASTICI DELLA CLASSE GLM S possono consderare GLM con dstrbuzone specfcata o modell con quas-verosmglanza, quest ultm sono modell d tpo semparametrco. Illustramo l loro uso come: strumento d stma e controllo dell adattamento, per ottenere un modello adeguato a descrvere l fenomeno, sulla base de dat, e per rcavare le stme; strumento d prevsone e d valutazone della dspersone, per ottenere dal modello stmato prevson e valutazon d rschostà (n partcolare, a fn d arrvare al calcolo d margn per l rscho e captal d rscho). I GLM sono una classe flessble d modell con cu s studa l nfluenza d un nseme d varabl esplcatve sulla dstrbuzone d una varable rsposta (modell d regressone). In ambto asscuratvo sono largamente utlzzat nella tarffazone a pror, ma anche per trattare altr problem, ncluso quello della valutazone delle rserve. MODELLI STOCASTICI DELLA CLASSE DEI GLM 1 I GLM sono uno strumento operatvo. Sono dsponbl dvers software statstc (SAS, R, S-Plus, GLIM, EMBLEM, ) che fornscono le stme e le anals sulla bontà de modell. Possono essere uno strumento alternatvo per ottenere le stesse valutazon fornte da dvers metod tradzonal d stma delle rserve. Molt metod stocastc d stma delle rserve snstr propost n letteratura, possono essere vst come partcolar GLM. I GLM sono applcabl a dat ndvdual, coè a nformazon a lvello d sngolo snstro consentendo d utlzzare al meglo l nformazone dsponble. Il rcorso a dat raggruppat (per perodo d orgne del snstro e per perodo d dffermento del pagamento) non è necessaro. MODELLI STOCASTICI DELLA CLASSE DEI GLM 2
2 IPOTESI DEI GLM RICHIAMI SUI MODELLI LINEARI GENERALIZZATI (GLM) Modell d regressone che generalzzano lnear. Con rfermento a n untà statstche, s dspone d un nseme d osservazon {(y,x ), = 1,...,n }, y valore d una grandezza d nteresse, x vettore delle determnazon assunte da un nseme d varabl esplcatve. Il vettore de valor y = (y 1,..., y n )' è vsto come valore osservato del vettore aleatoro delle varable rsposta. Y = (Y 1,...,Y n )' Per l vettore delle varabl rsposta Y = (Y 1,...,Y n )' è formulata una potes probablstca che mette n relazone la dstrbuzone d Y con vettor delle determnazon delle varabl esplcatve. MODELLI STOCASTICI DELLA CLASSE DEI GLM 3 In sntes, un GLM è defnto dalle seguent potes. Ipotes probablstche. Le varabl rsposta Y 1,...,Y n sono stocastcamente ndpendent, con dstrbuzon appartenent ad una medesma famgla esponenzale lneare. Ipotes struttural. Il legame tra la speranza matematca µ della varable rsposta Y ed l vettore x delle determnazon delle varabl esplcatve, relatv all -esma osservazone, è g ( µ ) = x' β, dove β è un vettore d parametr e g una funzone d collegamento, nvertble. S ha qund S ha noltre 1 E( Y ) = µ = g ( x' β ). var(y ) = φ V(µ ), ω dove φ è un parametro d dspersone e V una funzone che caratterzza la famgla delle dstrbuzon delle varabl rsposta, detta funzone d varanza. Da dat che sono le determnazon y delle varabl rsposta ed vettor x delle determnazon delle varabl esplcatve, s stmano l vettore β de parametr d regressone ed l parametro d dspersone φ. MODELLI STOCASTICI DELLA CLASSE DEI GLM 4
3 Consderamo pù n dettaglo gl element del modello. Dstrbuzone del vettore delle varabl rsposta Y 1,...,Y n sono stocastcamente ndpendent, con dstrbuzon appartenent ad una medesma famgla esponenzale lneare, Y ha dstrbuzone del tpo f(y;θ,φ,ω ) = exp ω φ yθ [ b(θ )] c(y,φ,ω ) dove θ 1,K,θ n,φ sono parametr, ω > 0 è un peso assegnato. Inoltre, support delle dstrbuzon d Y 1,...,Y n non dpendono da parametr. S not che la funzone cumulante b e l parametro d dspersone φ non dpendono da, dpendono, n generale da, l parametro canonco θ e l peso ω. La funzone cumulante b ndvdua la famgla esponenzale. Le dstrbuzon delle varabl Y sono tutte della stessa famgla, per esempo tutte Posson oppure tutte gamma. Il parametro canonco è collegato con la speranza matematca della dstrbuzone: E(Y ) = µ = b'(θ ). MODELLI STOCASTICI DELLA CLASSE DEI GLM 5 La famgla esponenzale lneare s può ndvduare anche con la funzone d varanza V(µ) = b"(b' 1 (µ)). Famgle esponenzal d dstrbuzon, tra le pù usate n ambto attuarale, sono cas partcolar d famgle con funzon d varanza d tpo potenza, ovvero del tpo V(µ ) = µ p. In partcolare, le famgle normale, Posson, gamma, gaussana nversa, corrspondono a p = 0, 1, 2, 3, rspettvamente. Sussste l seguente legame tra speranza matematca e varanza, var(y ) = φ ω b"(θ ) = φ ω V(µ ). Pertanto, la specfcazone d una partcolare struttura per la speranza matematca, µ = g 1 (x' β ), mplca una struttura anche per la varanza. Con rfermento a pes, a partà d φ e V(µ ), var(y ) è tanto maggore quanto mnore è ω. I pes possono allora essere utlzzat per ncorporare nel modello nformazon sull affdabltà delle sngole osservazon. MODELLI STOCASTICI DELLA CLASSE DEI GLM 6
4 Le varabl esplcatve Per le n untà statstche sono dsponbl un nseme d caratterstche osservabl a pror, gudcate nfluent sulle dstrbuzon delle varabl rsposta. Tal caratterstche possono essere varabl numerche oppure varabl qualtatve o numerche con determnazon n lvell, dette varabl d classfcazone o fattor. Una varable C d classfcazone con l lvell o modaltà, c 1,K,c l, può essere codfcata con le varabl 0-1, X = 1 se C = c, = 1,K,l. 0 altrment Resce C = c X = 1 e X = 0, per Le varabl X 1,K,X l sono le varabl ndcatrc de lvell. Poché l X =1 = 1 sono suffcent l 1 varabl ndcatrc per descrvere C: la rmanente s ottene per complemento a uno. S ottengono così le varabl esplcatve del modello. MODELLI STOCASTICI DELLA CLASSE DEI GLM 7 La matrce d regressone A codfcazone avvenuta, sa m l numero delle varabl esplcatve del modello; X 1,..., X m. E detta matrce d regressone (desgn matrx) la matrce X n cu per l osservazone -esma, s ha un vettore rga con x 0 = 1, e x 1,..., x m determnazon delle varabl esplcatve X = 1 M 1 M 1 x x x 11 M 1 M n1 K K K x1 m M xm M x nm X ha n rghe e m1 colonne. Indchamo con p l numero delle colonne. Supponamo che n > p e che le p colonne sano lnearmente ndpendent. MODELLI STOCASTICI DELLA CLASSE DEI GLM 8
5 Il prevsore lneare Il vettore x' = (1,x 1,K,x m ) delle determnazon delle varabl esplcatve nflusce sulla dstrbuzone d Y tramte l prevsore lneare relatvo all -esma untà statstca η = β 0 x 1 β 1 K x m β m = x' β dove β = (β 0,β 1,K,β m )' è un vettore d parametr, comun a tutte le untà statstche. I parametr d regressone β sono consderat cert, ma non not. La componente β 0 è detto ntercetta. Il vettore η = Xβ, d component η 1,...,η n è detto prevsore lneare e rappresenta la componente sstematca del modello. E funzone lneare de parametr β 0,β 1,K,β m. In alcun cas, può essere opportuno non consderare n X la prma colonna d termn untar. Allora nell espressone d η non compare l addendo β 0. MODELLI STOCASTICI DELLA CLASSE DEI GLM 9 La funzone d collegamento E una funzone g : D R R strettamente monotona e dervable che mette n relazone le component del prevsore lneare con le speranze matematche delle varabl rsposta η = g(µ ). Segue che µ = g 1 (η ) = g 1 (x' β ). Il domno D deve essere tale che g 1 (x' β ) da valor ammssbl per µ. Funzone d collegamento dentca, g(µ) = µ, µ = x' β = =0 x β modello addtvo per le speranze matematche delle varabl rsposta. Funzone d collegamento logartmca, g ( µ ) = log( µ ), µ = e x' β x = e β modello moltplcatvo per le speranze matematche delle varabl rsposta. Funzone d collegamento potenza, g(µ) = µ γ γ 0 logµ γ = 0. m m =0 Funzone canonca d collegamento, g(µ) = b' 1 (µ), η = g(µ ) = θ mette drettamente n collegamento l prevsore lneare con l parametro canonco. MODELLI STOCASTICI DELLA CLASSE DEI GLM 10
