5. Le tecniche di analisi multidimensionale e la segmentazione del mercato

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "5. Le tecniche di analisi multidimensionale e la segmentazione del mercato"

Transcript

1 5. Le tecniche di analisi multidimensionale e la segmentazione del mercato In questo capitolo Per definire gli obiettivi aziendali e approntare le relative strategie, ogni azienda deve poter conoscere le caratteristiche, i bisogni e i probabili comportamenti della clientela potenziale. Poiché caratteristiche e comportamenti risulteranno generalmente contraddistinti da un più o meno elevato grado di eterogeneità, saranno necessarie strategie diverse, specificamente indirizzate alle diverse tipologie di clientela potenziale. Con il termine segmentazione di mercato si intende il processo attraverso il quale le imprese suddividono la domanda in insiemi di clienti potenziali caratterizzati da elevata omogeneità all interno dei vari segmenti e sufficienti elementi di differenziazione tra i diversi segmenti. Il suo obiettivo è dunque quello di raggruppare insieme individui caratterizzati da funzioni di domanda il più possibile simili, in corrispondenza dei quali l azienda dovrà poi personalizzare l offerta di prodotti o servizi, differenziando e specializzando le strategie di marketing. Già negli studi di Chamberlin (933) si teorizza che, in un mercato caratterizzato dalla presenza di sub mercati che presentano differenti livelli di elasticità al prezzo, la massimizzazione del profitto può essere raggiunta definendo diverse politiche di fissazione del prezzo, stabilendo cioè prezzi più elevati nei segmenti meno elastici. Se si estende questo principio di adeguamento alle specifiche caratteristiche dei sub mercati anche alla definizione del prodotto, al packaging e confezionamento, alla comunicazione e distribuzione, risulta evidente come la segmentazione possa determinare effetti positivi sul risultato economico dell azienda. Questa teoria presuppone l assenza di informazione tra i diversi segmenti del mercato e l impossibilità per operatori terzi di acquistare il prodotto nei sub mercati dove il prezzo è minore e rivenderlo nei sub mercati più profittevoli. Poiché questo non si verifica nella maggior parte dei mercati moderni, è proprio l utilizzo congiunto della leva prezzo con le altre leve del marketing (prodotto, confezionamento, comunicazione e distribuzione) che consente di effettuare una differenziazione tale da giustificare differenze di prezzo. Spingendo al limite questa impostazione, ogni potenziale consumatore dovrebbe essere studiato come un segmento a se stante, in quanto portatore di specifici bisogni ed esigenze, ed essere fatto oggetto di una specifica strategia di marketing. Questo, però, è in pratica impossibile da attuare nella maggior parte delle situazioni, in quanto i costi di tale operazione supererebbero di gran lunga i benefici per l azienda. Si mettono allora insieme, in un segmento di domanda, potenziali consumatori con caratteristiche simili in modo da realizzare strategie di marketing rivolte a target di potenziali consumatori sufficientemente numerosi da assicurare una adeguata redditività. Alla domanda quanto simili devono essere i potenziali consumatori all interno di un segmento non è facile rispondere. Come si intuisce facilmente, e come si vedrà meglio nel Paragrafo 5.2, più elevata è l omogeneità interna richiesta ai vari segmenti, maggiore sarà il loro numero. Ed è altrettanto intuitivo che più i segmenti sono simili più elevata è la probabilità che una volta fatti oggetto di una medesima strategia di marketing le diverse unità che li compongono rispondano allo stesso modo. D altro canto, la richiesta che possiamo attenderci da parte di chi dovrà mettere a punto le differenti strategie è, invece, quella di contenere il numero di segmenti, in modo da limitare di conseguenza le alternative strategiche e quindi il costo. Dal punto di vista applicativo possiamo individuare due modalità di segmentazione: la segmentazione per omogeneità e la segmentazione per obiettivi. Segmentazione per omogeneità La segmentazione per omogeneità consiste nella individuazione dei diversi segmenti di domanda sulla base di un insieme di variabili osservate, senza presupporre l esistenza di un modello che studi

2 la loro dipendenza. Possiamo distinguere, in questo primo ambito, un approccio classico che prevede il ricorso alle tecniche di analisi dei gruppi, eventualmente precedute dall analisi fattoriale al fine di sintetizzare in macro elementi di scelta le variabili osservate, da un approccio flessibile che, attraverso l analisi congiunta, consente anche di valutare il livello di gradimento di profili di offerta innovativi, o comunque non presenti sul mercato. Segmentazione per obiettivi Nella segmentazione per obiettivi si suddivide la popolazione in sottopopolazioni utilizzando una determinata variabile (per esempio, la redditività della clientela o la sensibilità a campagne pubblicitarie) e si individua una serie di altre variabili (per esempio, le caratteristiche sociodemografiche o psicoattitudinali, i benefici attesi) che possono influire in maniera rilevante sulla variabile considerata. Si presuppone dunque l esistenza di un legame di dipendenza che lega una variabile (dipendente) a una serie di altre variabili (esplicative). Le tecniche utilizzate in questo caso sono la stima di un modello di regressione lineare multipla o di un modello logistico, la cui trattazione è stata oggetto del Capitolo 4. In questo capitolo vengono presentate alcune tra le tecniche di analisi statistica multivariata più utilizzate nelle analisi di segmentazione per omogeneità. Nel Paragrafo 5.2 vengono presentate le tecniche di raggruppamento delle unità statistiche che vanno sotto il nome di analisi dei gruppi. Si tratta di tecniche che consentono, come si desume dalla loro stessa denominazione, di raggruppare gli individui tra loro più simili in relazione a determinate caratteristiche, in modo da formare gruppi o segmenti caratterizzati da elevata omogeneità interna. Se si pensa a una matrice di dati del tipo di quelle descritte nel Capitolo 3, costituite da tante righe quanti sono gli individui analizzati e da tante colonne quante sono le variabili scelte per definire il profilo degli individui, l obiettivo delle tecniche di analisi dei gruppi è quello di ridurre la dimensionalità della matrice nel senso delle righe, attraverso l individuazione di gruppi di righe (individui) omogenee. Nei Paragrafi 5.3. e 5.4 vengono invece presentate le tecniche di analisi fattoriale e scaling multidimensionale che, invece, si propongono di ridurre la dimensionalità delle informazioni dal lato delle variabili, cioè delle colonne della matrice dei dati. La riduzione del numero delle variabili, preservando però la maggior parte del contenuto informativo della matrice di partenza, è questione altrettanto importante nelle analisi di segmentazione. Si pensi, per esempio, alla possibilità di rappresentare graficamente in un piano (su due dimensioni) e quindi con la possibilità di individuare visivamente le similarità tra le unità di un collettivo, mantenendo gran parte del contenuto informativo di, poniamo, 0 variabili osservate, alcune delle quali magari di tipo qualitativo. Nel Paragrafo 5.5 viene infine presentata l analisi congiunta, una tecnica che si applica sulle informazioni provenienti dal singolo individuo che ha l obiettivo di separare il contributo dei diversi attributi di un prodotto o servizio nel processo di scelta del consumatore. Nella trattazione delle varie tecniche, una specifica attenzione è rivolta alla possibilità di utilizzare anche variabili non quantitative, frequentemente chiamate in causa nelle applicazioni di analisi di mercato.