6 STIMA DEI PARAMETRI NEI GLM I parametr delle dstrbuzon delle varabl rsposta sono parametr canonc θ 1,K,θ n, l parametro d dspersone φ. In alcun cas φ è noto, per esempo nella dstrbuzone d Posson φ = 1. Ne GLM, la stma de parametr θ 1,K,θ n s ottene stmando l vettore de parametr d regressone β. Dato β, rmangono determnat parametr canonc: dal vettore de parametr β, data la matrce X, η = x' β da η, data la funzone d collegamento g( ) µ = g 1 (η ) da µ, data la funzone cumulante b( ) θ ' 1 = b ( µ ) qund θ = b' 1 (g 1 (x' β )), = 1,, n. Il parametro vettorale β è usualmente stmato con l metodo della massma verosmglanza (ML). Motvo: propretà de corrspondent stmator, da cu dscendono alcun rsultat sulle dstrbuzon delle statstche che sono utlzzate per l'nferenza. MODELLI STOCASTICI DELLA CLASSE DEI GLM 11 Per y 1,K,y n valor osservat delle varabl rsposta Y 1,K,Y n, la log-verosmglanza è n ω l(θ,φ; y) = logl(θ,φ; y) = φ y [ θ b(θ )] logc(y,φ,ω ) =1 n = l (θ,φ; y) =1 Indcata con l(β ) la log-verosmglanza vsta come funzone d β, le stme d ML s ottengono rsolvendo le equazon d verosmglanza o equazon score l(β ) n l = (β ) = 0, = 0,K,m, β =1 β che, n funzone d µ = (µ 1,K,µ n ), sono n ω x φ (y 1 µ ) = 0, = 0,, m, g'(µ )V (µ ) =1 µ = g 1 (x' β ). Osservazone mportante: la stma d β non dpende da φ. La soluzone de sstem avvene per va numerca, con metod d Newton-Raphson o scorng d Fsher, ed è fornta da software statstc. MODELLI STOCASTICI DELLA CLASSE DEI GLM 12
7 Dstrbuzone asntotca Dalle propretà asntotche degl stmator d ML, se n è suffcentemente grande, s può supporre che lo stmatore d massma verosmglanza d β abba dstrbuzone normale 1 β N ( ˆ, β [\ ( ˆ) β ] ), dove \(β) = 2 l E β β h, h, matrce d nformazone d Fsher, o anche 1 β N ( ˆ, β [ H( ˆ) β ] ), dove H(β) = 2 l β β h, h, matrce hessana. MODELLI STOCASTICI DELLA CLASSE DEI GLM 13 GLM PER LE RISERVE Varabl rsposta n un GLM per le rserve Se dat sono relatv alle osservazon rassunte n un trangolo run-off, è naturale ndcare con Y la varable rsposta relatva all osservazone nella cella (, ) e può essere - l pagamento ncrementale relatvo alla cella: pagament per snstr d orgne effettuat con dffermento F, P ; pagament per snstr d orgne chus con dffermento, P ; pagament ncremental espress * n untà monetare dell anno d rfermento, P, - l pagamento ncrementale relatvo ad una cella, rapportato ad una msura d esposzone, P / ω, - l numero d pagament N, - l numero d snstr denuncat D. Se dat sono ndvdual, nformazon a lvello d sngolo snstro, la varable rsposta Y può essere - l costo ultmo d un snstro, - l ndcatore dell evento l snstro è chuso senza seguto. MODELLI STOCASTICI DELLA CLASSE DEI GLM 14
8 Varabl esplcatve n un GLM per le rserve Se dat sono relatv alle osservazon rassunte n un trangolo run-off, s possono consderare come varabl esplcatve l anno d orgne, l anno d dffermento, l anno d pagamento. L anno d dffermento è una varable numerca. L anno d orgne e d pagamento sono codfcate con valor numerc 0, 1,..., t; 0,1,, 2t. Se dat sono ndvdual, con rfermento al costo ultmo d un snstro, s possono consderare come varabl esplcatve, le caratterstche tarffare dell asscurato, l tpo d danno (cose, persone), l dffermento nella denunca del snstro, l dffermento nella lqudazone del snstro, per leson a persone, l tpo d ferte rportate, le età de fert, l rcorso o meno alla ospedalzzazone, l luogo dell ncdente, tp d trattament... MODELLI STOCASTICI DELLA CLASSE DEI GLM 15 ESEMPIO. Illustramo ora alcune elaborazon numerche realzzate n SAS su dat d un portafoglo d una Compagna talana. I dat comprendono l trangolo run-off de pagament ncremental P relatv agl ann d orgne (qu ann d accadmento) dal 1990 al 2003, per ogn anno d orgne, l numero d snstr denuncat nell anno ω. Consderamo come varabl esplcatve l anno d accadmento e l anno d dffermento, entrambe come varabl d classfcazone. Per la struttura d regressone s ha Parametr d regressone: µ ntercetta, α 0,...,α t per gl ann d orgne, β 0,..., β t per gl ann d dffermento, β = (µ,α 0,α 1,K,α t,β 0,β 1,K,β t )', Matrce d regressone: X, con 1 (t 1) (t 1) colonne e n = (t 1)(t 2) 2 rghe. Il rango d X è p = 1 2t. Per evtare problem d ndetermnatezza de parametr, s deve porre un vncolo, per esempo α 0 = β 0 = 0: s scelgono così l anno d orgne 0 e l anno d dffermento 0 come lvell d rfermento. MODELLI STOCASTICI DELLA CLASSE DEI GLM 16
9 Prevsor lnear: η = x ' β = µ α β. Funzone d collegamento, sceglamo g = log. Segue E(Y ) = µ = e η = e µ e α e β = Ka b, un modello moltplcatvo con un fattore, a,che dpende solo dall anno d accadmento e un fattore, b, che dpende solo dall anno d dffermento. Modello Posson-logartmo per le rserve varabl rsposta: Y = P, con dstrbuzon d Posson varabl esplcatve: anno d accadmento (annoacc), anno d dffermento (annodff), η = x ' β = µ α β, funzone d collegamento: g = log. Nell output d SAS s hanno: - nformazon sul modello - nformazon sull accostamento a dat - stme de parametr e anals delle stme MODELLI STOCASTICI DELLA CLASSE DEI GLM 17 The GENMOD Procedure Model Informaton Data Set WORK.DATIV Dstrbuton Posson Lnk Functon Log Dependent Varable pagament Observatons Used 105 Class Level Informaton Class Levels V alues annoacc annodff Crtera For Assessng Goodness Of Ft Crteron DF Value V alue/df Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood MODELLI STOCASTICI DELLA CLASSE DEI GLM 18
10 Analyss Of Parameter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate E rror Lmts Square Pr > ChSq Intercept E9 <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc E7 <.0001 annoacc E7 <.0001 annoacc E7 <.0001 annoacc <.0001 annoacc <.0001 annoacc annodff <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff E7 <.0001 annodff <.0001 annodff <.0001 annodff Scale NOTE: The scale parameter was held fxed. MODELLI STOCASTICI DELLA CLASSE DEI GLM 19 Tendenzalmente, parametr legat agl ann d orgne hanno andamento crescente, parametr legat al dffermento hanno andamento decrescente. In questo modello, s ha E(P ) = exp(µ α )exp(β ). Posto B = B exp(µ α ) costo complessvo atteso de snstr dell anno d orgne, exp(β )/ B alquota d tale costo che vene pagata con dffermento. t =0 e β, s può nterpretare La crescenza degl α comporta crescenza de cost complessv al crescere dell anno d orgne. La decrescenza de β comporta che è decrescente, come è naturale, l alquota del costo totale che è pagata ne dvers ann d dffermento. Il GLM produce le stme del metodo della catena. MODELLI STOCASTICI DELLA CLASSE DEI GLM 20
11 BONTA DI ADATTAMENTO AI DATI Indcazon d tpo globale. INFERENZA STATISTICA PER I GLM S basano sul confronto tra l modello corrente c e l modello saturo f, che ha un numero d parametr par al numero d osservazon e che fornsce come valor stmat Supponamo dapprma φ noto. Devanza scalata o statstca del log-rapporto d verosmglanza * µ valor osservat y. S confrontano le massme verosmglanze ottenbl con l modello corrente c e con l modello saturo f. Intutvamente, l modello c spega bene dat se la corrspondente ML non è molto dversa da quella ottenble con l modello f. Indcate con ˆ β e β * le stme d ML del parametro d regressone per modell c ed f, che s può scrvere S(c, f ) = 2log(L c ( ˆ β )/ L f (β * )) = 2(log L c ( ˆ β ) log L f (β * )) = 2(l c ( ˆ β ) l f (β * )) n ω y s S( c, f ) = S( ˆ; µ y) = 2 ds. φ V ( s = 1 y ) MODELLI STOCASTICI DELLA CLASSE DEI GLM 21 µ Devanza D( c, f ) = φs( c, f ) n µ y = 1 y V ( s) = D( ˆ; µ y ) = φs( ˆ; µ y) = 2 ω s ds La devanza scalata è proporzonale a 1/φ, la devanza non dpende da φ. Statstca ch-quadrato d Pearson E un altra msura dello scostamento tra modello corrente e modello saturo, defnta dalla X 2 n (y = ω ˆ µ ) 2. =1 V( ˆ µ ) Anche d questa statstca s consdera una versone scalata, d valore X 2 φ = n (y ˆ µ ) 2. =1 φ V( ˆ µ ) ω MODELLI STOCASTICI DELLA CLASSE DEI GLM 22