3 5. Analisi dei gruppi L analisi dei gruppi è l insieme delle tecniche statistiche che hanno come obiettivo quello di raggruppare un insieme di unità appartenenti a un collettivo in un certo numero di gruppi, sulla base della loro similarità in relazione a un insieme di variabili. I gruppi ottenuti devono cioè essere caratterizzati da un elevato grado di omogeneità interna delle unità statistiche a essi appartenenti e da una conseguente elevata disomogeneità tra i gruppi stessi. Le ragioni per cui tali tecniche statistiche vengono impiegate nelle analisi empiriche sono molteplici, dalla classificazione all analisi esplorativa dei dati. Come già accennato, nelle analisi di mercato tali tecniche trovano largo impiego nella segmentazione a posteriori del mercato. I dati di partenza ai quali applicare tali tecniche possono essere sia la matrice dei dati X np, sia la matrice delle distanze D nn, già presentate nel Capitolo 3. In entrambi i casi è di fondamentale importanza la scelta delle p variabili della matrice dei dati di base, dato che il raggruppamento delle n unità viene effettuato sulla base della loro omogeneità, misurata proprio sulle p variabili presenti nella matrice X o utilizzate per calcolare la matrice D. Sui criteri di scelta delle p variabili si rimanda ai prossimi paragrafi. Va tuttavia subito sottolineato che caratteristica comune di gran parte di queste tecniche statistiche è quella di consentire il raggruppamento delle unità omogenee in base a variabili di qualsiasi natura. Nella matrice dei dati possono cioè essere presenti variabili sia quantitative sia qualitative e, tra queste ultime, sia ordinali sia sconnesse. La presenza congiunta di variabili appartenenti alle diverse tipologie appena ricordate, è in effetti il caso più frequente che si riscontra nelle analisi di mercato. Nell ambito delle tecniche statistiche che costituiscono l analisi dei gruppi, una prima distinzione va fatta tra metodi gerarchici e metodi non gerarchici. I primi sono caratterizzati da una gerarchia di raggruppamento, nel senso che il raggruppamento finale viene ottenuto per passaggi successivi; si dividono in agglomerativi e divisivi. I metodi non gerarchici, al contrario, effettuano direttamente, attraverso l uso di procedure iterative, il raggruppamento delle unità nel numero desiderato di gruppi. I metodi gerarchici e non gerarchici possono essere utilizzati alternativamente o congiuntamente. 5.. I metodi gerarchici agglomerativi I metodi gerarchici agglomerativi sono così denominati perché procedono per agglomerazioni successive delle unità statistiche (individui). La procedura parte da n gruppi formati ciascuno da un solo individuo, per poi passare a n- gruppi, dei quali n-2 formati ancora da un solo individuo e formato da due individui; passa poi a n-2 gruppi, n-3, n-4, fino ad arrivare a un unico gruppo costituito da tutte le n unità statistiche del collettivo. vviamente, l obiettivo non è quello di arrivare a un unico gruppo costituito da tutte le unità, bensì quello di raggruppare le n unità in un certo numero (limitato) di gruppi. La scelta del numero di gruppi dovrà scaturire da un soddisfacente compromesso tra la necessità di mantenere una sufficiente omogeneità all interno dei gruppi e quella di tenere basso tale numero, in modo da evitare la proliferazione di differenti strategie di marketing. In dettaglio, i metodi gerarchici agglomerativi prevedono il seguente schema di raggruppamento. ) Si parte da n gruppi, ognuno dei quali è formato da una unità del collettivo. La distanza tra i gruppi è fornita dalla matrice delle distanze D nn : 0 d 2 d 3. d n 0 d 23. d 2n D =... d n-,n 0

4 2) Si ricerca il minimo valore all interno della matrice delle distanze (con l eccezione della diagonale principale che contiene tutti valori pari a zero). Esso identifica le due unità più simili, cioè quelle che presentano profili riga più omogenei nella matrice dei dati. Qualora ci siano più elementi della matrice con lo stesso valore di minimo se ne sceglie uno casualmente; le altre coppie troveranno aggregazione negli step appena successivi. 3) Si procede alla fusione delle unità corrispondenti a tale valore minimo. Poiché le unità oggetto di fusione non esistono più come soggetti singoli, vengono eliminate dalla matrice delle distanze D le due righe e le due colonne corrispondenti, ottenendo una nuova matrice delle distanze D n-2,n-2. 4) Si aggiunge una nuova riga e una nuova colonna che contiene le distanze tra il nuovo gruppo ottenuto dalla fusione dei due precedenti e tutte le altre unità che continuano a esistere singolarmente, in modo da ottenere una nuova matrice D n-,n-. 5) Si torna a eseguire lo step 2 e seguenti in modo iterativo, riducendo la matrice D di una unità a ogni iterazione, fino a quando si arriva alla configurazione finale costituita da un solo gruppo formato da tutte le n unità del collettivo preso in esame. Resta da chiarire il punto 4 del processo, cioè come ricalcolare, a ogni iterazione, la riga e la colonna della matrice che contengono le distanze tra il nuovo gruppo e tutti i preesistenti. A questo riguardo i metodi possibili sono diversi. Siano: C K : K-esimo gruppo (originariamente, k-esima unità) N K : numero di unità nel K-esimo gruppo (originariamente, N K =) D KL : misura di distanza tra il gruppo C K e il gruppo C L Si ipotizzi che D KL sia il minimo valore nella matrice delle distanze e dunque che i gruppi C K e C L vengano fusi in un unico gruppo chiamato C M. Metodo del legame singolo Le distanze tra il nuovo gruppo risultante dalla fusione e tutti i preesistenti, contenute nella nuova riga e nella nuova colonna della matrice D, sono definite come la distanza minore che, prima della fusione, avevano i gruppi oggetto di fusione con tutti gli altri gruppi. Indicato con J un generico gruppo preesistente, si ha cioè: D JM = min(d JK,D JL ) ltre alla semplicità di calcolo, tale metodo ha il vantaggio di essere poco sensibile ai valori anomali, riuscendo a isolarli in gruppi di una sola o di pochissime unità. Il limite principale consiste nel fatto di produrre gruppi tendenzialmente allungati (o a salsiccia ): una volta che si è creato un primo gruppo composto da due unità, proprio per il metodo di ricalcolo delle distanze, è più probabile che altre unità vadano ad aggiungersi a questo primo gruppo, formando un gruppo sempre più numeroso.

5 Esempio 5.2. (riprendere la matrice ottenuta con l esercizio 3.x) A C D E A D E C A 0 0,26 0,68 0,45 0,44 A 0 0,45 0,44 0,26 0 0, 0,39 0,68 D 0 0,82 0,39 C 0 0,52 0,9 E 0 0,9 D 0 0,82 C 0 E 0 A D CE D ACE A 0 0,45 0,26 D 0 0,39 D 0 0,39 ACE 0 CE 0 Metodo del legame completo Le distanze tra il nuovo gruppo risultante dalla fusione e tutti i preesistenti, che definiscono la nuova riga e la nuova colonna della matrice D, sono definite come le distanze maggiori che, prima della fusione, avevano i gruppi oggetto di fusione con tutti gli altri. Per il generico gruppo preesistente J si ha cioè: D JM = max(d JK,D JL ) A differenza del precedente, il metodo del legame completo risulta molto influenzato dalla presenza di valori anomali, tanto da suggerire una preventiva analisi ad hoc. Tende inoltre a produrre molti gruppi di dimensioni simili. Esempio (riprendere la matrice ottenuta con l esercizio 3.x) A C D E A D E C A 0 0,26 0,68 0,45 0,44 A 0 0,45 0,44 0,68 0 0, 0,39 0,68 D 0 0,82 0,52 C 0 0,52 0,9 E 0 0,68 D 0 0,82 C 0 E 0 D C AE C AED D 0 0,52 0,45 C 0 0,68 C 0 0,68 AED 0 AE 0 Metodo di McQuitty Le distanze tra il nuovo gruppo risultante dalla fusione e tutti i preesistenti sono definite come la media aritmetica semplice tra le distanze che, prima della fusione, avevano i gruppi oggetto di fusione con tutti gli altri gruppi. Per il generico gruppo preesistente J si ha cioè: D JM = (D JK + D JL ) / 2 Per le sue caratteristiche, quanto a vantaggi e svantaggi, questo metodo si colloca in posizione intermedia tra quello del legame singolo e quello del legame completo.

6 Esempio (riprendere la matrice ottenuta con l esercizio 3.x) A C D E A D E C A 0 0,26 0,68 0,45 0,44 A 0 0,45 0,44 0,47 0 0, 0,39 0,68 D 0 0,82 0,455 C 0 0,52 0,9 E 0 0,435 D 0 0,82 C 0 E 0 A D CE AD CE A 0 0,45 0,455 AD 0 0,54375 D 0 0,6325 CE 0 CE 0 Metodo del legame medio Le distanze tra il nuovo gruppo risultante dalla fusione e tutti i preesistenti sono definite come media aritmetica tra le distanze che, prima della fusione, avevano i gruppi oggetto di fusione con tutti gli altri gruppi, ponderata con le numerosità dei gruppi oggetto di fusione. Per il generico gruppo preesistente J si ha cioè: D JM = (D JK N K + D JL N L ) / N M Anche questo metodo si colloca in posizione intermedia, tra quello del legame singolo e quello del legame completo, per quanto attiene a vantaggi e svantaggi; inoltre tende a unire gruppi con bassa varianza interna e a produrre gruppi con varianza interna simile tra loro. Esempio (riprendere la matrice ottenuta con l esercizio 3.x) A C D E A D E C A 0 0,26 0,68 0,45 0,44 A 0 0,45 0,44 0,47 0 0, 0,39 0,68 D 0 0,82 0,455 C 0 0,52 0,9 E 0 0,435 D 0 0,82 C 0 E 0 A D CE AD CE A 0 0,45 0,46 AD 0 0,55 D 0 0,57 CE 0 CE 0 Come si evince dall Esempio 5.2.4, alla prima iterazione il metodo del legame medio coincide esattamente con il metodo di McQuitty in quanto tutti i gruppi preesistenti hanno dimensione unitaria. Altri metodi gerarchici agglomerativi si basano, invece che sulla matrice delle distanze, sulla matrice dei dati X contenente i profili delle unità secondo q variabili quantitative. Metodo del centroide La distanza tra i gruppi è posta pari alla distanza tra i centroidi o baricentri, costituiti dai valori medi delle p variabili considerate, calcolati sulle unità appartenenti ai gruppi. Anche in questo caso vengono fusi i gruppi che presentano distanza minima. Il metodo del centroide risulta più robusto in

7 relazione ai valori anomali rispetto alla maggior parte dei metodi gerarchici. La necessità che tutte le variabili della matrice X siano quantitative rende il metodo del centroide meno frequentemente applicabile nelle analisi di mercato, che, come si è detto, fanno spesso riferimento a dati misti, composti cioè da variabili sia quantitative sia qualitative. Inoltre, mentre per i primi tre metodi analizzati il livello di distanza a cui avvengono le fusioni successive risulta sempre non decrescente, il metodo del centroide può dar luogo a fusioni successive con livelli di distanza decrescenti. Figura 5.2. Esempio di applicazione del metodo del centroide nel caso di due dimensioni (p=2).

8 Metodo di Ward Il metodo di Ward si basa sulla scomposizione della devianza totale in devianza entro i gruppi e devianza tra i gruppi. A ogni iterazione viene considerata l unione di tutte le possibili coppie di gruppi e viene fusa la coppia che dà luogo alla minore varianza entro i gruppi. ltre al limite derivante dalla possibilità di analizzare solo variabili quantitative, il metodo risulta molto oneroso dal punto di vista computazionale e tende a produrre gruppi di dimensioni pressoché analoghe. Altri metodi gerarchici agglomerativi sono basati su stime non parametriche della densità di probabilità. Per una loro esauriente trattazione si veda Fabbris (990). Il processo di fusione realizzato impiegando uno dei metodi appena descritti può essere rappresentato graficamente attraverso il dendrogramma, un grafico che riporta sull asse orizzontale, non quantitativo, le unità che partecipano al processo di fusione, e sull asse verticale il livello di distanza a cui avviene la fusione tra i diversi gruppi che si vengono formando per agglomerazioni successive. Dall esame del dendrogramma è possibile ricavare utili indicazioni riguardo al numero dei gruppi da considerare. Aggregazioni che nel dendrogramma avvengono molto in alto, cioè a un livello di distanza elevato, si riferiscono a gruppi non omogenei al loro interno. Di conseguenza, se le unità che li compongono vengono fatte oggetto di un unica strategia di marketing studiata per quel gruppo, verosimilmente si otterranno risposte eterogenee, vanificando parte degli obiettivi dell analisi. È dunque consigliabile fermare il processo di aggregazione a un livello di distanza minore, identificando un più elevato numero di gruppi caratterizzati da una sufficiente omogeneità interna. La conseguenza sarà dover studiare un numero maggiore di strategie differenti, ma con la fondata prospettiva che le unità destinatarie risponderanno in modo analogo alla strategia proposta. Figura Dendrogrammi relativi agli esempi 5.2. e seguenti.

9 d C E A D unità legame singolo d C E A D unità legame completo

10 d C E A D unità McQuitty d C E A D unità Legame medio 5..2 I metodi gerarchici divisivi I metodi gerarchici divisivi seguono il percorso esattamente inverso rispetto a quello che caratterizza i metodi agglomerativi. Il punto di partenza, infatti, è un unico gruppo formato da tutte le n unità e si procede per divisioni successive: dapprima in 2 gruppi, poi il più eterogeneo dei due viene a sua volta diviso in due, e cosi via fino ad arrivare a n gruppi formati ciascuno da una unità. Al primo passo esistono 2 n- - possibili soluzioni per cui si tratta spesso di metodi molto onerosi dal punto di vista computazionale. Nel seguito vengono descritti i due metodi divisivi più comunemente impiegati. Anche in questo caso si tratta di decidere a quale livello di disaggregazione ci si deve fermare.

11 Metodi basati sulla distanza tra centroidi Questi metodi richiedono la disponibilità della matrice dei dati X composta da sole variabili quantitative e si articolano nei seguenti punti: ) al primo passo, quando si tratta di dividere le n unità in 2 gruppi, tra tutte le 2 n- - possibili soluzioni viene scelta quella che minimizza la somma delle devianze interne ai 2 gruppi; si tratta quindi di minimizzare la funzione: SD = g, i, h ( g x ih g x i ) 2 dove g x ih è il valore della variabile x h osservata presso l unità i-esima appartenente al gruppo g, con g =, 2; i =, 2,.., n g ; h =, 2,.., p; 2) a ogni passo successivo si individua il gruppo che presenta la massima devianza interna e si scinde in due sottogruppi replicando il passo. Questi metodi sono molto onerosi dal punto di vista computazionale e non sono applicabili in caso di variabili non solo quantitative; inoltre hanno il limite di produrre gruppi tendenzialmente di uguale numerosità. Metodi basati sui punti nodali Rispetto ai metodi basati sulla distanza tra centroidi, quelli basati sui punti nodali risultano molto meno onerosi dal punto di vista computazionale e possono essere utilizzati a partire dalla matrice delle distanze; il loro utilizzo è dunque esteso a matrici dei dati con variabili di qualsiasi tipologia. Il metodo consiste nell individuare, al primo passo, le due unità più distanti tra loro, che vengono identificate come nodi; tutte le altre unità vengono assegnate ai due nodi sulla base della distanza minima. Successivamente si ripete l operazione sui due gruppi appena costituiti e così via fino all ottenimento di n gruppi. Esempio (riprendere la matrice ottenuta con l esercizio 3.x)