12 Nel modello d regressone lneare normale, sotto le potes del modello corrente, le precedent statstche hanno dstrbuzone χ 2 (n p), per ogn n. S possono allora effettuare test formal d verfche d potes. Per GLM dvers dal modello lneare normale non s hanno, n generale, rsultat esatt sulle dstrbuzon delle due statstche. Basandos su propretà asntotche s assume che per n elevato, nelle potes del modello corrente, valga l approssmazone χ 2 (n p). L approssmazone n generale non è buona. Una regola pratca per avere ndcazon d bontà dell adattamento realzzato dal modello: S(c, f ) n p X 2 /φ n p se sono molto maggor d 1 possono ndcare un adattamento non soddsfacente. Se φ non è noto è sosttuto con una sua stma ottenuta con uno stmatore consstente. La stma del parametro φ La stma d φ, quando non è noto, s può ottenere, oltre che con l metodo della massma verosmglanza, anche rcorrendo a stmator consstent: ˆ φ = D(c, f ) n p ˆ φ = X 2 n p. MODELLI STOCASTICI DELLA CLASSE DEI GLM 23 Esempo. Anals sull adattamento del Modello d Posson Una prma ndcazone sulla bontà dell adattamento a dat realzzato dal modello s ottene guardando alla tabella seguente tratta dall output d SAS Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood Consderando per le statstche Scaled Devance e Scaled Pearson X2 la determnazone d Value/DF, s osserva che molto maggore d 1, può essere una ndcazone d un cattvo adattamento del modello. E quanto accade nel nostro caso: ndcazone d sovradspersone. MODELLI STOCASTICI DELLA CLASSE DEI GLM 24
13 CONTROLLO DEL MODELLO STIMATO Anals nformal medante resdu possono evdenzare scostament sstematc tra valor stmat e osservat e qund essere utlzzate per esplorare l adeguatezza della funzone d varanza, della funzone d collegamento, delle varabl esplcatve present nel prevsore lneare, evdenzare sngole osservazon che s dscostno dalla maggor parte delle rmanent. Resdu ordnar (raw resduals) Resdu d Pearson r P = r = y ˆ µ. y ˆ µ. V( ˆ µ )/ ω Il resduo fornsce ndcazone sull mpatto dell osservazone -esma sul valore della statstca ch-quadrato d Pearson: n 2 r P =1 = X 2 MODELLI STOCASTICI DELLA CLASSE DEI GLM 25 Resdu della devanza (devance resduals) r D = sgn(y ˆ µ ) d, dove d è l addendo -esmo nell espressone della devanza e sgn(y ˆ µ ) = 1 se y ˆ µ 0 1 se y ˆ µ < 0. Il resduo r D ha lo stesso segno d y ˆ µ e fornsce ndcazone sull mpatto dell osservazone -esma nell anals della devanza n 2 r D =1 = D(c, f ). S consderano anche verson standardzzate de precedent due tp d resdu. Resdu d Pearson studentzzat (s) r P = y ˆ µ ˆ φ V( ˆ µ )(1 h ) ω Resdu della devanza studentzzat d (s) r D = sgn(y ˆ µ ) ˆ φ (1 h ) dove h elemento dagonale della matrce hat. MODELLI STOCASTICI DELLA CLASSE DEI GLM 26
14 Da propretà asntotche degl stmator d ML (valde nel caso d dat raggruppat) se l modello è adeguato, se dat sono raggruppat e se nell ambto d cascun gruppo c è un numero suffcentemente elevato d osservazon, resdu dovrebbero mostrare un andamento analogo a quello d osservazon d numer aleator con dstrbuzone approssmatvamente normale d meda nulla e varanza costante, untara per le verson standardzzate. Anals grafche medante resdu Per evdenzare scostament sstematc tra valor osservat e valor stmat: grafc de resdu al varare de valor attes stmat, per es. l grafco delle coppe ( ˆ µ, r (s) ), ; D = 1,..., n per (s) una mglore vsualzzazone ( f( ˆ µ ), r D ), es. f(µ) = 2 µ per Posson, f(µ) = 2log µ per gamma; grafc de resdu al varare de valor stmat del prevsore lneare, per es. l grafco delle coppe ( ˆ η,r (s) ), ; D = 1,..., n grafc de resdu al varare delle possbl determnazon d una varable esplcatva, per ogn varable. Se l modello è adeguato punt del grafco dovrebbero dspors n una banda orzzontale attorno all asse delle ascsse. MODELLI STOCASTICI DELLA CLASSE DEI GLM 27 Devazon sstematche tpche: una curvatura nella meda può ndcare una scelta non adeguata della funzone d collegamento, che potrebbe non essere stata nserta qualche varable esplcatva rlevante, che potrebbe essere opportuno trasformare varabl esplcatve (es. log o quadratche), varazon sstematche della banda de valor de resdu al varare de valor stmat, può ndcare nadeguatezza della funzone d varanza. I grafc sono poco ndcatv se le varabl rsposta hanno poche determnazon. Per verfcare l adeguatezza della funzone d varanza: (s) grafco delle coppe ( ˆ µ, r D ), = 1,..., n. Se l modello è adeguato l grafco non dovrebbe evdenzare andament tendenzal. La presenza d un trend può essere ndcatva d una scelta non adeguata della funzone d varanza. Un trend crescente può ndcare che la funzone d varanza cresce troppo lentamente rspetto alla meda, vceversa un trend decrescente. Per modell con funzone d varanza d tpo potenza V(µ) = µ p, s può analzzare la bontà dell adattamento, al varare d p. MODELLI STOCASTICI DELLA CLASSE DEI GLM 28
15 Per verfcare l adeguatezza della funzone d collegamento, grafco delle coppe ( ˆ η, ˆ z * ), = 1,..., n, con ˆ z * = g( ˆ µ ) g ( ˆ µ )(y ˆ µ ). ˆ z * è l valore n y dell approssmante lneare d g, relatvamente a ˆ µ (pseudodat). Se l modello è adeguato, l grafco dovrebbe mostrare un andamento approssmatvamente lneare. Grafc che evdenzno andament che s dscostno n modo sstematco da un andamento lneare, suggerscono d modfcare la scelta della funzone d collegamento. Per modell con funzone collegamento d tpo potenza, g(µ) = µ γ seγ 0 logµ seγ = 0 s può analzzare la bontà dell adattamento, al varare d γ. MODELLI STOCASTICI DELLA CLASSE DEI GLM 29 Per evdenzare la presenza d osservazon anomale, cosddett outlers, (s) grafc de resdu al varare dell ndce dell osservazone, es. (, r D ), = 1,, n, l grafco delle coppe ( ˆ µ, y ), = 1,, n. L effetto dell nsermento o meno d alcun tp d osservazon, n partcolare d quelle evdenzate come anomale da grafc precedent, può essere tratta stmando l modello con l osservazone e senza l osservazone e verfcando l effetto sulla stma dell ntercetta e degl altr parametr d regressone. Esempo. I resdu studentzzat della devanza e d Pearson per l ModelloPosson sono rportat ne grafc seguent MODELLI STOCASTICI DELLA CLASSE DEI GLM 30
16 Resdu della devanza studentzzat Modello Posson Valor attes stmat Resdu d Pearson studentzzat Modello Posson Valor attes stmat MODELLI STOCASTICI DELLA CLASSE DEI GLM 31 E evdente che resdu osservat non corrspondono alle determnazon d un campone casuale d varabl d meda 0 e scarto quadratco medo 1. S hanno ndcazon che l modello non è adatto a descrvere la dspersone de dat. Esempo. Modello gamma-logartmo per le rserve varabl rsposta Y = P, con dstrbuzon gamma, varabl esplcatve: anno d accadmento (annoacc), anno d dffermento (annodff), η = x ' β = µ α β, funzone d collegamento: g = log. MODELLI STOCASTICI DELLA CLASSE DEI GLM 32
17 The GENMOD Procedure Model Informaton Data Set WORK.DATIV Dstrbuton Gamma Lnk Functon Log Dependent Varable pagament Observatons Used 105 Class Level Informaton Class Levels V alues annoacc annodff Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood MODELLI STOCASTICI DELLA CLASSE DEI GLM 33 Analyss Of Paremeter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr > Ch Intercept <.0001 annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annodff annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff Scale NOTE: The Gamma scale parameter was estmated by DOF/Pearson's Ch-Square Sull andamento de parametr valgono consderazon analoghe a quelle fatte per l modello Posson-logartmo. MODELLI STOCASTICI DELLA CLASSE DEI GLM 34