12 A C D E A 0 0,26 0,68 0,45 0,44 0 0, 0,39 0,68 C 0 0,52 0,9 D 0 0,82 E 0 I punti nodali sono A e C; A D C E A 0 0,45 C 0 0, 0,9 D 0 0 0,68 E 0 Divido A e D I punti nodali sono ed E A D E C 0 0, C 0 Divido e C Stato iniziale: Iterazione Iterazione 2 Iterazione 3 gruppo composto da A,,C,D,E gruppo composto da A,D gruppo 2 composto da,c,e gruppo composto da A gruppo 2 composto da D gruppo 3 composto da E gruppo 4 composto da,c gruppo composto da A gruppo 2 composto da D gruppo 3 composto da E gruppo 4 composto da gruppo 5 composto da C 5..3 I metodi non gerarchici Gli algoritmi di tipo non gerarchico mirano a classificare le n unità statistiche in un numero prefissato di gruppi, senza effettuare agglomerazioni o divisioni successive. Richiedono quindi che il numero dei gruppi sia specificato a priori dal ricercatore, mentre nei metodi gerarchici la scelta ottimale del numero dei gruppi può essere fatta a posteriori sulla base del dendrogramma e di alcuni indicatori. Questi metodi necessitano di una matrice dei dati X costituita da sole variabili quantitative. Si tratta ancora di metodi iterativi, nel senso che, effettuato un raggruppamento provvisorio, a ogni iterazione successiva viene modificato per ottimizzare una funzione obiettivo; il sistema si ferma quando non sono possibili ulteriori miglioramenti. L algoritmo più utilizzato nell ambito dei metodi non gerarchici è quello denominato k-means. Il primo passo di tale metodo consiste nello specificare k punti iniziali, o seed, nello spazio p- dimensionale: un punto iniziale per ciascun gruppo da formare. gnuna delle n unità viene quindi provvisoriamente assegnata a uno di tali gruppi sulla base del seed più vicino. Vengono quindi calcolati i baricentri o centroidi dei gruppi provvisoriamente costituiti, cioè i valori medi delle p variabili nei gruppi, e si procede a riallocare tutte le unità al loro nuovo gruppo di appartenenza sulla base del centroide più vicino. Si procede in modo iterativo a ricalcolare i centroidi e riallocare

13 le unità fino a che non si raggiunge una configurazione stabile, ossia fino a che tutte le unità vengono riassegnate allo stesso gruppo del passo precedente. L utilizzo di questi algoritmi richiede una preventiva analisi della matrice dei dati al fine di valutare l opportunità di eventuali standardizzazioni delle variabili, poiché variabili con varianza maggiore tendono ad avere maggiore importanza nella formazione dei gruppi rispetto a variabili con varianza minore. In pratica, come già visto nel Capitolo 3, la standardizzazione delle variabili si rende necessaria ogni qual volta si ha a che fare con variabili espresse in unità di misura diverse. Si pensi, per esempio, al caso in cui si dispone di 2 variabili come il numero di figli e il reddito annuo espresso in euro; in assenza di standardizzazione, il raggruppamento verrebbe effettuato in modo pressoché esclusivo sulla base della variabile reddito. Ma in alcuni casi si ritiene opportuno standardizzare le variabili di partenza anche quando sono espresse nella stessa unità di misura; è il caso, per esempio, della variabile reddito annuo a prezzi correnti in periodi diversi, o di valutazioni, espresse con un punteggio da uno a dieci per diverse caratteristiche di un prodotto o servizio. Nel primo caso la perdita di potere di acquisto della moneta assegnerebbe una importanza maggiore alla variabile reddito relativa agli anni più recenti, mentre nel secondo avrebbero importanza maggiore quelle caratteristiche per cui è più marcata la tendenza degli intervistati a sbilanciarsi con giudizi molto positivi o molto negativi rispetto alle altre. Figura Applicazione del metodo k-means nel caso di due dimensioni (p = 2) e due gruppi. Dati di partenza

14 Si inseriscono i due seed e si assegnano le unità Si calcolano i centroidi dei gruppi provvisori e si riassegnano le unità Si ricalcolano i centroidi e si riassegnano le unità; non essendoci modifiche nel raggruppamento il processo termina

15 In alternativa al criterio del centroide più vicino, per la riallocazione delle unità tra i gruppi si può ricorrere alla scomposizione della devianza totale in devianza entro i gruppi e devianza tra i gruppi e procedere alla minimizzazione della funzione obiettivo, costituita dalla devianza entro i gruppi. Poiché i metodi non gerarchici prevedono l identificazione a priori dei k punti iniziali, a cui corrisponde una partizione iniziale, la soluzione finale risulterà in qualche modo dipendente non solo dalla preventiva scelta del numero di gruppi da ottenere, ma anche dalla scelta dei punti iniziali. Quest ultima potrà fondarsi su informazioni a priori che suggeriscono una particolare scelta ragionata o, più frequentemente, su punti casuali. In ogni caso, è buona norma ripetere l analisi utilizzando diversi punti iniziali e verificare la stabilità della soluzione finale. Questa si rivelerà piuttosto stabile al variare dei punti iniziali quando i gruppi risultano ben definiti e sufficientemente omogenei al loro interno, ovvero quando anche la scelta di k, cioè del numero dei gruppi da ottenere, era corretta. Al contrario, quando la popolazione di riferimento risulta piuttosto omogenea nelle p variabili considerate e non ammette partizioni ben definite, o quando il numero dei gruppi ben definiti nella popolazione non coincide con il numero di gruppi richiesto, la soluzione finale si rivelerà molto instabile, cioè variabile al variare dei k punti iniziali La scelta del metodo di raggruppamento e del numero ottimo di gruppi La scelta del metodo da utilizzare per realizzare una analisi di raggruppamento è operazione non semplice, che richiede una buona dose di esperienza. Ribadito che non esiste, in assoluto, un metodo migliore, una prima valutazione dovrà essere fatta sulla base della tipologia dei dati che si hanno a disposizione o che si intendono raccogliere. Se i dati di cui si dispone riguardano variabili qualitative o variabili miste, in parte quantitative e in parte qualitative, tutta una serie di metodi presentati nei paragrafi precedenti risulteranno, come già detto, inapplicabili. In questo caso la scelta può avvenire soltanto nell ambito dei metodi del legame singolo, del legame completo, di McQuitty, del legame medio o dei metodi gerarchici divisivi basati sui punti nodali. Tutti i predetti metodi consentono di scegliere il numero di gruppi a posteriori, il che rappresenta un indubbio vantaggio. In particolare, il metodo del legame completo trova larga applicazione e può fornire buoni risultati a patto che venga effettuata un analisi preliminare per identificare ed eliminare i valori anomali, per esempio attraverso l utilizzo preliminare del metodo del legame singolo. Quando la matrice dei dati X risulta tutta quantitativa la scelta si allarga a un numero molto maggiore di metodi utilizzabili. In questo caso, un operazione preliminare necessaria consiste nell analisi dei profili colonna per valutare la necessità di eventuali operazioni di standardizzazione delle variabili, per correggere il problema delle diverse unità di misura; per valutare l opportunità di trasformazioni di variabili, per tener conto della struttura delle correlazioni tra le variabili da utilizzare. In via generale si può affermare che i metodi gerarchici risultano maggiormente sensibili alla presenza di valori anomali e, soprattutto, non consentono di modificare una aggregazione effettuata a un passo precedente: una volta che due unità sono state unite in un gruppo, esse resteranno sempre nello stesso gruppo. I metodi non gerarchici non presentano questo problema, consentendo a due unità che sono state unite in un gruppo a un certo passo di trovarsi successivamente in gruppi diversi se ciò migliora il raggruppamento. I metodi non gerarchici richiedono però la preventiva indicazione del numero dei gruppi e la definizione dei punti iniziali. Una strategia di analisi spesso utilizzata consiste nel ricorrere prima a una analisi gerarchica per individuare il numero ottimale dei gruppi e i punti iniziali (definiti come medie di gruppo per i Quando si utilizzano i metodi non gerarchici o i metodi gerarchici che prevedono la disponibilità della matrice dei dati X, due variabili con elevato grado di correlazione esprimono, verosimilmente, due aspetti dello stesso fenomeno latente. In questo caso inserire entrambe le variabili equivale ad assegnare una importanza doppia a tale fenomeno, solo per il fatto che esso è rappresentato, nella matrice dei dati, con due variabili anziché con una soltanto.