18 Resdu della devanza studentzzat Modello gamma Valor attes stmat Valor assolut resdu della devanza studentzzat Modello gamma 4,5 4 3,5 3 2,5 2 1,5 1 0, Valor attes stmat MODELLI STOCASTICI DELLA CLASSE DEI GLM 35 S ha una ndcazone che la funzone d varanza cresce troppo rapdamente rspetto alla meda. Grafco degl pseudo-dat per ndcazon sulla funzone d collegamento Pseudo-dat Modello gamma Valor attes stmat MODELLI STOCASTICI DELLA CLASSE DEI GLM 36
19 Stme delle rserve Anno Rserva stmata Posson Rserva stmata Gamma n % , , , , , , , , , , , , ,040 Totale ,068 MODELLI STOCASTICI DELLA CLASSE DEI GLM 37 VERIFICHE DI IPOTESI E CONFRONTO TRA MODELLI Problema. Consderamo l confronto tra due modell, M 0 e M 1, con dstrbuzon delle varabl rsposta appartenent alla medesma famgla esponenzale lneare, la medesma funzone d collegamento, dversa struttura d regressone: l modello M 1 con p parametr; l modello vncolato M 0 con p s parametr, un sottovettore del vettore de parametr del modello M 1. Rspetto a M 1, M 0 è detto modello rdotto o anndato o sottomodello. Obettvo del confronto: valutare la sgnfcatvtà delle varabl che compaono nel modello M 1 e non nel modello M 0, tenuto conto delle varabl che compaono nel modello M 0. S può effettuare una verfca d potes: H 0 contro H 1 : non H 0. Esemp. (1) Per valutare la sgnfcatvtà d un unca varable numerca, la condzone espressa dall potes nulla rguarda un unco parametro H 0 : β k = 0. MODELLI STOCASTICI DELLA CLASSE DEI GLM 38
20 (2) Per valutare globalmente la sgnfcatvtà d alcune varabl corrspondent a parametr β 1,K,β s, s formula l potes nulla H 0 : β 1 = 0,K,β s = 0. Rentra n quest ultmo esempo l confronto tra modello corrente e modello saturo, n cu M 0 è l modello corrente e M 1 l modello saturo. Problema. Rdscutere la suddvsone n lvell delle varabl esplcatve d classfcazone. Esempo. (3) Consderamo una varable d classfcazone C k, codfcata medante un vettore d varabl ndcatrc. Per valutare se mantenere separat due lvell h, g, s formula l potes nulla (k ) (k) H 0 : β h = β g. Gl esemp sono cas partcolar d verfche d potes n cu l potes nulla esprme un vncolo lneare per l vettore de parametr d regressone. MODELLI STOCASTICI DELLA CLASSE DEI GLM 39 Pù n generale, possamo consderare verfche d potes per β del tpo dove L è una matrce s p, con s p, d rango peno s. Negl esemp, ξ è l vettore nullo e la matrce L (1) H 0 : β k = 0 (2) H 0 : β 1 = 0,K, β s = 0 H 0 : Lβ = ξ contro H 1 : Lβ ξ, β k L = (0,..., 0, 1, 0,..., 0), (k ) (k) (3) H 0 : β h = β g β 1 β 2 β s L = ( k) β h MODELLI STOCASTICI DELLA CLASSE DEI GLM 40 (k) β g L = (0,..., 0, 1, 0,..., 0, 1, 0,..., 0),
21 Per test s consderano le seguent statstche. La statstca del log-rapporto d verosmglanza, d valore dove l è la log-verosmglanza del modello M 1, ˆ β è l punto d massmo d l, λ = 2(l( ˆ β ( 0) ) l( ˆ β )), ˆ β (0) l punto d massmo d l, vncolato dalla condzone Lβ = ξ. Intutvamente, se la massma log-verosmglanza non vncolata l( ˆ β ) è sgnfcatvamente maggore d quella vncolata l( ˆ β (0) ), e qund λ è grande, s rfuta l potes H 0, se λ è pccolo, s accetta l potes H 0. Da rsultat asntotc sulle stme d massma verosmglanza, s ha sub H 0 a λ χ 2 (s). con s rango della matrce L. Nel caso de modell anndat, s = df 0 df 1, dfferenza tra numer d grad d lbertà del sottomodello M 0 e del modello M 1. MODELLI STOCASTICI DELLA CLASSE DEI GLM 41 La statstca d Wald, d valore 1 1 ( L[\ ( ˆ) β L' ) ( L ˆ β ξ ) w = ( L ˆ β ξ )' ], dove \ (βˆ ) è la matrce d nformazone d Fsher calcolata n ˆ β. Il valore w è una msura della dstanza tra L ˆ β, stma non vncolata del vettore Lβ, ξ valore vncolato d Lβ. Intutvamente, se la dstanza tra L ˆ β e ξ è elevata, e qund se w è grande, s rfuta l potes H 0, se w è pccolo, s accetta l potes H 0. Da rsultat asntotc sulle stme d massma verosmglanza, resce con s rango della matrce L. sub H 0 a w χ 2 (s). MODELLI STOCASTICI DELLA CLASSE DEI GLM 42
22 Esempo (1) Nel test con H 0 : β k = 0, L[ \ ( ˆ) β ] 1 L' = v kk è l elemento d posto (k,k) dell nversa della matrce d nformazone d Fsher calcolata n ˆ β. v kk è una stma della varanza asntotca d β k. Per w s ha ( ˆ ) 2 w = β k v kk. Da rsultat asntotc sulle stme d massma verosmglanza, resce sub H 0 a w χ 2 (1). MODELLI STOCASTICI DELLA CLASSE DEI GLM 43 Esempo. Rprendamo l output per l modello con dstrbuzon gamma. Analyss Of Paremeter Estmates Standard Wald 95% Confdence Ch- Parameter DF Estmate Error Lmts Square Pr > Ch Intercept <.0001 annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annoacc annodff annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff Scale NOTE: The Gamma scale parameter was estmated by DOF/Pearson's Ch-Square MODELLI STOCASTICI DELLA CLASSE DEI GLM 44
23 Molt parametr non sono sgnfcatvamente dvers da zero. E effettuata la verfca d potes H 0 : β = 0 contro H 1 : β 0, con la statstca d Wald, per verfcare la sgnfcatvtà del parametro β un valore basso della statstca (Ch-Square) rspetto ad un valore crtco della dstrbuzone χ 2 (1), un valore elevato del p-value (Pr>ChSq), porterebbero a gudcare statstcamente non sgnfcatvo mantenere β 0. MODELLI STOCASTICI DELLA CLASSE DEI GLM 45 ULTERIORI ANALISI PER IL CONTROLLO DI UN MODELLO Accennamo ad altr element che possono essere consderat per effettuare anals su - sngol parametr, - prevsore lneare, - l modello nel suo complesso. Quest element s possono ottenere come output de software statstc. Anals su sngol parametr Per ogn parametro stmato ˆ β k, ndcazon sulla sua sgnfcatvtà s possono rcavare da: Standard error: ˆ σ k = v kk dove v kk = vˆ a r( β k ) è l elemento d posto (k,k) d 1 \ ( ˆ) β. Un valore elevato d ˆ σ k può ndcare non affdabltà della stma ˆ β k. Intervallo d confdenza per β k con lvello 1 α: dove z 1 α/ 2 è l quantle d ordne 1 α / 2 della N(0,1). ˆ β k ± z 1 α/ 2 ˆ σ k Un ntervallo ampo può ndcare non attendbltà della stma. Un ntervallo che contenga lo zero può ndcare non sgnfcatvtà della varable corrspondente a β k. MODELLI STOCASTICI DELLA CLASSE DEI GLM 46
24 Anals sul prevsore lneare Per effettuare anals sul valore stmato del prevsore lneare ˆ η = x' ˆ β relatvo all osservazone -esma: Standard error: 1 ˆ σ = x' \ ( ˆ) β x. Stma dello scarto quadratco medo dello stmatore d η. η Intervallo d confdenza per η con lvello 1 α: ˆ η ± z 1 α/ 2 ˆ σ η, dove z 1 α/ 2 è l quantle d ordne 1 α / 2 della N(0,1). Intervallo d confdenza per µ : g 1 ( ˆ η ± z 1 α/ 2 ˆ σ η ), per la monotona della funzone d collegamento, se gl estrem dell ntervallo, ˆ η ± z 1 α/ 2 ˆ σ η, appartengono al domno d g 1. MODELLI STOCASTICI DELLA CLASSE DEI GLM 47 MODELLI CON QUASI-VEROSIMIGLIANZA La classe de GLM e le relatve tecnche per l nferenza statstca sono state estese n dvers mod per aumentare ulterormente la flessbltà e l applcabltà de modell. I modell con quas-verosmglanza (QL), sono modell semparametrc, ne qual s specfcano solamente le strutture de prm due moment delle dstrbuzon delle varabl rsposta e non anche una partcolare forma d dstrbuzone. In questo caso s ottengono stme del valore atteso e della varanza delle varabl rsposta, ma s perde, n generale, la possbltà d ottenere una dstrbuzone stmata. MODELLI STOCASTICI DELLA CLASSE DEI GLM 48