16 gruppi ottenuti) da assegnare poi in input a una analisi non gerarchica al fine di definire la soluzione finale. Una strategia alternativa può consistere nell effettuare una preliminare analisi non gerarchica specificando un elevato numero di gruppi al fine di individuare sia eventuali valori anomali (che la procedura riesce a enucleare, almeno quando si specifica un elevato numero di gruppi, in gruppi di una unità), sia i principali gruppi significativi dalle cui medie ricavare i punti iniziali da inserire in input in una nuova analisi non gerarchica. Una strategia ancora diversa può essere necessaria nel caso di data set composti da un grande numero di osservazioni, il che rende particolarmente onerose le analisi gerarchiche. Se si ritiene che l obiettivo dello studio richieda comunque analisi gerarchiche, queste possono essere fatte precedere da una analisi non gerarchica con il metodo k-means, che risulta molto più efficiente dal punto di vista delle risorse di calcolo, in modo da identificare un elevato numero di gruppi. L analisi gerarchica può essere poi applicata per raggruppare gerarchicamente i gruppi così ottenuti. Per quanto attiene alla scelta del numero ottimale di gruppi da ottenere, valgono alcune considerazioni di carattere generale. Come si è più volte rilevato, le applicazioni più frequenti dell analisi dei gruppi nelle analisi di mercato sono rivolte alla segmentazione a posteriori del mercato. In questi casi si è già accennato all interesse oggettivo di avere a che fare con un numero di gruppi contenuto in modo da evitare di disperdere le risorse, studiando un numero troppo elevato di strategie diverse. La scelta del numero di gruppi non potrà non tenere conto di questa esigenza, ma dovrà contemperarla con la necessità di individuare gruppi dotati di una sufficiente omogeneità interna, altrimenti possono risultare vanificate le stesse strategie di marketing. Dal punto di vista tecnico, la definizione del numero dei gruppi ottimale può essere effettuata, nei metodi gerarchici, esaminando i valori assunti dagli indici di distanza tra i due gruppi che si fondono a ogni passo successivo. In generale, valori di distanza elevati stanno a indicare che in quella fase della procedura stiamo unendo gruppi che sono piuttosto diversi tra loro. Un criterio di scelta può dunque essere fondato sulle differenze nella serie progressiva dei valori di distanza a cui vengono effettuate le aggregazioni, tenendo conto del fatto che quando si registrano differenze elevate si sta verificando una diminuzione rilevante della omogeneità interna dei gruppi che si vanno a formare. Un criterio di scelta è dunque quello di arrestare il processo di aggregazione immediatamente prima di uno di tali salti nella sequenza dei valori di distanza riportati nel dendrogramma. Quando si ha a che fare con variabili quantitative il criterio di scelta del numero di gruppi può essere fondato anche sull indicatore ottenuto rapportando ai diversi passi di aggregazione la devianza tra i gruppi alla devianza totale. Nel passo in cui tale indicatore subisce la riduzione relativa più consistente si stanno unendo gruppi molto eterogenei tra loro, per cui è opportuno fermare il processo al passo precedente L analisi dei gruppi in SAS Le principali procedure per l analisi dei gruppi in SAS sono le seguenti. PRC CLUSTER PRC TREE PRC FASTCLUS Per l analisi gerarchica con l uso dei diversi metodi disponibili Per realizzare il dendrogramma Per l analisi non gerarchica con l uso del metodo k-means

17 PRC CLUSTER La procedura può prendere in input alternativamente matrici di distanza o matrici di dati; in questo secondo caso calcola automaticamente le distanze euclidee con la possibilità di richiedere la standardizzazione delle variabili a media zero e varianza unitaria. In tutti i casi in cui si dispone di variabili non quantitative o in cui si voglia utilizzare misure di distanza diverse occorre prima calcolare la matrice delle distanze mediante l utilizzo della PRC DISTANCE e, successivamente, fornire in input alla PRC CLUSTER la matrice così ottenuta. Vi è anche la possibilità di controllare preventivamente i valori anomali ed escluderli dall analisi; tale opzione risulta particolarmente utile quando si utilizzano metodi molto sensibili alla presenza di valori anomali, come il metodo del legame completo. Illustriamo ora la sintassi della procedura iniziando dalle opzioni della PRC CLUSTER PRC CLUSTER DATA=nome(TYPE=DISTANCE) METHD= SIN legame singolo CM legame completo AVE legame medio CEN centroide WAR Ward MCQ McQuitty DEN Stime non parametriche della densità di probabilità STD TRIM=p Standardizza le variabili a media zero e varianza unitaria (solo con matrice dei dati) mette dall analisi le osservazioni con bassa densità di probabilità stimata p ammette valori da zero a 00; se p=0 la procedura omette il 0% delle osservazioni. UTTREE=nome Produce un sds di output che servirà alla PRC TREE per realizzare il dendrogramma. NNRM Esclude la normalizzazione a media unitaria degli indici di distanza I principali statement che si possono usare sono i seguenti. Y variabile Realizza tante analisi dei gruppi per ciascuna modalità assunta dalla variabile di Y. Richiede che il sds di input sia stato preventivamente ordinato sulla base della variabile di Y. ID variabile Identifica l osservazione con il nome contenuto nella variabile di ID sia nell output della procedura sia nel sds di UTTREE; in mancanza, identifica le osservazioni con un numero progressivo con cui sono presenti nella matrice dei dati o nella matrice delle distanze. VAR variabili Specifica l elenco delle variabili numeriche da utilizzare per il calcolo della matrice delle distanze; in mancanza utilizza tutte le variabili numeriche del sds di input. PRC TREE La procedura prende in input il sds creato con l opzione UTTREE della PRC CLUSTER e realizza il dendrogramma. La procedura può anche essere utilizzata per creare un sds di output contenente le osservazioni di partenza con l indicazione del gruppo di appartenenza a un determinato passo dell analisi. La sintassi fondamentale è la seguente. PRC TREE DATA=nome CLUSTER UT=nome NCL=n È il sds creato dall opzione UTTREE della PRC Crea un sds con le osservazioni assegnate al gruppo di appartenenza Specifica il numero di gruppi desiderato nel sds di output

18 Si può usare lo statement ID variabile per dare alle osservazioni il nome della variabile di ID. Esempio Riprendere la matrice ottenuta nell esempio 3.x e realizzare una analisi dei gruppi con il metodo del legame medio con il relativo dendrogramma Il programma che consente di ottenere l analisi dei gruppi è il seguente: * Esempio procedura cluster; data consu; input nome $ v v2 v3 v4 v5 ; cards; unitàa unità unitàc unitàd unitàe ; proc cluster data=consu(type=distance) method=ave outtree=gra nonorm; id nome; proc tree data=gra; id nome; run; L output della procedura è il seguente:! "#$%% & "#$&% " &#$'() %&"'#$')&"

19 0. 6 D i s t 0. 5 a n z a 0. 4 m e d i 0. 3 a t r a 0. 2 c l u 0. s t e r 0. 0 uni t àa uni t àe uni t à uni t àc uni t àd nome PRC FASTCLUS La procedura FASTCLUS realizza analisi non gerarchiche mediante l uso del metodo k-means. Prima di utilizzare la procedura FASTCLUS si raccomanda di effettuare analisi sui profili colonna della matrice dei dati al fine di valutare eventuali standardizzazioni delle variabili mediante l uso della PRC STANDARD. La sintassi fondamentale è la seguente. PRC FASTCLUS DATA=nome Indica il sds di input (la matrice dei dati). MAXCLUSTERS=n Indica il numero di gruppi che si vuole creare. MEAN=nome Crea un sds di output che contiene le media di gruppo e altre statistiche descrittive. UT=nome Crea un sds di output con le variabili originali oltre all indicazione del gruppo di appartenenza e della distanza dal centroide. SEED=nome Indica il sds di input che contiene le coordinate dei k punti iniziali; il sds deve contenere le stesse variabili del sds di input e un numero di osservazioni pari al numero di gruppi da ottenere indicato con l opzione MAXCLUSTERS=. LEAST=p La procedura minimizza la p-esima radice della media delle p-esime potenze delle differenze assolute tra le coordinate del punto e del baricentro. I principali statement che si possono usare sono i seguenti. Y variabile Realizza tante analisi dei gruppi per ciascuna modalità assunta dalle variabili di Y. Richiede che il sds di input sia stato preventivamente ordinato sulla base della variabile di Y.