25 Ipotes d un modello QL o GLM semparametrco o quas-glm Ipotes probablstche. Le varabl rsposta Y 1,...,Y n sono stocastcamente ndpendent e dove var(y ) = φ ω V(µ ), = 1,..., n, E(Y ) = µ, V è una funzone della speranza matematca, detta funzone d varanza, φ > 0 è un parametro d dspersone, ω > 0 è un peso assegnato. Ipotes struttural. Il legame tra la speranza matematca µ della varable rsposta Y ed l vettore x dove delle determnazon delle varabl esplcatve, è β vettore d parametr, g funzone d collegamento. µ = g 1 (x' β ), = 1,..., n, La struttura de prm due moment è analoga a quella de GLM, ma c s svncola dall potes che le dstrbuzon sano specfcate ed appartengano ad una famgla esponenzale lneare. MODELLI STOCASTICI DELLA CLASSE DEI GLM 49 Stma del parametro β S rsolve l sstema d Wedderburn o d quas-verosmglanza, n ω x φ (y 1 µ ) = 0, = 0,..., m, g'(µ )V (µ ) =1 formalmente uguale al sstema delle equazon d verosmglanza n un GLM. E l sstema delle condzon del prmo ordne per la funzone Q(µ,φ; y) = n ω =1 µ y s φv (s) ds, con µ = g 1 (x' β ), y detta quas-(log)-verosmglanza. E un sstema d equazon d verosmglanza solo se esste una dstrbuzone della famgla esponenzale lneare con funzone d varanza V, e s decde d sceglere tal dstrbuzon per le varabl rsposta. Le stme che s ottengono rsolvendo l sstema sono dette stme d massma quas-verosmglanza e s prova che soddsfano propretà, come la consstenza e la normaltà asntotca, analoghe a quelle delle stme d massma verosmglanza. MODELLI STOCASTICI DELLA CLASSE DEI GLM 50
26 Adattamento a dat Nell approcco della quas-verosmglanza, ndcazon sulla bontà dell adattamento a dat s rcavano dalla statstca ch-quadrato d Pearson e dalla quas-devanza la cu espressone è la seguente n µ y d( ˆ µ, y) = 2 ω s V(s) ds. =1 Per l suo calcolo basta conoscere la speranza matematca e la funzone d varanza. Stma del parametro φ S usa lo stmatore d Pearson ˆ φ = X 2 n p = 1 n p y n (y ω ˆ µ ) 2, =1 V ( ˆ µ ) oppure lo stmatore che s ottene sosttuendo alla devanza la quas-devanza ˆ φ = d( ˆ µ, y) n p. Verfche d potes S può usare la statstca d Wald 1 1 ( L[\ ( ˆ) β L' ) ( L ˆ β ξ ) w = ( L ˆ β ξ )' ]. MODELLI STOCASTICI DELLA CLASSE DEI GLM 51 Esempo. Modello d Posson con sovradspersone-logartmo E un modello GLM d tpo semparametrco. varabl rsposta Y = P, Posson con sovradspersone, S rchede l ndpendenza delle varabl rsposta e s pongono le condzon E(Y ) = µ = exp(µ α β ), var(y ) = φv (µ ) = φµ, φ > 1. varabl esplcatve: anno d accadmento (annoacc), anno d dffermento (annodff), η = x ' β = µ α β, funzone d collegamento: g = log. Il modello fornsce le stesse stme de parametr d regressone del modello Posson (e qund le stesse stme delle rserve del metodo della catena). Crtera For Assessng Goodness Of Ft Crteron DF Value Value/DF Devance Scaled Devance Pearson Ch-Square Scaled Pearson X Log Lkelhood L ndcatore sntetco d accettabltà del modello, Value/DF, fornsce ora valor vcno a 1. MODELLI STOCASTICI DELLA CLASSE DEI GLM 52
27 Le stme de parametr sono quelle del Modello d Posson, cambano le altre colonne. Analyss Of Parameter Estmates Standard W ald 95% Confdence C h- Parameter D F Estmate Error Lmts Square Pr > ChSq Intercept <.0001 annoacc annoacc annoacc annoacc annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc <.0001 annoacc annodff annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff <.0001 annodff Scale NOTE: The scale parameter was estmated by the square root of Pearson's Ch-Square/DOF. MODELLI STOCASTICI DELLA CLASSE DEI GLM 53 Le stme de parametr d regressone sono ora meno precse. Quas tutt parametr rsultano sgnfcatv al 5%. I resdu standardzzat d Pearson non segnalano problem nell adattamento. Resdu della devanza studentzzat Modello Posson con sovradspersone Valor attes stmat MODELLI STOCASTICI DELLA CLASSE DEI GLM 54
28 Dsponendo de dat relatv ad una grandezza che fornsca una msura d esposzone, s possono consderare modell ne qual le varabl rsposta sono grandezze rapportate a tale msura. Modello d Posson con sovradspersone-logartmo per pagament rapportat ad una msura d esposzone varabl rsposta: rapport Y = P / w, w numero d snstr dell anno d orgne, denuncat nell anno, modello d Posson con sovra-dspersone, con pes numer d snstr denuncat ω = w, varabl esplcatve: anno d accadmento (annoacc), anno d dffermento (annodff), η = x ' β = µ α β, funzone d collegamento: g = log. Resdu devanza studentzzat Sere MODELLI STOCASTICI DELLA CLASSE DEI GLM 55 E naturale descrvere pagament ncremental P come somma de pagament per snstr trattat con dffermento, dove N è l numero d pagament della cella (,), (h) Z è l mporto del pagamento h-esmo. P = N ( h) Z h=1, Se s assegna a P una dstrbuzone Posson-composta con dstrbuzone de pagament d tpo gamma, allora numer aleator Y = P / ω hanno dstrbuzone appartenente ad una famgla esponenzale lneare con pes ω e funzone d varanza d tpo potenza p V ( µ ) = µ, 1 < p < 2, dove p è legato al parametro d forma della dstrbuzone gamma (Jorgensen, de Suoza (1994)). MODELLI STOCASTICI DELLA CLASSE DEI GLM 56
29 Modello d Posson-composto-logartmo per pagament rapportat ad una msura d esposzone varabl rsposta: rapport Y = P / w, w numero d snstr dell anno d orgne, denuncat nell anno, modello d Posson composta, con pes numer d snstr denuncat ω = w : famgla esponenzale lneare con funzone d varanza d tpo potenza, ponamo p =1, varabl esplcatve: anno d accadmento (annoacc), anno d dffermento (annodff), η = x ' β = µ α β, funzone d collegamento: g = log. Resdu devanza studentzzat Sere MODELLI STOCASTICI DELLA CLASSE DEI GLM 57 PROCEDIMENTI DI SELEZIONE DELLE VARIABILI I modell d regressone sono spesso utlzzat n stuazon n cu c sono numerose varabl esplcatve potenzalmente nfluent sulla valutazone probablstca delle varabl rsposta. Un modello con molte varabl ha molt parametr. Ma un mportate propretà d ogn modello statstco è quella della parsmona nel numero de parametr. I procedment d selezone delle varabl hanno l obettvo d determnare un sottonseme d varabl esplcatve sgnfcatve, n modo che l modello stmato realzz un buon adattamento a valor osservat, ma che dpenda da un numero relatvamente basso d parametr. I procedment automatc d selezone hanno un duplce obettvo: rdurre l numero d modell da analzzare, gudare nella selezone. I pù dffus sono procedment teratv d tpo forward, backward e stepwse. S basano sul confronto tra modell, uno anndato nell'altro. MODELLI STOCASTICI DELLA CLASSE DEI GLM 58
30 Procedmento forward S parte dal modello nullo che ha come unco parametro l ntercetta β 0. S nsersce nel modello per prma la varable maggormente sgnfcatva: quella tra le sgnfcatve (con p-value < α) alla quale corrsponde l p-value pù pccolo. Al secondo passo, s confronta l modello così ottenuto con tutt modell che contengono, oltre alla varable selezonata al passo precedente, una nuova varable e s procede come sopra. Il procedmento termna quando non c sono pù varabl sgnfcatve, coè quando a partre da un modello selezonato l ntroduzone d una ulterore varable, qualunque essa sa, comporta un p-value maggore o uguale del fssato lvello α, oppure quando s è raggunto un numero prefssato d varabl. Spesso è usata la statstca λ, ne modell con quas-verosmglanza la statstca d Wald w. MODELLI STOCASTICI DELLA CLASSE DEI GLM 59 Procedmento backward S parte dal modello completo con tutte le varabl nserte. S togle dal modello per prma la varable meno sgnfcatva: quella tra le non sgnfcatve (con p- value α) alla quale corrsponde l p-value pù elevato. Al secondo passo, s confronta l modello così ottenuto con tutt modell che s ottengono elmnando un ulterore varable esplcatva, procedendo come sopra. Il procedmento termna quando, a partre da un modello, l elmnazone d una varable, qualunque essa sa, comporta un p-value mnore d α. Procedmento stepwse Combna l procedmento forward con l procedmento backward. Con rfermento al generco passo, s consdera un passo forward che conduce ad ntrodurre nel modello una nuova varable. A questo punto, s attua un passo backward per verfcare se la varable appena nserta renda superflua qualcuna delle varabl precedentemente nserte nel modello. Il procedmento termna quando s trova un modello uguale ad uno gà ottenuto. MODELLI STOCASTICI DELLA CLASSE DEI GLM 60