20 WEIGHT variabile Richiede che nel calcolo dei baricentri dei gruppi vengano calcolate le medie aritmetiche ponderate delle p variabili utilizzando la variabile di WEIGHT. VAR variabili Specifica l elenco delle variabili numeriche da utilizzare per il calcolo della matrice delle distanze; in mancanza, utilizza tutte le variabili numeriche del sds di input. Esempio Applicazione dell analisi dei gruppi non gerarchica ai dati della Figura * Esempio procedura fastclus; data dati; input nome $ v v2; cards; A C 5 3 D 6 5 E 8 2 F 3 4 G ; data puntiin; input v v2; cards; ; proc fastclus data=dati seed=puntiin maxclusters=2 out=risu least=2 outseed=puntifin; proc print data=risu; proc print data=puntifin; run; **#+*"+*%#,*#$###%*" -,%,"... %%$#########/$######### "$#########$######### --*$"")% - 0, -%"... %"$%/(#$)#)(#$(""2 "%$&''#$%%&#$(#' &%$"&')##,-3 4$ 04*%$"&')

RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali)

RICERCHE DI MERCATO. 5.6 Analisi Fattoriale (Componenti Principali) RICERCHE DI MERCATO 5.6 Analisi Fattoriale (Componenti Principali) Prof. L. Neri Dip. di Economia Politica Premessa Come evidenziato in precedenza l approccio di segmentazione per omogeneità prevede la

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni)

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni) PARTE TERZA STATISTICA DESCRITTIVA MULTIDIMESIOALE (Analisi delle Relazioni) La notazione matriciale 3 III.. LA OTAZIOE MATRICIALE III... L analisi statistica dei fenomeni multivariati L intrinseca complessità

Dettagli

STUDIO DI SETTORE VG82U

STUDIO DI SETTORE VG82U ALLEGATO 18 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG82U SERVIZI PUBBLICITARI, RELAZIONI PUBBLICHE E COMUNICAZIONE 862 CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

L analisi fattoriale

L analisi fattoriale L analisi fattoriale Scopo dell analisi fattoriale e quello di identificare alcune variabili latenti (fattori) in grado di spiegare i legami, le interrelazioni e le dipendenze tra le variabili statistiche

Dettagli

servono per andare a studiare l'argomento che prendiamo in considerazione in questo momento cioè la scelta politica. Quindi si presuppone,

servono per andare a studiare l'argomento che prendiamo in considerazione in questo momento cioè la scelta politica. Quindi si presuppone, ANALISI FATTORIALE I calcoli che vengono fatti con l'analisi fattoriale servono soprattutto per validare dei questionari quindi è così troviamo una struttura esterna per andare a vedere gli item, cioè

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

STUDIO DI SETTORE VG87U

STUDIO DI SETTORE VG87U ALLEGATO 21 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG87U CONSULENZA FINANZIARIA, AMMINISTRATIVO-GESTIONALE E AGENZIE DI INFORMAZIONI COMMERCIALI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE

Dettagli

STUDIO DI SETTORE VG82U

STUDIO DI SETTORE VG82U ALLEGATO 18 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG82U SERVIZI PUBBLICITARI, RELAZIONI PUBBLICHE E COMUNICAZIONE CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di

Dettagli

Analisi fattoriale 1

Analisi fattoriale 1 Analisi fattoriale Analisi fattoriale: a che serve? L analisi fattoriale permette di rappresentare un set di variabili tramite un insieme più compatto di nuove variate fra loro indipendenti. Da tante variabili

Dettagli

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione

CAPITOLO 10. Controllo di qualità. Strumenti per il controllo della qualità e la sua gestione CAPITOLO 10 Controllo di qualità Strumenti per il controllo della qualità e la sua gestione STRUMENTI PER IL CONTROLLO E LA GESTIONE DELLA QUALITÀ - DIAGRAMMI CAUSA/EFFETTO - DIAGRAMMI A BARRE - ISTOGRAMMI

Dettagli

STUDIO DI SETTORE UG41U

STUDIO DI SETTORE UG41U A L L E G AT O 1 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE UG41U R I C E R C H E D I M E R C A T O E S O N D A G G I D I O P I N I O N E CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione

Dettagli

STUDIO DI SETTORE SG42U

STUDIO DI SETTORE SG42U ALLEGATO 2 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE SG42U NOTA TECNICA E METODOLOGICA CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Filomena Maggino, L analisi dei dati nell indagine statistica. Volume 2: l esplorazione dei dati e la validazione dei risultati, ISBN: 88-8453-351-1

Filomena Maggino, L analisi dei dati nell indagine statistica. Volume 2: l esplorazione dei dati e la validazione dei risultati, ISBN: 88-8453-351-1 Filomena Maggino, L analisi dei dati nell indagine statistica. Volume 2: l esplorazione dei dati e la validazione dei risultati, ISBN: 88-8453-351-1 (print) ISBN: 88-8453-350-3 (online), Firenze University

Dettagli

La regressione lineare multipla

La regressione lineare multipla 13 La regressione lineare multipla Introduzione 2 13.1 Il modello di regressione multipla 2 13.2 L analisi dei residui nel modello di regressione multipla 9 13.3 Il test per la verifica della significatività

Dettagli

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali

Dettagli

Geometria analitica di base (prima parte)

Geometria analitica di base (prima parte) SAPERE Al termine di questo capitolo, avrai appreso: come fissare un sistema di riferimento cartesiano ortogonale il significato di equazione di una retta il significato di coefficiente angolare di una

Dettagli

STUDIO DI SETTORE WK04U

STUDIO DI SETTORE WK04U ALLEGATO 9 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WK04U ATTIVITÀ DEGLI STUDI LEGALI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce ai contribuenti

Dettagli

Relazioni statistiche: regressione e correlazione

Relazioni statistiche: regressione e correlazione Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica

Dettagli

Elaborazione dati in Analisi Sensoriale

Elaborazione dati in Analisi Sensoriale Elaborazione dati in Analisi Sensoriale Si è parlato di interpretazione corretta dei risultati ottenuti; a questo concorrono due fattori: affidabilità e validità. Se i test fossero stati ripetuti con lo

Dettagli

STUDIO DI SETTORE VG89U

STUDIO DI SETTORE VG89U ALLEGATO 23 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG89U SERVIZI DI FOTOCOPIATURA, PREPARAZIONE DI DOCUMENTI E ALTRE ATTIVITÀ DI SUPPORTO CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione

Dettagli

Analisi fattoriale. esplorativa vers. 1.0. Germano Rossi 1 germano.rossi@unimib.it. 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Analisi fattoriale. esplorativa vers. 1.0. Germano Rossi 1 germano.rossi@unimib.it. 1 Dipartimento di Psicologia, Università di Milano-Bicocca Analisi fattoriale esplorativa vers. 1.0 Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2009 Rossi (Dip. Psicologia) Analisi fattoriale 2009 1 / 47 Prima

Dettagli

STUDIO DI SETTORE VK17U

STUDIO DI SETTORE VK17U A L L E G AT O 6 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VK17U P E R I T I I N D U S T R I A L I CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

UNIVERSITA DEGLI STUDI DI PADOVA TESI DI LAUREA TRIENNALE

UNIVERSITA DEGLI STUDI DI PADOVA TESI DI LAUREA TRIENNALE UNIVERSITA DEGLI STUDI DI PADOVA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN STATISTICA E GESTIONE DELLE IMPRESE TESI DI LAUREA TRIENNALE Cluster Analysis per la segmentazione della clientela utilizzando