31 STRUTTURE DI REGRESSIONE Con dat usualmente dsponbl, le varabl esplcatve anno d orgne, anno d dffermento o svluppo, anno d pagamento consentono d tenere conto d dvers aspett del problema. Se sono trattate come varabl d classfcazone, parametr d regressone sono: l ntercetta µ, α 0,...,α t per gl ann d orgne, β 0,..., β t per gl ann d svluppo, γ 0,...,γ t per gl ann d pagamento: β = (µ,α 0,α 1,K,α t,β 0,β 1,K,β t,γ 0,γ 1,K,γ t )'. La matrce del modello X ha n = (t 1)(t 2)/ 2 rghe, par al numero d osservazon (d celle), 1 3(t 1) colonne d cu solo p = 3t sono lnearmente ndpendent. Il rango d X, par a p, è l numero d parametr da stmare. Per evtare problem d ndetermnatezza, s può fssare, per esempo par a zero, l valore de parametr corrspondent alle colonne d X combnazon lnear delle altre e calcolare le stme de rmanent: p numero de parametr del modello n p numero de grad d lbertà. In partcolare, s può porre α 0 = 0, β 0 = 0, γ 0 = 0 ed ancora, per esempo, γ t = 0. MODELLI STOCASTICI DELLA CLASSE DEI GLM 61 Se la funzone d collegamento è l logartmo, s ha un modello moltplcatvo per la speranza matematca delle varabl rsposta, E(Y ) = µ = exp(µ α β γ ) = Ka b c, dove K = exp(µ), a = exp(α ), b = exp(β ) e c k = exp(γ k ). Dalle α 0 = β 0 = γ 0 = 0, segue che K è l valore atteso della varable rsposta corrspondente al prmo anno d orgne e al dffermento nullo. Poché la varable anno d pagamento è d classfcazone, s hanno le stme de parametr γ k solo per k = 1,K,t. A fn della prevsone occorre dsporre delle stme de parametr per gl ann futur. In tal caso, s consderano stme ˆ γ k, k = t 1,K, 2t, ottenute per estrapolazone da valor stmat, ˆ γ 1,K, ˆ γ t. Il problema non s pone se la varable è trattata come numerca. L uso delle tre varabl esplcatve come varabl d classfcazone può portare a problem d sovraparametrzzazone. Per esempo: per t = 13, n = 105 osservazon e p = 39 parametr da stmare. La scelta della struttura d regressone è un aspetto delcato della scelta d un modello. Può essere suggerta da anals prelmnar svluppate su dat ed anche da anals nferenzal d confronto tra modell, basate su ndcator della bontà dell accostamento a dat e su anals de resdu. MODELLI STOCASTICI DELLA CLASSE DEI GLM 62
32 Altre strutture d regressone Consderamo alcune strutture d regressone e l effetto sulla speranza matematca delle varabl rsposta, nell potes che la funzone d collegamento sa l logartmo. Due varabl d classfcazone Il numero de parametr del modello è p = 1 2t. Anno d orgne e anno d dffermento E(Y ) = exp(µ α β ) = Ka b. Anno d dffermento e anno d pagamento E(Y ) = exp(µ β γ ) = Kb c. Con la prma struttura d regressone s rtrova l potes alla base del metodo della catena. MODELLI STOCASTICI DELLA CLASSE DEI GLM 63 Una varable d classfcazone e una numerca Il modello ha p = 2 t parametr. Anno d orgne d classfcazone e anno d dffermento numerca E(Y ) = exp(µ α β ) = Ka b, dove b = exp(β ). Il modello traduce l potes che, n termn attes, la quota dell mporto totale d rsarcment per snstr dell anno d orgne, pagata d anno n anno, decresca d una fssata percentuale b. Anno d orgne d classfcazone e anno d pagamento numerca E(Y ) = exp(µ α γ ( )) = Ka c, dove c = exp(γ ). Interpretando l effetto dovuto all anno d pagamento come effetto nflazonstco, l modello traduce l potes che l tasso annuo d nflazone de cost de snstr sa costante. I due modell fornscono la stessa stma del valore atteso delle varabl rsposta. Dal secondo s ha nfatt E(Y ) = Ka c = K(a c )c = K A B, dove A = a c e B = c. La struttura a ultmo membro concde con quella del prmo modello. MODELLI STOCASTICI DELLA CLASSE DEI GLM 64
33 Partcolar andament dell nflazone possono suggerre scelte dverse rspetto alla E(Y ) = exp(µ α γ ( )) = Ka c. Per esempo, se s osservano andament dvers negl ann d pagamento da 0 a T e da T n po, s può ntrodurre nel prevsore lneare una componente del tpo (Taylor (2000)) γ 1 ( )γ 2 max(0, T). Cò equvale a consderare come varabl esplcatve numerche l anno d pagamento e la sua trasformata max(0, T). Anno d orgne numerca e anno d dffermento d classfcazone E(Y ) = exp(µ α β ) = Ka b, dove a = exp(α). Il modello traduce l potes che, n termn attes, rsarcment total per anno d orgne s ncrementno o s rducano d una fssata percentuale n ogn anno, per esempo per effetto d espanson o contrazon d portafoglo. Anno d dffermento d classfcazone e anno d pagamento numerca E(Y ) = µ = exp(µ β γ( )) = Kb c. Gl ultm due modell fornscono la stessa stma per la speranza matematca delle varabl rsposta. MODELLI STOCASTICI DELLA CLASSE DEI GLM 65 Due varabl numerche I parametr del modello sono tre. Anno d orgne e anno d dffermento E(Y ) = exp(µ α β ) = Ka b. Anno d dffermento e anno d pagamento E(Y ) = exp(µ β γ( )) = Kb c. I due modell fornscono le stesse stme delle speranze matematche µ. MODELLI STOCASTICI DELLA CLASSE DEI GLM 66
Relazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
DettagliRelazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione
1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI CONFRONTO DI PIU MEDIE IL METODO DI ANALISI DELLA VARIANZA IL PROBLEMA Supponamo d voler studare l effetto d 4 dverse dete su un campone casuale d 4
DettagliLA COMPATIBILITA tra due misure:
LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore
DettagliSTATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE
Matematca e statstca: da dat a modell alle scelte www.dma.unge/pls_statstca Responsabl scentfc M.P. Rogantn e E. Sasso (Dpartmento d Matematca Unverstà d Genova) STATISTICA DESCRITTIVA - SCHEDA N. REGRESSIONE
DettagliMinistero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA
Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa 2012-2013 lezione 13: 24 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 13: 24 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? reammortamento uò accadere che, dopo l erogazone
DettagliLa verifica delle ipotesi
La verfca delle potes In molte crcostanze l rcercatore s trova a dover decdere quale, tra le dverse stuazon possbl rferbl alla popolazone, è quella meglo sostenuta dalle evdenze emprche. Ipotes statstca:
DettagliStudio grafico-analitico di una funzioni reale in una variabile reale
Studo grafco-analtco d una funzon reale n una varable reale f : R R a = f ( ) n Sequenza de pass In pratca 1 Stablre l tpo d funzone da studare es. f ( ) Determnare l domno D (o campo d esstenza) della
DettagliMACROECONOMIA A.A. 2014/2015
MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost
DettagliLa regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente
Unverstà d Macerata Facoltà d Scenze Poltche - Anno accademco - La Regressone Varable ndpendente (data) Varable dpendente Dpendenza funzonale (o determnstca): f ; Da un punto d vsta analtco, valor della
DettagliTITOLO: L INCERTEZZA DI TARATURA DELLE MACCHINE PROVA MATERIALI (MPM)
Identfcazone: SIT/Tec-012/05 Revsone: 0 Data 2005-06-06 Pagna 1 d 7 Annotazon: Il presente documento fornsce comment e lnee guda sull applcazone della ISO 7500-1 COPIA CONTROLLATA N CONSEGNATA A: COPIA
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliLezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse
Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso
DettagliIL MODELLO DI MACK. Materiale didattico a cura di Domenico Giorgio Attuario Danni di Gruppo Società Cattolica di Assicurazioni
IL MODELLO DI MACK Materale ddattco a cura d Domenco Gorgo Attuaro Dann d Gruppo Socetà Cattolca d Asscurazon CHAIN-LADDE CLASSICO Metodo pù utlzzato per la stma della rserva snstr. Semplctà. Dstrbuton-ree
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliCAPITOLO 3 Incertezza di misura Pagina 26
CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
DettagliOltre la regressione lineare
Oltre la regressone lneare Modello d regressone lneare (semplce o multpla: - varabl esplcatve X quanttatve e qualtatve (nserte tramte uso d varabl dummy - varable dpendente Y è quanttatva Y = b + b X +
DettagliA. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO
4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
DettagliLA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE
Lezone 6 - La statstca: obettv; raccolta dat; le frequenze (EXCEL) assolute e relatve 1 LA STATISTICA: OBIETTIVI; RACCOLTA DATI; LE FREQUENZE (EXCEL) ASSOLUTE E RELATIVE GRUPPO MAT06 Dp. Matematca, Unverstà
DettagliSTATISTICA DESCRITTIVA CON EXCEL
STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 017/018 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/hxl9zg Unverstà della Campana Lug Vanvtell Dpartmento d Pscologa
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
Dettagli3. Esercitazioni di Teoria delle code
3. Eserctazon d Teora delle code Poltecnco d Torno Pagna d 33 Prevsone degl effett d una decsone S ndvduano due tpologe d problem: statc: l problema non vara nel breve perodo dnamc: l problema vara Come
DettagliTECNICHE DI ANALISI DEI DATI MODELLI LINEARI
TECNICHE DI ANALISI DEI DATI AA 16/17 PROF. V.P. SENESE Quest materal sono dsponbl per tutt gl student al seguente ndrzzo: https://goo.gl/rwabbd Seconda Unverstà d Napol (SUN) Dpartmento d Pscologa TECNICHE
Dettagli03/03/2012. Campus di Arcavacata Università della Calabria
Campus d Arcavacata Unverstà della Calabra Corso d statstca RENDE a.a 0-00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 Concentrazone Un altro aspetto d un nseme d dat che s aggunge alla meda e alla varabltà è costtuto
Dettagli* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1
APAT Agenza per la Protezone dell Ambente e per Servz Tecnc Dpartmento Dfesa del Suolo / Servzo Geologco D Itala Servzo Tecnologe del sto e St Contamnat * * * Nota nerente l calcolo della concentrazone
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa 2012-2013 Esercitazione: 4 aprile 2013
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2012-2013 Eserctazone: 4 aprle 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/41? Aula "Ranzan B" 255 post 1 2 3 4 5 6 7 8 9
DettagliAnalisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:
Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto
DettagliContenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2
Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco
DettagliNorma UNI CEI ENV 13005: Guida all'espressione dell'incertezza di misura
orma UI CEI EV 3005: Guda all'espressone dell'ncertezza d msura L obettvo d una msurazone è quello d determnare l valore del msurando, n altre parole della grandezza da msurare. In generale, però, l rsultato
DettagliUniversità degli Studi di Urbino Facoltà di Economia
Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva
DettagliCapitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS
Captolo 7 1. Il modello IS-LM La «sntes neoclassca» e l modello IS-LM Defnzone: ndvdua tutte le combnazon d reddto e saggo d nteresse per le qual l mercato de ben (curva IS) e l mercato della moneta (curva
DettagliLEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz
LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non
DettagliRegressione Multipla e Regressione Logistica: concetti introduttivi ed esempi
Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla
DettagliLa retroazione negli amplificatori
La retroazone negl amplfcator P etroazonare un amplfcatore () sgnfca sottrarre (o sommare) al segnale d ngresso (S ) l segnale d retroazone (S r ) ottenuto dal segnale d uscta (S u ) medante un quadrpolo
DettagliDai circuiti ai grafi
Da crcut a graf Il grafo è una schematzzazone grafca semplfcata che rappresenta le propretà d nterconnessone del crcuto ad esso assocato Il grafo è costtuto da un nseme d nod e d lat Se lat sono orentat
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliCorrelazione lineare
Correlazone lneare Varable dpendente Mortaltà per crros 50 45 40 35 30 5 0 15 10 5 0 0 5 10 15 0 5 30 Consumo d alcool Varable ndpendente Metodologa per l anals de dat spermental L anals d stud con varabl
DettagliConcetti principale della lezione precedente
Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl
DettagliTest delle ipotesi Parte 2
Test delle potes arte Test delle potes sulla dstrbuzone: Introduzone Test χ sulla dstrbuzone b Test χ sulla dstrbuzone: Eserczo Test delle potes sulla dstrbuzone Molte concluson tratte nell nferenza parametrca
DettagliLezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo
UNIVERSITA DEGLI STUDI DI BASILICATA FACOLTA DI ECONOMIA Corso d laurea n Economa Azendale Lezon d Statstca (25 marzo 2013) Docente: Massmo Crstallo QUARTILI Dvdono la dstrbuzone n quattro part d uguale
DettagliPREVEDONO: Capitolo 17 del libro di testo. Copyright 2005 The McGraw-Hill Companies srl
Le Inferenze sul modello d regressone PREVEDONO: Assunzone d normaltà degl error e nferenza su parametr Anals della Varanza Inferenza per la rsposta meda e la prevsone Anals de resdu Valor anomal Captolo
DettagliMetodi Quantitativi per Economia, Finanza e Management
Metod Quanttatv per Economa, Fnanza e Management Lezone n 10 Regressone Logstca: Le potes del modello, la stma del modello, l nterpretazone del del modello L mpostazone del problema Reddtvtà = rcav - cost
DettagliSTATISTICA SOCIALE Corso di laurea in Scienze Turistiche, a.a. 2007/2008 Esercizi 16 novembre2007
STATISTICA SOCIALE Corso d laurea n Scenze Turstche, a.a. 07/08 Esercz 6 novembre07 Eserczo La Tabella contene alcun dat relatv a 6 lavorator delle azende Alfa e Beta. Tabella Lavorator delle azende Alfa
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliIL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE
IL LEGAME TRA DUE VARIABILI I METODI DELLA CORRELAZIONE CORRELAZIONE Legame - Assocazone - Accordo Relazone tra varabl valutare l grado d recproca nfluenza tra due varabl; valutare l grado d assocazone
DettagliAnalisi di mercurio in matrici solide mediante spettrometria di assorbimento atomico a vapori freddi
ESEMPIO N. Anals d mercuro n matrc solde medante spettrometra d assorbmento atomco a vapor fredd 0 Introduzone La determnazone del mercuro n matrc solde è effettuata medante trattamento termco del campone
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
DettagliModelli con varabili binarie (o qualitative)
Modell con varabl bnare (o qualtatve E( Y X α + βx + ε quando Y è una varable benoullana Y 1 0 s ha l modello lneare d probabltà Pr( Y 1 X α + βx + ε dove valor stmat della Y assumono l sgnfcato d probabltà.