Dettagli

Metodi diretti per la soluzione di sistemi lineari

Metodi diretti per la soluzione di sistemi lineari Metodi diretti per la soluzione di sistemi lineari N Del Buono 1 Introduzione Consideriamo un sistema di n equazioni in n incognite a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1, a 21 x 1 + a 22 x

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Concetti preliminari: struttura del dataset negli

Dettagli

Cluster gerarchica. Capitolo

Cluster gerarchica. Capitolo Cluster gerarchica Capitolo 33 Questa procedura consente di identificare gruppi di casi relativamente omogenei in base alle caratteristiche selezionate, utilizzando un algoritmo che inizia con ciascun

Dettagli

NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WK08U

NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WK08U ALLEGATO 3 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WK08U ATTIVITÀ DEI DISEGNATORI TECNICI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce ai contribuenti

Dettagli

STUDIO DI SETTORE UK27U

STUDIO DI SETTORE UK27U A L L E G AT O 2 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE UK27U A T T I V I T À P R O F E S S I O N A L I R E L A T I V E A L L I N F O R M A T I C A CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE

Dettagli

(a) E' una scala grafica, o di valutazione continua (b) Non e' comparativa (c) E' una scala semplice. 2. E' data la seguente matrice di distanze

(a) E' una scala grafica, o di valutazione continua (b) Non e' comparativa (c) E' una scala semplice. 2. E' data la seguente matrice di distanze A.A. 013/014 Corso di Laurea triennale in Economia Aziendale e Bancaria Insegnamento: Ricerche di Mercato Esercitazione valida per l'esonero dalla prova scritta -- 1 dicembre 013 1. Si consideri la seguente

Dettagli

Design of Experiments

Design of Experiments Design of Experiments Luigi Amedeo Bianchi 1 Introduzione Cominciamo spiegando cosa intendiamo con esperimento, ossia l investigare un processo cambiando i dati in ingresso, osservando i cambiamenti che

Dettagli

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

Principal Component Analysis (PCA)

Principal Component Analysis (PCA) Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag. Perche PCA? E un semplice metodo non-parametrico per estrarre

Dettagli

DATA MINING PER IL MARKETING

DATA MINING PER IL MARKETING DATA MINING PER IL MARKETING Andrea Cerioli andrea.cerioli@unipr.it Sito web del corso GLI ALBERI DI CLASSIFICAZIONE Algoritmi di classificazione Zani-Cerioli, Cap. XI CHAID: Chi-square Automatic Interaction

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Capitolo 26: Il mercato del lavoro

Capitolo 26: Il mercato del lavoro Capitolo 26: Il mercato del lavoro 26.1: Introduzione In questo capitolo applichiamo l analisi della domanda e dell offerta ad un mercato che riveste particolare importanza: il mercato del lavoro. Utilizziamo

Dettagli

9. La distribuzione 2 e i test per dati su scala nominale

9. La distribuzione 2 e i test per dati su scala nominale 9. La distribuzione e i test per dati su scala nominale 9.1. La distribuzione 9. 1. 1. La statistica e la sua distribuzione In una popolazione distribuita normalmente con parametri e estraiamo un campione

Dettagli

STUDIO DI SETTORE VG41U

STUDIO DI SETTORE VG41U A L L E G AT O 1 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG41U R I C E R C H E D I M E R C A T O E S O N D A G G I D I O P I N I O N E CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione

Dettagli

L analisi statistica multivariata applicata alle ricerche di mercato

L analisi statistica multivariata applicata alle ricerche di mercato Capitolo 4 L analisi statistica multivariata applicata alle ricerche di mercato 4.1 Introduzione I capitoli precedenti hanno discusso alcuni aspetti relativi alla raccolta delle informazioni rilevanti

Dettagli

ALLEGATO 7. Nota Tecnica e Metodologica SK16U

ALLEGATO 7. Nota Tecnica e Metodologica SK16U ALLEGATO 7 Nota Tecnica e Metodologica SK16U NOTA TECNICA E METODOLOGICA 1. CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione dello studio

Dettagli

5.4 Solo titoli rischiosi

5.4 Solo titoli rischiosi 56 Capitolo 5. Teoria matematica del portafoglio finanziario II: analisi media-varianza 5.4 Solo titoli rischiosi Suppongo che sul mercato siano presenti n titoli rischiosi i cui rendimenti aleatori sono

Dettagli

Un po di teoria dei numeri

Un po di teoria dei numeri Un po di teoria dei numeri Applicazione alla crittografia RSA Christian Ferrari Liceo di Locarno Matematica Sommario 1 L aritmetica modulare di Z n Le congruenze L anello Z n Le potenze in Z n e algoritmo

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo

Dettagli

STUDIO DI SETTORE WG39U

STUDIO DI SETTORE WG39U A L L E G AT O 9 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG39U A G E N Z I E D I M E D I A Z I O N E I M M O B I L I A R E CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Ricerca Operativa Dualità e programmazione lineare

Ricerca Operativa Dualità e programmazione lineare Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del

Dettagli

QUARTO INCONTRO LABORATORIO CORSO INDAGINI CAMPIONARIE. Laboratorio Stefania Porchia

QUARTO INCONTRO LABORATORIO CORSO INDAGINI CAMPIONARIE. Laboratorio Stefania Porchia QUARTO INCONTRO LABORATORIO CORSO INDAGINI CAMPIONARIE Laboratorio Stefania Porchia Incontri e argomenti trattati nel laboratorio 29 marzo 14.00 15.30 l indagine qualitativa come strategia di formulazione

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

STUDIO DI SETTORE VM10U

STUDIO DI SETTORE VM10U ALLEGATO 8 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VM10U COMMERCIO DI PARTI E ACCESSORI DI AUTOVEICOLI E MOTOVEICOLI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

CPU Performance: Regressione multipla e Analisi Cluster in Matlab

CPU Performance: Regressione multipla e Analisi Cluster in Matlab CPU Performance: Regressione multipla e Analisi Cluster in Matlab Alberto Lusoli Abstract Il seguente documento, illustra le tecniche utilizzate nell analisi del dataset CPU Performance. Gli scopi dello

Dettagli

La valutazione del grado di soddisfazione del servizio scolastico: redazione ed elaborazione di un questionario-tipo *

La valutazione del grado di soddisfazione del servizio scolastico: redazione ed elaborazione di un questionario-tipo * Annali del Dipartimento di Scienze Statistiche Carlo Cecchi Università degli Studi di Bari Aldo Moro - Vol. X (2011): 227-240 Cleup, Padova - ISBN: 978-88-6129-833-0 La valutazione del grado di soddisfazione

Dettagli

STUDIO DI SETTORE VG40U

STUDIO DI SETTORE VG40U ALLEGATO 4 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG40U LOCAZIONE, VALORIZZAZIONE, COMPRAVENDITA DI BENI IMMOBILI 227 CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio

Dettagli

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2.