DettagliSoluzione esercizio Mountbatten
Soluzone eserczo Mountbatten I dat fornt nel testo fanno desumere che la Mountbatten utlzz un sstema d Actvty Based Costng. 1. Calcolo del costo peno ndustrale de tre prodott Per calcolare l costo peno
DettagliPrincipi di ingegneria elettrica. Lezione 6 a. Analisi delle reti resistive
Prncp d ngegnera elettrca Lezone 6 a Anals delle ret resste Anals delle ret resste L anals d una rete elettrca (rsoluzone della rete) consste nel determnare tutte le corrent ncognte ne ram e tutt potenzal
DettagliStatistica Descrittiva
Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86
DettagliAnalisi e confronto tra metodi di regolarizzazione diretti per la risoluzione di problemi discreti mal-posti
UNIVERSIA DEGLI SUDI DI CAGLIARI Facoltà d Ingegnera Elettronca Corso d Calcolo Numerco 1 A.A. 00/003 Anals e confronto tra metod d regolarzzazone drett per la rsoluzone d prolem dscret mal-post Docente:
DettagliStrutture deformabili torsionalmente: analisi in FaTA-E
Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliDipartimento di Economia Aziendale e Studi Giusprivatistici. Università degli Studi di Bari Aldo Moro. Corso di Macroeconomia 2014
Dpartmento d Economa Azendale e Stud Gusprvatstc Unverstà degl Stud d Bar Aldo Moro Corso d Macroeconoma 2014 1.Consderate l seguente grafco: LM Partà de tass d nteresse LM B A IS IS Y E E E Immagnate
DettagliLa taratura degli strumenti di misura
La taratura degl strument d msura L mportanza dell operazone d taratura nasce dall esgenza d rendere l rsultato d una msura rferble a campon nazonal od nternazonal del msurando n questone affnché pù msure
DettagliRETI TELEMATICHE Lucidi delle Lezioni Capitolo VII
Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd
DettagliEsercitazioni del corso di Relazioni tra variabili. Giancarlo Manzi Facoltà di Sociologia Università degli Studi di Milano-Bicocca
Eserctazon del corso d Relazon tra varabl Gancarlo Manz Facoltà d Socologa Unverstà degl Stud d Mlano-Bcocca e-mal: gancarlo.manz@statstca.unmb.t Terza eserctazone Mlano, 8 febbrao 7 SOMMARIO TERZA ESERCITAZIONE
DettagliCorso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita
Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)
Dettaglia) Individuare l intervallo di confidenza al 90% per la media di popolazione;
Eserczo Il responsable marketng d una catena d negoz vuole analzzare l volume delle vendte mensl d un determnato bene d largo consumo. Una socetà che conduce rcerche d mercato è ncarcata d effettuare un
DettagliLA VARIABILITA. IV lezione di Statistica Medica
LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
DettagliSTATISTICA A K (63 ore) Marco Riani
STATISTICA A K (63 ore) Marco Ran mran@unpr.t http://www.ran.t Rcham sulla regressone MODELLO DI REGRESSIONE y a + b + e dove: 1,, n a + b rappresenta una retta: a ordnata all orgne ntercetta b coeff.
DettagliCircuiti di ingresso differenziali
rcut d ngresso dfferenzal - rcut d ngresso dfferenzal - Il rfermento per potenzal Gl stad sngle-ended e dfferenzal I segnal elettrc prodott da trasduttor, oppure preleat da un crcuto o da un apparato elettrco,
Dettagli1) Le medie e le varianze calcolate su n osservazioni relative alle variabili quantitative X ed Y sono tali che. σ x
TEORIA 1) Le mede e le varanze calcolate su n osservazon relatve alle varabl quanttatve X ed Y sono tal che 1 e. Consderando le corrspondent varabl standardzzate delle seguent affermazon rsulta vera 1
DettagliLeggere i dati da file
Esempo %soluzon d una equazone d secondo grado dsp('soluzon d a^+b+c') anput('damm l coeffcente a '); bnput('damm l coeffcente b '); cnput('damm l coeffcente c '); deltab^-4*a*c; f delta0 dsp('soluzon
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
DettagliCalibrazione. Lo strumento idealizzato
Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta
DettagliTutti gli strumenti vanno tarati
L'INCERTEZZA DI MISURA Anta Calcatell I.N.RI.M S eseguono e producono msure per prendere delle decson sulla base del rsultato ottenuto, come per esempo se bloccare l traffco n funzone d msure d lvello
DettagliCalcolo della caduta di tensione con il metodo vettoriale
Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta
DettagliAritmetica e architetture
Unverstà degl stud d Parma Dpartmento d Ingegnera dell Informazone Poltecnco d Mlano Artmetca e archtetture Sommator Rpple Carry e CLA Bozza da completare del 7 nov 03 La rappresentazone de numer Rappresentazone
DettagliUniversità di Napoli Parthenope Facoltà di Ingegneria
Unverstà d Napol Parthenope acoltà d Ingegnera Corso d Metod Probablstc Statstc e Process Stocastc docente: Pro. Vto Pascazo 20 a Lezone: /2/2003 Sommaro Dstrbuzon condzonate: CD, pd, pm Teorema della
DettagliL ANALISI MONOVARIATA: Variabilità e mutabilità. Prof. Maria Carella
L AALISI MOOVARIATA: Varabltà e mutabltà Prof. Mara Carella Varabltà Le msure d tendenza centrale non sono suffcent alla comprensone de fenomen. Una sntes approprata deve tener conto del modo n cu s dstrbuscono
DettagliLa t di Student. Per piccoli campioni si definisce la variabile casuale. = s N. detta t di Student.
Pccol campon I parametr della dstrbuzone d una popolazone sono n generale ncognt devono essere stmat dal campone de dat spermental per pccol campon (N N < 30) z = (x µ)/ )/σ non ha pù una dstrbuzone gaussana
DettagliPROBLEMA DI SCELTA FRA DUE REGIMI DI
PROBLEMA DI SCELTA FRA DUE REGIMI DI CAPITALIZZAZIONE Prerequst: legge d captalzzazone semplce legge d captalzzazone composta logartm e loro propretà dervate d una funzone pendenza d una curva n un punto
DettagliFACOLTÀ DI SOCIOLOGIA CdL in SCIENZE DELL ORGANIZZAZIONE ESAME di STATISTICA 17/09/2012
CdL n SCIENZE DELL ORGANIZZAZIONE ESAME d STATISTICA ESERCIZIO 1 (+.5+.5+3) La tabella seguente rporta la dstrbuzone d frequenza del peso X n gramm d una partta d mele provenent da un certo frutteto. X=peso
DettagliEsercitazioni del corso: STATISTICA
A. A. 0-0 Eserctazon del corso: STATISTICA Sommaro Eserctazone : Moda Medana Meda Artmetca Varabltà: Varanza, Devazone Standard, Coefcente d Varazone ESERCIZIO : UNIVERSITÀ DEGLI STUDI DI MILANO BICOCCA
DettagliCorso di. Dott.ssa Donatella Cocca
Corso d Statstca medca e applcata 3 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone I concett prncpal che sono stat presentat sono: Mede forme o analtche (Meda artmetca semplce, Meda artmetca
DettagliModuli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013
Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se
DettagliTrigger di Schmitt. e +V t
CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con
DettagliLezione 2 a - Statistica descrittiva per variabili quantitative
Lezone 2 a - Statstca descrttva per varabl quanttatve Esempo 5. Nella tabella seguente sono rportat valor del tasso glcemco rlevat su 10 pazent: Pazente Glcema (mg/100cc) 1 x 1 =103 2 x 2 =97 3 x 3 =90
DettagliMcGraw-Hill. Tutti i diritti riservati. Caso 11
Caso Copyrght 2005 The Companes srl Stma d un area fabbrcable n zona ndustrale nella cttà d Ferrara. La stma è effettuata con crter della comparazone e quello del valore d trasformazone. Indce Confermento
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
DettagliPropagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
DettagliI SINDACATI E LA CONTRATTAZIONE COLLETTIVA. Il ruolo economico del sindacato in concorrenza imperfetta, in cui:
I IDACATI E LA COTRATTAZIOE COLLETTIVA Il ruolo economco del sndacato n concorrenza mperfetta, n cu: a) le mprese fssano prezz de ben n contest d concorrenza monopolstca (con extra-proftt); b) lavorator
DettagliGrafico di una serie di dati sperimentali in EXCEL
Grafco d una sere d dat spermental n EXCEL 1. Inseramo sulla prma rga l ttolo che defnsce l contenuto del foglo. Po nseramo su un altra rga valor spermental della x e su quella successva valor della y.
DettagliSERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete
SERIE STORICHE, TREND, MEDIE MOBILI, REGRESSIONE Andrea Prevete Una sere storca o temporale è un nseme d dat costtut da una sequenza d osservazon su un fenomeno d nteresse X, effettuate n stant (per le
DettagliMacchine. 5 Esercitazione 5
ESERCITAZIONE 5 Lavoro nterno d una turbomacchna. Il lavoro nterno massco d una turbomacchna può essere determnato not trangol d veloctà che s realzzano all'ngresso e all'uscta della macchna stessa. Infatt
DettagliINDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA
Lezone 7 - Indc statstc: meda, moda, medana, varanza INDICI STATISTICI MEDIA, MODA, MEDIANA, VARIANZA GRUPPO MAT06 Dp. Matematca, Unverstà d Mlano - Probabltà e Statstca per le Scuole Mede -SILSIS - 2007
DettagliCorsi di Laurea in Farmacia e CTF Prova di Matematica
Cors d Laurea n Farmaca e CTF Prova d Matematca S O L U Z I O N I Effettua uno studo qualtatvo della funzone 4 f + con partcolare rfermento a seguent aspett: a trova l domno della funzone b trova gl ntervall
Dettagli