Statistica multivariata. Statistica multivariata. Analisi multivariata. Dati multivariati. x 11 x 21. x 12 x 22. x 1m x 2m. x nm. x n2. Analisi multivariata Statistica multivariata Quando il numero delle variabili rilevate sullo stesso soggetto aumentano, il problema diventa gestirle tutte e capirne le relazioni. Cercare di capire le relazioni

Dettagli

Capitolo 1 - Numerazione binaria

Capitolo 1 - Numerazione binaria Appunti di Elettronica Digitale Capitolo - Numerazione binaria Numerazione binaria... Addizione binaria... Sottrazione binaria... Moltiplicazione binaria... Divisione binaria... Complementazione... Numeri

Dettagli

STUDIO DI SETTORE UG94U

STUDIO DI SETTORE UG94U A L L E G AT O 6 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE UG94U P R O D U Z I O N I E D I S T R I B U Z I O N I C I N E M A T O G R A F I C H E E D I V I D E O, A T T I V I T À R A D I O T E L E V

Dettagli

STUDIO DI SETTORE SM44U

STUDIO DI SETTORE SM44U ALLEGATO 4 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE SM44U NOTA TECNICA E METODOLOGICA CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per continue. Alessandro Valbonesi. SARRF di Scienze ambientali

LEZIONI DI STATISTCA APPLICATA. Parte 2. Statistica inferenziale. Variabili continue per continue. Alessandro Valbonesi. SARRF di Scienze ambientali LEZIONI DI STATISTCA APPLICATA Parte 2 Statistica inferenziale Variabili continue per continue Alessandro Valbonesi SARRF di Scienze ambientali Anno accademico 2010-11 CAPITOLO 7 - RELAZIONI TRA DUE O

Dettagli

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU 9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto

Dettagli

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0 LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi

Dettagli

STUDIO DI SETTORE SG54U

STUDIO DI SETTORE SG54U ALLEGATO 5 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE SG54U NOTA TECNICA E METODOLOGICA CRITERI PER LA COSTRUZIONE DELLO STUDIO DI SETTORE Di seguito vengono esposti i criteri seguiti per la costruzione

Dettagli

Esercizi di Ricerca Operativa I

Esercizi di Ricerca Operativa I Esercizi di Ricerca Operativa I Dario Bauso, Raffaele Pesenti May 10, 2006 Domande Programmazione lineare intera 1. Gli algoritmi per la programmazione lineare continua possono essere usati per la soluzione

Dettagli

Elementi di cluster analysis per la classificazione e il posizionamento nelle ricerche di marketing

Elementi di cluster analysis per la classificazione e il posizionamento nelle ricerche di marketing http://www.mauroennas.eu Elementi di cluster analysis per la classificazione e il posizionamento nelle ricerche di marketing Mauro Ennas 1 Cluster_Analysis.sav OUTPUT_clustering_gerarchico_BAVERAGE.spv

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

STUDIO DI SETTORE WG55U

STUDIO DI SETTORE WG55U ALLEGATO 9 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE WG55U SERVIZI DI POMPE FUNEBRI E ATTIVITÀ CONNESSE CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce

Dettagli

STUDIO DI SETTORE VG55U

STUDIO DI SETTORE VG55U ALLEGATO 10 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG55U SERVIZI DI POMPE FUNEBRI E ATTIVITÀ CONNESSE CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 9 - Pag. 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 9 - Pag. 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 9 - Pag. 1 Capitolo 9. Statistica multivariata. Relazioni tra osservazioni. Relazioni tra variabili. Sur-rayplot. Draftsman plot. Analisi

Dettagli

STUDIO DI SETTORE VM09A

STUDIO DI SETTORE VM09A ALLEGATO 6 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VM09A COMMERCIO DI AUTOVEICOLI CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore attribuisce ai contribuenti

Dettagli

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA

LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA STATISTICA LEZIONI DI STATISTICA E CALCOLO DELLE PROBABILITA UMBERTO MAGAGNOLI Materiale per il Corso di lezioni di STATISTICA Laurea magistrale in Matematica Facoltà di Scienze Matematiche, Fisiche e Naturali Università

Dettagli

Statistica Medica. Verranno presi in esame:

Statistica Medica. Verranno presi in esame: Statistica Medica Premessa: il seguente testo cerca di riassumere e rendere in forma comprensibile ai non esperti in matematica e statistica le nozioni e le procedure necessarie a svolgere gli esercizi

Dettagli

STUDIO DI SETTORE VG78U

STUDIO DI SETTORE VG78U ALLEGATO 15 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG78U ATTIVITÀ DELLE AGENZIE DI VIAGGIO E TURISMO E DEI TOUR OPERATOR CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio

Dettagli

11.1.6 I produttori eterogenei

11.1.6 I produttori eterogenei L equilibrio nei mercati concorrenziali 1 11.1.6 I produttori eterogenei Nel modello base della concorrenza perfetta, tutte le imprese utilizzano la stessa tecnologia e quindi hanno gli stessi costi di

Dettagli

COMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009

COMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009 COGNOME E NOME COMPITO B - ANALISI DEI DATI PER IL MARKETING OTTOBRE 2009 Esercizio I MATR. Si è effettuata un indagine di customer satisfaction su un campione di 100 acquirenti d un modello di auto, chiedendo

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 13: L offerta dell impresa e il surplus del produttore Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:

Dettagli

Il RISCHIO DI TASSO DI INTERESSE. Il Cash Flow Mapping La normativa di vigilanza

Il RISCHIO DI TASSO DI INTERESSE. Il Cash Flow Mapping La normativa di vigilanza Il RISCHIO DI TASSO DI INTERESSE Il Cash Flow Mapping La normativa di vigilanza NEMANJA RADIĆ 22/04/2009 AGENDA Introduzione I. I modelli basati sul cash flow mapping II. III. 2 Gli obiettivi del cash

Dettagli

1. Domande mal poste 2. Respons set 3. Curvilinearità degli items 4. Inutilità del dato reperito

1. Domande mal poste 2. Respons set 3. Curvilinearità degli items 4. Inutilità del dato reperito Nota Metodologica IL QUESTIONARIO La stesura del questionario richiede una particolare attenzione nella scelta, nella compilazione e nella successione degli ITEMS che formano lo strumento d indagine. Per

Dettagli

Sistemi Informativi Multimediali Indicizzazione multidimensionale

Sistemi Informativi Multimediali Indicizzazione multidimensionale Indicizzazione nei sistemi di IR (1) Sistemi Informativi Multimediali Indicizzazione multidimensionale ugusto elentano Università a Foscari Venezia La struttura fondamentale di un sistema di information

Dettagli

STUDIO DI SETTORE UG53U

STUDIO DI SETTORE UG53U ALLEGATO 9 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE UG53U ORGANIZZAZIONE DI CONVEGNI ED ATTIVITA DI TRADUZIONI ED INTERPRETARIATO CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'obiettivo dell'applicazione

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

STUDIO DI SETTORE VG68U

STUDIO DI SETTORE VG68U ALLEGATO 13 NOTA TECNICA E METODOLOGICA STUDIO DI SETTORE VG68U TRASPORTO DI MERCI SU STRADA E SERVIZI DI TRASLOCO CRITERI PER L EVOLUZIONE DELLO STUDIO DI SETTORE L'applicazione dello studio di settore

Dettagli

Concetti introduttivi

Concetti introduttivi Indice 1 Concetti introduttivi 3 1.1 Studi sperimentali e studi osservazionali..................... 3 1.2 Concetti iniziali: indipendenza fra eventi..................... 6 1.3 Indipendenza fra variabili

Dettagli

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE

CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE 1. INTRODUZIONE ALLE SERIE STORICHE CAPITOLO SECONDO ANALISI DELLE SERIE STORICHE SOMMARIO: 1. Introduzione alle serie storiche. -. Analisi classica delle serie storiche. - 3. Analisi moderna delle serie storiche. 4. Procedura TRAMO-SEATS

Dettagli

ELEMENTI TRIANGOLARI E TETRAEDRICI A LATI DIRITTI

ELEMENTI TRIANGOLARI E TETRAEDRICI A LATI DIRITTI EEMENTI TRIANGOARI E TETRAEDRICI A ATI DIRITTI Nella ricerca di unificazione delle problematiche in vista di una generalizzazione delle procedure di sviluppo di elementi finiti, gioca un ruolo importante

Dettagli

Amministrazione Provinciale di Lucca Servizio Lavoro UO Programmazione

Amministrazione Provinciale di Lucca Servizio Lavoro UO Programmazione Amministrazione Provinciale di Lucca Servizio Lavoro UO Programmazione Appendice tecnica all analisi delle iscrizioni negli elenchi delle persone in cerca di occupazione dei Centri per l Impiego della

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli